CN108182802B - 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 - Google Patents
一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 Download PDFInfo
- Publication number
- CN108182802B CN108182802B CN201711429278.0A CN201711429278A CN108182802B CN 108182802 B CN108182802 B CN 108182802B CN 201711429278 A CN201711429278 A CN 201711429278A CN 108182802 B CN108182802 B CN 108182802B
- Authority
- CN
- China
- Prior art keywords
- traffic
- influence coefficient
- flow
- equal
- road section
- 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
Images
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
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,具体涉及道路交通领域,该交通安全分析方法包括如下步骤:S01、选择用于评价交通安全的特征评价因素;S02、量化每个所述特征评价因素,并计算每个所述特征评价因素的影响系数。其中,历史违法、事故因素对交通安全影响采用信息衰减模型进行计算影响系数。S03、通过多个特征的特征评价因素影响系数综合评价城市道路的交通安全等级。本发明具有可实时、动态对道路交通安全进行评价、综合评价方法简单的优点。
Description
技术领域
本发明涉及道路交通领域,特别涉及一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法。
背景技术
城市道路交通安全评价是以保障城市道路的使用者安全为目的,从预防交通事故、降低事故产生入手,对城市道路进行全方位的评价,揭示城市道路发生事故的潜在危险因素及采取相应的措施,保证城市道路交通的安全。然而,评价不同地区的道路交通安全水平极其复杂,以不同的指标为依据,可能会得到不同的评价结果。道路交通安全***评价一般分为宏观评价和微观评价,宏观评价包括绝对数法、事故率法、模型法、事故强度法和四项指标相对数等,微观评价包括交通事故率法、绝对数-事故率法、危险度判定和洛巴诺夫模型等。常见的综合评价方法包括灰色聚类评价方法、主成分分析法和层次分析法等。
然而上述方法往往难以实时动态的进行评价城市道路交通安全,且综合评价方法复杂,难以工程化应用。因此,研发一种实时、简单及普适性广的交通安全分析方法是亟待解决的问题。
发明内容
本发明提供了基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,该交通安全分析方法具有可实时、动态对道路交通安全进行评价、综合评价方法简单的优点。
为实现上述目的,本发明提供如下技术方案:
一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,该交通安全分析方法包括如下步骤:
S01、选择用于评价交通安全的特征评价因素;
S02、量化每个所述特征评价因素,并计算每个所述特征评价因素的影响系数。其中,历史违法、事故因素对交通安全影响采用信息衰减模型进行计算影响系数。
S03、通过多个特征的特征评价因素的影响系数综合评价城市道路的交通安全等级。
本方法基于实时获取的车牌识别数据、事故数据等进行实时地对预先选取的特征评价因素的影响系数进行计算,并通过信息衰减模型综合所得到的各类影响系数,从而计算出得出城市道路的交通安全等级。由于上述评价方法是基于实时获取的车牌识别数据,因此不仅信息来源准确,也便于应用在实际的评价交通安全的工作中,可工程化应用。
作为优选,本发明可选择的特征评价因素包括气象条件、交通流状态、交通事件、交通违法行为及历史交通事故。
作为优选,上述交通流状态包括流量突变、路段速度差、路段车型比例及车头时距;上述交通事件包括交通事故事件以及道路施工事件。
根据数据流的时效性可知,数据流中蕴含的信息重要性随着时间不断进行衰减,因此,特征评价因素区分当前事件和历史事件,当前事件需实时动态计算,历史事件需通过历史模型计算。其中交通流状态所包含的流量突变、路段速度差、路段车型比例及车头时距等特征评价因素的影响系数需要实时动态计算。
作为优选,实时动态计算流量突变的影响系数包括如下步骤:
a1、计算流量突变的上升幅度;
以单位周期进行实时计算,根据车牌识别数据进行计算道路断面流量,当前周期与上一单位周期的道路断面流量之差大于阈值Φ1或者当前周期与上一周期的交通流量之比大于阈值Φ2,则发生流量突变或者流量偏离历史正常规律,同时计算流量突变的上升幅度;
