CN108665093A - 基于深度学习的高速公路交通事故严重度预测方法 - Google Patents
基于深度学习的高速公路交通事故严重度预测方法 Download PDFInfo
- Publication number
- CN108665093A CN108665093A CN201810353740.1A CN201810353740A CN108665093A CN 108665093 A CN108665093 A CN 108665093A CN 201810353740 A CN201810353740 A CN 201810353740A CN 108665093 A CN108665093 A CN 108665093A
- Authority
- CN
- China
- Prior art keywords
- accident
- layer
- severity
- sample
- hidden layer
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 239000012141 concentrate Substances 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的高速公路交通事故严重度预测方法,包括如下步骤:1、收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素,构成样本集;记录每个交通事故的严重度值rl;2、对收集到的L个事故样本的变量因素进行降维和归一化;3、建立深度学习神经网络,构建交通事故严重度预测模型;4、将降维后的待预测事故的变量因素向量x代入步骤3建立的交通事故严重度预测模型中,得到待预测事故的严重度预测结果。该方法能够精确地预测高速公路事故的严重度。
Description
技术领域
本发明属于交通事故分析和预测领域,具体涉及一种基于数据融合和支持向量机的高速公路交通事故严重度预测方法。
背景技术
目前国内外对事故严重度的分析还主要停留在单一数据源和传统统计分析方法的层面,影响因素考虑较少,分析往往不透彻,模型误差较大。随着科技的进步,数据的收集正变得愈发容易。对交通事故有关的影响因素,如道路几何线型、线圈数据、天气状况、道路可见度、事故驾驶员状况等可以收集到海量的数据。如何通过科学的方法,基于对海量数据的分析使得事故的严重程度能够控制在一定的范围之内是当下亟待解决的一个重要议点。
发明内容
发明目的:本发明旨在提供一种高速公路交通事故严重度预测方法,该方法能够精确地预测高速公路事故的严重度。
技术方案:本发明采用如下技术方案:
基于深度学习的高速公路交通事故严重度预测方法,包括如下步骤:
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素,构成样本集S=(s1,s2,…,sL),其中sl=(f1l,f2l,…,fMl)T,fhl为编号为l的事故的第h个变量因素;记录每个交通事故的严重度值,rl为编号为l的事故的严重度值,h=1..M,l=1..L;
(2)对收集到的L个事故样本的变量因素进行降维和归一化,设降维后的样本sl′为I维,I≤M,sl′=(f1l′,f2l′,…,fIl′)T,fil′为降维后保留的变量因素,i=1..I;
归一化处理的公式为:
xil=(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值,MinValue为{fi1′,fi2′,…,fiL′}中的最小值,MaxValue为{fi1′,fi2′,…,fiL′}中的最大值;
(3)建立深度学习神经网络,构建交通事故严重度预测模型;
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维,得到降维后的待预测事故变量因素向量x,将代入步骤(3)建立的交通事故严重度预测模型中,得到待预测事故的严重度预测结果。
所述道路条件包括坡度方向、平曲线方向,分别由0或1表示正或负。
所述驾驶员情况包括驾驶员年龄、驾驶员性别;其中驾驶员性别由0或1表示男或女。
所述车辆情况包括事故车辆车龄。
步骤(2)中采用主成分分析法或独立成分分析法对变量因素样本集S进行降维。
步骤(3)中构建交通事故严重度预测模型的步骤为:
(3.1)建立具有一层隐含层的神经网络,所述神经网络输入层有I个输入单元,整个输入层为经步骤(2)降维和归一化后的样本xl=(x1l,x2l,…,xIl)T,l=1..L;所述神经网络的隐含层具有J个神经元;所述神经网络的输出层有K个输出单元,K=1,为事故的严重度值;
(3.2)建立隐含层与输入层连接权重矩阵,公式如下:
