驾驶场景预测方法、装置、计算机设备、存储介质和产品

技术领域

本申请涉及车辆驾驶技术领域，特别是涉及一种驾驶场景预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

商用车在行驶过程中，可能会遇到各种危险场景，例如道路损坏、障碍物等，为了提高车辆的自动驾驶安全性，通常需要对驾驶场景进行识别，预先对驾驶员进行告警提示。

传统方法中，通常是采用车载摄像头实时采集视频图像，然后通过深度学习算法对图像进行分析预测，判断是否存在危险场景，如障碍物、损坏道路等。

然而，深度学习算法只能学习已有的危险场景，对于第一次发生的危险事故无法准确预测。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高危险场景预测准确性的驾驶场景预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种驾驶场景预测方法，包括：

获取当前时间段内的路况数据和目标车辆的车况数据；

通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征；

对路况特征和车况特征进行特征融合处理，得到目标特征向量；

对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；

其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

在其中一个实施例中，主网络为卷积神经网络；通过预先训练的场景识别模型对路况数据进行处理的步骤，包括：

按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；

通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

在其中一个实施例中，分支网络为卷积神经网络；通过预先训练的场景识别模型对车况数据进行处理的步骤，包括：

按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；

通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

在其中一个实施例中，对路况特征和车况特征进行特征融合处理，得到目标特征向量的步骤，包括：

确定路况特征对应的第一权重矩阵；

确定车况特征对应的第二权重矩阵；

对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

在其中一个实施例中，场景识别模型的训练步骤，包括：

构建初始识别模型；

按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；

获取目标时间段内的历史路况数据和历史车况数据；

基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

在其中一个实施例中，该方法还包括：

根据预测危险场景，获取驾驶推荐信息；

通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

第二方面，本申请还提供了一种驾驶场景预测装置，包括：

数据获取模块，用于获取当前时间段内的路况数据和目标车辆的车况数据；

特征获取模块，用于通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征；

特征融合模块，用于对路况特征和车况特征进行特征融合处理，得到目标特征向量；

场景获取模块，用于对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任意一项的方法步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任意一项的方法步骤。

第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任意一项的方法步骤。

上述驾驶场景预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取当前时间段内的路况数据和目标车辆的车况数据，通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征，对路况特征和车况特征进行特征融合处理，得到目标特征向量，对目标特征向量进行决策，得到下一时间段的预测危险场景，能够准确预测可能发生的危险场景，从而对驾驶员进行驾驶提示，保证驾驶安全性。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术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申请的一些实施例，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他的附图。

图1为一个实施例中驾驶场景预测方法的应用环境图；

图2为一个实施例中驾驶场景预测方法的流程示意图；

图3为一个实施例中驾驶场景预测方法的流程示意图；

图4为一个实施例中驾驶场景预测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的驾驶场景预测方法，可以应用于如图1所示的应用环境中。其中，图像采集设备102通过网络与终端104进行通信，通讯设备106通过网络与终端104进行通信。其中，图像采集设备102用于采集当前时间段内的路况数据，通讯设备106用于获取目标车辆的车况数据，终端104用于通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征，对路况特征和车况特征进行特征融合处理，得到目标特征向量，对目标特征向量进行决策，得到下一时间段的预测危险场景。其中，危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示。其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。其中，图像采集设备102可以是车载摄像设备或部署在路侧的道路边缘单元。终端104可以是部署在目标车辆内的车载智能终端。通讯设备106可以是远程通信终端(TBOX)。

在一个示例性的实施例中，如图2所示，提供了一种驾驶场景预测方法，以该方法应用于图1中的终端104为例进行说明，包括以下步骤202至步骤206。

其中：

S202：获取当前时间段内的路况数据和目标车辆的车况数据。

其中，路况数据为通过图像采集设备获取的图像数据，其中，图像采集设备可以是车载摄像头，也可以是布置在路侧的摄像头或道路边缘单元，通过图像采集设备对周围的路况场景进行采集，通常采集获得的图像为视频帧图像，其中，道路边缘单元(RoadsideUnit，RSU)是一种部署在道路边缘的通信设备，用于支持车辆间通信和车辆与基础设施之间的通信。

