本技術涉及數(shù)據(jù)處理，尤其涉及一種危險個體預測方法、裝置及電子設備。

背景技術：

1、車輛在行駛過程中最值得關注的問題，便是安全問題，并且安全問題的影響因素也較多，駕駛員自身的因素、車輛的車況、路況等都會對行駛安全產(chǎn)生影響。

2、而如何快速且準確地識別出隱患駕駛員、隱患車輛和隱患道路，并對其加以管控，是降低交通事故發(fā)生率最為直接且有效的方法。當前的交通安全隱患識別工作，主要依賴于工作人員的經(jīng)驗去識別。然而，這樣無法準確的進行識別并且效率較低。

3、相關技術中，還可以通過原始的交通違法數(shù)據(jù)和事故數(shù)據(jù)，訓練和調整相應的模型，然后將違法屬性信息輸入至模型中，實現(xiàn)危險人員的識別與預測，但這類方法主要聚焦于對危險駕駛員的識別與預測，忽略了其他因素在交通場景中的影響。

4、有鑒于此，如何對交通場景中的不同危險因素進行識別與預測，是目前亟需解決的問題。

技術實現(xiàn)思路

1、本技術實施例提供了一種危險個體預測方法、裝置及電子設備，用以實現(xiàn)在時序層面上對交通場景中具有安全隱患的駕駛員、道路以及車輛進行預測，以便于提前對其進行管理，減少交通事故發(fā)生率。

2、第一方面，本技術實施例提供了一種危險個體預測方法，所述方法包括：

3、基于原始交通數(shù)據(jù)，構建目標特征參數(shù)集；其中，目標特征參數(shù)集包括人員特征參數(shù)子集、道路特征參數(shù)子集以及車輛特征參數(shù)子集；

4、將目標特征參數(shù)集輸入預先訓練的目標預測模型，獲得目標預測模型輸出的預測結果，預測結果用于指示危險個體的類別以及事故發(fā)生概率，目標預測模型是基于特征參數(shù)訓練集得到的。

5、通過上述方法，能夠實現(xiàn)對交通場景中的具有安全隱患的駕駛員、道路以及車輛的預測，確保工作人員能夠提前對危險個體進行管理，降低事故發(fā)生率。

6、在一種可選的實施方式中，基于原始交通數(shù)據(jù)，構建目標特征參數(shù)集，包括：

7、獲取原始交通數(shù)據(jù)；

8、按照預設規(guī)則和數(shù)據(jù)屬性將原始交通數(shù)據(jù)，分為安全個體樣本以及危險個體樣本；

9、基于安全個體樣本和危險個體樣本，獲得目標特征參數(shù)集。

10、通過上述方法，基于原始交通數(shù)據(jù)能夠將數(shù)據(jù)樣本分為安全個體樣本以及危險個體樣本，便于后續(xù)對模型進行訓練。

11、在一種可選的實施方式中，基于安全個體樣本和危險個體樣本，獲得目標特征參數(shù)集，包括：

12、分別獲取安全個體樣本的第一數(shù)量和危險個體樣本的第二數(shù)量；

13、若第一數(shù)量與所述第二數(shù)量的比例大于預設比例，則判斷第二數(shù)量是否大于等于第一預設數(shù)量閾值；

14、若是，則采用隨機采樣方法對安全數(shù)據(jù)樣本進行采樣，并基于危險個體樣本獲得所述目標特征參數(shù)集；

15、若否，則采用smote采樣方法對危險個體樣本進行采樣，并基于安全個體樣本獲得目標特征參數(shù)集。

16、通過上述的方法，按照預設規(guī)則對數(shù)據(jù)樣本進行采用，形成目標特征參數(shù)集，避免了數(shù)據(jù)樣本失衡后，預測模型容易按照樣本的比例學習到的先驗信息，導致預測模型難以預測出危險個體。

17、在一種可選的實施方式中，目標預測模型是通過如下方式訓練獲得：

18、將目標特征參數(shù)集按照預設比例劃分為特征參數(shù)訓練集和特征參數(shù)測試集；

19、基于特征參數(shù)訓練集對預先構建的預測模型進行訓練，并采用gridsearch網(wǎng)格尋優(yōu)法對預先構建的預測模型的模型參數(shù)進行調整，獲得目標預測模型；其中，在預先構建的預測模型的模型參數(shù)進行調整時，采用混淆矩陣對預測模型進行指標評價，并選取評價最優(yōu)的預測模型作為目標預測模型。

20、通過上述的方法，采用特征訓練數(shù)據(jù)集對預先構建的預測模型進行訓練，并采用gridsearch網(wǎng)格尋優(yōu)法對模型參數(shù)進行調整，能夠得到模型最優(yōu)的超參數(shù)，從而使得預測模型有較好的性能。

21、在一種可選的實施方式中，將目標特征參數(shù)集輸入預先訓練的目標預測模型，獲得目標預測模型輸出的預測結果，包括：

22、將目標特征參數(shù)集輸入所述目標預測模型，獲得各個數(shù)據(jù)樣本各自對應的預測概率；

23、對各個預測概率進行排序，選擇出第二預設數(shù)量閾值的危險個體，獲得危險個體數(shù)據(jù)集；

24、根據(jù)每個危險個體各自的預測概率以及交通事故原因，獲得預測結果。

25、通過上述的方法，能夠基于對危險個體的預測概率以及預測出的危險個體可能發(fā)生的交通事故原因，準確地預測出具有隱患的危險個體。

26、在一種可選的實施方式中，根據(jù)每個危險個體各自的預測概率以及交通事故原因，獲得預測結果，包括：

27、基于每個危險個體各自對應的交通事故原因重要度，確定出每個危險個體各自對應的交通事故原因集合；其中，交通事故原因集合中的每個交通事故原因重要度大于交通事故原因重要度平均值；

28、基于各個事故原因集合，確定出事故原因數(shù)量大于第三預設數(shù)量的各個交通事故原因集合；

29、基于預測概率以及所述交通事故原因集合，獲得預測結果。

30、第二方面，本技術提供了一種危險個體預測裝置，所述裝置包括：

31、處理模塊，用于基于原始交通數(shù)據(jù)，構建目標特征參數(shù)集；其中，目標特征參數(shù)集包括人員特征參數(shù)子集、道路特征參數(shù)子集以及車輛特征參數(shù)子集；

32、預測模塊，用于將目標特征參數(shù)集輸入預先訓練的目標預測模型，獲得目標預測模型輸出的預測結果，預測結果用于指示危險個體的類別以及事故發(fā)生概率，目標預測模型是基于特征參數(shù)訓練集得到的。

33、在一種可選的實施方式中，在基于原始交通數(shù)據(jù)，構建目標特征參數(shù)集時，所述處理模塊具體用于：

34、獲取原始交通數(shù)據(jù)；

35、按照預設規(guī)則和數(shù)據(jù)屬性將原始交通數(shù)據(jù)，分為安全個體樣本以及危險個體樣本；

36、基于安全個體樣本和危險個體樣本，獲得目標特征參數(shù)集。

37、在一種可選的實施方式中，在基于安全個體樣本和危險個體樣本，獲得目標特征參數(shù)集時，所述處理模塊具體用于：

38、分別獲取安全個體樣本的第一數(shù)量和危險個體據(jù)樣本的第二數(shù)量；

39、若第一數(shù)量與第二數(shù)量的比例大于預設比例，則判斷第二數(shù)量是否大于等于第一預設數(shù)量閾值；

40、若是，則采用隨機采樣方法對安全個體樣本進行采樣，并基于危險個體樣本獲得目標特征參數(shù)集；

41、若否，則采用smote采樣方法對危險個體樣本進行采樣，并基于安全個體樣本獲得目標特征參數(shù)集。

42、在一種可選的實施方式中，還包括訓練模塊，所述訓練模塊具體用于：

43、將目標特征參數(shù)集按照預設比例劃分為特征參數(shù)訓練集和特征參數(shù)測試集；

44、基于特征參數(shù)訓練集對預先構建的預測模型進行訓練，并采用gridsearch網(wǎng)格尋優(yōu)法對預先構建的預測模型的模型參數(shù)進行調整，獲得目標預測模型；其中，在預先構建的預測模型的模型參數(shù)進行調整時，采用混淆矩陣對預測模型進行指標評價，并選取評價最優(yōu)的預測模型作為目標預測模型。

45、在一種可選的實施方式中，在將目標特征參數(shù)集輸入預先訓練的目標預測模型，獲得目標預測模型輸出的預測結果時，所述預測模塊具體用于：

46、將目標特征參數(shù)集輸入目標預測模型，獲得各個數(shù)據(jù)樣本各自對應的預測概率；

47、對各個預測概率進行排序，選擇出第二預設數(shù)量閾值的危險個體，獲得危險個體數(shù)據(jù)集；

48、根據(jù)每個危險個體各自的預測概率以及交通事故原因，獲得預測結果。

49、在一種可選的實施方式中，在根據(jù)每個危險個體各自的預測概率以及交通事故原因，獲得預測結果時，所述預測模塊具體用于：

50、基于每個危險個體各自對應的交通事故原因重要度，確定出每個危險個體各自對應的交通事故原因集合；其中，交通事故原因集合中的每個交通事故原因重要度大于交通事故原因重要度平均值；

51、基于各個所述事故原因集合，確定出事故原因數(shù)量大于第三預設數(shù)量的各個所述交通事故原因集合；

52、基于預測概率以及交通事故原因集合，獲得預測結果。

53、第三方面，本技術提供了一種電子設備，其包括處理器和存儲器，其中，所述存儲器存儲有程序代碼，當所述程序代碼被所述處理器執(zhí)行時，使得所述處理器執(zhí)行上述第一方面所述的危險個體預測方法的步驟。

54、第四方面，本技術提供了一種計算機可讀存儲介質，其包括程序代碼，當所述程序代碼在電子設備上運行時，所述程序代碼用于使所述電子設備執(zhí)行上述第一方面所述的危險個體預測方法的步驟。

55、第五方面，本技術提供了一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品在被計算機調用時，使得所述計算機執(zhí)行如第一方面所述的危險個體預測方法步驟。

56、此外，本技術的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者，通過實施本技術而了解。本技術的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。