CN106485922B - 基于高精度交通流数据的二次交通事故预警方法 - Google Patents
基于高精度交通流数据的二次交通事故预警方法 Download PDFInfo
- Publication number
- CN106485922B CN106485922B CN201611187320.8A CN201611187320A CN106485922B CN 106485922 B CN106485922 B CN 106485922B CN 201611187320 A CN201611187320 A CN 201611187320A CN 106485922 B CN106485922 B CN 106485922B
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- upstream
- downstream
- vehicle
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/162—Decentralised systems, e.g. inter-vehicle communication event-triggered
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于高精度交通流数据的二次交通事故预警方法,步骤1)至步骤9)通过速度等值线图将历史交通事故分为一次事故、二次事故和普通事故;步骤10)提取一次事故和普通事故发生前T分钟的上下游交通信息;步骤11)根据所述步骤9)提取的上下游交通信息,计算一次和普通事故发生前5‑10分钟的上游、下游以及上下游之差的车辆数、车辆速度和车辆占有率的平均值和标准差;步骤12)提取一次事故和普通事故的事故严重程度、发生类型、发生时间段、天气情况、道路表面状况、光线优良情况、车道数、道路表面宽度、道路线形;步骤13)采用二元logistic回归建立二次交通事故预测模型;步骤14)将实时交通数据带入步骤13)中的模型,对二次事故预警。
Description
技术领域
本发明属于交通安全中的事故预测领域,具体地来说是二次交通事故预测以及实时调控防范二次交通事故的发生。
背景技术
近年来,由一次交通事故引起的,重特大二次交通事故屡屡发生,使得人民群众的生命财产安全受到了严重的威胁,道路交通安全管理的工作压力也很大。导致二次事故的因素有很多,比如没有做好车辆位置标记,没有迅速在事故现场后方较远的距离外设置危险警告标志,警示后方来车,又或者是在一次事故影响了交通流状况之后,交通管理部门没有及时疏导,从而导致了二次事故的发生。高速公路、快速路本来就因为其高速的车流引发高于一般公路的交通事故,而且如果对交通事故处理经验不足,又会导致二次事故的发生,而且二次交通事故往往比一次交通事故更加严重。因此,探充高速公路和快速路发生二次交通事故的原因,同时根据发生原理,预测二次交通事故并制定相应的应急救援策略,对防止高速公路二次事故有非常重大的作用。
在传统的二次事故预测方法中,有很多研究了对一次事故的发生时间、事故类型、天气以及道路几何特征对二次事故发生概率的影响。但是,相对较少的研究认为实时交通流状况对二次事故的风险有影响。与一次事故相关的危险的交通流状况也可能促使二次事故的发生。
除此之外,在二次事故的防范方面,以往都是一些被动、静态方法,如果用实时采集的交通流来判断二次事故发生的概率,就有希望通过使用动态交通控制的方法,主动实时预测二次交通事故,采取实时的交通控制策略来防范二次事故的发生。
发明内容
技术问题:本发明提供一种基于高精度交通流数据的二次交通事故预警方法,该方法可以用实时交通流来判断二次事故发生的概率,从而能使用动态交通控制的方法,主动实时预测二次交通事故。
技术方案:本发明的基于高精度交通流数据的二次交通事故预警方法,包括以下步骤:
步骤1)获取历史交通事故的发生时间和地点;
步骤2)将距离上一次事故发生h小时之后和上一次事故发生地点上游L千米之外的事故排除;
步骤3)从所述步骤1)保留的事故中找出可能的一次事故和可能的二次事故组合,即可能的一次事故和可能的二次事故的时间和空间关系,所述可能的一次事故是指一组事故中,发生时间最早,发生地点在最下游的事故,所述可能的二次事故是指发生时间晚于可能的一次事故、且发生地点在可能的一次事故上游的事故;
步骤4)提取步骤2)中可能的一次事故发生时刻前后的时间跨度和发生地点上下游空间范围内的速度数据;
步骤5)找出一年中所有与可能的一次事故时刻对应的该时刻没有事故的日期,即无事故日,以所述步骤3)中的时间跨度和上下游空间,提取无事故日在该时刻的速度数据,并求平均值;
步骤6)用所述步骤3)中提取的速度数据减去步骤4)中得到的速度平均值,根据得到的差值建立速度等值线图;