其中，车况数据可以是通过布置在目标车辆上的车载摄像头采集，对于每一帧视频帧图像，通过车载摄像头对目标车辆的车况数据进行采集，其中，车况数据包括扭矩、航向角、零部件状态等。

S204：通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征。

其中，场景识别模型为机器学习模型，通过机器学习模型对采集到的路况数据和车况数据进行学习，提取数据中的特征，从而预测可能发生的危险场景，其中，机器学习模型为卷积神经网络(CNN)，包括主网络和分支网络，主网络用于处理车况数据，得到对应的路况特征，分支网络用于处理车况数据，得到对应的车况特征。

其中，机器学习模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的，其中，仿真危险场景和仿真车况数据为基于仿真软件模拟得到的数据，历史路况数据和历史车况数据为通过图像采集设备和通讯设备采集的历史真实数据。

S206：对路况特征和车况特征进行特征融合处理，得到目标特征向量。

其中，通过场景识别模型对路况特征和车况特征进行特征融合处理，得到的目标特征向量为用于决策输出预测危险场景的特征向量，通过特征融合的方式，对提取到的特征进行增强，提升特征表达能力，并且，由于路口特征和车况特征为不同类型的数据，通过特征融合将单一维度的特征合并，降低单一特征导致的局限性。

S208：对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

其中，通过场景识别模型中的决策器，对目标特征向量进行预测，得到下一时间段的预测危险场景，其中，危险场景指的是存在目标干扰因素的驾驶场景，例如存在路障或可能会发生事故的场景，决策器输出的预测危险场景用于对驾驶员进行提示，以指示驾驶员提前应对可能发生的危险。

其中，场景识别模型包括主网络和分支网络，主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征，具体地，场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的，其中，仿真危险场景和仿真车况数据共同作为预训练集数据，对场景识别模型进行预训练，历史路况数据和历史车况数据作为训练集数据，在预训练完成后最场景识别模型进行二次训练。其中，由于机器学习模型的模型效果受训练集数据的影响较大，通过仿真得到的仿真危险场景和仿真车况数据，可以补足真实数据中缺失的危险场景，使得机器学习模型学习的样本更完整，提高模型精度。

上述驾驶场景预测方法中，通过获取当前时间段内的路况数据和目标车辆的车况数据，通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征，对路况特征和车况特征进行特征融合处理，得到目标特征向量，对目标特征向量进行决策，得到下一时间段的预测危险场景，能够准确预测可能发生的危险场景，从而对驾驶员进行驾驶提示，保证驾驶安全性。

在一个示例性的实施例中，主网络为卷积神经网络；通过预先训练的场景识别模型对路况数据进行处理的步骤，包括：按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

其中，主网络为多层卷积神经网络，主网络的输入数据为图像数据，具体地，图像数据以三维矩阵的格式输入至主网络，即第一矩阵尺寸的大小表示为n×n×3，通过N个卷积层逐层对输入数据进行卷积处理，获得对应的路况特征，其中，第一层卷积层的输入数据为路况矩阵数据，之后每一层卷积层的输入数据为前一层卷积层的输出数据，直至最后一层卷积层的输出数据为路况特征。

本实施例中，通过按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据，通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征，能够提高路况特征的准确性，从而准确预测可能发生的危险场景。

在一个示例性的实施例中，分支网络为卷积神经网络；通过预先训练的场景识别模型对车况数据进行处理的步骤，包括：按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

其中，与主网络的处理过程相似，分支网络由M个卷积层构成，其中，第一层卷积层的输入数据为车况矩阵数据，其中，车况矩阵数据的尺寸大小表示为m×m×1，之后每一层卷积层的输入数据为前一层卷积层的输出数据，之后最后一层卷积层的输出数据为车况特征。

