(19)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 202210249040.4 (22)申请日 2022.03.14 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 李昀轩　李萌　陆建　郭娅明　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 赵翠香 (51)Int.Cl. G06F 40/205(2020.01) G06F 40/30(2020.01) (54)发明名称 一种交通警情处理方法、 装置、 电子设备及 存储介质 (57)摘要 本发明公开了一种交通警情处理方法、 装 置、 电子设备及存储介质。 所述方法包括： 获取待 处理的交通警情数据； 将交通警情数据输入至文 本预训练模 型中， 获取文本预训练模 型输出的与 交通警情数据对应的增强语义向量； 其中， 文本 预训练模型为BERT模型； 文本预训练模型将增强 语义向量同时输入至多任务处理模型的各个子 模型中； 其中， 多任务处理模型的各个子模型包 括关键信息抽取子模型、 文本分类子模 型及语义 识别子模型； 关键信息抽取子模型、 文本分类子 模型及语义识别子模型， 对增强语义向量进行分 析， 分别确定交通警情数据中的警情信息、 警情 类型及警情严重程度。 通过本发 明实施例提供的 技术方案， 可快速、 准确地实现对交通警情数据 自动处理。 权利要求书2页 说明书13页 附图4页 CN 114861626 A 2022.08.05 CN 114861626 A 1.一种交通警情处 理方法， 其特 征在于， 包括： 获取待处 理的交通警情数据； 将所述交通警情数据输入至文本预训练模型中， 获取所述文本预训练模型输出的与 所 述交通警情数据对应的增强语义向量； 其中， 所述文本预训练模型为BERT模型； 所述文本预训练模型将所述增强语义向量同时输入至多任务处理模型的各个子模型 中； 其中， 所述多任务处理模型的各个子模型包括关键信息抽取子模 型、 文本分类子模型及 语义识别子模型； 所述关键信息抽取子模型、 所述文本分类子模型及所述语义识别子模型， 对所述增强 语义向量进行分析， 分别确定所述交通警情数据中的警情信息、 警情类型及警情严重程度。 2.根据权利要求1所述的方法， 其特征在， 所述关键信 息抽取子模型包括条件随机场模 型； 在所述关键信 息抽取子模型对所述增强语义向量进行分析， 确定所述交通警情数据中 的警情信息之前， 还 包括： 所述文本预训练模型对所述交通警情数据进行序列 标注， 根据标注结果确定与所述交 通警情数据对应的状态序列； 所述文本预训练模型将所述状态序列输入至所述关键信息抽取子模型中； 所述关键信 息抽取子模型对所述增强语义向量进行分析， 确定所述交通警情数据中的 警情信息， 包括： 所述条件随机场模型对所述增强语义向量及所述状态序列进行分析， 确定所述交通警 情数据中的警情信息 。 3.根据权利要求1所述的方法， 其特 征在， 所述交通警情数据为至少两条； 所述语义识别子模型包括相似度计算层、 Bi ‑GRU单元层及注意力机制层； 所述语义识别子模型， 对所述增强语义向量进行分析， 确定所述交通警情数据中的警 情严重程度， 包括： 所述语义识别子模型中的相似度计算层分别计算所述至少两条交通警情数据对应的 增强语义向量间的相似度， 确定相似度大于预设相似度阈值的目标增强语义向量； 所述相似度计算层将所述目标增强语义向量输入至所述Bi ‑GRU单元层， 所述Bi ‑GRU单 元层确定与所述目标增强语义向量对应的局部特征增强向量， 并将所述局部特征增强向量 输入至所述注意力机制层； 所述注意力 机制层对所述局部特征增强向量进行分析， 分别确定与 所述目标增强语义 向量对应的交通警情数据中的警情严重程度。 4.根据权利要求1 ‑3任一所述的方法， 其特征在于， 所述警情信息包括时间信息、 地址 信息及车牌信息 。 5.根据权利要求 4所述的方法， 其特 征在， 所述警情信息包括时间信息； 在确定所述交通警情数据中的警情信息之后， 还 包括： 提取所述交通警情数据中的时间信息； 确定所述时间信息的类型； 其中， 所述时间信息的类型包括当前发生时间和历史发生 时间。 6.根据权利要求1所述的方法， 其特征在于， 所述文本分类子模型包括循环神经网络模权　利　要　求　书 1/2 页 2 CN 114861626 A 2型。 7.根据权利要求1所述的方法， 其特征在于， 所述警情类型包括机动车和机动车事故、 机动车和非机动车事故、 机动车和行人事故、 非机动车和非机动车事故、 非机动车与行人事 故及单方事故。 8.一种交通警情处 理装置， 其特 征在于， 包括： 警情数据获取模块， 用于获取待处 理的交通警情数据； 增强语义向量获取模块， 用于将所述交通警情数据输入至文本预训练模型中， 获取所 述文本预训练模型输出 的与所述交通警情数据对应的增强语义向量； 其中， 所述文本预训 练模型为BERT模型； 增强语义向量输入模块， 用于所述文本预训练模型将所述增强语义向量同时输入至多 任务处理模型 的各个子模型中； 其中， 所述多任务处理模型 的各个子模型包括关键信息抽 取子模型、 文本分类子模型及语义识别子模型； 警情数据处理模块， 用于所述关键信息抽取子模型、 所述文本分类子模型及所述语义 识别子模 型， 对所述增强语义向量进 行分析， 分别确定所述交通 警情数据中的警情信息、 警 情类型及警情严重程度。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑7中任一项所述的 交通警情处 理方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使处理器执行时实现权利要求1 ‑7中任一项所述的交通警情处理 方法。权　利　要　求　书 2/2 页 3 CN 114861626 A 3