CN104392076A - 城市路网行人交通事故黑点识别方法 - Google Patents
城市路网行人交通事故黑点识别方法 Download PDFInfo
- Publication number
- CN104392076A CN104392076A CN201410781098.9A CN201410781098A CN104392076A CN 104392076 A CN104392076 A CN 104392076A CN 201410781098 A CN201410781098 A CN 201410781098A CN 104392076 A CN104392076 A CN 104392076A
- Authority
- CN
- China
- Prior art keywords
- pedestrian traffic
- traffic accident
- accident
- omega
- lambda
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城市路网行人交通事故黑点识别方法,通过对指定时间段指定区域内的行人交通事故数据建立标准化的行人交通事故数据库,计算各单位路段的事故频数,并利用其估计行人交通事故分布模型的参数值,得到各事故频数的概率和事故频数累积概率,确定给定置信水平下的行人交通事故黑点上限阈值,识别行人交通事故黑点,通过反向解码实现行人交通事故黑点的空间定位和显示。克服了现有事故黑点识别方法精度低、主观性大、可视性差等不足,在降低行人交通事故发生率和提高城市行人交通***的安全性方面等有重要的工程应用价值。
Description
技术领域
本发明涉及行人交通安全领域,尤其涉及一种城市路网行人交通事故黑点识别方法,通过分析城市路网行人交通事故数据的空间分布,进行城市路网行人交通事故黑点识别。
背景技术
近年来,随着社会经济的飞速发展,人们的社会活动日益频繁,城市中机动车交通量、行人交通量等急剧上升,极大地增加了人车事故的发生概率。另一方面,由于长期以来对行人交通安全问题的忽视,我国行人在交通事故中的伤亡人数居高不下,已演变为严重的社会问题。据公安部交通管理局的事故统计资料分析,2010年我国行人伤亡人数达16281人,占事故总死亡人数的24.96%;受伤人数达44627人,占事故总受伤人数的17.57%。
因而行人交通安全问题正逐渐成为交通工程领域中越来越受到关注的一块内容。利用行人交通事故数据对城市路网中的行人交通事故黑点进行识别可以有针对性的改善事故多发区域的安全现状,从而提高交通安全管理水平,减少人员伤亡和财产损失,对发展新时期和谐交通有重要意义。已有的研究中交通事故黑点的确定,通常采用专家经验法、事故数法等,这些方法通常人为确定事故黑点的判别阈值,未对交通事故历史数据进行深入分析,存在主观性大、可视性差的缺点。另一方面,由于行人交通事故发生量较机动车事故小,偶然性较大,行人事故统计数据常常会出现零观测值过多的情形,以往的模型在事故数据的统计分析中未考虑数据的这一过离散特征,例如利用泊松分布来描述事故数据就会导致有偏的统计推断结果,使得模型的精度较低。
发明内容
针对现有技术行人交通事故偶发性大的特点,以及传统事故黑点识别技术精度低、主观性大、可视性差的缺陷与不足,本发明提出了一种城市路网行人交通事故黑点识别法,解决了交通事故数据中零值过多的问题,提高了行人交通事故黑点识别的精度;通过地址的解码实现对行人事故黑点的空间定位,增强了***的可视性。
为了实现上述目的,本发明采用的技术方案是:
本发明城市路网行人交通事故黑点识别方法,通过对行人交通事故历史数据进行标准化处理,建立标准化的行人交通事故数据库,计算各单位路段的事故频数,并利用其估计行人交通事故分布模型的参数值,得到各事故频数的概率和事故频数累积概率,通过得到的模型计算在置信水平为(一般取0.95或0.99)时对应的事故黑点判别的上限阈值,将每个单位路段的事故频数数据与上限阈值进行对比,从而确定行人交通事故黑点,根据事故黑点地址的编码规则进行反向解码,对行人交通事故黑点进行空间定位和显示。具体地,包括以下几个步骤:
步骤1:建立标准化的行人交通事故数据库
选取一时间段内固定路网范围内的城市道路为对象,将此时间段此范围内发生的行人交通事故数据的地址信息按照交叉口、方向、路段号三个特征对每个单位路段进行编码,分别用i、d、s(i/d/s=1,2,3…n)表示,通过上述编码唯一确定每个单位路段的地址信息D(i,d,s);同时记录每个单位路段在此时间段内不同时间的死亡人数、受伤人数、经济损失信息,从而建立标准化的行人交通事故数据库。
步骤2:计算每个单位路段行人交通事故频数
事故频数为所述时间段内发生在相同地址信息的单位路段上的行人交通事故的起数。根据步骤1中建立的标准化行人交通事故数据库,将地址信息D(i,d,s)相同的每个单位路段发生的行人交通事故数据进行相加统计,得到每个单位路段的事故频数y(i,d,s)。
步骤3:建立行人交通事故分布模型
步骤3.1:构建行人交通事故零膨胀泊松分布模型
式(1)中:f(y(i,d,s),λ,ω)为零膨胀泊松分布概率密度函数;y(i,d,s)为地址信息D(i,d,s)的单位路段的事故频数;λ为泊松分布的强度;ω为膨胀系数,且0<ω<1。
步骤3.2:行人交通事故零膨胀泊松分布模型参数估计
在步骤3.1中行人交通事故零膨胀泊松分布模型的基础上,得到该分布模型的对数似然函数如下:
对公式(2)求偏导数,令联立两式,得到公式(3):
将步骤2中计算得到的地址信息为D(i,d,s)的单位路段的事故频数y(i,d,s)全部带入公式(3),得到模型中λ和ω的极大似然估计值和
将得到的极大似然估计值和带入公式(1),获得确定参数的行人交通事故分布函数,如公式(4)所示;
步骤4:行人交通事故黑点判别
步骤4.1:确定事故黑点判别的上限阈值
一般情况下将单位路段事故频数y(i,d,s)分为0,1,2,3,4,≥5几种情况,分别带入公式(4)分别求出其概率
然后计算事故频数累积概率F(n),如公式(5)所示:
选取置信水平得出满足的最小整数为行人交通事故黑点的上限阈值
步骤4.2:行人交通事故黑点判别
将步骤2中得到的单位路段事故频数y(i,d,s)与步骤4.1得到的事故黑点上限阈值进行比较;若该单位路段内事故频数y(i,d,s)大于上限阈值则此单位路段为行人交通事故黑点,从而确定行人交通事故黑点的地址信息D(i,d,s)。
根据步骤1中的地址信息编码规则,对步骤4.2中得到的行人交通事故黑点地址信息D(i,d,s)进行反向解码,确定行人交通事故黑点的实际地址,实现对行人交通事故黑点在地图上的空间定位和显示。
进一步地,行人交通事故数据的地址信息按照交叉口、方向、路段号三个特征对每个单位路段进行编码,具体为:
将此时间段此范围内发生的行人交通事故数据的地址信息按照地址编码规则进行编码;所述的地址编码规则为:将地址信息拆分为交叉口属性、方向属性、路段号属性三个特征。
1)交叉口属性,用i表示
按照其经纬度坐标,由北至南,由西至东对所述城市道路交叉口按i=1,2,3…n依次进行交叉口属性编码。
2)方向属性,用d表示
将两个交叉口之间的道路进行均分,每部分隶属于临近的交叉口;以每个交叉口为对象,将其连接的道路从正北向开始按顺时针方向由d=1,2,3…n依次对道路进行方向属性的编码;事故发生在交叉口时,方向属性编码为d=0。
3)路段号属性,用s表示
以200米为单位进行道路分段,若不满200米的按照一段计算,从所连接的交叉口开始对已进行方向属性编码的道路在各个方向按s=1,2,3…n依次进行路段号属性的编码;事故发生在交叉口时路段号属性编码为s=0。
通过对每个单位路段采用交叉口、方向、路段号三个特征进行编码,确定每个单位路段的地址信息D(i,d,s)。
与现有技术相比,本发明具有的有益效果是:
1)本发明以城市道路中行人交通事故数据为对象,找到城市路网中的行人交通事故黑点,通过针对行人交通事故黑点的改善来提高行人交通安全性,弥补现有发明在行人交通事故黑点识别方面的欠缺。
2)本发明采用行人交通事故历史数据作为基础数据来进行行人交通事故黑点的识别,达到了对行人交通事故黑点识别更准确的效果,增强了黑点识别的可靠性。
3)本发明提出了行人交通事故标准化编码的方法,达到了简单、快速、明确记录行人交通事故的效果,提高了行人交通事故数据记录的一致性,为交通事故数据的统计和行人交通事故黑点识别提供了便利。
4)本发明针对行人交通事故数据过离散的特点,采用零膨胀泊松分布模型,解决了交通事故数据中零值过多的问题,克服了已有方法的主观性过大的缺点,提高了行人交通事故黑点识别的精度。
5)本发明采用标准化编码的地址信息进行反向解码的方法,实现了行人交通事故黑点空间定位的效果,增强了***的可视性。
6)本发明可以根据实际需要确定置信水平,使得本发明具有较大的灵活性和可操作性,能满足不同情况下的使用需求。
附图说明
图1为本发明城市路网行人交通事故黑点识别方法流程图;
图2为本发明地址信息中交叉口属性编码示意图;
图3为本发明地址信息中方向和路段号属性编码示意图。
具体实施方式
本发明将零膨胀泊松分布模型运用于城市路网行人交通事故黑点识别,提出了一种城市路网行人交通事故黑点识别方法。
城市路网行人交通事故黑点识别实际上是一个二元分类问题,最主要的是确定单位路段上发生事故频数的上限阈值。本发明的核心方法是将零膨胀泊松分布模型运用于行人交通事故黑点的识别,通过最大似然估计的方法,利用单位路段行人交通事故频数对建立的零膨胀泊松分布模型进行参数估计,然后计算在置信水平时判别单位路段行人交通事故黑点的上限阈值通过单位路段行人交通事故频数与上限阈值的比较确定行人交通事故黑点。
如图1所示,本发明城市路网行人交通事故黑点识别方法包括以下几个步骤:
步骤1:建立标准化的行人交通事故数据库
选取一时间段内固定路网范围内的城市道路为对象,将此时间段此范围内发生的行人交通事故数据的地址信息按照交叉口、方向、路段号三个特征对每个单位路段进行编码,分别用i、d、s(i/d/s=1,2,3…n)表示,通过上述编码唯一确定每个单位路段的地址信息D(i,d,s);同时记录每个单位路段在此时间段内不同时间的死亡人数、受伤人数、经济损失信息,从而建立标准化的行人交通事故数据库。
如图2所示,将此时间段此范围内发生的行人交通事故数据的地址信息按照地址编码规则进行编码;所述的地址编码规则为:将地址信息拆分为交叉口属性、方向属性、路段号属性三个特征。
1)交叉口属性,用i表示
按照其经纬度坐标,由北至南,由西至东对所述城市道路交叉口按i=1,2,3…n依次进行交叉口属性编码。
2)方向属性,用d表示
将两个交叉口之间的道路进行均分,每部分隶属于临近的交叉口;以每个交叉口为对象,将其连接的道路从正北向开始按顺时针方向由d=1,2,3…n依次对道路进行方向属性的编码;事故发生在交叉口时,方向属性编码为d=0。
3)路段号属性,用s表示
以200米为单位进行道路分段,若不满200米的按照一段计算,从所连接的交叉口开始对已进行方向属性编码的道路在各个方向按s=1,2,3…n依次进行路段号属性的编码;事故发生在交叉口时路段号属性编码为s=0。
通过对每个单位路段采用交叉口、方向、路段号三个特征进行编码,确定每个单位路段的地址信息D(i,d,s)。
步骤2:计算每个单位路段行人交通事故频数
事故频数为所述时间段内发生在相同地址信息的单位路段上的行人交通事故的起数。根据步骤1中建立的标准化行人交通事故数据库,将地址信息D(i,d,s)相同的每个单位路段发生的行人交通事故数据进行相加统计,得到每个单位路段的事故频数y(i,d,s)。
步骤3:建立行人交通事故分布模型
步骤3.1:构建行人交通事故零膨胀泊松分布模型
式(1)中:f(y(i,d,s),λ,ω)为零膨胀泊松分布概率密度函数;y(i,d,s)为地址信息D(i,d,s)的单位路段的事故频数;λ为泊松分布的强度;ω为膨胀系数,且0<ω<1。
步骤3.2:行人交通事故零膨胀泊松分布模型参数估计
在步骤3.1中行人交通事故零膨胀泊松分布模型的基础上,得到该分布模型的对数似然函数如下:
对公式(2)求偏导数,令联立两式,得到公式(3):
将步骤2中计算得到的地址信息为D(i,d,s)的单位路段的事故频数y(i,d,s)全部带入公式(3),得到模型中λ和ω的极大似然估计值和
将得到的极大似然估计值和带入公式(1),获得确定参数的行人交通事故分布函数,如公式(4)所示;
步骤4:行人交通事故黑点判别
步骤4.1:确定事故黑点判别的上限阈值
一般情况下将单位路段事故频数y(i,d,s)分为0,1,2,3,4,≥5几种情况,分别带入公式(4)分别求出其概率
然后计算事故频数累积概率F(n),如公式(5)所示:
选取置信水平得出满足的最小整数为行人交通事故黑点的上限阈值
步骤4.2:行人交通事故黑点判别
将步骤2中得到的单位路段事故频数y(i,d,s)与步骤4.1得到的事故黑点上限阈值进行比较;若该单位路段内事故频数y(i,d,s)大于上限阈值则此单位路段为行人交通事故黑点,从而确定行人交通事故黑点的地址信息D(i,d,s)。
根据步骤1中的地址信息编码规则,对步骤4.2中得到的行人交通事故黑点地址信息D(i,d,s)进行反向解码,确定行人交通事故黑点的实际地址,实现对行人交通事故黑点在地图上的空间定位和显示。
实施例1:
结合附图对本发明作进一步说明,选取2010-2012年南京市主城区道路网为对象,如图1-3所示:
1、建立标准化的行人交通事故数据库
选取2010-2012年南京市主城区道路网为对象,将此时间段此范围内发生的行人交通事故数据的地址信息按下述地址编码规则进行编码:
将地址信息拆分为交叉口、方向、路段号三个属性进行地址编码。
1)交叉口属性,用i表示
按照其经纬度坐标,由北至南,由西至东对城市路网中的道路交叉口按i=1,2,3…n依次进行交叉口属性编码,编码示意图如附图2所示;
2)方向属性,用d表示
将两个交叉口之间的道路进行均分,每部分隶属于临近的交叉口;以每个交叉口为对象,将其连接的道路从正北向开始按顺时针方向由d=1,2,3…n依次对道路进行方向属性的编码;事故发生在交叉口时,方向属性编码为d=0;编码示意图如附图3所示;
3)路段号属性,用s表示
以200米为单位进行道路分段,若不满200米的按一段计算,从所连接的交叉口开始对已进行方向属性编码的道路在各个方向按s=1,2,3…n依次进行路段号属性的编码;事故发生在交叉口时路段号属性编码为s=0;编码示意图如附图3所示;
通过对每个单位路段采用交叉口i、方向d、路段号s三个属性进行地址编码,确定每个单位路段的地址信息D(i,d,s)。
通过上述提出的地址编码规则对行人交通事故的地址信息进行编码,编码结果如图3所示。表1为对行人交通事故地址数据拆分、编码获得的地址信息D(i,d,s):
表1行人交通事故地址信息
此外,还要记录在此时间段内不同时间死亡人数、受伤人数、经济损失信息,建立标准化的行人交通事故数据库,如表2所示。
表2标准化的行人交通事故数据库
注:表中只列出部分单位路段作为示例。
步骤2:计算每个单位路段行人交通事故频数
根据步骤1中建立的标准化行人交通事故数据库,将地址信息D(i,d,s)相同的每个单位路段发生的行人交通事故进行相加,通过计数得到每个单位路段的行人交通事故频数。例如,将地址信息D(1,2,2)行人交通事故进行合并(表1中的序号为1,4,5,6的单位路段),从而得到如表3所示的单位路段行人交通事故频数统计表。
表3单位路段行人交通事故频数统计表
在事故频数y(i,d,s)为0,2,3,4,≥5时的个数分别为1706,357,201,85,29。
步骤3:建立行人交通事故分布模型
步骤3.1:构建行人交通事故零膨胀泊松分布模型
式(1)中:f(y(i,d,s),λ,ω)为零膨胀泊松分布概率密度函数;y(i,d,s)为地址信息D(i,d,s)的单位路段的事故频数;λ为泊松分布的强度;ω为膨胀系数,且0<ω<1。
步骤3.2:行人交通事故零膨胀泊松分布模型参数估计
在步骤3.1中行人交通事故零膨胀泊松分布模型的基础上,得到该分布模型的对数似然函数如下:
对公式(2)求偏导数,令联立两式,得到公式(3):
将步骤2中计算得到的地址信息为D(i,d,s)的单位路段的事故频数y(i,d,s)全部带入公式(3),得如下方程:
解上述方程得出λ和ω的极大似然估计值:和
将得到的极大似然估计值和带入公式(1),获得确定参数的行人交通事故分布函数,如公式(4)所示。
步骤4:行人交通事故黑点判别
步骤4.1:确定事故黑点判别的上限阈值
一般情况下y(i,d,s)分为六种情况,将单位路段事故频数y(i,d,s)=0,1,2,3,4,≥5分别带入公式(4),求出单位路段事故频数为y(i,d,s)时的概率
计算事故频数累积概率F(n),如公式(5)所示:
得到的和F(n),如表4所示。
表4单位路段事故频数概率分布
选取置信水平根据表4中事故频数累积概率可得:满足即F(n)≥0.95的整数解为4和≥5,从中选取最小整数4即为行人交通事故黑点的上限阈值
步骤4.2:行人交通事故黑点判别
将步骤2中得到的单位路段行人交通事故频数与步骤4.1得到的行人交通事故黑点上限阈值进行比较。若该单位路段内行人交通事故频数大于上限阈值则此路段为行人交通事故黑点,从而确定行人交通事故黑点的地址信息D(i,d,s)。
通过与表3的行人交通事故频数比较可知:在置信水平的情况下,给出的示例数据中,行人交通事故黑点为地址信息D(i,d,s)=D(1,2,2)的单位路段。
根据步骤4得到的行人交通事故黑点地址信息D(i,d,s)=D(1,2,2),通过步骤1中的标准化地址编码规则进行反向解码,如表5所示。
表5行人交通事故黑点地址信息解码
根据表5中得到的行人交通事故黑点地址解码信息,将行人交通事故黑点在地图上进行空间定位和显示(如图2,3中所示),以便于使用者对事故黑点路段进行重点关注,采取适当措施消除行人交通事故黑点,提升行人交通的安全性。
Claims (2)
1.一种城市路网行人交通事故黑点识别方法,其特征在于,包括以下步骤:
步骤1:建立标准化的行人交通事故数据库
选取一时间段内固定路网范围内的城市道路为对象,将此时间段此范围内发生的行人交通事故数据的地址信息按照交叉口、方向、路段号三个特征对每个单位路段进行编码,分别用i、d、s(i/d/s=1,2,3…n)表示,通过上述编码唯一确定每个单位路段的地址信息D(i,d,s);同时记录每个单位路段在此时间段内不同时间的死亡人数、受伤人数、经济损失信息,从而建立标准化的行人交通事故数据库;
步骤2:计算每个单位路段行人交通事故频数
根据步骤1中建立的标准化行人交通事故数据库,将地址信息D(i,d,s)相同的每个单位路段发生的行人交通事故数据进行相加统计,得到每个单位路段的事故频数y(i,d,s);
步骤3:建立行人交通事故分布模型
步骤3.1:构建行人交通事故零膨胀泊松分布模型
式(1)中:f(y(i,d,s),λ,ω)为零膨胀泊松分布概率密度函数;y(i,d,s)为地址信息D(i,d,s)的单位路段的事故频数;λ为泊松分布的强度;ω为膨胀系数,且0<ω<1;
步骤3.2:行人交通事故零膨胀泊松分布模型参数估计
在步骤3.1中行人交通事故零膨胀泊松分布模型的基础上,得到该分布模型的对数似然函数如下:
对公式(2)求偏导数,令联立两式,得到公式(3):
将步骤2中计算得到的地址信息为D(i,d,s)的单位路段的事故频数y(i,d,s)全部带入公式(3),得到模型中λ和ω的极大似然估计值和
将得到的极大似然估计值和带入公式(1),获得确定参数的行人交通事故分布函数,如公式(4)所示;
步骤4:行人交通事故黑点判别
步骤4.1:确定事故黑点判别的上限阈值
将单位路段事故频数y(i,d,s)分为0,1,2,3,4,≥5几种情况,分别带入公式(4)分别求出其概率
然后计算事故频数累积概率F(n),如公式(5)所示:
选取置信水平得出满足的最小整数为行人交通事故黑点的上限阈值
步骤4.2:行人交通事故黑点判别
将步骤2中得到的单位路段事故频数y(i,d,s)与步骤4.1得到的事故黑点上限阈值进行比较;若该单位路段内事故频数y(i,d,s)大于上限阈值则此单位路段为行人交通事故黑点,从而确定行人交通事故黑点的地址信息D(i,d,s)。
2.根据权利要求1所述的城市路网行人交通事故黑点识别方法,其特征在于,行人交通事故数据的地址信息按照交叉口、方向、路段号三个特征对每个单位路段进行编码,具体为:
将此时间段此范围内发生的行人交通事故数据的地址信息按照地址编码规则进行编码;所述的地址编码规则为:将地址信息拆分为交叉口属性、方向属性、路段号属性三个特征;
1)交叉口属性,用i表示
按照其经纬度坐标,由北至南,由西至东对所述城市道路交叉口按i=1,2,3…n依次进行交叉口属性编码;
2)方向属性,用d表示
将两个交叉口之间的道路进行均分,每部分隶属于临近的交叉口;以每个交叉口为对象,将其连接的道路从正北向开始按顺时针方向由d=1,2,3…n依次对道路进行方向属性的编码;事故发生在交叉口时,方向属性编码为d=0。
3)路段号属性,用s表示
以200米为单位进行道路分段,若不满200米的按照一段计算,从所连接的交叉口开始对已进行方向属性编码的道路在各个方向按s=1,2,3…n依次进行路段号属性的编码;事故发生在交叉口时路段号属性编码为s=0;
通过对每个单位路段采用交叉口、方向、路段号三个特征进行编码,确定每个单位路段的地址信息D(i,d,s)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410781098.9A CN104392076B (zh) | 2014-12-16 | 2014-12-16 | 城市路网行人交通事故黑点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410781098.9A CN104392076B (zh) | 2014-12-16 | 2014-12-16 | 城市路网行人交通事故黑点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392076A true CN104392076A (zh) | 2015-03-04 |
CN104392076B CN104392076B (zh) | 2017-10-31 |
Family
ID=52609979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410781098.9A Active CN104392076B (zh) | 2014-12-16 | 2014-12-16 | 城市路网行人交通事故黑点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392076B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530720A (zh) * | 2016-12-28 | 2017-03-22 | 吉林大学 | 一种高速公路道路交通安全黑点路段识别与预警方法 |
CN108198423A (zh) * | 2018-01-24 | 2018-06-22 | 哈尔滨工业大学 | 一种两显示信号控制十字平面交叉口的突出事故形态识别方法 |
CN108447265A (zh) * | 2018-05-21 | 2018-08-24 | 东南大学 | 基于topsis法的公路交通事故黑点路段鉴别方法 |
CN108491418A (zh) * | 2018-02-06 | 2018-09-04 | 西南交通大学 | 一种交通事故数据信息化采集、管理和分析***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932923A (zh) * | 2006-09-29 | 2007-03-21 | 北京工业大学 | 道路交通事故多发路段鉴别方法 |
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
-
2014
- 2014-12-16 CN CN201410781098.9A patent/CN104392076B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932923A (zh) * | 2006-09-29 | 2007-03-21 | 北京工业大学 | 道路交通事故多发路段鉴别方法 |
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
Non-Patent Citations (3)
Title |
---|
REN GANG ET AL.: "Traffic safety forecasting method by particle swarm optimization and support vector machine", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
周竹萍 等: "信号交叉口行人交通冲突特性及影响因素分析", 《东南大学学报(自然科学版)》 * |
沈家军 等: "城市道路交叉口混合交通流机动车与非机动车冲突概率", 《东南大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530720A (zh) * | 2016-12-28 | 2017-03-22 | 吉林大学 | 一种高速公路道路交通安全黑点路段识别与预警方法 |
CN108198423A (zh) * | 2018-01-24 | 2018-06-22 | 哈尔滨工业大学 | 一种两显示信号控制十字平面交叉口的突出事故形态识别方法 |
CN108491418A (zh) * | 2018-02-06 | 2018-09-04 | 西南交通大学 | 一种交通事故数据信息化采集、管理和分析***及方法 |
CN108447265A (zh) * | 2018-05-21 | 2018-08-24 | 东南大学 | 基于topsis法的公路交通事故黑点路段鉴别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104392076B (zh) | 2017-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pregnolato et al. | The impact of flooding on road transport: A depth-disruption function | |
Jaroszweski et al. | The impact of climate change on urban transport resilience in a changing world | |
CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
CN103163278B (zh) | 基于数值模式与统计分析结合的大气重污染预报方法 | |
CN102999694B (zh) | 一种山地灾害频发区泥石流风险评价方法 | |
Wang et al. | Macrolevel model development for safety assessment of road network structures | |
Choudhary et al. | Spatial and statistical analysis of road accidents hot spots using GIS | |
CN109145170A (zh) | 一种道路交通事故数据挖掘服务器、方法和*** | |
CN106652756A (zh) | 基于电子地图的多边形精确绘制方法及其应用方法 | |
CN104392076A (zh) | 城市路网行人交通事故黑点识别方法 | |
CN112069378B (zh) | 一种基于idf曲线的城市致灾降水分类判定方法 | |
CN104376327A (zh) | 一种公共自行车租赁点的聚类方法 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
Eustace et al. | Crash frequency analysis of left-side merging and diverging areas on urban freeway segments–A case study of I-75 through downtown Dayton, Ohio | |
Anderson et al. | Heavy-vehicle crash rate analysis: Comparison of heterogeneity methods using Idaho crash data | |
CN105701975A (zh) | 一种红层地区浅层土质滑坡预警方法 | |
CN106448165A (zh) | 一种基于网络约租车数据的路网行程时间可靠性评价方法 | |
Shen et al. | Identification of accident blackspots on rural roads using grid clustering and principal component clustering | |
CN103955596A (zh) | 一种基于交通事故采集技术的事故热点综合判定方法 | |
Ji et al. | Research on classification and influencing factors of metro commuting patterns by combining smart card data and household travel survey data | |
Choudhary et al. | Identification of road accidents hot spots in varanasi using qgis | |
Massam et al. | Flood risk in Kuala Lumpur, Malaysia: A consideration of flood defences in a broadscale hydraulic model | |
Anderson et al. | Snowpack reconstructions incorporating climate in the upper Green River Basin (Wyoming) | |
Manepalli et al. | Crash prediction: evaluation of empirical Bayes and kriging Methods | |
CN104533397A (zh) | 一种砂岩气层定量识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |