CN119416165A 一种多源交通数据信息提取与智能判责方法、系统和设备 （西南交通大学）

一种多源交通数据信息提取与智能判责方本申请公开了一种多源交通数据信息提取2将交通事故相关数据输入到预先构建的多模态大模型中，生成交通根据所述交通事故经过的简要描述文本，从预先构建的法律知识将所述交通事故经过的简要描述文本以及所述交通事故相关的法律条文输入到预先生成并输出事故责任认定报告，所述报告中包含责任划分、引3.根据权利要求1或2所述的一种多源交通数据信息提取与智能判责方法，其特征在以LayoutLMv3模型作为基线模型，采用大规模采用交通事故数据集对预训练的所述LayoutLMv3模型进行微调；采用P_Tuning技术对微调后的所述LayoutLMv3模型进行优化，通过在所述La其中，所述文本编码器采用BERT模型来生成文本的上下文提示，所述图像编码器采用Transformer模型直接处理所述交通事故相关图像数据，将图像所述多模态融合层对所述文本编码器提取的文本特征和所述图像编码器提取的图像随机掩盖部分输入文本，模型通过上下文预测被掩盖的单5.根据权利要求1或2所述的一种多源交通数据信息提取与智能判责方法，其特征在3在完成块化处理后，采用向量嵌入模型将文档块转化为向采用向量检索算法为基于法律文本生成的高维向量创建索引，并对向量进通过计算转换得到的向量与所述向量数据库中向量的相似度，并按相似度得分排序，7.根据权利要求1或2所述的一种多源交通数据信息提取与智能判责方法，其特征在事故信息提取模块，所述事故信息提取模块将交通事故相关数据输检索模块，所述检索模块根据所述交通事故经过的简要描述文本述交通事故相关的法律条文输入到预先构建的Traffic_T5模型中，自动生成责任认定结输出模块，所述输出模块用于生成并输出事故责任认定报告，所述报告中包含责4处理方式使得现有技术难以对事故全貌进行深入理解，导致最终的责任认定结果不够精5将所述交通事故经过的简要描述文本以及所述交通事故相关的法律条文输入到采用交通事故数据集对预训练的所述LayoutLMv3模型进行微调；采用P_Tuning技术对微调后的所述LayoutLMv3模型进行优化，通过在所述P_Tuning技术同时训练提示嵌入和模所述图像编码器采用Transformer模型直接处理所述交通事故相关图像数据，将所述多模态融合层对所述文本编码器提取的文本特征和所述图像编码器提取的6采用向量检索算法为基于法律文本生成的高维向量创建索引，并对向量进行分模型作为基线模型，并在模型输入层添加可训练的连续提示嵌入来优化所述基线模型得模态大模型实现文本与图像数据的统一建模和处理，与传统依赖深度神经网络的模型相7[0019]此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部图3为采用本申请实施例的Traffic_T5模型与RAG法律知识库实现责任认定示意[0021]实施例1：现有基于规则和数据驱动的交通事故责任认定技术存在诸多缺陷与不[0023]具体地，本实施例的多模态大模型可采用LayoutLMv3作为基线模型，采用P_本编码器采用预训练的BERT模型来生成文本的上下文表示，提取事故报告中的关键信息，8时间或天气等信息可能在事故报告中缺失，通过提示嵌入引导模型推测出合理的补充信9[0046]步骤300，将交通事故经过的简要描述文本以及该交通事故相关的法律条文输入[0049]本实施例主要通过以下步骤将T5微调为专用于交通事故责任认定的Traffic_T5通事故相关的法律条文输入到预先构建的Traffic_T5模型中，自动生成责任认定结果。反交通信号灯导致事故发生。[0074]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特