一种车辆驾驶风险确定方法、装置、系统及介质
技术领域
本申请涉及互联网通信技术领域，尤其涉及一种车辆驾驶风险确定方法、装置、系统及介质。
背景技术
随着科学技术的迅猛发展，汽车已经成为人们生活中不可或缺的代步工具。伴随科技发展和人们的需要，汽车上的科技也得到了飞跃性的发展，相关的辅助驾驶系统可以帮助提高驾驶者的驾驶体验以及乘客的乘坐体验。
人行横道(Pedestrian crossing)指的是在车行道上用斑马线等标线或其他方法标示的规定行人横穿车道的步行范围，是防止车辆快速行驶时伤及行人而在车行道上标线指定需减速让行人过街的地方。相关技术中，当车辆靠近人行横道时，考虑到存在不遵守交通法规的行人会不顾通行指示闯红灯通过人行横道，往往直接生成驾驶风险预警通知，以提示车辆进行减速或者停车。提示车辆改变行驶状态的驾驶风险预警通知并不因人行横道的具体情况而有区别，这样易出现误警告、会导致道路通行效率下降。因此，需要提供对车辆驾驶风险更准确有效的确定方案。
发明内容
为了解决现有技术应用在确定车辆驾驶风险时，确定准确性低等问题，本申请提供了一种车辆驾驶风险确定方法、装置、系统及介质：
根据本申请的一方面，提供了一种车辆驾驶风险确定方法，所述方法包括：
当处于允许机动车通行指示状态时，获取对应目标人行横道区域的当前机动车流量和当前非机动车流量；
获取对应所述目标人行横道区域的历史机动车流量和历史非机动车流量；
基于所述当前机动车流量所对应的机动车通行信息和所述历史机动车流量所对应的机动车通行信息得到第一类天气影响因子；
基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子；
基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险。
根据本申请的另一方面，提供了一种车辆驾驶风险确定装置，所述装置包括：
第一获取模块：用于当处于允许机动车通行指示状态时，获取对应目标人行横道区域的当前机动车流量和当前非机动车流量；
第二获取模块：用于获取对应所述目标人行横道区域的历史机动车流量和历史非机动车流量；
第一得到模块：用于基于所述当前机动车流量所对应的机动车通行信息和所述历史机动车流量所对应的机动车通行信息得到第一类天气影响因子；
第二得到模块：用于基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子；
驾驶风险确定模块：用于基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险。
根据本申请的另一方面，提供了一种车辆驾驶风险确定系统，所述系统包括采集设备、数据处理平台和如上述的车辆驾驶风险确定装置：
所述采集设备：用于采集指示目标人行横道区域的图像数据，以及将所述图像数据发送给所述数据处理平台；
所述数据处理平台：用于基于接收到的图像数据确定对应所述目标人行横道区域的当前机动车流量、当前非机动车流量、历史机动车流量和历史非机动车流量，以及将对应的机动车流量和非机动车流量发送给所述车辆驾驶风险确定装置。
根据本申请的另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的车辆驾驶风险确定方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的车辆驾驶风险确定方法。
根据本申请的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的车辆驾驶风险确定方法。
本申请提供的一种车辆驾驶风险确定方法、装置、系统及介质，具有如下技术效果：
本申请对于同一人行横道，根据对应机动车通行流量和非机动车通行流量受当前天气情况的影响程度确定当前机动车的驾驶风险，其中影响程度的确定结合当前流量对应的通行信息与历史流量对应的通行信息，以更细粒度的判定参数提高确定驾驶风险的准确性。本申请能够根据具体路况(包含当前路况和历史路况)确定天气影响因子以实现驾驶风险的动态确定，进而能够保证输出兼顾驾驶安全和道路通行效率的预警通知。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种应用环境的示意图；
图2也是本发明实施例提供的一种应用环境的示意图；
图3是本发明实施例提供的一种车辆驾驶风险确定方法的流程示意图；
图4是本发明实施例提供的基于当前机动车流量所对应的机动车通行信息和历史机动车流量所对应的机动车通行信息得到第一类天气影响因子的一种流程示意图；
图5是本发明实施例提供的基于当前非机动车流量所对应的非机动车通行信息和历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子的一种流程示意图；
