CN109801491A - 基于风险评估的智能导航方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了基于风险评估的智能导航方法、装置、设备及存储介质，该方法包括：获取客户端发送的路线导航请求，基于路线导航的起始地点和目标地点，获取多条原始导航路线，进一步获取每一导航路段对应的待评估交通数据，采用预先训练的道路风险识别模型对导航路段对应的待评估交通数据进行风险评估，获取导航路段对应的路段风险概率，基于每一原始导航路线中的至少一个导航路段对应的路段风险概率，获取原始导航路线对应的总风险概率，将总风险概率最小的原始导航路线确定为推荐导航路线，将推荐导航路线发送给客户端。该方法可实现基于安全因素进行路线规划，保障行车安全。

Description

基于风险评估的智能导航方法、装置、设备及存储介质

技术领域

本发明涉及智能导航技术领域，尤其涉及一种基于风险评估的智能导航方法、装置、设备及存储介质。

背景技术

在导航路网中规划最佳的导航路线是导航系统的一个基本功能。当前导航系统在路线规划时，主要依据道路是否拥堵、过路是否收费、是否为最短距离等进行规划，即其路线规划过程中侧重于速度、时间和费用等因素，没有基于安全因素进行路线规划，不利于保障行程安全。

发明内容

本发明实施例提供一种基于风险评估的智能导航方法、装置、设备及存储介质，以解决当前导航系统无法基于安全因素进行路线规划的问题。

一种基于风险评估的智能导航方法，包括：

获取客户端发送的路线导航请求，所述路线导航请求包括起始地点、目标地点和导航类型；

基于所述起始地点和所述目标地点，获取至少一个原始导航路线，每一所述原始导航路线包括至少一个导航路段；

若所述导航类型为安全推荐类型，则获取每一所述导航路段对应的待评估交通数据；

将所述导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对所述导航路段对应的待评估交通数据进行风险评估，获取所述导航路段对应的路段风险概率；

基于每一所述原始导航路线中的至少一个所述导航路段对应的路段风险概率，获取所述原始导航路线对应的总风险概率；

将总风险概率最小的原始导航路线确定为推荐导航路线，将所述推荐导航路线发送给所述客户端。

一种基于风险评估的智能导航装置，包括：

路线导航请求获取模块，用于获取客户端发送的路线导航请求，路线导航请求包括起始地点、目标地点和导航类型；

原始导航路线获取模块，用于基于起始地点和目标地点，获取至少一个原始导航路线，每一原始导航路线包括至少一个导航路段；

待评估交通数据获取模块，用于若导航类型为安全推荐类型，则获取每一导航路段对应的待评估交通数据；

路段风险概率获取模块，用于将所述导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对所述导航路段对应的待评估交通数据进行风险评估，获取所述导航路段对应的路段风险概率；

总风险概率获取模块，用于基于每一原始导航路线中的至少一个导航路段对应的路段风险概率，获取原始导航路线对应的总风险概率；

推荐导航路线模块，用于将总风险概率最小的原始导航路线确定为推荐导航路线，将推荐导航路线发送给客户端。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于风险评估的智能导航方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于风险评估的智能导航方法的步骤。

上述基于风险评估的智能导航方法、装置、设备及存储介质，根据起始地点和目标地点可快速确定至少一个原始导航路线。在导航类型为安全推荐类型时，根据原始导航路线中的每一导航路段的待评估交通数据，查询道路风险识别模型，获取导航路段对应的路段风险概率，保证获取到的路段风险概率具有客观性。基于至少一个导航路段的路段风险概率获取对应的总风险概率，使得该总风险概率从整体上反映原始导航路线的行车风险，保证结果的客观性。最后，将总风险概率最小的原始导航路线确定为推荐导航路线，以达到基于安全因素进行智能导航的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于风险评估的智能导航方法的一应用环境示意图；

图2是本发明一实施例中基于风险评估的智能导航方法的一流程图；

图3是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图4是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图5是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图6是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图7是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图8是本发明一实施例中基于风险评估的智能导航方法的另一流程图；

图9是本发明一实施例中基于风险评估的智能导航装置的一示意图；

图10是本发明一实施例中计算机设备的一示意图。

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作出创造性劳动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。

本发明实施例提供的基于风险评估的智能导航方法，该基于风险评估的智能导航方法可应用如图1所示的应用环境中。具体地，该基于风险评估的智能导航方法应用在智能导航系统中，该智能导航系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于实现在路线规划过程中进行风险评估，保证行车安全。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于风险评估的智能导航方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S201：获取客户端发送的路线导航请求，路线导航请求包括起始地点、目标地点和导航类型。

其中，路线导航请求是用户通过客户端向服务器发送的用于进行路线规划的请求。起始地点是本次路线导航请求的起点，具体可以为用户通过客户端自主输入的位置，还可以是客户端自带的GPS模块自主定位的位置。目标地点是本次路线导航请求的终点。导航类型是指本次路线导航请求所选定的进行路线规划优先原则所确定的类型。该导航类型包括但不限于常见的距离推荐类型(以距离的远近为路线规划原则的类型)和费用推荐类型(以费用的多少为路线规划原则的类型)，还包括安全推荐类型(以安全因素的风险为路线规划原则的类型)。

S202：基于起始地点和目标地点，获取至少一个原始导航路线，每一原始导航路线包括至少一个导航路段。

其中，原始导航路线是服务器依据起始地点和目标地点确定的可以通行的导航路线。服务器先基于起始地点和目标地点查询导航系统数据库，获取连接起始地点和目标地点之间的所有原始导航路线。例如，从深圳(起始地点)到广州(目标地点)之间的存在5条原始导航路线，第1条是途经京港澳高速和沈海高速广州支线这一原始导航路线；第2条是途经龙大高速和京港澳高速这一原始导航路线；第3条是途经京港澳高速和广深沿江高速这一原始导航路线；第4条是途经龙大高速和水乡大道这一原始导航路线。第5条是途经广深公路和广园快速路这一原始导航路线。

本实施例中，每一原始导航路线中依据其道路名称及其所处区域确定至少一个导航路段。可以理解地，若原始导航路线的距离较短，则其可能只包含一个导航路段；若原始导航路线的距离较长，则依据该原始导航路线所经过的道路名称或者所处区域确定至少两个导航路段。

S203：若导航类型为安全推荐类型，则获取每一导航路段对应的待评估交通数据。

其中，待评估交通数据是指在路线规划过程中采集的用于评估其行车风险所需的数据。该待评估交通数据包括但不限于待评估驾驶员信息、待评估车辆信息、待评估路段信息、待评估地点信息和待评估时间信息。其中，待评估驾驶员信息是用于表明触发本次路线导航请求的驾驶员身份的信息，具体可以包括驾驶员的姓名、身份证号码和驾驶证号码。待评估车辆信息是用于表明触发本次路线导航请求的客户端所关联的车辆的信息，包括但不限于车辆的型号和已行驶里程数。待评估路段信息是用于表明每一导航路段对应的路段的信息。待评估地点信息是用于表明每一导航路段所处的地点的信息。待评估时间信息是用于表明触发本次路线导航请求的当前时间对应的信息。