本实施例中，通过按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据，通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征，能够提高车况特征的准确性，从而准确预测可能发生的危险场景。

在一个示例性的实施例中，对路况特征和车况特征进行特征融合处理，得到目标特征向量，包括：确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

其中，在进行特征融合时，通常采用加权融合的方式，通过对不同特征向量赋予不同的权重，进行线性组合得到融合特征，具体地，分别确定路况特征对应的第一权重矩阵、以及车况特征对应的第二权重矩阵，通过对第一权重矩阵和第二权重矩阵进行加权融合，得到融合后的目标特征向量。除此之外，也可以是采用注意力机制融合的方式，通过注意力机制学习不同特征的重要程度，根据注意力权重对特征进行加权融合。

本实施例中，通过确定路况特征对应的第一权重矩阵，确定车况特征对应的第二权重矩阵，对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量，能够提升特征表达能力，从而提高危险场景预测的准确性。

在一个示例性的实施例中，场景识别模型的训练步骤，包括：构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

其中，对于获取到的历史路况数据，通过人工对可能出现的危险场景进行标注，在对初始识别模型进行预训练和训练的过程中，针对每一次模型输出的预测结果，对预测结果和相应的模型输入数据进行误差处理，得到误差值，并基于误差值对模型的模型参数进行调整，具体地，模型参数包括卷积层中每个卷积核的权重和偏置，通过迭代训练，不断更新模型参数，直至损失函数达到收敛，其中，误差值为均方误差，具体地，均方误差的函数L可以表示为：

其中，y

本实施例中，通过构建初始识别模型，按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据，获取目标时间段内的历史路况数据和历史车况数据，基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练，能够提高模型精度，从而准确预测可能发生的危险场景。

在一个示例性的实施例中，该方法还包括：根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

其中，驾驶推荐信息为针对预测危险场景生成的应对方案，包括推荐驾驶速度和推荐驾驶方向等，终端将驾驶推荐信息发送至仪表或车机显示屏，通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

本实施例中，通过根据预测危险场景，获取驾驶推荐信息，通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶，能够对可能发生的危险场景进行预警，从而保证驾驶安全性。

在一个示例性的实施例中，如图3所示，提供了一种驾驶场景预测方法，该方法包括以下步骤：

获取当前时间段内的路况数据和目标车辆的车况数据。

构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。其中，主网络为卷积神经网络，分支网络为卷积神经网络。

按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示。

根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

本实施例中，通过获取当前时间段内的路况数据和目标车辆的车况数据，通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征，对路况特征和车况特征进行特征融合处理，得到目标特征向量，对目标特征向量进行决策，得到下一时间段的预测危险场景，能够准确预测可能发生的危险场景，从而对驾驶员进行驾驶提示，保证驾驶安全性。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的驾驶场景预测方法的驾驶场景预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个驾驶场景预测装置实施例中的具体限定可以参见上文中对于驾驶场景预测方法的限定，在此不再赘述。

在一个示例性的实施例中，如图4所示，提供了一种驾驶场景预测装置，包括：数据获取模块10、特征获取模块20、特征融合模块30和场景获取模块40，其中：

数据获取模块10，用于获取当前时间段内的路况数据和目标车辆的车况数据。

特征获取模块20，用于通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征。

特征融合模块30，用于对路况特征和车况特征进行特征融合处理，得到目标特征向量。

场景获取模块40，用于对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

在一个示例性的实施例中，主网络为卷积神经网络；特征获取模块20还用于按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

在一个示例性的实施例中，分支网络为卷积神经网络；特征获取模块20还用于按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

在一个示例性的实施例中，特征融合模块30还用于确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

在一个示例性的实施例中，特征获取模块20还用于构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

在一个示例性的实施例中，场景获取模块40还用于根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

上述驾驶场景预测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。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种驾驶场景预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取当前时间段内的路况数据和目标车辆的车况数据；通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征；对路况特征和车况特征进行特征融合处理，得到目标特征向量；对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

