本申请公开了一种交通异常场景的判断方法，包括：根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络；利用各交通信息数据的特征向量计算出交通信息节点网络的网络特征；将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。可见，本方法能够更全面地获取交通信息数据与交通异常情况之间的特征联系，因此能够提高交通异常场景的判断准确度。本申请还公开了一种交通异常场景的判断装置、设备及计算机可读存储介质，均具有上述有益效果。
1.一种交通异常场景的判断方法，其特征在于，包括：根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络；
利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征；
将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常；
其中，各所述交通信息数据包括图像信息数据和/或文本信息数据和/或数值信息数据；
其中，利用图像特征提取模型提取图像信息数据中的图像特征，得出所述图像信息数据的图像特征向量；
根据 计算出文本信息数据的文本特征向量；其中，文本信息数据为x＝(x1,x2,...xq...,xn)，n表示所述文本信息数据的总字符数；tanh为激活函数；
J、M、N为每个字符的三个不同的空间维度，WJ、WM、WN分别为J、M、N三个空间维度对应的权重系数；dm为M空间维度对应的向量维度；
softmax表示激活函数；T表示对矩阵进行转置操作，(xq·WM)T为xq·WM的转置矩阵；
根据 计算出数值信息数据的数值特征向量；其中，C表示数值信息数据中的数字的数量；vx表示数值信息数据内任意一个数字的字向量；
其中，所述利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征的过程，具体包括：分别计算出各节点的各出边对应的邻居节点对所述节点的重要程度：其中， 表示节点e在路径Φer下邻居节点r的重要性；attnode表示通过自注意力机制模型学习节点e和节点r间路径Φer的重要性；he和hr分别表示节点e和节点r的特征向量；
其中， 表示在任意路径Φ中节点对(e，r)的注意力权重， 表示特征向量he和特征向量hr在空间类型τ中对应的注意力参数； 表示节点r为节点e的所有邻居节点之一；
因此，对于节点e的所有路径 得出对应的节点表示为：其中，p为路径总数目；
其中， attsem表示由上一步得到的节点表示通过自注意力机制模型学习路径的重要性；E表示所有节点的集合。
2.根据权利要求1所述的方法，其特征在于，在所述将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：若确定出所述交通场景存在异常，则发出对应的提示信息。
3.根据权利要求1所述的方法，其特征在于，所述根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络的过程，具体包括：按照预设时间周期获取所述交通信息数据；
根据同一时间戳的各所述交通信息数据以及同一时间戳的各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络。
4.根据权利要求3所述的方法，其特征在于，在所述将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：记录各所述交通信息节点网络对应的时间戳以及对应的判断结果。
5.根据权利要求2所述的方法，其特征在于，在确定出所述交通场景存在异常之后，进一步包括：依据预先设置的异常信息与策略信息的对应关系，确定出与所述交通信息的异常情况对应的目标策略。
6.根据权利要求1至5任一项所述的方法，其特征在于，在所述根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络之后，进一步包括：根据各所述交通信息数据的数据类型为各所述交通信息数据设置类型标签。
7.一种交通异常场景的判断装置，其特征在于，包括：网络确定模块，用于根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络；
特征计算模块，用于利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征；
异常判断模块，用于将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常；
其中，各所述交通信息数据包括图像信息数据和/或文本信息数据和/或数值信息数据；
其中，利用图像特征提取模型提取图像信息数据中的图像特征，得出所述图像信息数据的图像特征向量；
根据 计算出文本信息数据的文本特征向量；其中，文本信息数据为x＝(x1,x2,...xq...,xn)，n表示所述文本信息数据的总字符数；tanh为激活函数；
J、M、N为每个字符的三个不同的空间维度，WJ、WM、WN分别为J、M、N三个空间维度对应的权重系数；dm为M空间维度对应的向量维度；
softmax表示激活函数；T表示对矩阵进行转置操作，(xq·WM)T为xq·WM的转置矩阵；
根据 计算出数值信息数据的数值特征向量；其中，C表示数值信息数据中的数字的数量；vx表示数值信息数据内任意一个数字的字向量；