本实施例中，在导航类型为安全推荐类型时，则说明用户通过客户端请求服务器以安全因素为路线规划原则进行路线规划，因此需采集影响行车安全的待评估交通数据，以便后续基于该待评估交通数据进行风险识别。可以理解地，在导航类型为距离推荐类型和费用推荐类型时，无需获取待评估交通数据，即无需基于该待评估交通数据进行风险评估。

S204：将导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对导航路段对应的待评估交通数据进行风险评估，获取导航路段对应的路段风险概率。

其中，道路风险识别模型是预先基于由历史交通事故数据形成的模型训练数据进行训练所形成的用于识别风险的模型，在模型训练过程中采用决策树算法进行模型训练。该历史交通事故数据是已经发生的历史交通事故(即已经发生的交通事故)的数据。与待评估交通数据相对应，该历史交通事故数据包括但不限于历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息。其中，历史驾驶员信息是用于表明历史交通事故中驾驶员身份的信息，具体可以包括驾驶员的姓名、身份证号码和驾驶证号码。历史车辆信息是用于表明历史交通事故中车辆的信息，包括但不限于车辆的型号和已行驶里程数。历史路段信息是用于表明历史交通事故所处路段的信息。历史地点信息是用于表明历史交通事故所处地点的信息。历史时间信息是用于表明历史交通事故对应的时间的信息。该道路风险识别模型是基于历史交通事故数据所形成的模型训练数据进行训练，使其可针对与模型训练数据相对应的待评估交通数据进行风险识别，从而可快速获取该导航路段对应的路段风险概率，使得获取的路段风险概率具有客观性和直观性。该路段风险概率为道路风险识别模型对某一导航路段的待评估交通数据进行识别所获取的风险概率。

本实施例中，道路风险识别模型具体为采用决策树算法对模型训练数据进行训练所获取的模型，即该道路风险识别模型以树状结构存储不同模型训练数据对应的风险概率。在道路风险识别模型的分类结构包括根节点、叶子节点以及连接根节点和叶子节点的中间节点，其中，根节点之上无父节点，叶子节点之下无子节点。根节点和每一中间节点对应一分类逻辑，每一叶子节点对应一风险概率，该风险概率依据满足相应分支的所有分类逻辑的模型训练数据的数量与所有模型训练数据的数量确定，可以为这两个数量的商。具体地，服务器在获取导航路段对应的待评估交通数据之后，将该待评估交通数据输入到该道路风险识别模型，依据决策树算法的分类逻辑对导航路段对应的待评估交通数据进行风险评估时，先调用根节点的分类逻辑对待评估交通数据进行分类，确定其所属的中间节点；再依据该中间节点的分类逻辑进行进一步分类，从而确定下一级的中间节点……依此类推，直至确定其对应的叶子节点，并将该叶子节点对应的风险概率确定为导航路段对应的路段风险概率。

S205：基于每一原始导航路线中的至少一个导航路段对应的路段风险概率，获取原始导航路线对应的总风险概率。

由于每一原始导航路线包括至少一个导航路段，而每一导航路段均对应一路段风险概率，本实施例中，服务器将每一原始导航路线中至少一个导航路段对应的路段风险概率相加，即可获取该原始导航路线对应的总风险概率。可以理解地，该总风险概率从整体上反映原始导航路线的行车风险。可以理解地，该原始导航路段对应的总风险概率通过至少一个导航路线的路段风险概率计算获取，使得综合考虑每一导航路段的客观情况(如每一导航路段的待评估路段信息、待评估时间信息以及基于待评估地点信息和待评估时间信息确定的待评估气象信息)的不同，获取的总风险概率更具有客观性。

S206：将总风险概率最小的原始导航路线确定为推荐导航路线，将推荐导航路线发送给客户端。

在路线导航请求中的导航类型为安全推荐类型时，对所有原始导航路线对应的总风险概率进行排序，将总风险概率最小的原始导航路线确定为推荐导航路线，并将该推荐导航路线发送给客户端，以使用户依据客户端显示的推荐导航路线驾驶车辆。可以理解地，推荐导航路线为最终给用户推荐的从起始地点到目标地点的导航路线。

本实施例所提供的基于风险评估的智能导航方法中，根据起始地点和目标地点可快速确定至少一个原始导航路线。在导航类型为安全推荐类型时，根据原始导航路线中的每一导航路段的待评估交通数据，查询道路风险识别模型，获取导航路段对应的路段风险概率，保证获取到的路段风险概率具有客观性。基于至少一个导航路段的路段风险概率获取对应的总风险概率，使得该总风险概率从整体上反映原始导航路线的行车风险，保证结果的客观性。最后，将总风险概率最小的原始导航路线确定为推荐导航路线，以达到基于安全因素进行智能导航的目的。

在一实施例中，如图3所示，步骤S201，即获取客户端发送的路线导航请求，路线导航请求包括起始地点、目标地点和导航类型，具体包括如下步骤：

S301：获取客户端发送的语音导航请求，语音导航请求包括待识别语音数据。

其中，语音导航请求是用户通过客户端向服务器发送的用于进行路线规划的语音形式的请求。待识别语音数据是用户通过客户端录入的反映其导航需求和导航类型的数据。例如，用户可通过客户端的语音采集设备(如麦克风)录入“我想从广州到深圳，安全为上”。

S302：采用语音识别模型对待识别语音数据进行语音识别，获取待识别文本数据。

其中，语音识别模型是预先训练好的用于识别语音数据中的文本内容的模型。本实施例中的语音识别模型可采用语音静态解码网络，由于静态解码网络已经把搜索空间全部展开，因此其在进行文本翻译时，解码速度非常快，从而可快速获取待识别文本数据。该语音静态解码网络是采用特定领域的训练语音数据进行训练所获取的静态解码网络，该特定领域的训练语音数据可以理解为预先存储的历史导航数据对应的语音数据。由于语音静态解码网络是基于特定领域的训练语音数据进行训练所获取的静态解码网络，使得其在对特定领域的待识别语音数据进行识别时针对性强，使得解码准确率较高。

S303：采用关键词提取算法对待识别文本数据进行提取，获取目标关键词。

中，关键词提取算法是指从文本数据中提取其中的关键词的算法。本实施例中，服务器先采用分词工具对待识别文本数据进行分词，再采用去停用词算法对分词结果进行去停用词处理，以获取目标关键词。该目标关键词是可以反映导航需求和导航类型的关键词。

S304：基于目标关键词匹配预设关键词库，获取匹配成功的起始地点、目标地点和导航类型。

其中，预设关键词库中存储与导航需求和导航类型的关键词的数据库。具体地，服务器基于目标关键词匹配预设关键词库，获取匹配成功的起始地点、目标地点和导航类型。例如，“我想从广州到深圳，选择最安全的路线”中识别到的目标关键词为“我”、“想”、“从”、“广州”、“到”、“深圳”、“选择”、“最”、“安全”和“路线”。在预设关键词库中配置“从C到D”这一表述方式中，C为起始地点，D为目标地点，从而确定广州为起始地点，深圳为目标地点。若识别到的目标关键词中包含安全或者与安全相关的关键词时，则认定其导航类型为安全推荐类型；若识别到的目标关键词中包含费用或者与费用相关的关键词时，则认定其导航类型为费用推荐类型；若识别到的目标关键词中包含距离和与距离相关的关键词时，则认定其导航类型为距离推荐类型。

