1.一种风险路段预测方法,其特征在于,包括以下步骤:获取待检测区域的街景图像数据;
基于DeepLabV3+神经网络搭建语义分割模型,将待检测区域的街景图像数据输入语义分割模型中,输出该检测区域街景图像数据的分割图像;
选取编程法计算分割图像中不同环境要素的像素比例;
基于XGBOOST算法构建风险路段预测模型,将不同环境要素的像素比例输入风险路段预测模型中,输出该检测区域街景图像中发生事故的预测概率;
根据预测概率预测待检测区域街景图像中的风险路段。
2.根据权利要求1所述的一种风险路段预测方法,其特征在于,所述获取待检测区域的街景图像数据之后对图像数据以10m为单位进行增密操作,再通过要素转折点转点操作。
3.根据权利要求1所述的一种风险路段预测方法,其特征在于,所述语义分割模型的骨干网络采用MobileNetV2,用于提取图像特征;所述语义分割模型采用空洞金字塔池化模块以不同的采样率捕获多尺度信息。
4.根据权利要求1所述的一种风险路段预测方法,其特征在于,还包括对所述语义分割模型进行训练,具体包括以下步骤:选取含有不同环境要素类型的图像数据;
将含有不同环境要素类型的图像数据输入语义分割模型中,通过设置不同的训练周期以及训练轮数,对所述语义分割模型进行训练。
5.根据权利要求1所述的一种风险路段预测方法,其特征在于,所述将不同环境要素的像素比例输入风险路段预测模型之前,对所述不同环境要素的像素比例进行编码分类,具体包括以下步骤:根据街景图像中不同环境要素占比计算环境指标的平均值、标准差、最大值和最小值;
将街景图像中环境要素根据等距分割、均衡占比和类别数量的标准进行数据离散化;
按从小到大的顺序,根据最大值和最小值设置合适的编码区间对不用环境要素的像素比例进行编码。
6.根据权利要求1所述的一种风险路段预测方法,其特征在于,还包括对风险路段预测模型的参数进行优化,其具体包括以下步骤:将XGBOOST模型在按设定比例随机选的数据上进行训练和测试;
通过K=5折交叉验证的网格搜索法搜索训练过程中的最佳参数。
7.根据权利要求1所述的一种风险路段预测方法,其特征在于,采用SHA P模型对风险路段预测模型的预测结果进行解释。
8.一种风险路段预测系统,其特征在于,包括:
获取模块,用于获取待检测区域的街景图像数据;
分割模块,用于基于DeepLabV3+神经网络搭建语义分割模型,将待检测区域的街景图像数据输入语义分割模型中,输出该检测区域街景图像数据的分割图像;
像素比例计算模块,用于选取编程法计算分割图像中不同环境要素的像素比例;
概率预测模块,用于基于XGBOOST算法构建风险路段预测模型,将不同环境要素的像素比例输入风险路段预测模型中,输出该检测区域街景图像中发生事故的预测概率;
预测模块,用于根据预测概率预测待检测区域街景图像中的风险路段。
9.一种风险路段预测计算机设备,其特征在于,包括:存储器、处理器以及存储在所述存储器内的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的风险路段预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,用于执行权利要求1-7任一项所述的风险路段预测方法的步骤。