b1、根据计算得出的上升幅度对应不同的流量突变的影响系数;
上升幅度>0%且≤15%,对应的影响系数为0.001;
上升幅度>15%且≤30%,对应的影响系数为0.125;
上升幅度>30%且≤45%,对应的影响系数为0.375;
上升幅度>45%且≤60%,对应的影响系数为0.625;
上升幅度>60%,对应的流量突变的影响系数为0.875。更加具体地,实时动态计算路段速度差的影响系数包括如下步骤:
a2、计算路段速度差的值;
以单位周期进行实时计算,根据已知长度的路段上下游电警卡口分别采集得到的车牌号、过车时间以及车辆的位置信息,且通过上下游车牌匹配,确定为同一辆车,通过采集到该辆车分别在电警卡口上下游的过车时刻时间,得出车辆行驶所需的时间。通过车辆的位置信息确定车辆行驶的路程,则可得到路段的平均速度为路程/时间。
计算得到路段平均速度;
路段速度差的值为同一路段当前周期与上一周期的路段平均速度之差;
b2、根据计算得出的路段速度差对应不同的影响系数;
路段速度差的值>0km/h且≤15km/h,对应的影响系数为0.001;
路段速度差的值>15km/h且≤20km/h,对应的影响系数为0.125;
路段速度差的值>20km/h且≤25km/h,对应的影响系数为0.375;
路段速度差的值>25km/h且≤30km/h,对应的影响系数为0.625;
路段速度差的值>30km/h,对应的影响系数为0.875。
作为优选,实时动态计算路段车型比例的影响系数包括如下步骤:
a3、白天大型车占白天车辆总流量的比值的计算;
以单位周期进行实时计算,根据电警卡口数据采集的车辆种类信息,得出白天大型车的数量以及白天总流量,从而计算出白天大型车占白天车辆总流量的比值;
b3、根据计算得出白天大型车占白天车辆总流量的比值对应不同的影响系数;
白天大型车占白天车辆总流量的比值>0%且≤20%,对应的影响系数为0.001;
白天大型车占白天车辆总流量的比值>20%且≤35%,对应的影响系数为0.125;
白天大型车占白天车辆总流量的比值>35%且≤50%,对应的影响系数为0.375;
白天大型车占白天车辆总流量的比值>50%且≤65%,对应的影响系数为0.625;
白天大型车占白天车辆总流量的比值>65%,对应的影响系数为0.875。
在测定交通事件的影响系数中:
发生交通事件路段的剩余通行能力值>预先设计通行能力值的80%,对应的交通事件的影响系数为0.125;
发生交通事件路段的剩余通行能力值>预先设计通行能力值的50%且≤预先设计通行能力值的80%,对应的交通事件的影响系数为0.375;
发生交通事件路段的剩余通行能力值≤预先设计通行能力值的50%,对应的交通事件的影响系数为0.625;
发生交通事件路段的剩余通行能力值为0时,对应的交通事件的影响系数为0.875。
在测定交通违法行为的影响系数中:
利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
ai=bi*POWER(0.5,ti/TLi)
其中,ai表示在ti内违章总次数对交通安全的影响系数;TLi为半衰时间;ti表示最近事件发生时间距离当前时间的时间间隔;bi表示初始系数;
在ti内,发生的平均每月违法行为次数≤4起且>0起时,对应的bi为0.125;
在ti内,发生的平均每月违法行为次数≤8起且>4起时,对应的bi为0.375;
在ti内,发生的平均每月违法行为次数≤12起且>8起时,对应的bi为0.625;
在ti内,发生的平均每月违法行为次数>12起时,对应的bi为0.875。
在测定历史交通事故的影响因数中:
利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
Ai=Bi*POWER(λ,Ti/TLi)
其中,Ai表示在Ti内发生的交通事故对交通安全的影响系数;TLi为半衰时间,Ti表示最近事件发生时间距离当前时间的时间间隔;Bi表示初始系数,
在Ti内,发生的平均每月交通事故次数>1起且≤2起时,对应的Bi为0.25;
在Ti内,发生的平均每月交通事故次数>2起且≤4起时,对应的Bi为0.50;
在Ti内,发生的平均每月交通事故次数>4起且≤6起时,对应的Bi为0.75;
在Ti内,发生的平均每月交通事故次数>6起时,对应的Bi为1。
其中,在测定气象条件的影响因素中:
气象条件一般分为:雾、雨、风、冰冻、雪。若出现大雨、大风、大雾、冰冻等恶劣天气,则a1=0.125,否则a1=0.001;
作为优选批,步骤S03具体为:
根据单向特征因素的影响系数,若某项没有分数,则为0.001。多个特征评价因素组合时,在单个特征评价因素的影响上增大,结果为(0,1):
f=min(max(ai)+avg(ai),0.99)
其中,f表示多个特征的特征评价因素的影响系数,ai表示各特征评价因素系数值;
路段安全系数,随着特征评价因素的影响系数的增大而减小,但是减小的速度减慢,结果为(0,10):
S=10*(1-EXP(-LOG(f,0.05)))
其中,S表示当前时段路段的交通安全指数。
