(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144539.5 (22)申请日 2022.09.20 (71)申请人 广州文远知行 科技有限公司 地址 511365 广东省广州市黄埔区广州国 际生物岛螺旋大道68号合景科盛广场 A栋地上第16层01、 02、 0 3、 04单元 (72)发明人 唐涵　钟华　韩旭　 (74)专利代理 机构 北京市京大律师事务所 11321 专利代理师 居梦琪 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06N 5/00(2006.01) (54)发明名称 风险场景识别方法、 装置、 设备及存 储介质 (57)摘要 本发明涉及人工智能领域， 公开了一种风险 场景识别方法、 装置、 设备及存储介质， 该方法包 括： 获取历史路测数据， 并从历史路测数据中提 取各类交通场景下的特征信息和事故信息； 基于 预设算法对 特征信息和事故信息进行计算， 得到 对应交通场景的事故风险值； 将特征信息作为场 景标签以及将事故风险值作为预测变量构建模 型， 并通过模型进行场景聚类， 得到聚类结果， 聚 类结果包括多个场景标签构成的聚类场景和聚 类场景对应的风险预测值； 根据风险预测值从聚 类结果中挑选聚类场景建立事故风险场景库。 本 方法可以有效地衡量事故风险， 并且由于引入了 可解释的场景语义标签， 使 得模型聚类结果更直 观、 更便于解读， 从而更有效地从路测数据中提 炼危险场景。 权利要求书2页 说明书10页 附图4页 CN 115545281 A 2022.12.30 CN 115545281 A 1.一种风险场景识别方法， 其特 征在于， 所述 风险场景识别方法包括： 获取历史路测数据， 并从历史路测数据中提取各类交通场景下的特征信息和事故信 息； 基于预设算法对所述特征信 息和所述事故信 息进行计算， 得到对应交通场景的事故风 险值； 将所述特征信 息作为场景标签以及将所述事故风险值作为预测变量构建模型， 并通过 所述模型进行场景聚类， 得到聚类结果， 所述聚类结果包括多个所述场景标签构成的聚类 场景和所述聚类场景对应的风险预测值； 根据所述 风险预测值从所述聚类结果中挑选聚类场景建立事故风险场景库。 2.根据权利要求1所述的风险场景识别方法， 其特征在于， 所述获取历史路测数据， 并 从历史路测数据中提取 各类交通场景 下的特征信息和事故信息包括： 获取历史路测数据， 确定所述历史路测数据对应的交通场景； 将所述交通场景 下的主车 行为数据、 障碍物数据和地图数据作为对应的特 征信息； 将所述交通场景 下的接管时间以及问题模块作为对应的事故信息 。 3.根据权利要求1所述的风险场景识别方法， 其特征在于， 所述算法为核密度算法， 所 述基于预设算法对所述特征信息和所述事故信息进行计算， 得到对应交通场景的事故风险 值包括： 根据所述事故信息， 确定所述交通场景中的事故帧； 根据所述交通场景的时间长度和所述交通场景中的事故帧的数量， 计算所述交通场景 的事故帧密度； 根据所述核密度算法的核函数对所述事故帧对应的特征信息、 事故信息和事故帧密 度， 计算所述交通场景的事故风险值。 4.根据权利要求1所述的风险场景识别方法， 其特征在于， 所述模型为回归树模型， 所 述将所述特征信息作为场景标签以及将所述事故风险值作为预测变量构建模型， 并通过所 述模型进行场景聚类， 得到聚类结果包括： 针对每一种场景标签， 基于该场景标签的预测变量， 训练得到所述场景标签对应的一 个或多个回归树， 其中， 每个所述回归树包括两个叶子节点， 所述两个叶子节 点分别表示所 述回归树对应的场景 标签的特 征值所划分的两个数值区间； 根据每个场景标签对应的一个或多个回归树构建回归树模型； 通过所述回归树模型进行场景聚类， 得到聚类结果。 5.根据权利要求4所述的风险场景识别方法， 其特征在于， 所述针对每一种场景标签， 基于该场景 标签的预测变量， 训练得到所述场景 标签对应的一个或多个回归树包括： 对所述场景标签的每一特征值， 基于梯度提升算法确定所述特征值为分界点的回归 树， 其中， 所述回归树的每 个叶子节点分别对应一个预测变量； 分别确定以每一特 征值为分界点的各回归树的增益 函数； 从各回归树中选择对应的增益 函数最大的回归树 为当前回归树； 获取各场景标签对应的当前回归树的预测变量之和作为输出分值； 基于所述场景 标签和所述输出分值确定当前的待训练梯度提升树模型的损失函数； 判断所述损失函数 是否收敛；权　利　要　求　书 1/2 页 2 CN 115545281 A 2若是， 则根据当前的待训练梯度提升树模型确定所述场景标签对应的一个或多个回归 树； 若否， 则返回对所述场景标签的每一特征值， 基于梯度提升算法确定所述特征值为分 界点的回归树的步骤。 6.根据权利要求5所述的风险场景识别方法， 其特征在于， 所述将所述特征信 息作为场 景标签以及将所述事故风险值作为预测变量构建模型之后， 还 包括： 获取待识别场景的待识别路测数据； 将所述待识别路测数据输入所述 回归树模型中， 得到所述待识别路测数据对应的风险 预测值； 判断所述待识别路测数据对应的风险预测值是否大于预设风险阈值； 若是， 则将待识别路测数据对应的待识别场景识别为事故风险场景。 7.根据权利要求1所述的风险场景识别方法， 其特征在于， 所述根据所述风险预测值从 所述聚类结果中挑选聚类场景建立事故风险场景库包括： 根据所述 风险预测值对所述聚类结果中的聚类场景进行降序排序； 对降序排序后的聚类结果中排序在预设序号内的聚类场景识别为事故风险场景； 根据所述事故风险场景的场景 标签以及对应的历史路测数据建立事故风险场景库。 8.一种风险场景识别装置， 其特 征在于， 所述 风险场景识别装置包括： 提取模块， 用于获取历史路测数据， 并从历史路测数据中提取各类交通场景下的特征 信息和事故信息； 计算模块， 用于基于预设算法对所述特征信息和所述事故信息进行计算， 得到对应交 通场景的事故风险值； 模型构建模块， 用于将所述特征信 息作为场景标签以及将所述事故风险值作为预测变 量构建模 型， 并通过所述模型进 行场景聚类， 得到聚类结果， 所述聚类结果包括多个所述场 景标签构成的聚类场景和所述聚类场景对应的风险预测值； 场景库构建模块， 用于根据 所述风险预测值从所述 聚类结果中挑选聚类场景建立事故 风险场景库。 9.一种风险场景识别设备， 其特征在于， 所述风险场景识别设备包括： 存储器和至少一 个处理器， 所述存 储器中存 储有指令， 所述存 储器和所述至少一个处 理器通过线路互连； 所述至少一个处理器调用所述存储器中的所述指令， 以使得所述风险场景识别设备执 行如权利要求1 ‑7中任一项所述的风险场景识别方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质上存储有计算机程序， 其特征 在于， 所述计算机程序被处理器执行时实现如权利要求1 ‑7中任一项所述的风险场景识别 方法的步骤。权　利　要　求　书 2/2 页 3 CN 115545281 A 3