图6是本发明实施例提供的基于第一类天气影响因子、第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险的一种流程示意图；
图7是本发明实施例提供的生成驾驶风险预警通知的一种流程示意图；
图8是本发明实施例提供的一种车辆驾驶风险确定装置的组成框图；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1、2，图1、2是本发明实施例提供的一种应用环境的示意图，可以包括客户端01和服务端02，客户端01和服务端02可以通过有线或无线通信方式进行直接或间接地连接。客户端01可以从服务端02获取对应目标人行横道区域的机动车流量和非机动车流量。需要说明的是，图1仅仅是一种示例。
客户端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、数字助理、智能音箱、智能可穿戴设备、车载终端设备等类型的实体设备，也可以包括运行于实体设备中的软体，比如计算机程序。客户端01对应的操作系统可以包括但不限于安卓系统(Android系统)、IOS系统(是由苹果公司开发的移动操作系统)、linux(一种操作系统)、Microsoft Windows(微软视窗操作系统)。
服务端02可以包括有网络通信单元、处理器和存储器等。服务端02可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。服务端可以为上述客户端提供后台服务。在实际应用中，服务端02可以对应一云平台，该云平台的设置可参见图2。
在本发明实施例中，对车辆驾驶风险进行确定的方案可以利用人工智能(Artificial Intelligence，AI)技术和自动驾驶技术。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术。
以下介绍本发明一种车辆驾驶风险确定方法的具体实施例，图3是本发明实施例提供的一种车辆驾驶风险确定方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示，所述方法可以包括：
S301：由当处于允许机动车通行指示状态时，获取对应目标人行横道区域的当前机动车流量和当前非机动车流量；
本发明实施例中，客户端可以直接从服务端获取对应目标人行横道区域的当前机动车流量和当前非机动车流量。客户端也可以间接从服务端获取对应目标人行横道区域的当前机动车流量和当前非机动车流量，比如服务端将当前机动车流量和当前非机动车流量存入中转数据库，客户端从该中转数据库进行获取。客户端指向当前机动车，客户端可以是车载终端(可以设置于车辆内部)，客户端可以是应用程序(比如手机APP；APP：Application，应用程序)，客户端可以对应应用程序的车载版本中的应用场景(比如某即时通信应用的车载版本中的小场景)，客户端还可以是小程序(比如寄宿于某即时通信应用中的小程序)。
允许机动车通行指示状态为交通法规下目标人行横道不允许行人通过的状态，相应的，当前机动车对应的交通信号灯亮起绿灯，目标人行横道对应的人行横道信号灯亮起红灯。当然，这里不允许通过目标人行横道的交通参与者除了行人，还可以包括自行车等非机动车。需要说明的是，根据道路管理实践，通常也将三轮车、电动自行车、残疾人机动轮椅车和畜力车等纳入非机动车的范畴。
对应目标人行横道区域的当前机动车流量为当前时间点落入中心区域和周边区域的机动车的总数量。对应目标人行横道区域的当前非机动车流量为当前时间点落入中心区域和周边区域的非机动车的总数量。中心区域可以为目标人行横道所在区域，中心区域也可以由目标人行横道所在区域和与目标人行横道所述区域的边界的最近距离在L以内的位置点构成的区域一起组成。周边区域为与中心区域的边界的最近距离在L以外但能被采集设备(比如人行横道摄像头)采集到相关图像的区域。在实际应用中，假设行人在其反应时间(人类的平均反映时间是有统计的，大概为0.5秒)之内移动(人类的平均行走速度也是有统计的，约为1.5米每秒)，可将得到的距离用作L的具体数值。
在一个实施例中，客户端可以直接获取当前时间点落入中心区域和周边区域的机动车的总数量，也就是当前机动车流量Fmotor。当前机动车流量可以携带有对应的通行信息，指示处于正在通行状态的机动车的数量(也就是当前时间点落入中心区域的机动车的数量，记作当前正在通过目标人行横道的机动车流量Fmotor_act，)和处于等待通行(具有通行意图)状态的机动车的数量(也就是当前时间点落入周边区域的机动车的数量，记作当前等待通过目标人行横道的机动车流量Fmotor_wait)。在实际应用中，客户端也可以直接Fmotor_act和Fmotor_wait。