根据交通安全指数划分为4个交通安全等级,建立相应的评价集,分为{不安全,一般安全,较安全,安全}={0~2.5,2.5~5,5~7.5,7.5~10}。
本发明的有益效果为:
本方法基于实时获取的车牌识别数据、事故数据等进行实时地对预先选取的特征评价因素的影响系数进行计算,并通过信息衰减模型综合所得到的各类影响系数,从而计算出得出城市道路的交通安全等级。由于上述评价方法是基于实时获取的车牌识别数据,因此不仅信息来源准确,也便于应用在实际的评价交通安全的工作中,可工程化应用。
附图说明
图1为本实施例2中城市道路交通安全指标评分值的列表;
具体实施方式
本实施例提供一种技术方案:
实施例1
一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,包括如下步骤:
S01、选择气象条件、交通流状态、交通事件、交通违法行为及历史交通事故用于评价交通安全的特征评价因素;其中交通流状态包括下述特征评价因素:流量突变、路段速度差、路段车型比例及车头时距;交通事件包括下述特征评价因素:交通事故事件以及道路施工事件。
S02、计算步骤S01中所选择的全部特征评价因素对道路交通安全的影响系数。分别见下述:
流量突变对道路交通安全的影响系数的计算:首先以单位周期进行实时计算,根据车牌识别数据进行计算道路断面流量,当前周期与上一单位周期的道路断面流量之差大于阈值Φ1或者当前周期与上一周期的交通流量之比大于阈值Φ2,则发生流量突变或者流量偏离历史正常规律,同时需要计算流量突变的上升幅度。当上升幅度>0%且≤15%,对应的影响系数为0.001,上升幅度>15%且≤30%,对应的影响系数为0.125;上升幅度>30%且≤45%,对应的影响系数为0.375;上升幅度>45%且≤60%,对应的影响系数为0.625;上升幅度>60%,对应的影响系数为0.875。
路段速度差对道路交通安全的影响系数的计算:以单位周期进行实时计算,根据已知长度的路段上下游电警卡口分别采集得到的车牌号、过车时间以及车辆的位置信息,且通过上下游车牌匹配,确定为同一辆车,通过采集到该辆车分别在电警卡口上下游的过车时刻时间,得出车辆行驶所需的时间。通过车辆的位置信息确定车辆行驶的路程,则可得到路段的平均速度为路程/时间。从而计算得到路段平均速度。当路段速度差的值>0km/h且≤15km/h,对应的影响系数为0.001;路段速度差的值>15km/h且≤20km/h,对应的影响系数为0.125;路段速度差的值>20km/h且≤25km/h,对应的影响系数为0.375;路段速度差的值>25km/h且≤30km/h,对应的影响系数为0.625;路段速度差的值>30km/h,对应的影响系数为0.875。
车型比例对道路交通安全的影响系数的计算:以单位周期进行实时计算,根据电警卡口数据采集的车辆种类信息,以计算白天同行的大型车的影响系数为例:首先计算得出白天大型车的数量以及白天总流量,从而计算出白天大型车占白天车辆总流量的比值。当白天大型车占白天车辆总流量的比值>0%且≤20%,对应的影响系数为0.001;白天大型车占白天车辆总流量的比值>20%且≤35%,对应的影响系数为0.125;白天大型车占白天车辆总流量的比值>35%且≤50%,对应的影响系数为0.375;白天大型车占白天车辆总流量的比值>50%且≤65%,对应的影响系数为0.625;白天大型车占白天车辆总流量的比值>65%,对应的影响系数为0.875。
交通事件对道路安全的影响系数的计算:交通事件因素对道路交通安全影响分析,交通事件一般包括交通事故、车辆故障、散落物等影响道路通行能力的事件。当发生交通事件路段的剩余通行能力值>预先设计通行能力值的50%且≤预先设计通行能力值的80%,对应的交通事件的影响系数为0.375;发生交通事件路段的剩余通行能力值≤预先设计通行能力值的50%,对应的交通事件的影响系数为0.625;发生交通事件路段的剩余通行能力值为0时,对应的交通事件的影响系数为0.875。
交通违法行为对道路安全的影响系数的计算:因交通违法行为属于历史事件,而历史事件需通过历史模型计算,因此,利用信息衰减模型中该交通违法行为因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
ai=bi*POWER(0.5,ti/TLi)
其中,ai表示在ti内违章总次数对交通安全的影响系数;TLi为半衰时间;ti表示最近事件发生时间距离当前时间的时间间隔;bi表示初始系数。初始系数的取值分以下情况:在ti内,发生的平均每月违法行为次数≤4起且>0起时,对应的bi为0.125;在ti内,发生的平均每月违法行为次数≤8起且>4起时,对应的bi为0.375;在ti内,发生的平均每月违法行为次数≤12起且>8起时,对应的bi为0.625;在ti内,发生的平均每月违法行为次数>12起时,对应的bi为0.875。违法行为总次数可统计近3月的数据,并得出平均每月违法行为次数。
交通事故对道路安全的影响系数的计算:因交通事故属于历史事件,而历史事件需通过历史模型计算,因此,利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
