解析交通事故报告：利用 PDF、AI 与数据标准化技术构建智能分析系统

news2024/12/23 5:26:47

在交通事故处理中，数据的准确性与完整性至关重要。传统上，交通事故报告通常以 PDF 格式呈现，这使得手动提取数据成为一项繁琐且容易出错的任务。随着人工智能与数据处理技术的发展，如何自动化这一过程并提升数据质量，成为了一个重要的研究方向。

在这篇博客中，我将分享一个基于 Python 的智能交通事故报告解析系统，它结合了 PDF 文本解析、AI 大模型分析以及数据标准化与导出功能。这一系统能够从交通事故报告中提取关键信息，并将其标准化为统一格式，最终导出为可用的 Excel 文件或 JSON 数据，为后续的数据分析与决策提供坚实基础。

项目概述

本项目的核心目标是通过以下几步自动化交通事故报告数据的处理：

PDF 文本解析：从 PDF 文件中提取文本内容。
AI 模型分析：利用大语言模型对事故报告进行智能分析，自动提取关键字段。
数据标准化：将提取的字段进行标准化处理，确保数据一致性。
结果导出：将处理后的数据导出为 Excel 或 JSON 格式，以便后续使用。

这四个步骤贯穿了整个流程，从数据提取到数据导出都实现了自动化，并确保了数据的质量与一致性。

1. PDF 文件解析：提取文本信息

PDF 文件由于其固定格式，给数据提取带来了不少挑战。幸运的是，pdfplumber 这一 Python 库能够高效地从 PDF 中提取文本。以下是我们在代码中用到的核心方法：

import pdfplumber

def extract_cases_from_text(text):
    """
    从完整文本中提取每个事故案例
    """
    pattern = r"\d+[\.:]\sARB Number:.*?(?=\d+[\.:]\sARB Number:|$)"
    cases = re.findall(pattern, text, re.DOTALL)
    logger.info(f"共提取到 {len(cases)} 个事故案例")
    return cases

在这段代码中，正则表达式被用来从整个报告中提取每个单独的事故案例。通过这种方式，我们可以确保从 PDF 中提取的每个案例都是完整的，便于后续分析。

2. AI 模型分析：自动化提取关键信息

通过与通义千问大语言模型的结合，我们可以自动化地将事故报告转化为标准化的 JSON 数据。这一过程的核心是 analyze_with_qwen() 方法，它调用了大语言模型 API，并传递给它一个包含事故数据的文本块：

def analyze_with_qwen(self, text_block):
    """
    调用通义千问大模型，将文本转换为标准JSON格式
    """
    try:
        response = dashscope.Generation.call(
            "qwen-max",
            messages=[{
                'role': 'user',
                'content': (
                    '请将以下交通事故报告数据转换为标准的JSON字典格式，一定要确保所有字段完整且准确。'
                    '固定字段包括：ARB Number, Severity, Site, TD Site, Police Grid, Police Map Grid, Time, '
                    'Natural Light, Road Condition, Weather, At or Near, Acc. CF, Precise Location, How it happened。'
                    '其中ARB Number 作为唯一的主键。'
                    '另外，请提取所有涉及的车辆和伤亡信息，使用Vehicle_1, Vehicle_2,… 和 Casualty_1, Casualty_2,… 的格式。'
                    '每辆车的字段包括：Vehicle No., Class, Age, Collided with, Manoeuvre, Dri. CF, Veh. CF。'
                    '每个伤亡的字段包括：Casualty No., Role, Age, Injury, Location, Bound, Cas. CF。'
                    '请仅返回纯JSON格式的数据，不要包含任何额外的文本或标记。'
                    '以下是事故报告数据：\n' + text_block
                )
            }],
            api_key=self.api_key,
            result_format='message'
        )

AI 模型通过解析交通事故的描述性文本，自动识别出如 ARB Number、Severity、Vehicles 和 Casualties 等关键信息，并返回结构化的 JSON 数据。

3. 数据标准化：统一字段格式

一旦模型提取了数据，接下来的任务是确保这些数据的一致性。我们使用了字段标准化的方法，将所有数据统一格式化为一个标准化的 JSON 结构。以下是相关代码：

def standardize_fields(parsed_data):
    """
    根据 FIXED_FIELDS 和 POSSIBLE_SUFFIX_FIELDS 标准化字段
    """
    standardized_data = {}

    # 添加固定字段
    for field in FIXED_FIELDS:
        standardized_data[field] = parsed_data.get(field, "N/A")

    # 处理车辆信息
    vehicles = parsed_data.get("Vehicles", "N/A")
    standardized_data["Vehicles"] = vehicles if vehicles else "N/A"

    # 处理伤亡信息
    casualties = parsed_data.get("Casualties", "N/A")
    standardized_data["Casualties"] = casualties if casualties else "N/A"
    
    # 处理 Police Grid 为空的情况
    if not standardized_data.get("Police Grid") or standardized_data["Police Grid"].strip() == "":
        police_map_grid = parsed_data.get("Police Map Grid", "")
        if police_map_grid.strip():
            standardized_data["Police Grid"] = police_map_grid.strip()
            logger.info("从Police Map Grid填充Police Grid字段")
        else:
            standardized_data["Police Grid"] = "N/A"
            logger.warning("Police Grid和Police Map Grid均为空，填充为 'N/A'")

    return standardized_data

这段代码确保了所有的固定字段都被填充，并且对车辆信息和伤亡信息进行了标准化处理。此外，如果 Police Grid 字段为空，还会自动尝试从 Police Map Grid 中获取数据。

4. 数据导出：从 JSON 到 Excel

将处理后的数据导出为 Excel 格式，是本项目的另一个重要功能。我们使用了 pandas 库来处理这一操作：

def export_flattened_json_to_excel(flattened_data, output_excel_path):
    """
    将扁平化后的JSON数据导出为Excel文件。
    """
    # 创建DataFrame
    df = pd.json_normalize(flattened_data)

    # 确保固定列的顺序
    df = df.reindex(columns=fixed_columns_order)

    # 导出到Excel
    df.to_excel(output_excel_path, index=False, engine='openpyxl')
    logger.info(f"成功将数据导出到 {output_excel_path}")

通过这一方法，我们能够将最终的数据保存为 Excel 文件，并确保所有列按照固定的顺序排列，缺失的数据会被填充为 N/A。