其中，所述利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征的过程，具体包括：分别计算出各节点的各出边对应的邻居节点对所述节点的重要程度：其中， 表示节点e在路径Φer下邻居节点r的重要性；attnode表示通过自注意力机制模型学习节点e和节点r间路径Φer的重要性；he和hr分别表示节点e和节点r的特征向量；
其中， 表示在任意路径Φ中节点对(e，r)的注意力权重， 表示特征向量he和特征向量hr在空间类型τ中对应的注意力参数； 表示节点r为节点e的所有邻居节点之一；
因此，对于节点e的所有路径 得出对应的节点表示为：其中，p为路径总数目；
其中， attsem表示由上一步得到的节点表示通过自注意力机制模型学习路径的重要性；E表示所有节点的集合。
8.一种交通异常场景的判断设备，其特征在于，包括：存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的交通异常场景的判断方法的步骤。
9.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的交通异常场景的判断方法的步骤。
一种交通异常场景的判断方法、装置、设备及存储介质
技术领域
[0001] 本发明涉及交通信息领域，特别涉及一种交通异常场景的判断方法、装置、设备及计算机可读存储介质。
背景技术
[0002] 随着全国交通信息化的不断发展普及，对交通信息化的综合应用能力要求越来越高。在对交通异常场景的判断方法中，为了减少执法人员现场检查，提高执法效率，现有技术通过采集交通信息数据，然后将采集到的交通信息数据输入至预先训练出的场景判断模型中，利用该模型确定交通场景是否正常。但是，现有技术中的方法对交通异常场景的判断并不准确，因此可能产生交通异常场景误报的情况。
[0003] 因此，如何提高交通异常场景的判断准确度，是本领域技术人员目前需要解决的技术问题。
发明内容
[0004] 有鉴于此，本发明的目的在于提供一种交通异常场景的判断方法，能够提高交通异常场景的判断准确度；本发明的另一目的是提供一种交通异常场景的判断装置、设备及计算机可读存储介质，均具有上述有益效果。
[0005] 为解决上述技术问题，本发明提供一种交通异常场景的判断方法，包括：
[0006] 根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络；
[0007] 利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征；
[0008] 将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。
[0009] 优选地，各所述交通信息数据包括图像信息数据和/或文本信息数据和/或数值信息数据。
[0010] 优选地，在所述将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：
[0011] 若确定出所述交通场景存在异常，则发出对应的提示信息。
[0012] 优选地，所述根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络的过程，具体包括：
[0013] 按照预设时间周期获取所述交通信息数据；
[0014] 根据同一时间戳的各所述交通信息数据以及同一时间戳的各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络。
[0015] 优选地，在所述将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：
[0016] 记录各所述交通信息节点网络对应的时间戳以及对应的判断结果。
[0017] 优选地，在确定出所述交通场景存在异常之后，进一步包括：
[0018] 依据预先设置的异常信息与策略信息的对应关系，确定出与所述交通信息的异常情况对应的目标策略。
[0019] 优选地，在所述根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络之后，进一步包括：
[0020] 根据各所述交通信息数据的数据类型为各所述交通信息数据设置类型标签。
[0021] 为解决上述技术问题，本发明还提供一种交通异常场景的判断装置，包括：网络确定模块，用于根据各交通信息数据以及各所述交通信息数据之间的关联关系，确定出对应的交通信息节点网络；
[0022] 特征计算模块，用于利用各所述交通信息数据的特征向量计算出所述交通信息节点网络的网络特征；
[0023] 异常判断模块，用于将所述网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。
[0024] 为解决上述技术问题，本发明还提供一种交通异常场景的判断设备，包括：
[0025] 存储器，用于存储计算机程序；
[0026] 处理器，用于执行所述计算机程序时实现上述任一种交通异常场景的判断方法的步骤。
[0027] 为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种交通异常场景的判断方法的步骤。
[0028] 本发明提供的一种交通异常场景的判断方法，相较于现有技术直接利用交通信息数据进行交通异常场景判断的方法，本方法通过根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络；然后利用各交通信息数据的特征向量计算出交通信息节点网络的网络特征；再将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。可见，本方法能够更全面地获取交通信息数据与交通异常情况之间的特征联系，因此能够提高交通异常场景的判断准确度。
[0029] 为解决上述技术问题，本发明还提供了一种交通异常场景的判断装置、设备及计算机可读存储介质，均具有上述有益效果。
附图说明
[0030] 为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据提供的附图获得其他的附图。
[0031] 图1为本发明实施例提供的一种交通异常场景的判断方法的流程图；
[0032] 图2为本发明实施例提供的一种交通异常场景的判断装置的结构图；
[0033] 图3为本发明实施例提供的一种交通异常场景的判断设备的结构图。
具体实施方式
[0034] 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，所描述的实施例仅仅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。
[0035] 本发明实施例的核心是提供一种交通异常场景的判断方法，能够提高交通异常场景的判断准确度；本发明的另一核心是提供一种交通异常场景的判断装置、设备及计算机可读存储介质，均具有上述有益效果。
[0036] 为了使本领域技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
[0037] 图1为本发明实施例提供的一种交通异常场景的判断方法的流程图。如图1所示，一种交通异常场景的判断方法包括：
[0038] S10：根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络。
[0039] 具体的，在本步骤中，首先需要获取交通场景的交通信息数据，将各交通信息数据设置为交通信息节点网络中的节点，然后根据各交通信息数据之间的关联关系对各节点进行连边，从而得出与各交通信息数据对应的交通信息节点网络。
[0040] 需要说明的是，交通信息数据之间的关联关系包括二者指向同一地点，或者二者指向的地址存在关联等，本实施例对交通信息数据之间的关联关系的类型不做限定。
[0041] S20：利用各交通信息数据的特征向量计算出交通信息节点网络的网络特征。
[0042] 具体的，在本实施例中，先计算出各交通信息数据的特征向量，然后根据各交通信息数据对应的节点的出边以及该节点的各出边对应的邻居节点的重要程度计算出交通信息网络的整体特征向量，即交通信息节点网络的网络特征。
[0043] S30：将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。
[0044] 具体的，在计算出交通信息节点网络的网络特征之后，将其输入至预先训练出的场景判断模型中进行分类判断，根据分类判断的结果确定出交通场景是否存在异常。
[0045] 需要说明的是，预先利用样本交通信息数据确定出对应的样本交通信息节点网络，再在计算出样本交通信息节点网络的样本网络特征之后，将样本网络特征输入至深度神经网络中进行训练学习，经过多轮迭代学习训练以得出场景判断模型。需要说明的是，根据实际训练选择对应类型的深度神经网络，例如可以是一种时间循环神经网络如LSTM（长短期记忆网络，Long Short-Term Memory），本实施例对此不做限定。
[0046] 本发明实施例提供的一种交通异常场景的判断方法，相较于现有技术直接利用交通信息数据进行交通异常场景判断的方法，本方法通过根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络；然后利用各交通信息数据的特征向量计算出交通信息节点网络的网络特征；再将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。可见，本方法能够更全面地获取交通信息数据与交通异常情况之间的特征联系，因此能够提高交通异常场景的判断准确度。
[0047] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，各交通信息数据包括图像信息数据和/或文本信息数据和/或数值信息数据。
[0048] 具体的，在本实施例中，交通信息数据包括图像信息数据和/或文本信息数据和/或数值信息数据等多种类型的信息数据，因此在实际操作中，需要根据各不同的数据类型选择对应的计算特征向量的方式。
[0049] 具体的，当交通信息数据为图像信息数据时，可以利用图像特征提取模型提取图像信息数据中的图像特征，得出图像特征向量 。
[0050] 当交通信息数据为文本信息数据时，对一个节点的交通信息数据来说，假设某节点对应的文本信息数据为 ；则先计算出该文本信息数据中的每一个字符 的特征向量：
[0051] ；
[0052] 其中， 为每个字符的三个不同的空间维度， 分别为三个空间维度对应的权重系数； 为 空间维度对应的向量维度；softmax表示激活函数； 表示对矩阵进行转置操作， 为 的转置矩阵。
[0053] 对应的，该节点的文本信息数据对应的文本特征向量为：
[0054] ；
[0055] 其中，tanh为激活函数； 表示权重系数， 为偏置项；且 、 为可调参数，一般根据操作经验确定。
[0056] 当交通信息数据为数值信息数据时，首先根据节点中的数值信息数据中的数字i和数字j同时出现在一个滑动窗口中的次数 ，确定出对应的共现矩阵 ；然后，根据损失函数不断迭代计算得出每一个数值信息的字向量。
[0057] 具体的，损失函数为：
[0058] ；
[0059] 其中， 和 分别为数字i和数字j的字向量， 和 分别为数字i和数字j的偏置项；其中， ，O为对数值信息数据进行划分得出的数字的集合，i，j表示任意两个数字； 为对应的权重系数， ； 为数值信息数据中的数字的数量； 表示对矩阵进行转置操作， 为 的转置矩阵。
[0060] 需要说明的是，在实际操作中，按照实际需求确定数值信息数据对应的数字划分方式并得出对应的数字的数量。例如，数值信息数据2020.03.04可以划分为2/0/2/0/./0/3/./0/4这8个数字，也可以是20/20/./03/04这4个数字，或者是2020/./03/.04这3个数字，本实施例对划分数值信息数据以得出对应的数字的方式不做限定。利用随机梯度下降方法不断迭代计算确定出最小损失函数，从而确定出数值信息数据中各数字对应的字向量，再将该数值信息数据中的各字向量进行取平均值操作，得出数值特征向量 ；其中，； 表示数值信息数据中的数字的数量，数值信息数据中所有的字向量
表示为 ；即 表示数值信息数据内任意一个数字的字向量。
[0061] 需要说明的是，在计算出各节点的交通信息数据对应的特征向量之后，分别计算出各节点的各出边（路径）所对应的邻居节点对该节点的重要程度：
[0062] ；
[0063] 其中， 表示节点 在路径 下邻居节点 的重要性； 表示通过自注意力机制模型学习节点 和节点 间路径 的重要性； 和 分别表示节点 和节点的特征向量；需要说明的是，在实际操作中，若节点表示图像信息数据，则此处的 具体为；若节点表示文本信息数据，则此处的 具体为 ；若节点表示数值信息数据，则此处的 具体为 。
[0064] 然后，计算各节点对的注意力权重：
[0065] ；
[0066] 其中， 表示在任意路径 中节点对 的注意力权重， 表示特征向量和特征向量 在空间类型 中对应的注意力参数； 表示节点 为节点 的所有邻居节点之一； 为节点 的所有邻居节点集合； 为激活函数。
[0067] 计算节点在含节点 的路径 的最终表示 ：
[0068] ；
[0069] 因此，对于节点 的所有路径 ，得出对应的节点表示为：；其中， 为路径总数目。
[0070] 然后，计算交通信息节点网络的网络特征：
[0071] ；
[0072] 其中， ； 表示由上一步得到的节点表示通过自注意力机制模型学习路径的重要性； 表示所有节点的集合。
[0073] 可见，本实施例能够利用多种类型的交通信息数据进行计算，得到网络特征，捕捉不同数据类型的交通信息数据的全局协同信息，从而能够更全面准确的进行交通异常场景判断。
[0074] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：
[0075] 若确定出交通场景存在异常，则发出对应的提示信息。
[0076] 具体的，在本实施例中，是在将网络特征输入至预先训练出的场景判断模型中，并且确定出对应的交通场景存在异常情况之后，进一步触发预先设置的提示装置发出对应的提示信息。可以理解的是，在本实施例中，是利用提示装置及时直观地提示用户当前交通场景存在异常情况，其中，提示装置可以具体是蜂鸣器和/或指示灯和/或显示器，通过触发蜂鸣器/指示灯/显示器等提示装置发出对应的提示信息，如蜂鸣音/闪烁灯/显示文字或图像等，以实现提示的效果，从而能够进一步提升用户的使用体验。
[0077] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络的过程，具体包括：
[0078] 按照预设时间周期获取交通信息数据；
[0079] 根据同一时间戳的各交通信息数据以及同一时间戳的各交通信息数据之间的关联关系，确定出对应的交通信息节点网络。
[0080] 具体的，在本实施例中，具体是通过预先设置时间周期，然后按照预设时间周期获取交通信息数据，然后将同一时间戳对应的交通信息进行存储，并利用同一时间戳的交通信息数据设置交通信息节点网络，即同一交通信息节点网络中的各节点的交通信息数据的时间戳是相同的，对应的，利用该交通信息节点网络对应的网络特征进行交通异常场景判断，即判断该交通信息节点网络对应的时间戳时对应的交通场景是否存在异常。
[0081] 本发明实施例通过按照预设时间周期采集交通信息数据进行交通异常场景的判断，能够更及时地发现交通场景的异常情况。
[0082] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常之后，进一步包括：
[0083] 记录各交通信息节点网络对应的时间戳以及对应的判断结果。
[0084] 具体的，在本实施例中，获取每次根据网络特征进行交通异常场景判断的判断结果，然后记录该判断结果以及该网络特征对应的交通信息节点网络所对应的时间戳；进一步的，在实际操作中，还可以进一步为各不同时间确定出的交通信息节点网络设置对应的标识信息，并将标识信息与时间戳和判断结果进行对应存储。
[0085] 需要说明的是，在实际操作中，具体的记录方式可以是以文本或以excel表格或者以数据库表的形式记录，本实施例对此不做限定，根据实际需求进行选择。
[0086] 可见，在本实施例中，通过进一步记录各交通信息节点网络对应的时间戳以及对应的判断结果，能够便于用户查看一段时间或者某个时间点的交通场景的异常情况，从而进一步提升用户的使用体验。
[0087] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在确定出交通场景存在异常之后，进一步包括：
[0088] 依据预先设置的异常信息与策略信息的对应关系，确定出与交通场景的异常情况对应的目标策略。
[0089] 具体的，在本实施例中，预先设置并存储异常信息和用于解决该异常信息对应的异常情况的策略信息，得出各异常信息和策略信息的对应关系，然后在确定出交通场景存在异常情况时，根据该异常情况对应的关键词信息，从预先设置并存储的对应关系中确定出对应的目标策略，并可以对该目标策略进行着重显示，以便用户能够进一步便捷地获取目标策略，并利用目标策略解决异常情况，从而进一步提升用户的使用体验。
[0090] 在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络之后，进一步包括：
[0091] 根据各交通信息数据的数据类型为各交通信息数据设置类型标签。
[0092] 具体的，在本实施例中，是在获取交通信息数据且确定出各交通信息数据的数据类型之后，进一步根据各交通信息数据的数据类型为各交通信息数据设置对应的类型标签。需要说明的是，类型标签可以是以不同的文字表示不同的数据类型并设置对应的类型标签，也可以是根据不同符号或者数值来区分不同的数据类型并设置对应的类型标签，本实施例对此不做限定。
[0093] 可见，本实施例通过进一步根据各交通信息数据的数据类型为各交通信息数据设置类型标签，能够更便捷地根据各类型标签选择对应的特征向量计算方式计算出各节点对应的交通信息数据的特征向量，并且也便于用户直观便捷地获取各交通信息数据的数据类型，进一步提升用户的使用体验。
[0094] 上文对于本发明提供的一种交通异常场景的判断方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的交通异常场景的判断装置、设备及计算机可读存储介质，由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0095] 图2为本发明实施例提供的一种交通异常场景的判断装置的结构图，如图2所示，一种交通异常场景的判断装置包括：
[0096] 网络确定模块21，用于根据各交通信息数据以及各交通信息数据之间的关联关系，确定出对应的交通信息节点网络；
[0097] 特征计算模块22，用于利用各交通信息数据的特征向量计算出交通信息节点网络的网络特征；
[0098] 异常判断模块23，用于将网络特征输入至预先训练出的场景判断模型中，确定出对应的交通场景是否存在异常。
[0099] 本发明实施例提供的交通异常场景的判断装置，具有上述交通异常场景的判断方法的有益效果。
[0100] 作为优选的实施方式，一种交通异常场景的判断装置进一步包括：
[0101] 提示模块，用于若确定出交通场景存在异常，则发出对应的提示信息。
[0102] 作为优选的实施方式，网络确定模块具体包括：
[0103] 获取单元，用于按照预设时间周期获取交通信息数据；
[0104] 确定单元，用于根据同一时间戳的各交通信息数据以及同一时间戳的各交通信息数据之间的关联关系，确定出对应的交通信息节点网络。
[0105] 作为优选的实施方式，一种交通异常场景的判断装置进一步包括：
[0106] 记录模块，用于记录各交通信息节点网络对应的时间戳以及对应的判断结果。
[0107] 作为优选的实施方式，一种交通异常场景的判断装置进一步包括：
[0108] 策略模块，用于在确定出交通场景存在异常之后，依据预先设置的异常信息与策略信息的对应关系，确定出与交通信息的异常情况对应的目标策略。
[0109] 作为优选的实施方式，一种交通异常场景的判断装置进一步包括：
[0110] 标签设置模块，用于根据各交通信息数据的数据类型为各交通信息数据设置类型标签。
[0111] 图3为本发明实施例提供的一种交通异常场景的判断设备的结构图，如图3所示，一种交通异常场景的判断设备包括：
[0112] 存储器31，用于存储计算机程序；
[0113] 处理器32，用于执行计算机程序时实现如上述交通异常场景的判断方法的步骤。
[0114] 本发明实施例提供的交通异常场景的判断设备，具有上述交通异常场景的判断方法的有益效果。
[0115] 为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述交通异常场景的判断方法的步骤。
[0116] 本发明实施例提供的计算机可读存储介质，具有上述交通异常场景的判断方法的有益效果。
[0117] 以上对本发明所提供的交通异常场景的判断方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0118] 说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0119] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
