道路安全设计方法、系统、计算机设备和可读存储介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种道路安全设计方法、系统、计算机设备及计算机可读存储介质。

背景技术

随着我国社会经济的不断发展，以及国内机动车的数量大幅增加，我国道路交通事故发生量也在不断增加。数据表明，交通事故发生量占事故发生量的40％以上。在交通事故中有很多是因为道路设计不合理导致的。所以对于道路的设计尤为重要。

现有的道路设计安全方法，大多数是根据时速上限、光照、天气、车流量等因素进行设计。这些道路设计安全方法，都是将道路的状态一概而论，但是不同的道路的路况复杂，并非一成不变。因此，如何对复杂的待建道路进行快速设计以提升道路设计的效率，并同时保证道路合理性、安全性，成为了当前亟需解决的技术问题之一。

发明内容

有鉴于此，有必要提供一种道路安全设计方法、系统、计算机设备及计算机可读存储介质，以解决当前对复杂的待建道路设计时间长效率低，以及道路道路设计合理性差和安全性低等技术问题。

为实现上述目的，本发明实施例提供了一种道路安全设计方法，所述方法步骤包括：

获取待建道路的目标参数指标组，所述目标参数指标组包括多个目标参数指标；

将所述目标参数指标组输入到训练好的道路安全预测模型中；

通过所述道路安全预测模型输出所述待建道路的当前安全系数；及

根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案。

示例性的，所述将所述目标参数指标组输入到训练好的道路安全预测模型中的步骤，包括；

对所述目标参数指标组中的各个目标参数指标进行归一化处理；

根据归一化之后的所有目标参数指标构建目标参数向量，该目标参数向量中的每一个位置上元素即对应其中一个目标参数指标；及

将所述目标参数向量输入到所述训练好的道路安全预测模型中。

示例性的，所述将所述目标参数指标组输入到训练好的道路安全预测模型中的步骤之前，所述方法还包括所述道路安全预测模型的训练步骤：

获取M个已建道路对应的M个参数指标组和所述M个已建道路对应的M个实际安全系数，其中，M为大于零的正整数；及

根据所述M个参数指标组和所述M个实际安全系数，训练预设的深度神经网络模型，以得到所述道路安全预测模型。

示例性的，所述获取M个已建道路对应的M个参数指标组和所述M个已建道路对应的M个实际安全系数的步骤，包括：

预先获取N个已建道路对应的N个样本参数指标组和所述N个已建道路对应的N个事故发生次数，其中，N为大于零的正整数，且N≥M；

对所述N个样本参数指标组进行比对统计，以得到比对统计结果；

根据所述比对统计结果对所述N个已建道路进行筛选，得到互不相同的所述M个已建道路；及

根据所述M个已建道路中的每个已建道路所对应的事故发生次数，确定所述每个已建道路的实际安全系数。

示例性的，所述根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案的步骤，包括：

S11：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的K个已建道路，其中，K为大于零的正整数；

S12：根据所述目标参数指标组和所述K个已建道路的K个样本道路指标组，统计所述待建道路与所述K个已建道路的K个指标差异点；

S13：根据所述K个指标差异点的其中一个指标差异点，在可调整范围内调整该指标差异点在目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数；

重复执行步骤S11至步骤S13直至所述当前安全系数达到预设标准，得到所述目标道路设计方案。

示例性的，所述根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案的步骤，包括：

S21：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的L个已建道路，其中，L为大于零的正整数；

S22：根据所述目标参数指标组和所述L个已建道路的L个样本道路指标组，找到与所述目标道路指标差异点最少的参考道路；

S23：根据所述待建道路和所述参考道路之间的差异点，在可调整范围内调整该差异点在所述目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数；

重复执行步骤S21至步骤S23直至所述当前安全系数达到预设标准，得到所述目标道路设计方案。

示例性的，在所述根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案的步骤之后，所述方法还包括：

将所述目标道路设计方案上传到区块链中。

为实现上述目的，本发明实施例还提供了一种道路安全设计系统，包括：

获取模块，用于获取待建道路的目标参数指标组，所述目标参数指标组包括多个目标参数指标；

输入模块，用于将所述目标参数指标组输入到训练好的道路安全预测模型中；

输出模块，用于通过所述道路安全预测模型输出所述待建道路的当前安全系数；及

调整模块，用于根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案。

为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如上述的道路安全设计方法的步骤。

为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上述的道路安全设计方法的步骤。

本发明实施例提供的道路安全设计方法、系统、计算机设备及计算机可读存储介质，本实施例通过建立道路安全预测模型对所述待建道路的目标参数指标预测安全性，以根据所述安全预测模型的输出对复杂的待建道路进行快速设计，提高了所述待建道路的安全性和合理性以及提高了道路设计的效率，降低了待建道路的事故发生概率。

附图说明

图1为本发明实施例道路安全设计方法的流程示意图。

图2为本发明实施例一中步骤S102的细节流程示意图。

图3为本发明实施例一中道路安全预测模型的训练流程示意图。

图4为本发明实施例一中步骤S300的细节流程示意图。

图5为本发明实施例一中步骤S106的细节流程示意图。

图6为本发明实施例一中步骤S106的细节流程示意图。

图7为本发明道路安全设计系统实施例二的程序模块示意图。

图8为本发明计算机设备实施例三的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

以下实施例中，将以计算机设备2为执行主体进行示例性描述。

实施例一

参阅图1，示出了本发明实施例之道路安全设计方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。

步骤S100，获取待建道路的目标参数指标组，所述目标参数指标组包括多个目标参数指标。

所述目标参数指标组为道路设计阶段为所述待建道路设定的参数指标集合，可以包括以下一项或多项：

1.车道数量；

2.分时段车流量；

3.弯道角度；

4.道路合并情况；

5.汽车时速上线；

6.道路所处经纬度；

7.分时段天气状况；

8.道路光照情况；

9.分时段视线距离；

10.周边村庄及野外情况。

所述多个目标参数指标还可以分为实地勘测参数指标和道路设计参数指标。

所述实地勘测参数指标，可以包括：所述待建道路所处的经纬度、分时段天气状况、道路光照情况、分时段视线距离、周边车道数量、周边村庄及野外情况。其中，所述实地勘测参数指标为所述待建道路所处地理位置的实际数据，可以通过对所述待建道路所处地理位置进行勘测的方式得到，还可以通过读取所述待建道路所处地理位置的相关历史数据的方式(如，查看已有卫星地图、读取当地天气历史数据等方式)得到。

所述道路设计参数指标，可以包括：分时段车流量统计、弯道角度、道路合并情况、汽车时速上线。所述道路设计参数指标分别对应一个可调整范围，可以用于后期调整操作。所述道路设计参数指标可以通过对所述实地勘测参数指标进行分析和评估后得到。不同于所述实地勘测参数指标，所述道路设计参数指标可能会因人为因素导致出现较大的误差，从而导致所述待建道路的道路设计安全性较低。因此，为了提高待建道路的道路设计安全性和合理性，本方案可以对所述待建道路的所述目标参数指标进行深度学习，并建立所述待建道路的道路安全预测模型，根据所述目标参数指标组得到真实可参考的道路安全性分析报告。根据所述道路安全性分析报告调整所述待建道路的道路设计参数指标，以提高所述待建道路的安全性和合理性。

步骤S102，将所述目标参数指标组输入到训练好的道路安全预测模型中。

所述道路安全预测模型为经过改进的基于LSTM(Long Short-Term Memory，长短期记忆网络)-CNN(Convolutional Neural Networks，卷积神经网络)的深度神经网络。例如，可以将所述目标参数向量组输入到所述道路安全预测模型中的LSTM模块中，经由LSTM模块得到输出向量；并将该输出向量输入至所述道路安全预测模型中的CNN模块中，通过CNN模块输出预测结果。其中，所述LSTM捕获长期依赖性，而所述CNN提取时不变特征。经试验发现本结构尤其适用了道路安全预测，具有很高的灵敏度和很低的误报率。需要说明的是，所述参数向量的各个元素为降维和归一之后得到的数值。所述降维在于去重以保留差异化数据。

如图2所示，所述步骤S102还可以包括步骤S200～S204，其中：步骤S200，对所述目标参数指标组中的各个目标参数指标进行归一化处理；步骤S202，根据归一化之后的所有目标参数指标构建目标参数向量，该目标参数向量中的每一个位置上元素即对应其中一个目标参数指标；步骤S204，将所述目标参数向量输入到所述训练好的道路安全预测模型中。