本实施例所提供的基于风险评估的智能导航方法中，采用语音形式录入语音导航请求，采用语音识别模型对待识别语音数据进行识别，可快速获取待识别文本数据；然后，采用关键词提取算法对待识别文本数据进行关键词提取，以获取目标关键词，利用目标关键词和预设关键词库，可快速获取对应的起始地点、目标地点和导航类型，从而解放用户双手，无需手动输入也可进行路线导航，避免用户在开车过程中需手动输入路线导航请求。

在一实施例中，为了进一步解放用户双手，无需用户在驾驶车辆过程中手动操作客户端从而输入语音导航请求，因此，需在智能导航系统中设置语音唤醒功能。如图4所示，在步骤S201之前，即在获取客户端发送的语音导航请求，语音导航请求包括待识别语音数据之前，基于风险评估的智能导航方法还包括如下步骤：

S401：获取客户端实时采集的原始语音数据。

其中，原始语音数据是客户端实际采集到的语音数据。该原始语音数据可以理解为客户端处于休眠状态时采集到的语音数据，用于根据该原始语音数据检测用户是否有意向进行语音导航。本实施例中，用户是否有意向进行语音导航具体通过检测原始语音数据中是否包含唤醒关键词来实现。

S402：对原始语音数据进行端点检测和特征提取，获取目标声学特征。

语音端点检测(Voice Activity Detection,VAD)，又称为语音活动检测或语音边界检测，是指在噪声环境中检测语音的存在与否的过程。本实施例中，客户端内置有用于实现语音端点检测的语音活动检测器(Voice Activity Detector)，用于排除环境噪声，获取用户所说的语音数据。语音特征提取是指将音频信号中具有辨识性的成分提取出来，以去除背景噪声或者其他与身份辨识过程无关的信息的过程。本实施例中，服务器通过对原始语音数据进行端点检测和特征提取，以排除原始语音数据中的噪声，获取目标声学特征。该目标声学特征可以为梅尔倒谱系数或者其他语音特征。

S403：采用语音识别模型对目标声学特征进行识别，获取目标文本数据。

其中，步骤S403与步骤S302中采集同一语音识别模型，无需另外训练两个语音识别模型，简化处理流程。而步骤S403的实现过程与步骤S302相似，此处不再赘述。

S404：若目标文本数据包含唤醒关键词，则控制客户端在预设时间段内进入语音导航界面，接收语音导航请求。

其中，该唤醒关键词是服务器预先设置的用于唤醒客户端进入语音导航界面的关键词。该预设时间段是预先设置的时间段，用于限定语音唤醒的时间。本实施例中，当服务器识别到目标文本数据中包含唤醒关键词时，可控制客户端进行语音导航界面，以获取语音导航请求。进一步地，服务器控制客户端在原始语音数据中识别到唤醒关键词时起预设时间段内进入语音导航界面，以便客户端只获取预设时间段内的语音导航请求。可以理解地，客户端在预设时间段内进入语音导航界面，若在该预设时间段内获取客户端发送的语音导航请求，则执行后续的步骤S302；若在该预设时间段内未获取客户端发送的语音导航请求，则重新进入休眠状态，重复执行步骤S401-S403，避免长时间处于语音导航界面等待接收语音导航请求而导致耗电量大的问题。

智能导航系统还配置有语音唤醒功能，用于依据预先设置的唤醒关键词，当服务器检测到客户端实时采集到的目标语音数据包含该唤醒关键词时，可以开始接收语音导航请求。语音唤醒有时也称为关键词检测(Keyword spotting)，也就是在连续不断的语音中将唤醒关键词检测出来，一般唤醒关键词的个数比较少(1-2个居多，特殊情况也可以扩展到更多的几个)。语音唤醒是处理连续不断的语音流，比如语音开关24小时不间断的检测麦克风录音(即目标语音数据)中的目标关键词；语音唤醒可以和语音识别技术结合，用于检测语音开始的位置，替换掉按键，比如Amazon Echo中，用”alexa”作为唤醒关键词，一旦检测到唤醒关键词，则控制客户端进行语音导航界面，开始录音进行语音识别。

本实施例所提供的基于风险评估的智能导航方法中，通过对实时采集的原始语音数据进行端点检测和特征提取，获取目标声学特征；再采集语音识别模型进行识别，获取目标文本数据，在目标文本数据包含唤醒关键词时，控制客户端在预设时间段内进入语音导航界面，既保证可采集语音导航请求，以避免长时间处于等待接收语音导航请求的状态，从而节省耗电量。

在一实施例中，由于步骤204中需要采用预先训练的道路风险识别模型对导航路段对应的待评估交通数据进行风险评估，因此，在基于客户端发送的路线导航请求进行路线规划之前，需预先训练可实现风险评估的道路风险识别模型。如图5所示，在步骤201之前，即在获取客户端发送的路线导航请求之前，基于风险评估的智能导航方法还包括如下步骤：

S501：通过第三方接口从交警平台数据库中获取历史交通事故数据，历史交通事故数据包括历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息。

其中，第三方接口是预设设置在智能导航系统中的用于连接第三方平台(包括但不限于交警平台数据库和天气平台数据库)的接口。交警平台数据库是用于存储交警平台录入的交通事故数据和与每一驾驶员信息相对应的驾驶行为数据的数据库。历史交通事故数据是存储在交警平台数据库中的用于记录历史交通事故(即已经发生的交通事故)的数据。本实施例中，服务器可通过第三方接口从交警平台数据库中，获取在系统当前时间以前录入到该交警平台数据库的历史交通事故数据。

其中，历史交通事故数据包括历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息。历史驾驶员信息是用于表明历史交通事故中驾驶员身份的信息，具体可以包括驾驶员的姓名、身份证号码和驾驶证号码。历史车辆信息是用于表明历史交通事故中车辆的信息，包括但不限于车辆的型号和已行驶里程数。历史路段信息是用于表明历史交通事故所处路段的信息。历史地点信息是用于表明历史交通事故所处地点的信息。历史时间信息是用于表明历史交通事故对应的时间的信息。

S502：基于历史驾驶员信息查询交警平台数据库，获取与历史驾驶员信息相对应的历史驾驶行为数据，基于历史驾驶行为数据查询行为信息数据表，获取驾驶员评估指标。

其中，历史驾驶行为数据是交警平台数据库记录到该驾驶员是否违反交规、违反交规的严重程度等行为数据。由于人是交通事故发生的最重要的一个因素，历史驾驶行为数据可反映该驾驶员的驾驶技术和素质，例如驾驶员没有观察路面情况直接驶入行车道可导致车辆追尾、习惯开快车、无理超车、没有关注交通标志和标线等原因都容易导致交通事故发生。可以理解地，该历史驾驶行为数据是用于反映该历史交通事故数据的驾驶员在系统当前时间之前是否存在违反交规的行为或者违反交规的行为的严重程度等行为数据。该历史驾驶行为数据具体可通过罚单数据、扣分数据和其他历史交通事故数据等。