步骤7)利用PYTHON软件处理速度等值线图,将一次事故和二次事故化为可视化的点;
步骤8)通过所述步骤6)处理好的速度等值线图识别二次交通事故,识别方法是:将位于速度等值线图中阴影区域左侧竖直线条边缘的可视化的点识别为一次事故,将其余位于阴影区域中的可视化的点识别为二次事故,然后计算一次事故数量占总事故数量的比值P;
步骤9)提取一次事故和普通事故发生前T分钟的上下游交通信息,包括车辆数、车辆速度和车辆占有率,所述普通事故为一次事故何二次事故之外的事故;
步骤10)根据所述步骤9)提取的上下游交通信息,计算一次和普通事故发生前5-10分钟的上游车辆数、车辆速度和车辆占有率的平均值x1i、x2i、x3i和标准差x4i、x5i、x6i,下游车辆数、车辆速度和车辆占有率的平均值x7i、x8i、x9i和标准差x10i、x11i、x12i,上下游车辆数、车辆速度和车辆占有率之差的平均值x13i、x14i、x15i和标准差x16i、x17i、x18i;
步骤11)提取一次事故和普通事故的事故严重程度x19i、事故发生类型x20i、事故发生时间段x21i、天气情况x22i、道路表面状况x23i、光线优良情况x24i、车道数x25i、道路表面宽度x26i、道路线形x27i;
步骤12)采用二元logistic回归建立如下二次交通事故预测模型:
yi~Bernoulli(pi)式(1)
logit(pi)=β0+β1x1i+β2x2i+β3x3i+β4x4i+β5x5i+β6x6i+β7x7i+β8x8i+β9x9i+β10x10i+β11x11i+β12x12i+β13x13i+β14x14i+β15x15i+β16x16i+β17x17i+β18x18i+β19x19i+β20x20i+β21x21i+β22x22i+β23x23i+β24x24i+β25x25i+β26x26i+β27x27i式(2)
yi代表第i起事故,~表示事故服从伯努利分布,当因变量yi为1时表示该事故是一次事故,如果为0则表示该事故是普通事故,pi是指第i起事故引发二次事故的概率,xki代表所述步骤10)和步骤11)得到的参数x1i、x2i、x3i、x4i、x5i、x6i、x7i、x8i、x9i、x10i、x11i、x12i、x13i、x14i、x15i、x16i、x17i、x18i、x19i、x20i、x21i、x22i、x23i、x24i、x25i、x26i、x27i中的任意一个,如果二元logistic回归过程中,变量xki的显著性水平大于0.05,则xki取0;
步骤13)环形线圈检测器会获取实时交通流数据,当公路上发生事故后,将实时交通流数据带入所述步骤12)建立的二次交通事故预测模型中,如果得到的第i起事故引发二次事故的概率pi大于所述步骤8)得到的一次事故数量占总事故数量的比值P,则发出可能会发生二次交通事故的预警信息。
进一步的,本发明方法中,所述步骤2)中,h取值为3-5小时,L取值为6-10英里。
进一步的,本发明方法中,所述步骤4)中,时间跨度为一次事故发生之前6小时到之后6小时,所述空间跨度为一次事故发生上游10英里和下游10英里。
进一步的,本发明方法中,所述步骤4)中的速度数据和步骤10)中一次和普通事故的上下游交通信息需要通过安置在道路上的环形检测器获得。
进一步的,本发明方法中,所述的步骤6)通过环形线圈检测器获取实时交通流数据。
进一步的,本发明方法中,所述步骤10)中,T取30-40。
本发明在建立二次交通事故预测模型时考虑了交通流变量来提高模型的准确性,同时使得模型在实际运用中能够通过获取的交通流数据实时预测。
有益效果:本发明与现有技术相比,具有以下优点:
1.以往的研究在构建预测二次交通事故模型时,大多是只考虑事故特征,很少有考虑实时交通流状况的。本发明在选取变量时,综合考虑了实时交通流状况、事故特征、道路环境状况以及道路几何特征对二次交通事故发生概率的影响,使得模型的精准率更高。
2.该车辆调控方法利用交通流检测设备获取实时交通数据,以及环境气象站获取的天气数据,实时检测快速道路发生二次交通事故概率,通过使用动态交通控制的方法对车辆进行调控,减少交通事故。
附图说明
图1是是本发明的流程框图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。
步骤1)获取历史交通事故的发生时间和地点;
步骤2)将距离上一次事故发生h小时之后和上一次事故发生地点上游L千米之外的事故排除;
步骤3)从所述步骤1)保留的事故中找出可能的一次事故和可能的二次事故组合,即可能的一次事故和可能的二次事故的时间和空间关系,所述可能的一次事故是指一组事故中,发生时间最早,发生地点在最下游的事故,所述可能的二次事故是指发生时间晚于可能的一次事故、且发生地点在可能的一次事故上游的事故;
步骤4)提取步骤2)中可能的一次事故发生时刻前后的时间跨度和发生地点上下游空间范围内的速度数据;