Ai=Bi*POWER(λ,Ti/TLi)
其中,Ai表示在Ti内发生的交通事故对交通安全的影响系数;TLi为半衰时间,Ti表示最近事件发生时间距离当前时间的时间间隔;Bi表示初始系数。初始系数的取值分为以下几种情况:在Ti内,发生的平均每月交通事故次数>1起且≤2起时,对应的Bi为0.25;在Ti内,发生的平均每月交通事故次数>2起且≤4起时,对应的Bi为0.5;在Ti内,发生的平均每月交通事故次数>4起且≤6起时,对应的Bi为0.75;在Ti内,发生的平均每月交通事故次数>6起时,对应的Bi为1。违法行为总次数可统计近3月的数据,并得出平均每月交通事故次数。
气象条件道路安全的影响系数的计算:若出现大雨、大风、大雾、冰冻等恶劣天气,则a1=0.125,否则a1=0.001;
S03、根据单向特征因素的影响系数,若某项没有分数,则为0.001。多个特征评价因素组合时,在单个特征评价因素的影响上增大,结果为(0,1):
f=min(max(ai)+avg(ai),0.99);
其中,f表示多个特征的特征评价因素的影响系数,ai表示各特征评价因素对应的影响系数;
路段安全系数,随着特征评价因素的影响系数的增大而减小,但是减小的速度减慢,结果为(0,10):
S=10*(1-EXP(-LOG(f,0.05)))
其中,S表示当前时段路段的交通安全指数,ai表示各特征评价因素系数值;
根据交通安全指数划分为4个交通安全等级,建立相应的评价集,分为{不安全,一般安全,较安全,安全}={0~2.5,2.5~5,5~7.5,7.5~10}。
实施例2
本实施例应用实施例1所述的步骤,对交通安全进行具体的分析。
如图1所示,结合道路交通安全评价指标的影响权重和分值,当前路段在该周期发生交通事件,并且路段发生一定程度的流量突变和车速差,并且路段在历史一个月内的违法次数为7起,事故次数为4起,可以得出道路交通安全评分为0.276,当前周期的安全等级为不安全。
Claims (8)
1.一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于,包括如下步骤:
S01、选择用于评价交通安全的特征评价因素;
S02、量化每个所述特征评价因素,并计算每个所述特征评价因素的影响系数;
S03、通过多个特征评价因素的影响系数综合评价城市道路的交通安全等级;
其中,所述特征评价因素包括气象条件、交通流状态、交通事件、交通违法行为及历史交通事故;
同时,利用信息衰减模型中该交通违法行为因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
ai=bi*POWER(0.5,ti/TLi)
其中,ai表示在ti内违章总次数对交通安全的影响系数;TLi为半衰时间;ti表示最近事件发生时间距离当前时间的时间间隔;bi表示初始系数;
在ti内,发生的平均每月违法行为总次数≤4起且>0起时,对应的bi为0.125;
在ti内,发生的平均每月违法行为总次数≤8起且>4起时,对应的bi为0.375;
在ti内,发生的平均每月违法行为总次数≤12起且>8起时,对应的bi为0.625;
在ti内,发生的平均每月违法行为总次数>12起时,对应的bi为0.875。
2.根据权利要求1所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于,所述交通流状态包括流量突变、路段速度差、路段车型比例及车头时距;所述交通事件包括交通事故事件以及道路施工事件。
3.根据权利要求2所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于,实时动态计算流量突变的影响系数包括如下步骤:
a1、计算流量突变的上升幅度;
以单位周期进行实时计算,根据车牌识别数据进行计算道路断面流量,当前周期与上一单位周期的道路断面流量之差大于阈值Φ1或者当前周期与上一周期的交通流量之比大于阈值Φ2,则发生流量突变,同时计算流量突变的上升幅度;
b1、根据计算得出的上升幅度对应不同的流量突变的影响系数;
上升幅度>0%且≤15%,对应的影响系数为0.001;
上升幅度>15%且≤30%,对应的影响系数为0.125;
上升幅度>30%且≤45%,对应的影响系数为0.375;
上升幅度>45%且≤60%,对应的影响系数为0.625;
上升幅度>60%,对应的流量突变的影响系数为0.875。
4.根据权利要求2所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于,实时动态计算路段速度差的影响系数包括如下步骤:
a2、计算路段速度差的值;
以单位周期进行实时计算,根据已知长度的路段上下游电警卡口分别采集得到的车牌号、过车时间以及车辆的位置信息,且通过上下游车牌匹配,计算得到路段平均速度;
路段速度差的值为同一路段当前周期与上一周期的路段平均速度之差;
b2、根据计算得出的路段速度差对应不同的影响系数;
路段速度差的值>0km/h且≤15km/h,对应的影响系数为0.001;