行为信息数据表是预先存储在数据库中的用于记录每一历史驾驶行为数据对应的驾驶员评估指标的数据表。当前依据交规对违章罚款存在如下几种情形：直接吊销驾照、记满12分(包括一次和N次)、记6分、记3分、记2分、记1分和不记分只罚款。该行为信息数据表是依据上述违章罚款的处罚情况进行设置的几种评估等级，例如可划分成P1、P2、P3和P4这几种类型，其中P1是针对直接吊销驾照和记满12分等类型，P2是针对存在一次记6分且1年未记满12的类型，P3是针对最多记3分但处罚次数达到N次的类型，P4是一次处罚未超过3分但处罚次数达到N次的类型。

S503：基于历史车辆信息查询车辆信息数据表，获取与历史车辆信息相对应的车辆评估指标。

车辆信息数据表是预先存储在数据库中的用于记录每一车辆信息对应的车辆评估指标的数据表。在车辆信息数据表中用于记录影响车辆评估指标的各种车辆评估因素以及任意两种或两种车辆评估因素以上组合对应的几种评估等级，分别用C1、C2、C3和C4来表示。其中，车辆评估因素包括车辆动力参数、车辆使用年限(新旧程度)和车辆维修次数。例如，可依据车辆使用年限来划分四个等级分别为8年以上、5-8年、2-5年或者2年以内，或者车辆维修次数划分为8次、5-8次、2-5次或者2次。

S504：基于历史路段信息查询路段信息数据表，获取与历史路段信息相对应的路段评估指标。

路段信息数据表是预先存储在数据库中的用于记录每一路段对应的路段评估指标的数据表。在路段信息数据表中用于记录影响路段评估指标的各种路段评估因素以及任意至少一种路段评估因素组合对应的几种评估等级，分别为L1、L2、L3和L4来表示。例如，该路段评估因素包括路段属性，该路段属性包括混合道路、车辆单行道、车辆多行道和高速道路。高速道路包括高速快车道(如100km/h以上)和高速慢车道。混合道路是指没有道路中心线的道路，即道路中央没有黄线来区分对向车道的道路。一般道路上没有任何标线,是机动车、非机动车、人车混行道路。

S505：通过第三方接口从气象平台数据库中，获取与历史地点信息和历史时间信息相对应的历史气象信息，基于历史气象信息查询气象信息数据表，获取与历史气象数据相对应的气象评估指标。

其中，历史气象信息是指某一历史交通事故发生时的气象信息。气象信息数据表是用于存储每一种气象信息对应的气象评估指标的数据表。在气象信息数据表中记录影响气象评估指标的各种气象评估因素以及至少一种气象评估因素组合对应的几种评估等级，分别为Q1、Q2、Q3和Q4。当前气象评估过程中，也可依据智能导航系统自主设置的评估等级分类表确定其评估等级，也可依据台风、暴雨、高温、寒潮、大雾、雷雨大风、大风、沙尘暴、冰雹、雪灾和道路结冰等预警等级确定其评估等级。例如，Q1、Q2、Q3和Q4分别对应于台风预警的红色、橙色、黄色和蓝色预警。

S506：基于历史时间信息查询年历表，获取与历史时间信息相对应的时间评估指标。

年历表中记载年度节假日情况的数据表。本实施例中，基于时间信息查询历史表，以确定该历史交通事故是否发生在节假日，是否处于上下班高峰期等信息。例如，可将其时间评估指标划分为节假日、工作日高峰期、工作日非高峰期和周末，分别对应T1、T2、T3和T4。

S507：基于历史交通事故数据对应的驾驶员评估指标、车辆评估指标、路段评估指标、气象评估指标和时间评估指标，获取与历史交通事故数据相对应的模型训练数据。

对于交警平台数据库中的每一历史交通事故数据，依据上述步骤S502-S506进行处理，获取其对应的驾驶员评估指标、车辆评估指标、路段评估指标、气象评估指标和时间评估指标，可分别采用P、C、L、Q和T等参数标识表示，即获取每一历史交通事故数据对应的模型训练数据可表示为(P，C，L，Q，T)，下表一列表每一参数标识对应的具体情况。可以理解地，将每一历史交通事故数据对应的各个因素分别转换成在相应的评估指标，以便于进行数据分析。

表一模型训练数据中的参数说明

S508：采用决策树算法对模型训练数据进行模型训练，获取基于决策树的道路风险识别模型。

其中，决策树算法是一种常见的分类算法，通过对包含一组属性和一个类别的多个样本进行学习，获取到一个分类器，以使该分类器通过对新出现的对象进行正常的分类。即决策树算法是一种逼近离散函数值的方法，本质上决策树是通过一系列规则对数据进行分类的过程。本实施例中可采用C4.5决策树算法。

具体地，在采用决策树算法对模型训练数据进行模型训练时，其树状的分类结构包括根节点、叶子节点以及连接根节点和叶子节点的中间节点，依据各评估指标的重要程度，确定其根节点和中间节点的分类逻辑，以形成原始风险识别模型；将所有模型训练数据依据该原始风险识别模型进行分类，以将所有模型训练数据分类存储至其所属的叶子节点对应的数据集中，将该数据集中的模型训练数据的数量与所有模型训练数据的数量的商确定为该叶子节点的风险概率，以形成道路风险识别模型。

本实施例所提供的基于风险评估的智能导航方法中，通过对所有历史交通事故数据中的历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息进行转换处理，分别获取其对应的驾驶员评估指标、车辆评估指标、路段评估指标、气象评估指标和时间评估指标，以便基于每一评估指标确定一种分类属性，形成模型训练数据。再采用决策树算法对所形成的模型训练数据进行训练，以获取相应的道路风险识别模型，使得该道路风险识别模型进行风险识别。

在一实施例中，如图6所示，步骤S508，即采用决策树算法对模型训练数据进行模型训练，获取基于决策树的道路风险识别模型，具体包括如下步骤：

S601：基于每一模型训练数据确定其对应的类别标签特征和至少两个训练属性特征，将模型训练数据存储在训练数据集中。

该训练属性特征可以理解为模型训练数据的各个评估指标。该类别标签特征可以理解为不同风险等级。具体可以将所有模型训练数据依据其所有评估指标的交叉划分成若干个集合，基于每一集合中模型训练数据与所有模型训练数据的商确定其风险概率，依据该风险概率进行等级划分，如可划分为高风险、中风险或者低风险等风险等级。