在一个实施例中，主网络为卷积神经网络；处理器执行计算机程序时涉及的通过预先训练的场景识别模型对路况数据进行处理的步骤，包括：按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

在一个实施例中，分支网络为卷积神经网络；处理器执行计算机程序时涉及的通过预先训练的场景识别模型对车况数据进行处理的步骤，包括：按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

在一个实施例中，处理器执行计算机程序时涉及的对路况特征和车况特征进行特征融合处理，得到目标特征向量，包括：确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

在一个实施例中，处理器执行计算机程序时涉及的场景识别模型的训练步骤，包括：构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取当前时间段内的路况数据和目标车辆的车况数据；通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征；对路况特征和车况特征进行特征融合处理，得到目标特征向量；对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

在一个实施例中，主网络为卷积神经网络；计算机程序被处理器执行时涉及的通过预先训练的场景识别模型对路况数据进行处理的步骤，包括：按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

在一个实施例中，分支网络为卷积神经网络；计算机程序被处理器执行时涉及的通过预先训练的场景识别模型对车况数据进行处理的步骤，包括：按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

在一个实施例中，计算机程序被处理器执行时涉及的对路况特征和车况特征进行特征融合处理，得到目标特征向量，包括：确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

在一个实施例中，计算机程序被处理器执行时涉及的场景识别模型的训练步骤，包括：构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取当前时间段内的路况数据和目标车辆的车况数据；通过预先训练的场景识别模型对路况数据和车况数据进行处理，得到对应的路况特征和车况特征；对路况特征和车况特征进行特征融合处理，得到目标特征向量；对目标特征向量进行决策，得到下一时间段的预测危险场景；危险场景包括存在目标干扰因素的驾驶场景，预测危险场景用于进行驾驶提示；其中，场景识别模型包括主网络和分支网络；主网络用于对路况数据进行处理，得到对应的路况特征，分支网络用于对车况数据进行处理，得到对应的车况特征；场景识别模型是基于仿真危险场景和仿真车况数据、以及目标时间段内的历史路况数据和历史车况数据训练得到的。

在一个实施例中，主网络为卷积神经网络；计算机程序被处理器执行时涉及的通过预先训练的场景识别模型对路况数据进行处理的步骤，包括：按照第一矩阵尺寸对路况数据进行处理，得到路况矩阵数据；通过N个卷积层依次对路况矩阵数据进行卷积处理，获得对应的路况特征。

在一个实施例中，分支网络为卷积神经网络；计算机程序被处理器执行时涉及的通过预先训练的场景识别模型对车况数据进行处理的步骤，包括：按照第二矩阵尺寸对车况数据进行处理，得到车况矩阵数据；通过M个卷积层依次对车况矩阵数据进行卷积处理，获得对应的车况特征。

在一个实施例中，计算机程序被处理器执行时涉及的对路况特征和车况特征进行特征融合处理，得到目标特征向量，包括：确定路况特征对应的第一权重矩阵；确定车况特征对应的第二权重矩阵；对第一权重矩阵和第二权重矩阵进行加权融合处理，得到目标特征向量。

在一个实施例中，计算机程序被处理器执行时涉及的场景识别模型的训练步骤，包括：构建初始识别模型；按照目标危险场景的场景要求条件，确定仿真危险场景和仿真车况数据；获取目标时间段内的历史路况数据和历史车况数据；基于仿真危险场景和仿真车况数据对初始识别模型进行预训练，并基于历史路况数据和历史车况数据对预训练后的初始识别模型再次进行训练。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预测危险场景，获取驾驶推荐信息；通过仪表或车机显示屏显示驾驶推荐信息，以提示驾驶员按照驾驶推荐信息中的速度和方向进行驾驶。

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，所述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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。