所述目标参数指标组中有些参数指标的值可以能会存在不均匀、不规则、不规范的情况，且没有标准的表示方式。针对与这种情况，计算机设备2可以对所述目标参数指标组中的各个目标参数指标进行归一化处理，以实现所述目标参数指标组中的各个目标参数指标的标准化。所述目标参数指标组中的各个目标参数指标的位置相对固定。在所述计算机设备2得到归一化之后的所有目标参数指标，可以根据所述各个目标参数指标在所述目标参数指标组中的相对位置构建出目标参数向量。并将所述目标参数向量输入到训练好的道路安全预测模型中。其中，所述目标参数向量中的每一个位置上元素对应所述目标参数指标组中的一个目标参数指标。在本实施中，所述计算机设备2通过对目标参数指标进行归一化处理，并根据归一化处理之后的所有目标参数指标构建目标参数向量，从而提高了所述道路安全预测模型对所述待建道路安全性的预测准确性。

如图3所示，在所述步骤S102之前，所述道路安全设计方法还可以包括所述道路安全预测模型的训练步骤S300～S302，其中：步骤S300，获取M个已建道路对应的M个参数指标组和所述M个已建道路对应的M个实际安全系数，其中，M为大于零的正整数；步骤S302，根据所述M个参数指标组和所述M个实际安全系数，训练预设的深度神经网络模型，以得到所述道路安全预测模型。

计算机设备2可以从现有的数据库中获取所述M个已建道路的M个参数指标组和所述M个已建道路的M个实际安全系数。在得到所述M个参数指标组后，所述计算机设备2可以将所述M个参数指标组输入到深度神经网络模型中，并根据所述深度神经网络模型得到的预测安全系数和和所述M个实际安全系数进行BP(Back Propagation，反向传播计算)处理，以更新所述深度神经网络模型的模型参数，经过M个已建道路的参数指标组合和对应的实际安全系数迭代训练之后，得到用于预测道路安全的道路安全预测模型。

如图4所示，所述步骤S300还可以包括步骤S400～S406，其中：步骤S400，预先获取N个已建道路对应的N个样本参数指标组和所述N个已建道路对应的N个事故发生次数，其中，N为大于零的正整数，且N≥M；步骤S402，对所述N个样本参数指标组进行比对统计，以得到比对统计结果；步骤S404，根据所述比对统计结果对所述N个已建道路进行筛选，得到互不相同的所述M个已建道路；及步骤S406，根据所述M个已建道路中的每个已建道路所对应的事故发生次数，确定所述每个已建道路的实际安全系数。

计算机设备2还可以从现有的数据库中获取N个已建道路的N个样本参数指标组和N个已建道路中每个已建道路的事故发生次数。为了提高道路安全预测模型与所述待建道路的适配性和模型训练的效率，所述计算机设备2还可以根据所述目标参数指标组对所述N个样本参数指标组进行筛选，以得到互不相同的所述M个已建道路。本实施例通过对所述N个样本参数指标组进行比对统计并筛选，以得到M个样本参数指标组，以这M个对样本参数指标组作为训练样本，可以提高道路安全预测模型与所述待建道路的适配性和模型训练的效率。

步骤S104，通过所述道路安全预测模型输出所述待建道路的当前安全系数。

所述当前安全系数可以用于判断所述待建道路的当前设计是否合理，其中，所述当前安全系数越所述待建道路的当前设计越合理。计算机设备2在得到所述当前安全系数后，还可以对所述待建道路的设计进行修改，以降低所述待建道路的事故发生概率。现有的道路设计安全方法，大多数是根据时速上限、道路的光照因素、天气因素、车流量等因素进行设计，而没有根据道路参数指标预测待建道路事故概率。本方案通过所述M个已建道路的所述M个参数指标组和所述M个安全系数训练道路安全预测模型，并通过所述安全预测模型预测所述待建道路的当前安全系数，以根据所述安全系数确定所述待建道路的事故概率。

步骤S106，根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案。

计算机设备2可以预先设定一个或多个阈值，通过判断所述当前安全系数与所述阈值的大小关系，对所述待建道路的道路设计进行动态调整。以设定一个阈值为例，如果所述当前安全系数低于阈值，则所述当前安全系数对应的待建道路的道路设计可能存在较高的风险。这时所述计算机设备2可以对通过调整所述目标参数指标组中的一个或多个目标参数指标来提高所述待建道路的当前安全系数。以降低所述待建道路的事故发生概率。

如图5所示，所述步骤S106还可以包括步骤S11～S15，其中：

S11：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的K个已建道路，其中，K为大于零的正整数。

计算机设备2可以根据所述当前安全系数从现有的已建道路中筛选出实际安全系数高于所述当前安全系数的K个已建道路。以使所述计算机设备2根据所述实际安全系数高于所述当前安全系数的K个已建道路的参数指标组调整所述目标参数指标组，以提高所述当前安全系数。

S12：根据所述目标参数指标组和所述K个已建道路的K个样本道路指标组，统计所述待建道路与所述K个已建道路的K个指标差异点。

可以理解，如果两条道路的安全系数不同，且在所述参数指标组中只有一个参数指标不同，那么导致两条道路的安全系数不同原因可能就是这个不同的参数指标。因此，为了提高所述当前安全系数可以先找到与所述待建道路存在指标差异点的已建道路，以根据所述指标差异点调整所述目标参数指标组，以提高所述待建道路的当前安全系数。

S13：根据所述K个指标差异点的其中一个指标差异点，在可调整范围内调整该指标差异点在目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数。

在得到所述指标差异点，所述计算机设备2可以根据所述指标差异点确定所述目标参数指标组中对应的子项，并通过调整该子项的方式来提高所述待建道路的当前安全系数。以提高所述待建道路的合理性和安全性。为了确保所述当前安全系数的调整是正向的，所述计算机设备2还可以判断所述调整后的安全系数是否大于所述当前安全系数，以避免出现调整后的安全系数小于所述当前安全系数的情况。

S14：判断所述当前安全系数是否达到预设标准。

S15：如果所述当前安全系数没有达到所述预设标准，则重复执行步骤S11～S14；如果所述当前安全系数达到所述预设标准，则得到所述目标道路设计方案(即，最优的目标参数指标组)。

为了进一步的提高所述待建道路的合理性和安全性，所述计算机设备2还可以预先设定一个预设标准，如果所述当前安全系数没有达到该预设标准，则需要再次执行S11至步骤S14，直到所述当前安全系数达到所述预设标准。本实施例通过设定所述预设标准以确保所述待建道路对应的所述目标道路设计方案的安全性，降低了事故发生概率。

如图6所示，所述步骤S106还可以包括步骤S21～S25，其中：

S21：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的L个已建道路，其中，L为大于零的正整数。

计算机设备2可以根据目标参数指标组和所述当前安全系数从现有的已建道路中筛选出实际安全系数高于所述当前安全系数且与所述待建道路相似的L个已建道路。其中，如果一个已建道路的参数指标组与所述待建道路相似的目标参数指标组的相似度高于预设值时，则这个已建道路为所述待建道路的相似已建道路。

S22：根据所述目标参数指标组和所述L个已建道路的L个样本道路指标组，找到与所述目标道路指标差异点最少的参考道路。

可以理解，如果两条道路的安全系数不同，且在所述参数指标组中只有一个参数指标不同，那么导致两条道路的安全系数不同原因可能就是这个不同的参数指标，而差异点越少则与所述待建道路越相似。因此，为了提高所述当前安全系数可以先找到与所述待建道路相识的已建道路的指标差异点，已根据所述指标差异点调整所述目标参数指标组，以提高所述待建道路的当前安全系数。

S23：根据所述待建道路和所述参考道路之间的差异点，在可调整范围内调整该差异点在所述目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数。

S24：判断所述当前安全系数是否达到预设标准。

S25：如果所述当前安全系数没有达到所述预设标准，则重复执行步骤S21至步骤S24；如果所述当前安全系数达到所述预设标准，则得到所述目标道路设计方案。

示例性的，所在步骤S106之后，所述道路安全设计方法还包括：将所述目标道路设计方案上传到区块链中。将所述目标道路设计方案上传至区块链可保证其安全性和公正透明性。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

实施例二

图7为本发明道路安全设计系统实施例二的程序模块示意图。道路安全设计系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述道路安全设计方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述道路安全设计系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：

获取模块200，用于获取待建道路的目标参数指标组，所述目标参数指标组包括多个目标参数指标。

输入模块202，用于将所述目标参数指标组输入到训练好的道路安全预测模型中。

示例性的，所述输入模块202，还用于：对所述目标参数指标组中的各个目标参数指标进行归一化处理；根据归一化之后的所有目标参数指标构建目标参数向量，该目标参数向量中的每一个位置上元素即对应其中一个目标参数指标；及将所述目标参数向量输入到所述训练好的道路安全预测模型中。

示例性的，所述道路安全设计系统20还包括，训练模块(未图示)，所述训练模块，用于获取M个已建道路对应的M个参数指标组和所述M个已建道路对应的M个实际安全系数，其中，M为大于零的正整数；及根据所述M个参数指标组和所述M个实际安全系数，训练预设的深度神经网络模型，以得到所述道路安全预测模型。

示例性的，所述训练模块，还用于：预先获取N个已建道路对应的N个样本参数指标组和所述N个已建道路对应的N个事故发生次数，其中，N为大于零的正整数，且N≥M；对所述N个样本参数指标组进行比对统计，以得到比对统计结果；根据所述比对统计结果对所述N个已建道路进行筛选，得到互不相同的所述M个已建道路；及根据所述M个已建道路中的每个已建道路所对应的事故发生次数，确定所述每个已建道路的实际安全系数。

输出模块204，用于通过所述道路安全预测模型输出所述待建道路的当前安全系数。

调整模块206，用于根据所述当前安全系数动态调整所述待建道路的道路设计，以得到目标道路设计方案。

示例性的，所述调整模块206，还用于：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的K个已建道路，其中，K为大于零的正整数；根据所述目标参数指标组和所述K个已建道路的K个样本道路指标组，统计所述待建道路与所述K个已建道路的K个指标差异点；根据所述K个指标差异点的其中一个指标差异点，在可调整范围内调整该指标差异点在目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数；判断所述当前安全系数是否达到预设标准；如果所述当前安全系数没有达到所述预设标准，则继续调整所述调整后的目标参数指标组的子项；如果所述当前安全系数达到所述预设标准，则得到所述目标道路设计方案。

示例性的，所述调整模块206，还用于：根据所述当前安全系数，筛选出实际安全系数高于所述当前安全系数的L个已建道路，其中，L为大于零的正整数；根据所述目标参数指标组和所述L个已建道路的L个样本道路指标组，找到与所述目标道路指标差异点最少的参考道路；根据所述待建道路和所述参考道路之间的差异点，在可调整范围内调整该差异点在所述目标参数指标组中对应的子项，并将调整后的目标参数指标组输入所述道路安全预测模型，以根据所述道路安全预测模块输出调整后的安全系数；并判断所述调整后的安全系数是否大于所述当前安全系数，如果所述调整后的安全系数大于所述当前安全系数，则根据所述调整后的安全系数更新所述当前安全系数；判断所述当前安全系数是否达到预设标准；如果所述当前安全系数没有达到所述预设标准，则继续调整所述调整后的目标参数指标组的子项；如果所述当前安全系数达到所述预设标准，则得到所述目标道路设计方案。

示例性的，所述道路安全设计系统20还包括，上传模块，所述上传模块，用于将所述目标道路设计方案上传到区块链中。

实施例三

参阅图8，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及道路安全设计系统20。

本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例二的道路安全设计系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行道路安全设计系统20，以实现实施例一的道路安全设计方法。

所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communicatI/On，GSM)、宽带码分多址(WidebandCode DivisI/On Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。

需要指出的是，图8仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器21中的道路安全设计系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。

例如，图7示出了本发明实施例二之所述实现道路安全设计系统20的程序模块示意图，该实施例中，所述道路安全设计系统20可以被划分为获取模块200、输入模块202、输出模块204和调整模块206。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述道路安全设计系统20在所述计算机设备2中的执行过程。所述程序模块200-206的具体功能在实施例二中已有详细描述，在此不再赘述。

实施例四

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于道路安全设计系统20，被处理器执行时实现实施例一的道路安全设计方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。