S602：对模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一训练属性特征对应的信息增益率。

其中，信息增益率计算是用于计算训练属性特征的信息增益率的过程。信息增益率是一种增益率，是一数学名词，具体为信息增益和分裂信息度的比值。其中，信息增益为信息不确定性减少的程度，信息增益偏向于取值较多的特征。分裂信息度为特征进行分裂时分支的数量。信息增益率是信息增益和分裂信息度的比值，以采用信息分裂度将信息增益规范化，使得基于信息增益率进行分类时准确率更高。本实施例中，服务器对模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，以获取每一训练属性特征对应的信息增益率，以便采用该信息增益率作为模型训练的分类依据，可使其分类过程准确率较高，有助于提高训练好的模型的识别速率。

S603：选取信息增益率最大的训练属性特征作为训练数据集的目标分类特征，采用目标分类特征将训练数据集划分为至少两个训练子集。

其中，目标分类特征是对训练数据集进行划分的特征。本实施例中，选取信息增益率最大的训练属性特征作为该训练数据集的目标分类特征。训练子集是基于目标分类特征对训练数据集进行划分的集合。例如，在一模型训练数据中，计算驾驶员评估指标、车辆评估指标、路段评估指标、气象评估指标和时间评估指标对应的训练属性特征的信息增益率，选取信息增益率最大的训练属性特征作为一目标分类特征，以便基于该目标分类特征进行分类。若驾驶员评估指标对应的信息增益率最大，则先将其作为目标分类特征对所有模型训练数据进行分类，以划分成至少两个训练子集。

S604：判断是否存在未确定为目标分类特征的训练属性特征。

本实施例中，判断模型训练数据对应的训练属性特征中是否存在未确定为目标分类特征的训练属性特征，以便确定该训练子集能否进行进一步划分，即若存在未确定为目标分类特征的训练属性特征，则说明该训练子集无法进行进一步划分；若训练子集不存在未确定为目标分类特征的训练属性特征，则说明该训练子集可以进行进一步划分。

S605：若存在未确定为目标分类特征的训练属性特征，则将训练子集更新为训练数据集，重复执行对模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一训练属性特征对应的信息增益率的步骤。

本实施例中，采用目标分类特征将训练数据集划分成至少两个训练子集之后，若存在未确定为目标分类特征的训练属性特征，说明该训练子集可进行进一步划分，此时，将训练子集更新为训练数据集，重复执行步骤S602-S603的步骤，直至不存在未确定为目标分类特征的训练属性特征，以完成基于决策树算法的道路风险识别模型的训练过程。

S606：若不存在未确定为目标分类特征的训练属性特征，则形成基于决策树算法的原始风险识别模型，获取原始风险识别模型中每一叶子节点对应的数据量，基于数据量对原始风险识别模型进行剪裁，获取基于决策树的道路风险识别模型。

本实施例中，采用目标分类特征将训练数据集划分成至少两个训练子集之后，若不存在未确定为目标分类特征的训练属性特征，则说明至少两个训练子集均无法进一步划分，可获取基于决策树算法的原始风险识别模型，此时，训练子集对应于该原始风险识别模型的树状模型架构的叶子节点，而目标分类特征为该叶子节点的上一级中间节点或根节点的分类特征。

具体地，在形成基于决策树的原始风险识别模型之后，可采用该原始风险识别模型对训练数据集中所有模型训练数据进行分类，以确定每一叶子节点对应的模型训练数据的数据量。然后，将每一叶子节点对应的模型训练数据的数据量与预设阈值进行比较；若该数据量大于预设阈值，则保留该叶子节点；若该数据量不大于预设阈值，则依次向上寻找其对应的上级节点(即依据获取该叶子节点的父亲节点、祖父节点……)对应的模型训练数据的数据量，直至上级节点的数据量大于预设阈值，则将该上级节点确定为截断节点，基于该截断节点对原始风险识别模型进行裁剪，以获取基于决策树的道路风险识别模型。其中，预设阈值是预先设置的用于进行裁剪处理最小阈值。例如，该预设阈值设置为5，若任一叶子节点对应的模型训练数据的数据量大于5，则保留该叶子节点；若任一叶子节点对应的模型训练数据的数据量不大于5，则向上寻找其上级节点对应的模型训练数据的数据量，若上级节点的数据量大于5，则确定为截断节点，依据该截断节点对原始风险识别模型进行裁剪，以获取精简的道路风险识别模型，避免道路风险识别模型过于冗余。进一步地，在道路风险识别模型中，还可设置每一截断节点对应的风险概率为低概率风险；其所保留下来的叶子节点依据类别标签特征或者叶子节点的数据量与训练数据集的数据量的比值确定。

本实施例所提供的基于风险评估的智能导航方法中，选取训练数据集中的训练属性特征作为分类依据，通过计算每一训练属性特征的信息增益率；选取信息增益率最大的训练属性特征作为该训练数据集的目标分类特征，以利用该目标分类特征将训练数据集划分成至少两个训练子集；在不存在未确定为目标分类特征的训练属性特征时，形成基于决策树算法的原始风险识别模型，获取原始风险识别模型中每一叶子节点对应的数据量，基于数据量对原始风险识别模型进行剪裁，获取基于决策树的道路风险识别模型，以获取较精简的道路风险识别模型，避免模型冗余。本实施例所获取的道路风险识别模型的分类准确率较高，且分类规则明确，使得后续利用该道路风险识别模型进行识别时，识别效率较快。

在一实施例中，路线导航请求还包括用户帐号，该用户帐号是用于唯一识别触发该路线导航请求的用户的身份标识。如图7所示，在步骤S203之后，即在若导航类型为安全推荐类型，则获取每一导航路段对应的待评估交通数据之后，基于风险评估的智能导航方法还包括如下步骤：

S701：基于用户帐号查询导航系统数据库，获取与用户帐号相对应的历史导航数据，每一历史导航数据对应一历史推荐类型。

其中，历史导航数据是指在系统当前时间之前，用户触发的路线导航请求所记录的导航数据。由于历史导航数据是基于系统当前时间之前的路线导航请求所形成的导航数据，因此，该历史导航数据也可记录其路线导航请求对应的导航类型，将该导航类型确定为历史导航数据对应的历史推荐类型。可以理解地，该历史推荐类型包括但不限于费用推荐类型、距离推荐类型和安全推荐类型。

S702：统计历史导航数据的历史推荐类型中，安全推荐类型对应的历史推荐频率。

由于每一历史导航数据只对应一种历史推荐类型，而历史推荐类型包括但不限于费用推荐类型、距离推荐类型和安全推荐类型等类型，可通过统计每一种历史推荐类型对应的历史推荐频率，了解用户的驾驶习惯。本实施例中，统计历史导航数据的历史推荐类型中，安全推荐类型对应的历史推荐频率，具体是指计算历史导航数据的历史推荐类型中，安全推荐类型对应的历史导航数据的数量与所有历史导航数据的数量的商。