路段速度差的值>15km/h且≤20km/h,对应的影响系数为0.125;
路段速度差的值>20km/h且≤25km/h,对应的影响系数为0.375;
路段速度差的值>25km/h且≤30km/h,对应的影响系数为0.625;
路段速度差的值>30km/h,对应的影响系数为0.875。
5.根据权利要求2所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于,实时动态计算路段车型比例的影响系数包括如下步骤:
a3、白天大型车占白天车辆总流量的比值的计算;
以单位周期进行实时计算,根据电警卡口数据采集的车辆种类信息,得出白天大型车的数量以及白天总流量,从而计算出白天大型车占白天车辆总流量的比值;
b3、根据计算得出白天大型车占白天车辆总流量的比值对应不同的影响系数;
白天大型车占白天车辆总流量的比值>0%且≤20%,对应的影响系数为0.001;
白天大型车占白天车辆总流量的比值>20%且≤35%,对应的影响系数为0.125;
白天大型车占白天车辆总流量的比值>35%且≤50%,对应的影响系数为0.375;
白天大型车占白天车辆总流量的比值>50%且≤65%,对应的影响系数为0.625;
白天大型车占白天车辆总流量的比值>65%,对应的影响系数为0.875。
6.根据权利要求1所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于:
发生交通事件路段的剩余通行能力值>预先设计通行能力值的80%,对应的交通事件的影响系数为0.125;
发生交通事件路段的剩余通行能力值>预先设计通行能力值的50%且≤预先设计通行能力值的80%,对应的交通事件的影响系数为0.375;
发生交通事件路段的剩余通行能力值≤预先设计通行能力值的50%,对应的交通事件的影响系数为0.625;
发生交通事件路段的剩余通行能力值为0时,对应的交通事件的影响系数为0.875。
7.根据权利要求1所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于:
利用信息衰减模型中该因素包含的模式支持度随着时间t变化且以衰减函数POWER(λ,ti/TLi)进行衰减,其中,λ>0,则:
Ai=Bi*POWER(λ,Ti/TLi)
其中,Ai表示在Ti内发生的交通事故对交通安全的影响系数;TLi为半衰时间,Ti表示最近事件发生时间距离当前时间的时间间隔;Bi表示初始系数,
在Ti内,发生的平均每月交通事故总次数>1起且≤2起时,对应的Bi为0.25;
在Ti内,发生的平均每月交通事故总次数>2起且≤4起时,对应的Bi为0.5;
在Ti内,发生的平均每月交通事故总次数>4起且≤6起时,对应的Bi为0.75;
在Ti内,发生的平均每月交通事故总次数>6起时,对应的Bi为1。
8.根据权利要求1所述的一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法,其特征在于:
步骤S03具体为:
根据单向特征因素的影响系数,若某项没有分数,则为0.001;多个特征评价因素组合时,在单个特征评价因素的影响上增大,结果为(0,1):
f=min(max(ai)+avg(ai),0.99)
其中,f表示多个特征的特征评价因素的影响系数,ai表示各特征评价因素对应的影响系数;
路段安全系数,随着特征评价因素的影响系数的增大而减小,但是减小的速度减慢,结果为(0,10):
S=10*(1-EXP(-LOG(f,0.05)))
其中,S表示当前时段路段的交通安全指数,ai表示各特征评价因素系数值;
根据交通安全指数划分为4个交通安全等级,建立相应的评价集,分为{不安全,一般安全,较安全,安全}={0~2.5,2.5~5,5~7.5,7.5~10}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711429278.0A CN108182802B (zh) | 2017-12-26 | 2017-12-26 | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711429278.0A CN108182802B (zh) | 2017-12-26 | 2017-12-26 | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182802A CN108182802A (zh) | 2018-06-19 |
CN108182802B true CN108182802B (zh) | 2020-10-16 |
Family
ID=62547582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711429278.0A Active CN108182802B (zh) | 2017-12-26 | 2017-12-26 | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182802B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118770A (zh) * | 2018-09-11 | 2019-01-01 | 东南大学 | 一种基于交通监测数据的路段通行能力挖掘方法 |