步骤5)找出一年中所有与可能的一次事故时刻对应的该时刻没有事故的日期,即无事故日,以所述步骤3)中的时间跨度和上下游空间,提取无事故日在该时刻的速度数据,并求平均值;
步骤6)用所述步骤3)中提取的速度数据减去步骤4)中得到的速度平均值,根据得到的差值建立速度等值线图;
步骤7)利用PYTHON软件处理速度等值线图,将一次事故和二次事故化为可视化的点。PYTHON软件在装载相应插件之后,可以将Excel表格中的一次事故和二次事故数据点到对应的速度等值线图上,从而将一次事故和二次事故化为可视化的点;
步骤8)通过所述步骤6)处理好的速度等值线图识别二次交通事故,识别方法是:将位于速度等值线图中阴影区域左侧竖直线条边缘的可视化的点识别为一次事故,将其余位于阴影区域中的可视化的点识别为二次事故,然后计算一次事故数量占总事故数量的比值P;
步骤9)提取一次事故和普通事故发生前T分钟的上下游交通信息,包括车辆数、车辆速度和车辆占有率,所述普通事故为一次事故何二次事故之外的事故;
步骤10)根据所述步骤9)提取的上下游交通信息,计算一次和普通事故发生前5-10分钟的上游车辆数、车辆速度和车辆占有率的平均值x1i、x2i、x3i和标准差x4i、x5i、x6i,下游车辆数、车辆速度和车辆占有率的平均值x7i、x8i、x9i和标准差x10i、x11i、x12i,上下游车辆数、车辆速度和车辆占有率之差的平均值x13i、x14i、x15i和标准差x16i、x17i、x18i;
步骤11)提取一次事故和普通事故的事故严重程度x19i、事故发生类型x20i、事故发生时间段x21i、天气情况x22i、道路表面状况x23i、光线优良情况x24i、车道数x25i、道路表面宽度x26i、道路线形x27i;
步骤12)采用二元logistic回归建立如下二次交通事故预测模型:
yi~Bernoulli(pi)式(1)
logit(pi)=β0+β1x1i+β2x2i+β3x3i+β4x4i+β5x5i+β6x6i+β7x7i+β8x8i+β9x9i+β10x10i+β11x11i+β12x12i+β13x13i+β14x14i+β15x15i+β16x16i+β17x17i+β18x18i+β19x19i+β20x20i+β21x21i+β22x22i+β23x23i+β24x24i+β25x25i+β26x26i+β27x27i式(2)
yi代表第i起事故,~表示事故服从伯努利分布,当因变量yi为1时表示该事故是一次事故,如果为0则表示该事故是普通事故,pi是指第i起事故引发二次事故的概率,xki代表所述步骤10)和步骤11)得到的参数一次和普通事故发生前5-10分钟的上游车辆数、车辆速度和车辆占有率的平均值x1i、x2i、x3i和标准差x4i、x5i、x6i,下游车辆数、车辆速度和车辆占有率的平均值x7i、x8i、x9i和标准差x10i、x11i、x12i,上下游车辆数、车辆速度和车辆占有率之差的平均值x13i、x14i、x15i和标准差x16i、x17i、x18i,事故严重程度x19i、事故发生类型x20i、事故发生时间段x21i、天气情况x22i、道路表面状况x23i、光线优良情况x24i、车道数x25i、道路表面宽度x26i、道路线形x27i中的任意一个,如果二元logistic回归过程中,变量xki的显著性水平大于0.05,则xki取0;
步骤13)环形线圈检测器会获取实时交通流数据,当公路上发生事故后,将实时交通流数据带入所述步骤12)建立的二次交通事故预测模型中,如果得到的第i起事故引发二次事故的概率pi大于所述步骤8)得到的一次事故数量占总事故数量的比值P,则发出可能会发生二次交通事故的预警信息。
进一步的,本发明方法中,所述步骤2)中,h取值为3-5小时,L取值为6-10英里。
进一步的,本发明方法中,所述步骤4)中,时间跨度为一次事故发生之前6小时到之后6小时,所述空间跨度为一次事故发生上游10英里和下游10英里。
进一步的,本发明方法中,所述步骤4)中的速度数据和步骤10)中一次和普通事故的上下游交通信息需要通过安置在道路上的环形检测器获得。
进一步的,本发明方法中,所述的步骤6)通过环形线圈检测器获取实时交通流数据。
进一步的,本发明方法中,所述步骤10)中,T取30-40。
实施例
利用美国加利福尼亚州I-880高速公路上的一个35英里的路段上,从2006年到2010年间采集的数据。交通事故数据总量为12713起,其中北方向事故总量为6332起,南方向事故总量为6382起。
通过速度等值线图法分类出来的三类事故如下表所示:
表1事故分类结果
利用SPSS二元logistic回归构建二次交通事故的预测模型:
logit(pi)=-3.785+0.103x1i-0.032x2i+0.076X3i-0.027x4i+
0.086x5i-0.632x6i-1.803x7i 式(5)
pi——第i事故引发二次事故的概率;
1-pi——第i事故不引发二次事故的概率;
x1i——AvgCnt1,上游5分钟时间车辆数的平均值(veh/30s);
x2i——AvgSpd1,上游5分钟时间车速的平均值(mile/h);
x3i——AvgCnt2,下游5分钟时间车辆数的平均值(veh/30s);
x4i——AvgOcc2,下游5分钟时间车辆占有率的平均值(%);
x5i——DevOcc12,上下游5分钟时间车辆占有率之差的标准差(%);
x6i——DayWeek,是否为周末;
x7i——Location,是在匝道还是在高速公路主线。
上述实施例仅是本发明的优选实施方式,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,还可以做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
Claims (5)
1.一种基于高精度交通流数据的二次交通事故预警方法,其特征在于,该方法包括以下步骤:
步骤1)获取历史交通事故的发生时间和地点;
步骤2)将距离上一次事故发生h小时之后和上一次事故发生地点上游L千米之外的事故排除;
步骤3)从所述步骤2)保留的事故中找出可能的一次事故和可能的二次事故组合,即可能的一次事故和可能的二次事故的时间和空间关系,所述可能的一次事故是指一组事故中,发生时间最早,发生地点在最下游的事故,所述可能的二次事故是指发生时间晚于可能的一次事故、且发生地点在可能的一次事故上游的事故;
步骤4)提取步骤3)中可能的一次事故发生时刻前后的时间跨度和发生地点上下游空间范围内的速度数据;
步骤5)找出一年中所有与可能的一次事故时刻对应的该时刻没有事故的日期,即无事故日,以所述步骤4)中的时间跨度和上下游空间,提取无事故日在该时刻的速度数据,并求平均值;
步骤6)用所述步骤4)中提取的速度数据减去步骤5)中得到的速度平均值,根据得到的差值建立速度等值线图;
步骤7)利用PYTHON软件处理速度等值线图,将一次事故和二次事故化为可视化的点;
步骤8)通过所述步骤6)处理好的速度等值线图识别二次交通事故,识别方法是:将位于速度等值线图中阴影区域左侧竖直线条边缘的可视化的点识别为一次事故,将其余位于阴影区域中的可视化的点识别为二次事故,然后计算一次事故数量占总事故数量的比值P;
步骤9)提取一次事故和普通事故发生前T分钟的上下游交通信息,包括车辆数、车辆速度和车辆占有率,所述普通事故为一次事故和二次事故之外的事故;
步骤10)根据所述步骤9)提取的上下游交通信息,计算一次事故和普通事故发生前5-10分钟的上游车辆数、车辆速度和车辆占有率的平均值x1i、x2i、x3i和标准差x4i、x5i、x6i,下游车辆数、车辆速度和车辆占有率的平均值x7i、x8i、x9i和标准差x10i、x11i、x12i,上下游车辆数、车辆速度和车辆占有率之差的平均值x13i、x14i、x15i和标准差x16i、x17i、x18i;
步骤11)提取一次事故和普通事故的事故严重程度x19i、事故发生类型x20i、事故发生时间段x21i、天气情况x22i、道路表面状况x23i、光线优良情况x24i、车道数x25i、道路表面宽度x26i、道路线形x27i;
步骤12)采用二元logistic回归建立如下二次交通事故预测模型:
yi~Bernoulli(pi) 式(1)
logit(pi)=β0+β1x1i+β2x2i+β3x3i+β4x4i+β5x5i+β6x6i+β7x7i+β8x8i+β9x9i+β10x10i+β11x11i+β12x12i+β13x13i+β14x14i+β15x15i+β16x16i+β17x17i+β18x18i+β19x19i+β20x20i+β21x21i+β22x22i+β23x23i+β24x24i+β25x25i+β26x26i+β27x27i 式(2)
yi代表第i起事故,~表示事故服从伯努利分布,当因变量yi为1时表示该事故是一次事故,如果为0则表示该事故是普通事故,pi是指第i起事故引发二次事故的概率,xki代表所述步骤10)和步骤11)得到的参数x1i、x2i、x3i、x4i、x5i、x6i、x7i、x8i、x9i、x10i、x11i、x12i、x13i、x14i、x15i、x16i、x17i、x18i、x19i、x20i、x21i、x22i、x23i、x24i、x25i、x26i、x27i中的任意一个,如果二元logistic回归过程中,变量xki的显著性水平大于0.05,则xki取0,β0为模型的常数,β1~β27为相对应的x1i~x27i的系数;
步骤13)环形线圈检测器获取实时交通流数据,当公路上发生事故后,将实时交通流数据带入所述步骤12)建立的二次交通事故预测模型中,如果得到的第i起事故引发二次事故的概率pi大于所述步骤8)得到的一次事故数量占总事故数量的比值P,则发出可能会发生二次交通事故的预警信息。
2.根据权利要求1所述的基于高精度交通流数据的二次交通事故预警方法,其特征在于,所述步骤2)中,h取值为3-5小时,L取值为6-10英里。
3.根据权利要求1所述的基于高精度交通流数据的二次交通事故预警方法,其特征在于,所述步骤4)中,时间跨度为一次事故发生之前6小时到之后6小时,所述空间范围为一次事故发生上游10英里和下游10英里。
4.根据权利要求1、2或3所述的基于高精度交通流数据的二次交通事故预警方法,其特征在于,所述步骤4)中的速度数据和步骤10)中一次事故和普通事故的上下游交通信息通过安置在道路上的环形检测器获得。
5.根据权利要求1、2或3所述的基于高精度交通流数据的二次交通事故预警方法,其特征在于,所述步骤9)中,T取30-40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187320.8A CN106485922B (zh) | 2016-12-20 | 2016-12-20 | 基于高精度交通流数据的二次交通事故预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187320.8A CN106485922B (zh) | 2016-12-20 | 2016-12-20 | 基于高精度交通流数据的二次交通事故预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485922A CN106485922A (zh) | 2017-03-08 |
CN106485922B true CN106485922B (zh) | 2019-03-12 |
Family
ID=58284799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611187320.8A Active CN106485922B (zh) | 2016-12-20 | 2016-12-20 | 基于高精度交通流数据的二次交通事故预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485922B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198423B (zh) * | 2018-01-24 | 2020-09-08 | 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 |
CN108806247A (zh) * | 2018-05-02 | 2018-11-13 | 东南大学 | 基于不同路段行人过街设施间距的确定方法及*** |
CN108830323B (zh) * | 2018-06-11 | 2022-06-03 | 詹佳硕 | 一种核反应堆事故模式识别和安全参数估算方法及估算*** |
CN111210604B (zh) * | 2019-10-22 | 2021-06-15 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111815967B (zh) * | 2020-05-15 | 2022-07-01 | 中国市政工程华北设计研究总院有限公司 | 一种基于二次交通事故预防的高速公路动态限速控制方法 |
CN112116809A (zh) * | 2020-09-07 | 2020-12-22 | 杭州鸿泉物联网技术股份有限公司 | 基于v2x技术的非视距车辆防碰撞方法及装置 |
CN113345226A (zh) * | 2021-05-31 | 2021-09-03 | 重庆交通大学 | 一种突发事件影响在高速公路网中的传播预测方法 |
CN113487912B (zh) * | 2021-06-21 | 2023-03-28 | 上汽通用五菱汽车股份有限公司 | 一种交通事故预警及保护方法、汽车及可读存储介质 |
CN116863708B (zh) * | 2023-09-04 | 2024-01-12 | 成都市青羊大数据有限责任公司 | 一种智慧城市调度分配*** |
CN117194930B (zh) * | 2023-11-07 | 2024-01-19 | 陕西交通电子工程科技有限公司 | 基于车辆行驶数据的隧道路段安全监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2526299A1 (en) * | 2005-11-17 | 2007-05-17 | Thomas Callahan | Road fox |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN103198707A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种基于晴天状况下危险交通流特征的车辆调控方法 |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
-
2016
- 2016-12-20 CN CN201611187320.8A patent/CN106485922B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2526299A1 (en) * | 2005-11-17 | 2007-05-17 | Thomas Callahan | Road fox |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN103198707A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种基于晴天状况下危险交通流特征的车辆调控方法 |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106485922A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485922B (zh) | 基于高精度交通流数据的二次交通事故预警方法 | |
CN107742418B (zh) | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 | |
CN106530714B (zh) | 一种基于交通流数据的二次交通事故时间预测方法 | |
CN103646534B (zh) | 一种道路实时交通事故风险控制方法 | |
CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN102521979B (zh) | 基于高清摄像机进行路面事件检测的方法及*** | |
CN107784832A (zh) | 一种用于识别交通道路中的事故黑点的方法与设备 | |
CN101694742A (zh) | 重大公路交通基础设施运行安全控制方法 | |
CN106600950B (zh) | 一种基于交通流数据的二次交通事故预测方法 | |
CN112800166A (zh) | 一种社区矫正对象活动轨迹监管预警方法、***及装置 | |
CN109448372A (zh) | 一种乘车安全监测与报警方法 | |
CN107067724B (zh) | 智慧城市车辆行驶资源评估*** | |
Sisiopiku | Variable speed control: Technologies and practice | |
Bureika et al. | Modelling the ranking of Lithuanian railways level crossing by safety level | |
CN102360524A (zh) | 快速道路危险交通流特征的自动检测确认方法 | |
Su et al. | Operation risk model and monitoring-warning system of expressway tunnels | |
CN102157061A (zh) | 一种基于关键字统计的交通事件识别方法 | |
CN104590322A (zh) | 一种利用tdcs产生铁路施工防护报警的方法 | |
KR101045863B1 (ko) | 비반복 정체를 해소하기 위한 고속도로 램프미터링 시스템 | |
Kubás et al. | Strategy management of telematics systems in the transport sector with regard to safety | |
CN109147326A (zh) | 一种校园交通安全警示*** | |
CN106781473B (zh) | 一种基于速度等值线图的二次交通事故的识别方法 | |
Ziolkowski | Influence of traffic calming measures on drivers' behaviour | |
CN108182805B (zh) | 一种基于信疑双基建模的高速公路车辆监控管理方法 | |
CN110097765B (zh) | 一种适用于公路平交口的机动车信号灯移去判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |