(19)中华 人民共和国 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 202111623475.2 (22)申请日 2021.12.28 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融大街31号 (72)发明人 许文馨　刘圆　赵继壮　郑超　 (74)专利代理 机构 北京律智知识产权代理有限 公司 11438 代理人 孙宝海　阚梓瑄 (51)Int.Cl. G07C 5/08(2006.01) G06N 20/00(2019.01) (54)发明名称 汽车驾驶事故预测方法、 装置、 电子设备及 存储介质 (57)摘要 本公开提供了一种汽 车驾驶事故预测方法、 装置、 电子设备及存储介质， 涉及车辆技术领域。 所述方法包括： 实时采集汽车驾驶过程中的行车 数据； 将所述行车数据输入预先构建的动态融合 模型， 以得到汽车驾驶事故预测值； 根据得到的 汽车驾驶事故预测值与预设的驾驶安全阈值之 间的关系， 动态预测汽车驾驶风险。 本公开提供 了一种汽车驾驶事故预测方法、 装置、 电子设备 及存储介质， 采集汽车驾驶过程中的行车数据， 将采集到的行车数据输入预先构建的动态融合 模型， 自动预测汽车驾驶过程中发生交通事故的 预测值， 动态预测汽车驾驶风险， 降低交通事故 发生的几率， 提升用户体验。 权利要求书2页 说明书14页 附图5页 CN 114299633 A 2022.04.08 CN 114299633 A 1.一种汽车驾驶事故预测方法， 其特 征在于， 包括： 实时采集汽车驾驶过程中的行 车数据； 将所述行 车数据输入预 先构建的动态融合模型， 以得到汽车驾驶事故预测值； 根据得到的汽车驾驶事故预测值与 预设的驾驶安全阈值之间的关系， 动态预测汽车驾 驶风险。 2.根据权利要求1所述方法， 其特 征在于， 所述动态融合模型通过以下 方式构建： 采集试验时汽车驾驶过程中的试验行 车数据； 将所述试验行 车数据进行 预处理， 得到训练样本数据； 基于预设 分类算法， 根据所述训练样本数据构建动态融合模型。 3.根据权利要求2所述方法， 其特征在于， 所述预设分类算法包括支持向量回归SVR算 法、 K最邻近KN N算法和分类回归树CART算法。 4.根据权利要求2所述方法， 其特征在于， 所述基于预设分类算法， 根据所述训练样本 数据构建动态融合模型， 包括： 将训练样本数据中的训练集数据分别输入各预设分类算法， 分别得到各分类算法的待 验证的算法模型； 将训练样本数据中的测试集数据输入各分类算法的待验证的算法模型， 得到各算法模 型的均方差、 R2和解释方差分数三个评价指标； 基于三个评价指标计算标准差及相关系数， 得出各分类算法间的融合权重， 根据各分 类算法间的融合权 重构建动态融合模型。 5.根据权利要求4所述方法， 其特征在于， 所述将训练样本数据中的训练集数据分别 输 入各预设分类算法， 分别得到各分类算法的待验证的算法模型， 包括： 将训练集数据输入SVR算法， 构建SVR模型函数和SVR损失函数； 获取不同的非敏感区域宽度值， 得到与非敏感区域宽度值对应的SV R分类函数和SVR函 数权重， 使损失值 最小； 根据非敏感区域宽度值和SVR函数权 重， 得到SVR算法的驾驶事故预测值； 根据SVR函数权重和SVR算法的驾驶事故预测值计算SVR算法加权决策预测值公式， 以 得到待验证的SVR算法模型。 6.根据权利要求4所述方法， 其特征在于， 所述将训练样本数据中的训练集数据分别 输 入各预设分类算法， 分别得到各分类算法的待验证的算法模型， 包括： 将训练集数据输入KN N算法， 构建KN N分类函数和KN N损失函数； 获取不同的邻域 值， 得到与邻域 值对应的KN N分类函数和KN N函数权重， 使损失值 最小； 根据邻域 值和KNN函数权重， 得到KN N算法的驾驶事故预测值； 根据KNN函数权重和KNN算法的驾驶事故预测值计算KNN算法加权决策预测值公式， 以 得到待验证的KN N算法模型。 7.根据权利要求4所述方法， 其特征在于， 所述将训练样本数据中的训练集数据分别 输 入各预设分类算法， 分别得到各分类算法的待验证的算法模型， 包括： 将训练集数据输入CART算法， 构建CART损失函数； 获取不同的剪枝率， 得到与剪枝率对应的子树和CART函数权 重， 使损失值 最小； 根据子树和剪枝率， 得到 CART算法的驾驶事故预测值；权　利　要　求　书 1/2 页 2 CN 114299633 A 2根据CART函数权重和CA RT算法的驾驶事故预测值计算CART算法加权决策预测值公式， 以得到待验证的CART算法模型。 8.一种汽车驾驶事故预测装置， 其特 征在于， 包括： 采集模块， 用于实时采集汽车驾驶过程中的行 车数据； 预测模块， 用于将所述的行车数据输入预先构建的动态融合模型， 以得到汽车驾驶事 故预测值； 比较模块， 用于根据得到的汽车驾驶事故预测值与预设的驾驶安全阈值之间的关系， 动态预测汽车驾驶 风险。 9.一种电子设备， 其特征在于， 包括： 处理器； 以及存储器， 用于存储所述处理器的可执 行指令； 其中， 所述处理器配置为经由执行所述可执行指 令来执行如权利要求 1‑7任一项所 述的汽车驾驶事故预测方法。 10.一种计算机可读存储介质， 其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任一项所述的汽车驾驶事故预测方法。权　利　要　求　书 2/2 页 3 CN 114299633 A 3