CN112037513B (zh) * | 2020-09-01 | 2023-04-18 | 清华大学 | 一种实时交通安全指数动态综合评价***及其构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101465059A (zh) * | 2008-12-31 | 2009-06-24 | 公安部交通管理科学研究所 | 城市道路交通安全态势鉴判预警*** |
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警***及其方法 |
CN102368354A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种基于浮动车数据采集的道路安全性评价方法 |
US20140358326A1 (en) * | 2005-06-01 | 2014-12-04 | Allstate Insurance Company | Motor vehicle operating data collection and analysis |
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | ***通信集团公司 | 一种道路交通安全评估方法及*** |
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别***及方法 |
-
2017
- 2017-12-26 CN CN201711429278.0A patent/CN108182802B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358326A1 (en) * | 2005-06-01 | 2014-12-04 | Allstate Insurance Company | Motor vehicle operating data collection and analysis |
CN101465059A (zh) * | 2008-12-31 | 2009-06-24 | 公安部交通管理科学研究所 | 城市道路交通安全态势鉴判预警*** |
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警***及其方法 |
CN102368354A (zh) * | 2011-10-19 | 2012-03-07 | 北京航空航天大学 | 一种基于浮动车数据采集的道路安全性评价方法 |
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | ***通信集团公司 | 一种道路交通安全评估方法及*** |
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别***及方法 |
Non-Patent Citations (1)
Title |
---|
铁路客运枢纽公共交通安全保障能力变权评价;郭洪洋等;《重庆交通大 学学报(自然科学版)》;20160430;第35卷(第2 期);第147页第1节至第148页第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108182802A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Analysis of hourly crash likelihood using unbalanced panel data mixed logit model and real-time driving environmental big data | |
US20210334865A1 (en) | Used Car Pricing Based on Telematics Information | |
Anderson et al. | Heavy-vehicle crash rate analysis: Comparison of heterogeneity methods using Idaho crash data | |
Zolali et al. | A behavioral model of drivers’ mean speed influenced by weather conditions, road geometry, and driver characteristics using a driving simulator study | |
CN110276954A (zh) | 基于北斗定位***的车辆行驶行为综合评分方法 | |
CN108182802B (zh) | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 | |
Kantor et al. | Design of algorithms for payment telematics systems evaluating driver's driving style | |
Wang et al. | Causation analysis of crashes and near crashes using naturalistic driving data | |
Chapelon et al. | Road safety in France: The hard path toward science-based policy | |
CN108961748A (zh) | 一种基于当量违法率的交叉口运行安全状态排名方法 | |
Carsten et al. | Speed limit adherence and its effect on road safety and climate change: Final Report | |
Sanusi et al. | Cases of road traffic accident in Nigeria: a time series approach | |
KR20130092915A (ko) | 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템 | |
CN114550445A (zh) | 一种城市区域交通安全状态评估方法和装置 | |
CN106780049B (zh) | 一种车辆金融授信方法及装置 | |
Christoforou et al. | Integrating real-time traffic data in road safety analysis | |
Ambros et al. | Identification of road horizontal alignment inconsistencies–A pilot study from the Czech Republic | |
Abuaddous et al. | Identification and Ranking of Accident Black Spots in Jordan | |
Chen et al. | How expressway geometry factors contribute to accident occurrence? A binary logistic regression study | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
Kriswardhana et al. | Probability of crash involvement based on riders’ behaviour | |
CN116824864B (zh) | 一种灵活配置可视化接入的政务数据处理*** | |
Amir et al. | Examination of Differentiated Per-Lane Speed Limits on Improving Traffic Safety: Microscopic Traffic Simulation Approach | |
WO2017221038A1 (en) | Method of determining cost of insurance based on the correlation of information from actual accidents with the historical analysis of vehicle movement | |
Abd El Halim | Improvement to Highway Safety through Network Level Friction Testing and Cost Effective Pavement Maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200917 Address after: Room 701-1, building 1, No. 1326, Wenyi West Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Yuantiao Science and Technology Co.,Ltd. Address before: Room 73, No. 34, No. 2000, Tianmu Mountain Road, Xihu District, Hangzhou, Zhejiang Applicant before: Xia Yingjie |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |