[发明专利]一种交通安全风险评估方法及系统

说明书

本申请公开一种交通安全风险评估方法及系统，应用于基于Spring Cloud搭建的微服务系统中，其中，交通安全风险评估方法包括：建立神经网络模型；从数据库中获取所述神经网络模型的输入数据；对所述输入数据进行预处理后输入到所述神经网络模型中，设置所述神经网络模型的参数并对所述神经网络模型进行训练；接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中，并将所述神经网络模型的输出结果发送给所述服务调用者，其中，所述输出结果用于表征行程的风险值。

技术领域

本申请涉及交通安全技术领域，尤其涉及一种交通安全风险评估方法及系统。

背景技术

近年来，我国的高速公路迅速发展，总里程已居世界第一，居民出行更加便捷，货物运输也更加高效。与此同时，高速公路的行车安全问题也日益突出。驾驶人在驾驶过程中，打电话、打瞌睡、超速等一些不良行为是引发道路交通事故的重要原因。针对上述现象，一些企业采用高级驾驶辅助系统(Advanced Driving Assistance System，ADAS)采集驾驶员及车辆的数据，并将这些数据传输至远程的服务器进行存储与分析，从而获得海量的驾驶行为数据。因此，构建一个风险评估系统，通过大数据技术读取并分析海量驾驶行为数据，对降低高速公路交通事故的发生率具有重要的意义。

发明内容

本申请实施例提供了一种交通安全风险评估方法及系统，能够提高交通安全风险评估的准确性，从而降低高速公路交通事故的发生率。

本申请实施例提供的交通安全风险评估方法，其特征在于，应用于基于SpringCloud搭建的微服务系统中，该方法包括：

建立神经网络模型；

从数据库中获取所述神经网络模型的输入数据；

对所述输入数据进行预处理后输入到所述神经网络模型中，设置所述神经网络模型的参数并对所述神经网络模型进行训练；

接收到服务调用者的行程数据后，将所述行程数据输入到训练后的所述神经网络模型中，并将所述神经网络模型的输出结果发送给所述服务调用者，其中，所述输出结果用于表征行程的风险值。

在本申请一可选方式中，所述神经网络模型为多层全连接神经网络模型，所述神经网络模型包括：输入层、第一隐藏层、第二隐藏层和输出层；其中，所述输入层包括多个输入节点，所述输出层包括一个输出节点。

在本申请一可选方式中，所述多个输入节点包括25个输入节点，所述25个输入节点需要的输入数据包括：车辆类型、行程的起始时间、行程的持续时间、平均车速、平均车流量、能见度、降雨量、降雪量、节假日、交通管制、道路形态、道路的监控器数量、行程中多类警报的数量；其中，所述行程中多类警报包括：急减速警报、急加速警报、急转弯警报、超速警报、碰撞警报、闭眼警报、打哈欠警报、低头警报、左顾右盼警报、无人脸警报、打电话警报、抽烟警报和遮挡警报；所述输出节点的输出数据为行程的风险值，所述风险值的不同取值用于表示不同程度的安全风险。

在本申请一可选方式中，所述从数据库中获取所述神经网络模型的输入数据，包括：

基于Spark大数据引擎从MongoDB数据库中获取以下数据作为所述神经网络模型的输入数据：行程的起始时间、行程的持续时间、平均车速、平均车流量、行程中多类警报的数量以及行程的风险值，所述行程的风险值由人工标注出；以及，

从MySQL数据库中获取以下数据作为所述神经网络模型的输入数据：车辆类型、能见度、降雨量、降雪量、节假日、交通管制、道路形态、道路的监控器数量。

在本申请一可选方式中，对所述输入数据进行预处理，包括：

去除所述输入数据中的缺失数据、异常数据以及重复数据后，将所述输入数据转换成.csv文件的格式。