客户端可以直接获取当前时间点落入中心区域和周边区域的非机动车的总数量，也就是当前非机动车流量Fnomotor。当前非机动车流量可以携带有对应的通行信息，指示处于正在通行状态的非机动车的数量(也就是当前时间点落入中心区域的非机动车的数量，记作当前正在通过目标人行横道的非机动车流量Fnomotor_act，)和处于等待通行(具有通行意图)状态的非机动车的数量(也就是当前时间点落入周边区域的非机动车的数量，记作当前等待通过目标人行横道的非机动车流量Fnomotor_wait)。在实际应用中，客户端也可以直接Fnomotor_act和Fnomotor_wait。
在另一个实施例中，1)客户端可以实时获取当前机动车流量、当前非机动车流量以及后述的历史机动车流量和历史非机动车流量。在当前机动车处于允许机动车通行指示状态时，执行得到天气影响因子、确定当前机动车对应的驾驶风险的步骤；2)可以将当前机动车处于允许机动车通行指示状态作为触发条件，在符合触发条件时客户端获取获取当前机动车流量、当前非机动车流量以及后述的历史机动车流量和历史非机动车流量，以及执行得到天气影响因子、确定当前机动车对应的驾驶风险的步骤；3)可以将当前机动车处于允许机动车通行指示状态以及处于恶劣天气状态作为触发条件，在符合触发条件时客户端获取获取当前机动车流量、当前非机动车流量以及后述的历史机动车流量和历史非机动车流量，以及执行得到天气影响因子、确定当前机动车对应的驾驶风险的步骤。恶劣天气可以指大雪、冰冻、低温、大风(扬沙)、高温炎热、强降雨和连续降雨等天气。比如非机动车在下雨天遇到人行横道时，往往希望尽快通过该人行横道，甚至闯红灯(此时人行横道信号灯亮起红灯，如果严格按照交通法规，非机动车应该等待红灯结束再通行)。下雨天等恶劣天气状态下行人、自行车等非机动车闯红灯直接通过人行横道的概率更高(相比于正常天气)，对于这类场景结合天气影响因子能够为当前机动车提供更准确的驾驶风险判定。
S302：获取对应所述目标人行横道区域的历史机动车流量和历史非机动车流量；
本发明实施例中，客户端可以直接从服务端获取对应目标人行横道区域的历史机动车流量和历史非机动车流量。客户端也可以间接从服务端获取对应目标人行横道区域的历史机动车流量和历史非机动车流量，比如服务端将历史机动车流量和历史非机动车流量存入中转数据库，客户端从该中转数据库进行获取。
对应目标人行横道区域的历史机动车流量为历史时间段内每个时间点落入中心区域和周边区域的机动车的总数量之和的平均值，也就是叠加每个时间点对应目标人行横道区域的子历史机动车流量、再对叠加所得作除法得到平均值。对应目标人行横道区域的历史非机动车流量为历史时间段内每个时间点落入中心区域和周边区域的非机动车的总数量之和的平均值，也就是叠加每个时间点对应目标人行横道区域的子历史非机动车流量、再对叠加所得作除法得到平均值。当然，也可以由中位值替换这里的平均值。
历史时间段可以指示当前时间点之前一个时间段，也可以指示由当前时间点(包括当前时间点)往前一个时间段。历史时间段可以是由多个参考时间段组成的，每个参考时间段是基于当前时间点的时间归属维度确定的。比如候选历史时间段(可以参考前述“历史时间段”的选取逻辑进行确定)为30天，当前时间点的时间归属维度为每天的中午，那么多个参考时间段则对应30天中每天的中午。比如候选历史时间段(可以参考前述“历史时间段”的选取逻辑进行确定)为1年，当前时间点的时间归属维度为每月的下旬，那么多个参考时间段则对应1年中每月的下旬。基于候选历史时间段和当前时间点的时间归属维度来确定历史时间段，进而获取对应的历史机动车流量、历史非机动车流量，可以保证获取到的历史流量更具同比参考价值以帮助得到更精准的天气影响因子。当然，时间归属维度的粒度可以根据需要进行灵活调整。
在一个实施例中，客户端可以直接获取历史时间段内每个时间点落入中心区域和周边区域的机动车的总数量之和的平均值，也就是历史机动车流量Fmotor_history。历史机动车流量可以携带有对应的通行信息，指示处于正在通行状态的机动车的数量(也就是历史时间段内每个时间点落入中心区域的机动车的数量之和的平均值，记作历史正在通过目标人行横道的机动车流量Fmotor_act_history，)和处于等待通行(具有通行意图)状态的机动车的数量(也就是历史时间段内每个时间点落入周边区域的机动车的数量之和的平均值，记作历史等待通过目标人行横道的机动车流量Fmotor_wait_history)。在实际应用中，客户端也可以直接Fmotor_act_history和Fmotor_wait_history。