S703：若安全推荐类型对应的历史推荐频率小于预设频率阈值，则获取行程险信息，并将行程险信息发送给客户端。

其中，预设频率阈值是预先设置的用于评估是否需要进行行程险推荐的概率阈值。行程险信息是指与行程相关的保险的信息。具体地，当安全推荐类型对应的历史推荐频率小于预设频率阈值时，说明该用户的驾驶习惯比较少选择安全推荐类型这一导航类型，而本次路线导航请求中选择安全推荐类型，说明本次出行跟以往的驾驶习惯不相同，可能同行有小孩或老人等特殊情况。为了进一步保障用户安全，可在此时进行与行程相关的保险推荐，即向客户端推送行程险信息。可以理解地，该行程险信息是与智能导航系统进行合作的保险公司所提供的与行程相关的保险信息。具体地，该行程险信息包括与智能导航系统存在合作关系的保险公司提供的旅游人身意外险和交通工具意外伤害险等与行程相关的保险信息，例如，若该行程险为平安安途提供的自驾旅游保险，则该行程险信息可以包括这一自驾旅游保险对应的保费和理赔额度等信息。该行程险信息包括对应的行程险的购买入口链接，以方便用户进行行程险购买。

本实施例所提供的基于风险评估的智能导航方法中，通过统计用户帐号对应的历史导航数据中，安全推荐类型这一历史推荐类型的历史推荐频率，以了解用户的驾驶习惯中基于安全推荐类型进行导航的频率；并在历史推荐频率小于预设频率阈值时，说明当前驾驶不同于以往的驾驶习惯，可进行行程险推荐，以使行程险推荐更具有针对性。

在一实施例中，每一推荐导航路线包括至少一个事故频发地点，事故频发地点是指频繁发生交通事故的地点。如图8所示，在步骤S206之后，即将推荐导航路线发送给客户端之后，基于风险评估的智能导航方法还包括如下步骤：

S801：在车辆依据推荐导航路线行驶过程中，实时获取客户端发送的当前交通数据和当前驾驶位置。

其中，当前交通数据是指在依据推荐导航路线行驶过程中，实时采集到的用于评估其行车风险所需的数据。该当前交通数据包括但不限于当前驾驶员信息、当前车辆信息、当前路段信息、当前地点信息和当前时间信息。其中，当前驾驶员信息是用于表明客户端关联的驾驶员身份的信息，具体可以包括驾驶员的姓名、身份证号码和驾驶证号码。当前车辆信息是用于表明客户端所关联的车辆的信息，包括但不限于车辆的型号和已行驶里程数。当前路段信息是用于表明当前所处的导航路段对应的路段的信息。当前地点信息是用于表明当前所处的导航路段所处的地点的信息。当前时间信息是用于表明当前时间对应的信息。当前驾驶位置是通过客户端自带的GPS模块采集的车辆当前所在的位置。具体地，在车辆依据推荐导航路线行驶过程中，服务器实时获取客户端发送的当前交通数据，以便进行道路风险评估；并实际获取当前驾驶位置，以便进行路线跟踪和风险评估。

S802：采用道路风险识别模型对当前交通数据进行风险识别，获取当前风险概率，若当前风险概率大于预设风险阈值，则获取第一风险数据。

预设风险阈值是预先设置的用于评估是否需要进行风险提醒的阈值。具体地，服务器采用道路风险识别模型对当前交通数据进行风险识别时，可将该当前交通数据输入到道路风险识别模型进行识别，确定该当前交通数据在树状的分类结构中所处的叶子节点，将该叶子节点对应的风险概率确定为当前风险概率。本实施例中，若当前交通数据对应的当前风险概率大于预设风险阈值时，说明用户驾驶车辆依据推荐导航路线行驶过程中，风险较大，此时，需生成第一风险数据，以便基于该第一风险数据进行风险提醒。可以理解地，该第一风险数据可以为依据其当前风险概率确定的风险等级，如高风险、中风险和低风险。

S803：依据推荐导航路线的行车方向，若在当前驾驶位置的预设距离范围内存在事故频发地点或者突发事故信息，则获取第二风险数据。

预设距离范围是指预先设置的距离范围。突发事故信息是指用户驾驶车辆依据推荐导航路线行驶过程中，智能导航系统所获知的事故信息。具体地，在用户驾驶车辆依据推荐导航路线行驶时，依据推荐导航路线的行车方向，在车辆的当前驾驶位置的预设范围(如1km)内，存在事故频发地点和突发事故信息(如在车辆的行车方向的前方1km内存在事故频发地点和突发事故信息)，需生成第二风险数据，以便基于该第二风险数据进行风险提醒。

S804：将第一风险数据和第二风险数据填充到预设风险提醒模板中，获取风险提醒文本数据。

其中，预设风险提醒模板是预先设置的用于进行风险提醒的模板。例如，该预设风险提醒模板为“道路前方……米处，存在事故频发地点，小心驾驶”、“道路前方……米处，发生突出事故，……车道堵塞，小心驾驶”或者“车辆当前驾驶所处的路段为高风险路段，小心驾驶”等。服务器将第一风险数据和第二风险数据填充到该预设风险提醒模板中，以形成风险提醒文本数据。

S805：采用TTS技术将风险提醒文本数据转换成风险提醒语音数据，并通过客户端播报风险提醒语音数据。

其中，TTS(Text To Speech的缩写，即“从文本到语音”)，是人机对话的一部分，让机器能够说话。具体地，服务器在获取到风险提醒文本数据之后，采用TTS技术将该风险提醒文本数据转换成风险提醒语音数据，并通过客户端播放该风险提醒语音数据，以使用户可听到风险提醒语音数据，以达到风险提醒，提醒用户小心驾驶的目的。

本实施例所提供的基于风险评估的智能导航方法中，采用道路风险识别模型对当前交通数据进行识别，可快速获取第一风险数据，该第一风险数据的获取具有客观性。再依据推荐导航路线的行车方式，在当前驾驶位置的预设范围内存在事故频发地点或者突出事故信息时，生成第二风险数据，以便进行相应的风险提醒。将第一风险数据和第二风险数据填充到预设风险提醒模板并采用TTS技术进行转换，以播报所形成的风险提醒语音数据，以使用户在驾驶过程中实时听到风险提醒语音数据，以达到提醒用户小心驾驶的目的。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于风险评估的智能导航装置，该基于风险评估的智能导航装置与上述实施例中基于风险评估的智能导航方法一一对应。如图9所示，该基于风险评估的智能导航装置包括路线导航请求获取模块901、原始导航路线获取模块902、待评估交通数据获取模块903、路段风险概率获取模块904、总风险概率获取模块905和推荐导航路线模块906。各功能模块详细说明如下：

路线导航请求获取模块901，用于获取客户端发送的路线导航请求，路线导航请求包括起始地点、目标地点和导航类型。

原始导航路线获取模块902，用于基于起始地点和目标地点，获取至少一个原始导航路线，每一原始导航路线包括至少一个导航路段。

待评估交通数据获取模块903，用于若导航类型为安全推荐类型，则获取每一导航路段对应的待评估交通数据。

路段风险概率获取模块904，用于将导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对导航路段对应的待评估交通数据进行风险评估，获取导航路段对应的路段风险概率。

总风险概率获取模块905，用于基于每一原始导航路线中的至少一个导航路段对应的路段风险概率，获取原始导航路线对应的总风险概率。

推荐导航路线模块906，用于将总风险概率最小的原始导航路线确定为推荐导航路线，将推荐导航路线发送给客户端。

优选地，路线导航请求获取模块901包括语音导航请求获取单元、语音识别处理单元、关键词提取单元和关键词匹配单元。

语音导航请求获取单元，用于获取客户端发送的语音导航请求，语音导航请求包括待识别语音数据。

语音识别处理单元，用于采用语音识别模型对待识别语音数据进行语音识别，获取待识别文本数据。

关键词提取单元，用于采用关键词提取算法对待识别文本数据进行提取，获取目标关键词。

关键词匹配单元，用于基于目标关键词匹配预设关键词库，获取匹配成功的起始地点、目标地点和导航类型。

优选地，在语音导航请求获取单元之前，基于风险评估的智能导航装置还包括原始语音数据获取单元、目标声学特征获取单元、目标文本数据获取单元和文本数据采集获取单元。

原始语音数据获取单元，用于获取客户端实时采集的原始语音数据。

目标声学特征获取单元，用于对原始语音数据进行端点检测和特征提取，获取目标声学特征。

目标文本数据获取单元，用于采用语音识别模型对目标声学特征进行识别，获取目标文本数据。

文本数据采集获取单元，用于若目标文本数据包含唤醒关键词，则控制客户端在预设时间段内进入语音导航界面，接收语音导航请求。

优选地，在路线导航请求获取模块901之前，基于风险评估的智能导航装置还包括历史交通事故数据获取单元、历史驾驶行为数据获取单元、车辆评估指标获取单元、路段评估指标获取单元、气象评估指标获取单元、时间评估指标获取单元、模型训练数据获取单元和道路风险识别模型获取单元。

历史交通事故数据获取单元，用于通过第三方接口从交警平台数据库中获取历史交通事故数据，历史交通事故数据包括历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息。

历史驾驶行为数据获取单元，用于基于历史驾驶员信息查询交警平台数据库，获取与历史驾驶员信息相对应的历史驾驶行为数据，基于历史驾驶行为数据查询行为信息数据表，获取驾驶员评估指标。

车辆评估指标获取单元，用于基于历史车辆信息查询车辆信息数据表，获取与历史车辆信息相对应的车辆评估指标。

路段评估指标获取单元，用于基于历史路段信息查询路段信息数据表，获取与历史路段信息相对应的路段评估指标。

气象评估指标获取单元，用于通过第三方接口从气象平台数据库中，获取与历史地点信息和历史时间信息相对应的历史气象信息，基于历史气象信息查询气象信息数据表，获取与历史气象数据相对应的气象评估指标。

时间评估指标获取单元，用于基于历史时间信息查询年历表，获取与历史时间信息相对应的时间评估指标。

模型训练数据获取获取单元，基于历史交通事故数据对应的驾驶员评估指标、车辆评估指标、路段评估指标、气象评估指标和时间评估指标，获取与历史交通事故数据相对应的模型训练数据。

道路风险识别模型获取单元，采用决策树算法对模型训练数据进行模型训练，获取道路风险识别模型。

优选地，道路风险识别模型获取单元包括确定确定子单元、增益率获取子单元、训练子集划分子单元、属性特征判断子单元、重复计算子单元和识别模型获取子单元。

确定确定子单元，用于基于每一模型训练数据确定其对应的类别标签特征和至少两个训练属性特征，将模型训练数据存储在训练数据集中。

增益率获取子单元，用于对模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一训练属性特征对应的信息增益率。

训练子集划分子单元，用于选取信息增益率最大的训练属性特征作为训练数据集的目标分类特征，采用目标分类特征将训练数据集划分为至少两个训练子集。

属性特征判断子单元，用于判断是否存在未确定为目标分类特征的训练属性特征。

重复计算子单元，用于若存在未确定为目标分类特征的训练属性特征，则将训练子集更新为训练数据集，重复执行对模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一训练属性特征对应的信息增益率的步骤。

识别模型获取子单元，用于若不存在未确定为目标分类特征的训练属性特征，则形成基于决策树算法的原始风险识别模型，获取原始风险识别模型中每一叶子节点对应的数据量，基于数据量对原始风险识别模型进行剪裁，获取基于决策树的道路风险识别模型。

优选地，路线导航请求还包括用户帐号；在待评估交通数据获取模块903之后，基于风险评估的智能导航装置还包括历史导航数据单元、历史推荐频率单元和行程险信息获取单元。

历史导航数据单元，用于基于用户帐号查询导航系统数据库，获取与用户帐号相对应的历史导航数据，每一历史导航数据对应一历史推荐类型。

历史推荐频率单元，用于统计历史导航数据的历史推荐类型中，安全推荐类型对应的历史推荐频率。

行程险信息获取单元，用于若安全推荐类型对应的历史推荐频率小于预设频率阈值，则获取行程险信息，并将行程险信息发送给客户端。

优选地，推荐导航路线模块906包括至少一个事故频发地点。在推荐导航路线模块906之后，基于风险评估的智能导航装置还包括：当前数据获取单元、第一风险数据获取单元、第二风险数据获取单元、提醒文本数据获取单元和提醒语音数据播报单元。

当前数据获取单元，用于在车辆依据推荐导航路线行驶过程中，实时获取客户端发送的当前交通数据和当前驾驶位置。

第一风险数据获取单元，用于采用道路风险识别模型对当前交通数据进行风险识别，获取当前风险概率，若当前风险概率大于预设风险阈值，则获取第一风险数据。

第二风险数据获取单元，用于依据推荐导航路线的行车方向，若在当前驾驶位置的预设距离范围内存在事故频发地点或者突发事故信息，则获取第二风险数据。

提醒文本数据获取单元，用于将第一风险数据和第二风险数据填充到预设风险提醒模板中，获取风险提醒文本数据。

提醒语音数据播报单元，用于采用TTS技术将风险提醒文本数据转换成风险提醒语音数据，并通过客户端播报风险提醒语音数据。

关于基于风险评估的智能导航装置的具体限定可以参见上文中对于基于风险评估的智能导航方法的限定，在此不再赘述。上述基于风险评估的智能导航装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行上述基于风险评估的智能导航方法过程中采用或者生成的数据，如待评估交通数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于风险评估的智能导航方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于风险评估的智能导航方法的步骤，例如图2所示的步骤S201-S206，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现基于风险评估的智能导航装置这一实施例中的各模块/单元的功能，例如图9所示的路线导航请求获取模块901、原始导航路线获取模块902、待评估交通数据获取模块903、路段风险概率获取模块904、总风险概率获取模块905和推荐导航路线模块906的功能，为避免重复，这里不再赘述。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于风险评估的智能导航方法的步骤，例如图2所示的步骤S201-S206，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述基于风险评估的智能导航装置这一实施例中的各模块/单元的功能，例如图9所示的路线导航请求获取模块901、原始导航路线获取模块902、待评估交通数据获取模块903、路段风险概率获取模块904、总风险概率获取模块905和推荐导航路线模块906的功能，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于风险评估的智能导航方法，其特征在于，包括：

获取客户端发送的路线导航请求，所述路线导航请求包括起始地点、目标地点和导航类型；

基于所述起始地点和所述目标地点，获取至少一个原始导航路线，每一所述原始导航路线包括至少一个导航路段；

若所述导航类型为安全推荐类型，则获取每一所述导航路段对应的待评估交通数据；

将所述导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对所述导航路段对应的待评估交通数据进行风险评估，获取所述导航路段对应的路段风险概率；

基于每一所述原始导航路线中的至少一个所述导航路段对应的路段风险概率，获取所述原始导航路线对应的总风险概率；

将总风险概率最小的原始导航路线确定为推荐导航路线，将所述推荐导航路线发送给所述客户端。

2.如权利要求1所述的基于风险评估的智能导航方法，其特征在于，所述获取客户端发送的路线导航请求，所述路线导航请求包括起始地点、目标地点和导航类型，包括：

获取客户端发送的语音导航请求，所述语音导航请求包括待识别语音数据；

采用语音识别模型对所述待识别语音数据进行语音识别，获取待识别文本数据；

采用关键词提取算法对所述待识别文本数据进行提取，获取目标关键词；

基于所述目标关键词匹配预设关键词库，获取匹配成功的起始地点、目标地点和导航类型。

3.如权利要求1所述的基于风险评估的智能导航方法，其特征在于，在所述获取客户端发送的语音导航请求，所述语音导航请求包括待识别语音数据之前，所述基于风险评估的智能导航方法还包括：

获取客户端实时采集的原始语音数据；

对所述原始语音数据进行端点检测和特征提取，获取目标声学特征；

采用所述语音识别模型对所述目标声学特征进行识别，获取目标文本数据；

若所述目标文本数据包含唤醒关键词，则控制所述客户端在预设时间段内进入语音导航界面，接收所述语音导航请求。

4.如权利要求1所述的基于风险评估的智能导航方法，其特征在于，在所述获取客户端发送的路线导航请求之前，所述基于风险评估的智能导航方法还包括：

通过第三方接口从交警平台数据库中获取历史交通事故数据，所述历史交通事故数据包括历史驾驶员信息、历史车辆信息、历史路段信息、历史地点信息和历史时间信息；

基于所述历史驾驶员信息查询所述交警平台数据库，获取与所述历史驾驶员信息相对应的历史驾驶行为数据，基于所述历史驾驶行为数据查询行为信息数据表，获取驾驶员评估指标；

基于所述历史车辆信息查询车辆信息数据表，获取与所述历史车辆信息相对应的车辆评估指标；

基于所述历史路段信息查询路段信息数据表，获取与所述历史路段信息相对应的路段评估指标；

通过第三方接口从气象平台数据库中，获取与所述历史地点信息和所述历史时间信息相对应的历史气象信息，基于历史气象信息查询气象信息数据表，获取与历史气象数据相对应的气象评估指标；

基于所述历史时间信息查询年历表，获取与所述历史时间信息相对应的时间评估指标；

基于所述历史交通事故数据对应的所述驾驶员评估指标、所述车辆评估指标、所述路段评估指标、所述气象评估指标和所述时间评估指标，获取与所述历史交通事故数据相对应的模型训练数据；

采用决策树算法对所述模型训练数据进行模型训练，获取基于决策树的道路风险识别模型。

5.如权利要求4所述的基于风险评估的智能导航方法，其特征在于，采用决策树算法对所述模型训练数据进行模型训练，获取基于决策树的道路风险识别模型，包括：

基于每一所述模型训练数据确定其对应的类别标签特征和至少两个训练属性特征，将所述模型训练数据存储在训练数据集中；

对所述模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一所述训练属性特征对应的信息增益率；

选取所述信息增益率最大的训练属性特征作为所述训练数据集的目标分类特征，采用所述目标分类特征将所述训练数据集划分为至少两个训练子集；

判断是否存在未确定为目标分类特征的训练属性特征；

若存在未确定为目标分类特征的训练属性特征，则将所述训练子集更新为所述训练数据集，重复执行对所述模型训练数据的类别标签特征和训练属性特征进行信息增益率计算，获取每一所述训练属性特征对应的信息增益率的步骤；

若不存在未确定为目标分类特征的训练属性特征，则形成基于决策树算法的原始风险识别模型，获取所述原始风险识别模型中每一叶子节点对应的数据量，基于所述数据量对所述原始风险识别模型进行剪裁，获取基于决策树的道路风险识别模型。

6.如权利要求1所述的基于风险评估的智能导航方法，其特征在于，所述路线导航请求还包括用户帐号；

在所述若所述导航类型为安全推荐类型，则获取每一所述导航路段对应的待评估交通数据之后，所述基于风险评估的智能导航方法还包括：

基于所述用户帐号查询导航系统数据库，获取与所述用户帐号相对应的历史导航数据，每一所述历史导航数据对应一历史推荐类型；

统计所述历史导航数据的历史推荐类型中，安全推荐类型对应的历史推荐频率；

若所述安全推荐类型对应的历史推荐频率小于预设频率阈值，则获取行程险信息，并将所述行程险信息发送给所述客户端。

7.如权利要求1所述的基于风险评估的智能导航方法，其特征在于，每一所述推荐导航路线包括至少一个事故频发地点；

所述将所述推荐导航路线发送给所述客户端之后，所述基于风险评估的智能导航方法还包括：

在车辆依据所述推荐导航路线行驶过程中，实时获取客户端发送的当前交通数据和当前驾驶位置；

采用所述道路风险识别模型对所述当前交通数据进行风险识别，获取当前风险概率，若所述当前风险概率大于预设风险阈值，则获取第一风险数据；

依据所述推荐导航路线的行车方向，若在所述当前驾驶位置的预设距离范围内存在所述事故频发地点或者突发事故信息，则获取第二风险数据；

将所述第一风险数据和所述第二风险数据填充到预设风险提醒模板中，获取风险提醒文本数据；

采用TTS技术将所述风险提醒文本数据转换成风险提醒语音数据，并通过所述客户端播报所述风险提醒语音数据。

8.一种基于风险评估的智能导航装置，其特征在于，包括：

路线导航请求获取模块，用于获取客户端发送的路线导航请求，路线导航请求包括起始地点、目标地点和导航类型；

原始导航路线获取模块，用于基于起始地点和目标地点，获取至少一个原始导航路线，每一原始导航路线包括至少一个导航路段；

待评估交通数据获取模块，用于若导航类型为安全推荐类型，则获取每一导航路段对应的待评估交通数据；

路段风险概率获取模块，用于将所述导航路段对应的待评估交通数据输入预先采用决策树算法训练的道路风险识别模型中，依据决策树算法的分类逻辑对所述导航路段对应的待评估交通数据进行风险评估，获取所述导航路段对应的路段风险概率；

总风险概率获取模块，用于基于每一原始导航路线中的至少一个导航路段对应的路段风险概率，获取原始导航路线对应的总风险概率；

推荐导航路线模块，用于将总风险概率最小的原始导航路线确定为推荐导航路线，将推荐导航路线发送给客户端。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于风险评估的智能导航方法的步骤。

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至7任一项所述基于风险评估的智能导航方法的步骤。