客户端可以直接获取历史时间段内每个时间点落入中心区域和周边区域的非机动车的总数量之和的平均值，也就是历史非机动车流量Fnomotor_history。历史非机动车流量可以携带有对应的通行信息，指示处于正在通行状态的非机动车的数量(历史时间段内每个时间点落入中心区域的非机动车的数量之和的平均值，记作历史正在通过目标人行横道的非机动车流量Fnomotor_act_history，)和处于等待通行(具有通行意图)状态的非机动车的数量(也就是历史时间段内每个时间点落入周边区域的非机动车的数量之和的平均值，记作历史等待通过目标人行横道的非机动车流量Fnomotor_wait_history)。在实际应用中，客户端也可以直接Fnomotor_act_history和Fnomotor_wait_history。
S303：基于所述当前机动车流量所对应的机动车通行信息和所述历史机动车流量所对应的机动车通行信息得到第一类天气影响因子；
本发明实施例中，第一类天气影响因子用于指示机动车流量受当前天气情况的影响程度。在确定第一类天气影响因子时，可以对比对应同类通行状态的当前机动车流量和历史机动车流量。
在一个实施例中，如图4所示，所述基于所述当前机动车流量所对应的机动车通行信息和所述历史机动车流量所对应的机动车通行信息得到第一类天气影响因子，包括：
S401：根据所述当前机动车流量所对应的机动车通行信息得到指示正在通行状态的第一流量，以及根据所述第一流量和所述当前机动车流量得到第一比值；
S402：根据所述历史机动车流量所对应的机动车通行信息得到指示正在通行状态的第二流量，以及根据所述第二流量和所述历史机动车流量得到第二比值；
S403：基于所述第一比值和所述第二比值得到所述第一类天气影响因子。
结合步骤S301中的相关记载，第一流量对应Fmotor_act，第一比值为Fmotor_act/Fmotor，也就说Fmotor_act/(Fmotor_act+Fmotor_wait)。结合步骤S302中的相关记载，第二流量对应Fmotor_act_history，第二比值为Fmotor_act_history/Fmotor_history，也就是Fmotor_act_history/(Fmotor_act_history+Fmotor_wait_history)。相应的，第一类天气影响因子为Qmotor＝(Fmotor_act/Fmotor)/(Fmotor_act_history/Fmotor_history)，也就是(Fmotor_act/(Fmotor_act+Fmotor_wait))/(Fmotor_act_history/(Fmotor_act_history+Fmotor_wait_history))。
S304：基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子；
本发明实施例中，第二类天气影响因子用于指示非机动车流量受当前天气情况的影响程度。在确定第二类天气影响因子时，可以对比对应同类通行状态的当前非机动车流量和历史非机动车流量。
在一个实施例中，如图5所示，所述基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子，包括：
S501：根据所述当前非机动车流量所对应的非机动车通行信息得到指示正在通行状态的第三流量，以及根据所述第三流量和所述当前非机动车流量得到第三比值；
S502：根据所述历史非机动车流量所对应的非机动车通行信息得到指示正在通行状态的第四流量，以及根据所述第四流量和所述历史非机动车流量得到第四比值；
S503：基于所述第三比值和所述第四比值得到所述第二类天气影响因子。
结合步骤S301中的相关记载，第三流量对应Fnomotor_act，第三比值为Fnomotor_act/Fnomotor，也就说Fnomotor_act/(Fnomotor_act+Fnomotor_wait)。结合步骤S302中的相关记载，第四流量对应Fnomotor_act_history，第四比值为Fnomotor_act_history/Fnomotor_history，也就是Fnomotor_act_history/(Fnomotor_act_history+Fnomotor_wait_history)。相应的，第二类天气影响因子为Qmotor＝(Fnomotor_act/Fnomotor)/(Fnomotor_act_history/Fnomotor_history)，也就是(Fnomotor_act/(Fnomotor_act+Fnomotor_wait))/(Fnomotor_act_history/(Fnomotor_act_history+Fnomotor_wait_history))。
在实际应用中，可以将当前机动车处于允许机动车通行指示状态以及处于恶劣天气状态作为触发条件，在符合触发条件时客户端获取获取当前机动车流量、当前非机动车流量以及后述的历史机动车流量和历史非机动车流量，以及执行得到天气影响因子的步骤。比如非机动车在下雨天遇到人行横道时，为避免淋雨着急通过人行横道的非机动车的占比相比正常天气会增加，相应的，为避免撞上非机动车，机动车通过人行横道的占比相比正常天气会可能会降低。这里可以利用Qmotor描述机动车流量受下雨天的影响程度、描述人行横道机动车通行量受下雨天的影响程度，可以利用Qnomotor描述非机动车流量受下雨天的影响程度、描述人行横道非机动车通行量受下雨天的影响程度。
S305：基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险。
本发明实施例中，预设阈值可以是基于目标人行横道对应的历史交通事故率pjunction来确定的。交通事故率可以表征一定时间段内某国家、某地区等交通事故次数或伤、亡人数与其人口数、在籍(机动)车辆数、运行里程的相对关系。预设阈值可以是客户端从服务端获取到的，服务端可以根据存储的目标人行横道对应的历史交通事故信息统计得到历史交通事故率进而设置预设阈值。
在一个实施例中，如图6所示，当所述预设阈值包括第一阈值和第二阈值，所述第二阈值大于所述第一阈值时，所述基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险，包括：
S601：基于所述第一类天气影响因子和所述第二类天气影响因子得到参考影响因子；
S602：当所述参考影响因子小于等于所述第一阈值时，判定所述当前机动车对应第一驾驶风险等级；
S603：当所述参考影响因子大于所述第一阈值且所述参考影响因子小于等于所述第二阈值时，判定所述当前机动车对应第二驾驶风险等级；
S604：当所述参考影响因子大于所述第二阈值时，判定所述当前机动车对应第三驾驶风险等级；
为确定描述机动车流量和非机动车流量受当前天气情况的总的影响程度，可以取Qmotor和Qnomotor二者之积作为总影响因子Qtotal。这里对于当前机动车对应的驾驶风险的确定相当于判断当前天气情况对人行横道通行量的总影响是否会增加人行横道的交通事故率。可以将Qtotal作为参考影响因子与第一阈值(比如取1)、第二阈值(比如取pjunction+1)进行比较。也可以将Qtotal-1作为参考影响因子与第一阈值(比如取0)、第二阈值(比如取pjunction)进行比较。
由此，a)当当前天气情况(比如下雨天)对人行横道通行量的总影响的相对改变量非正(即Qtotal-1≤0)时，说明当前天气情况对目标人行横道的驾驶风险没有实质性影响，当前机动车对应第一驾驶风险等级是最低级。b)当当前天气情况(比如下雨天)对人行横道通行量的总影响的相对改变量在目标人行横道对应的历史交通事故率以内(即0<Qtotal-1≤pjunction)时，说明当前天气情况对目标人行横道的驾驶风险有实质性影响但不会提升目标人行横道对应的交通事故率，当前机动车对应第二驾驶风险等级是中级(因为人行横道具有提升道路驾驶安全性和降低现有交通事故率的作用)。c)当当前天气情况(比如下雨天)对人行横道通行量的总影响的相对改变量大于目标人行横道对应的历史交通事故率(即Qtotal-1>pjunction)时，说明当前天气情况对目标人行横道的驾驶风险有实质性影响且会提升目标人行横道对应的交通事故率，当前机动车对应第二驾驶风险等级是最高级。
进一步的，如图7所示，所述基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险之后，所述方法还包括：
S701：获取所述当前机动车的当前车速和加速度信息；
S702：基于所述当前车速和所述加速度信息确定所述当前机动车的参考制动距离；
S703：当所述当前机动车对应所述第一驾驶风险等级时，在所述当前机动车与所述目标人行横道区域之间的距离为所述参考制动距离时，生成对应所述第一驾驶风险等级的驾驶风险预警通知；
S704：当所述当前机动车对应所述第二驾驶风险等级时，根据所述参考影响因子和所述参考制动距离生成第一距离，以及在所述当前机动车与所述目标人行横道区域之间的距离为所述第一距离时，生成对应所述第二驾驶风险等级的驾驶风险预警通知；
S705：当所述当前机动车对应所述第三驾驶风险等级时，根据所述参考影响因子和所述参考制动距离生成第二距离，以及在所述当前机动车与所述目标人行横道区域之间的距离为所述第二距离时，生成对应所述第三驾驶风险等级的驾驶风险预警通知。
基于所当前车速、加速度信息和基本运动方程可以确定当前机动车的参考制动距离Sbrake，Sbrake也是当前机动车的真实刹车距离。确定参考制动距离的时机也可以是实时的，也可以在符合前述触发条件(将当前机动车处于允许机动车通行指示状态作为触发条件，或者将当前机动车处于允许机动车通行指示状态以及处于恶劣天气状态作为触发条件)时。
结合步骤S601-S604中的相关记载，a)当当前机动车对应第一驾驶风险等级时，可以在当前机动车距离目标人行横道区域的距离为Sbrake时，生成对应第一驾驶风险等级的驾驶风险预警通知：当前天气情况(比如下雨天)不会带来额外驾驶风险，以引导当前机动车可保持原行驶状态。b)当当前机动车对应第二驾驶风险等级时，一方面，如果处于正常天气状态，可以在当前机动车距离目标人行横道区域的距离为Sbrake时，生成对应第二驾驶风险等级的驾驶风险预警通知；一方面，如果处于恶劣天气状态，可以在当前机动车距离目标人行横道区域的距离为Sbrake Qtotal时，生成对应第二驾驶风险等级的驾驶风险预警通知：当前天气情况(比如下雨天)对人行横道的驾驶风险有实质性影响但不会提升人行横道交通事故率，以引导当前机动车进入“随时减速”的行驶状态；其中考虑到恶劣天气的存在，应该提前预警即预警距离应该增大。当前天气情况对车辆通过人行横道时的驾驶风险的影响的相对改变量是Qtotal-1，所以预警距离相对真实刹车距离的改变量应为Qtotal-1，即作为预警距离的第一距离应为Sbrake(1+Qtotal-1)＝Sbrake*Qtotal。c)当当前机动车对应第三驾驶风险等级时，一方面，如果处于正常天气状态，可以在当前机动车距离目标人行横道区域的距离为Sbrake时，生成对应第三驾驶风险等级的驾驶风险预警通知；一方面，如果处于恶劣天气状态，可以在当前机动车距离目标人行横道区域的距离为Sbrake Qtotal时，生成对应第三驾驶风险等级的驾驶风险预警通知：当前天气情况(比如下雨天)会带来额外驾驶风险且该风险会提升人行横道交通事故率，以引导当前机动车进入“随时停车”的行驶状态；其中考虑到恶劣天气的存在，应该提前预警即预警距离应该增大。当前天气情况对车辆通过人行横道时的驾驶风险的影响的相对改变量是Qtotal-1，所以预警距离相对真实刹车距离的改变量应为Qtotal-1，即作为预警距离的第一距离应为Sbrake(1+Qtotal-1)＝Sbrake*Qtotal。本实施例方案不需要盲目的提醒车辆减速或停车，而是结合当前天气情况(包括正常天气和恶劣天气)确定当前机动车对应的驾驶风险和预警距离，进而在当前机动车距离目标人行横道区域的距离为预警距离时生成对应的驾驶风险预警通知，能够在一定程度上缓解人行横道的通行效率。
在另一个实施例中，所述基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子之后，所述方法还包括：将所述所述第一类天气影响因子、所述第二类天气影响因子输入驾驶风险预测模型进行驾驶风险预测；其中，所述驾驶风险预测模型是基于多个天气影响因子样本组进行机器学习训练确定的，每个天气影响因子样本组携带有驾驶风险标注(比如上述驾驶风险等级)，所述每个天气影响因子样本组包括对应同一机动车的第一类天气影响因子样本和第二类天气影响因子样本。
进一步的，可以通过下述步骤训练所述驾驶风险预测模型：首先，获取所述多个天气影响因子样本组；然后，将所述多个天气影响因子样本组输入预设机器学习模型进行驾驶风险预测训练；再者，在训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的驾驶风险预测结果与输入的天气影响因子样本组所携带的驾驶风险标注相匹配；最后，将调整后的模型参数所对应的预设机器学习模型作为所述驾驶风险预测模型。
驾驶风险预测模型也可以作为中间模型，将落地应用中的相关数据作为样本数据，继续训练预测模型。可以利用神经网络模型训练得到具有高泛化能力的驾驶风险预测模型，这样在利用驾驶风险预测模型进行车辆驾驶风险预测时适应性更强、精准度越高，可以减少误警。其中，神经网络模型可以采用DNN(Deep Neural Networks，深度神经网络)模型、XGB(eXtreme Gradient Boosting，极端梯度提升)模型、LR(Logistic Regression，逻辑回归)模型等。
在实际应用中，采用本发明实施例提供的车辆驾驶风险确定方案(实验组1)与不采用该方案的现有技术方案(实验组2)相比，能够有效降低虚警、漏警等误警情形的发生次数，可参见下表1：
表1实验结果
以上本说明书实施例提供的技术方案可见，本说明书实施例中对于同一人行横道，根据对应机动车流量和非机动车流量受当前天气情况的影响程度确定当前机动车的驾驶风险，其中影响程度的确定结合当前流量对应的通行信息与历史流量对应的通行信息，以更细粒度的判定参数提高确定驾驶风险的准确性。能够根据具体路况(包含当前路况和历史路况)确定天气影响因子以实现驾驶风险的动态、及时确定，进而能够保证输出兼顾驾驶安全和道路通行效率的预警通知。
本发明实施例还提供了一种车辆驾驶风险确定装置，如图8所示，所述装置包括：
第一获取模块810：用于当处于允许机动车通行指示状态时，获取对应目标人行横道区域的当前机动车流量和当前非机动车流量；
第二获取模块820：用于获取对应所述目标人行横道区域的历史机动车流量和历史非机动车流量；
第一得到模块830：用于基于所述当前机动车流量所对应的机动车通行信息和所述历史机动车流量所对应的机动车通行信息得到第一类天气影响因子；
第二得到模块840：用于基于所述当前非机动车流量所对应的非机动车通行信息和所述历史非机动车流量所对应的非机动车通行信息得到第二类天气影响因子；
驾驶风险确定模块850：用于基于所述第一类天气影响因子、所述第二类天气影响因子和预设阈值确定当前机动车对应的驾驶风险。
需要说明的，所述装置实施例中的装置与方法实施例基于同样的发明构思。
本发明实施例还提供了一种车辆驾驶风险确定系统，所述系统包括采集设备、数据处理平台和如上述的车辆驾驶风险确定装置：
所述采集设备：用于采集指示目标人行横道区域的图像数据，以及将所述图像数据发送给所述数据处理平台；
所述数据处理平台：用于基于接收到的图像数据确定对应所述目标人行横道区域的当前机动车流量、当前非机动车流量、历史机动车流量和历史非机动车流量，以及将对应的机动车流量和非机动车流量发送给所述车辆驾驶风险确定装置。
在一个实施例中，采集设备可以为摄像头、激光雷达、毫米波雷达组成的群组中选择的至少一个。数据处理平台基于接收到的图像数据进行分析，比如对应时间点A的图像数据为图像集A，数据处理平台基于前述步骤S301中关于“中心区域”和“周边区域”的记载，对图像集A中的每个图像进行区域定位和交通参与者(机动车、非机动车)定位，然后根据每个图像对应的定位对象清晰度综合得到对应时间点A的机动车流量和非机动车流量。
在一个实施例中，结合前述步骤S301和S302中的相关记载，数据处理平台可以作为服务端。如图2所示，在实际应用中，数据处理平台可以以监控云平台的形式呈现。
需要说明的，所述系统实施例中的系统与方法实施例基于同样的发明构思。
本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的车辆驾驶风险确定方法。
进一步地，图9示出了一种用于实现本发明实施例所提供的车辆驾驶风险确定方法的电子设备的硬件结构示意图，所述电子设备可以参与构成或包含本发明实施例所提供的车辆驾驶风险确定装置。如图9所示，电子设备90可以包括一个或多个(图中采用902a、902b，……，902n来示出)处理器902(处理器902可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器904、以及用于通信功能的传输装置906。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备90还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。
应当注意到的是上述一个或多个处理器902和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到电子设备90(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器904可用于存储应用软件的软件程序以及模块，如本发明实施例中所述的车辆驾驶风险确定方法对应的程序指令/数据存储装置，处理器902通过运行存储在存储器94内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种车辆驾驶风险确定方法。存储器904可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器904可进一步包括相对于处理器902远程设置的存储器，这些远程存储器可以通过网络连接至电子设备90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备90的通信供应商提供的无线网络。在一个实例中，传输装置906包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实施例中，传输装置906可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与电子设备90(或移动设备)的用户界面进行交互。
本发明的实施例还提供了一种存储介质，所述存储介质可设置于电子设备之中以保存用于实现方法实施例中一种车辆驾驶风险确定方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的车辆驾驶风险确定方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