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值,gj是隐含层第j个节点的激活函数,表示输入层第i个节点和隐含层第j个节点的连接权重;j=1..J;
(3.3)建立隐含层与输出层连接权重矩阵,公式如下:
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值,gk是输出层第k个节点的激活函数,表示输出层第k个节点和隐含层第j个节点的连接权重;k=1..K;
(3.4)通过Back-propagation算法分别计算输出层和隐含层的梯度,依据梯度确定每一迭代过程中连接权值的初始变化量,最后根据设定好的学习速率对权值进行更新,公式如下:
ek(m)=Ok(m)-ψk(m)
为第m个样本在输出层的梯度,ek(m)为真实值与预测值的误差,为连接隐含层和输出层权值的变化量。a(m)为学习速率,η(m)为迭代步长。
为第m个样本在隐含层的梯度,为连接隐含层和输入层权值的变化量。
因此连接权值的更新如下:
(3.5)用步骤(2)降维和归一化后的样本作为输入,对应的事故严重度值作为输出,训练步骤(3.1)-(3.4)建立的模型,获取隐含层与输入层连接权重和隐含层与输出层连接权重。
有益效果:与现有技术相比,本发明公开的基于深度学习的高速公路交通事故严重度预测方法具有以下优点:1、考虑多个数据源而非单一的事故数据源,多个数据源能够使得模型的建立更为精确,并且训练和测试的误差更小;2、运用深度学习方法而非传统统计分析方法,传统的统计分析方法在处理多变量时运算速度慢,而且非线性部分较为复杂,逻辑不清晰。本发明提出的基于深度学习的高速公路交通事故严重度影响因素分析方法能够很好地解决上述问题。
附图说明
图1为本发明的总体控制流程图;
图2为事故数据集中事故月份分布图;
图3为车辆数据集中事故驾驶员年龄分布图;
图4为建立的深度学习网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本实施例采用的数据集为某市2011到2015年的事故、天气、驾驶员情况和道路条件多源数据集。如图1所示,基于深度学习的高速公路交通事故严重度预测,包括如下步骤:
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素,构成样本集S=(s1,s2,…,sL),其中sl=(f1l,f2l,…,fMl)T,fhl为编号为l的事故的第h个变量因素;记录每个交通事故的严重度值,rl为编号为l的事故的严重度值,h=1..M,l=1..L;
事故发生的相关信息分别记录在原始事故数据集、驾驶员数据集中,此外道路相关信息记录在道路信息数据库中,部分原始数据展示见图2和图3。首先需要根据原始事故数据集中的记录,将多元数据集和数据库融合,包含数据清理,分类参数数值化,变量数值转化,运用数据库间共通的参数合并样本变量等步骤,具体如下:
(1-1)将原始事故数据集中的“事故编号”,“道路桩号”,“道路编号”等无关要素在样本变量中去除;将变量“天气”,“灯光”,“事故类型”中含有“0”,“未知”的样本删除;
(1-2)将变量“坡度方向”,“平曲线方向”由“正/负”转换为“1/0”;本实施例中,事故严重度按是否有人受伤分为2级,即将原始事故数据集中的变量“事故严重度”二值化,用1指代无人受伤的事故,0指代有人受伤的事故;将变量“事故车辆生产年份”转换为“事故车辆车龄”,具体转换公式:
其中,Vehyri表示编号为i的事故中事故车辆在事故发生年份的车龄,为该事故车辆的生产年份,val(yeari)指编号为i的事故发生的年份。
(1-3)通过标签“事故编号”将驾驶员数据集中的“驾驶员年龄”和“驾驶员性别”增添至事故数据集,同样通过标签“道路编号”将道路相关变量增添事故数据集,实现多元数据的融合。
本实施例中,道路条件包括坡度方向、平曲线方向,分别由0或1表示正或负;驾驶员情况包括驾驶员年龄、驾驶员性别;其中驾驶员性别由0或1表示男或女;车辆情况包括事故车辆车龄。
(2)对收集到的L个事故样本的变量因素进行降维和归一化,设降维后的样本sl′为I维,I≤M,sl′=(f1l′,f2l′,…,fIl′)T,fil′为降维后保留的变量因素,i=1..I;
归一化处理的公式为:
xil=(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值,MinValue为{fi1′,fi2′,…,fiL′}中的最小值,MaxValue为{fi1′,fi2′,…,fiL′}中的最大值;
可以采用主成分分析法(Principal Component Analysis,PCA)或独立成分分析法(Independent Component Analysis,ICA)对变量因素样本集S进行降维。
(3)建立深度学习神经网络,构建交通事故严重度预测模型;
构建交通事故严重度预测模型的步骤为:
(3.1)建立具有一层隐含层的神经网络,所述神经网络输入层有I个输入单元,整个输入层为经步骤(2)降维和归一化后的样本xl=(x1l,x2l,…,xIl)T,l=1..L;所述神经网络的隐含层具有J个神经元;所述神经网络的输出层有K个输出单元,K=1,为事故的严重度值;
(3.2)建立隐含层与输入层连接权重矩阵,公式如下:
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值,gj是隐含层第j个节点的激活函数,表示输入层第i个节点和隐含层第j个节点的连接权重;j=1..J;
(3.3)建立隐含层与输出层连接权重矩阵,公式如下:
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值,gk是输出层第k个节点的激活函数,表示输出层第k个节点和隐含层第j个节点的连接权重;k=1..K;如图4所示,为建立的深度学习网络示意图。
(3.4)用步骤(2)降维和归一化后的样本作为输入,对应的事故严重度值作为输出,训练步骤(3.1)-(3.4)建立的模型,获取隐含层与输入层连接权重和隐含层与输出层连接权重。
本实施例中事故严重度按是否有人受伤分为2级,用数值0和1表示,有人受伤的事故样本指标,以数值0来表示;无人受伤的事故样本指标,以数值1来表示。即输出层有1个输出单元,K=1。本实施例中初始参数设置如表1所示,即I=20,J=12。
表1初始参数设置
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维,得到降维后的待预测事故变量因素向量x,将x代入步骤(3)建立的交通事故严重度预测模型中,得到待预测事故的严重度预测结果。
本实施例将2015年的高速路交通事故数据作为测试样本,对本发明提供的交通事故严重度预测方法进行了验证,得到了较高的预测精度。
Claims (7)
1.基于深度学习的高速公路交通事故严重度预测方法,其特征在于,包括如下步骤:
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素,构成样本集S=(s1,s2,…,sL),其中sl=(f1l,f2l,…,fMl)T,fhl为编号为l的事故的第h个变量因素;记录每个交通事故的严重度值,rl为编号为l的事故的严重度值,h=1..M,l=1..L;
(2)对收集到的L个事故样本的变量因素进行降维和归一化,设降维后的样本sl′为I维,I≤M,sl′=(f1l′,f2l′,…,fIl′)T,fil′为降维后保留的变量因素,i=1..I;
归一化处理的公式为:
xil=(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值,MinValue为{fi1′,fi2′,…,fiL′}中的最小值,MaxValue为{fi1′,fi2′,…,fiL′}中的最大值;
(3)建立深度学习神经网络,构建交通事故严重度预测模型;
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维,得到降维后的待预测事故变量因素向量x,将x代入步骤(3)建立的交通事故严重度预测模型中,得到待预测事故的严重度预测结果。
2.根据权利要求1所述的基于深度学***曲线方向,分别由0或1表示正或负。
3.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法,其特征在于,所述驾驶员情况包括驾驶员年龄、驾驶员性别;其中驾驶员性别由0或1表示男或女。
4.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法,其特征在于,所述车辆情况包括事故车辆车龄。
5.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法,其特征在于,步骤(2)中采用主成分分析法对变量因素样本集S进行降维。
6.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法,其特征在于,步骤(2)中采用独立成分分析法对变量因素样本集S进行降维。
7.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法,其特征在于,步骤(3)中构建交通事故严重度预测模型的步骤为:
(3.1)建立具有一层隐含层的神经网络,所述神经网络输入层有I个输入单元,整个输入层为经步骤(2)降维和归一化后的样本xl=(x1l,x2l,…,xIl)T,l=1..L;所述神经网络的隐含层具有J个神经元;所述神经网络的输出层有K个输出单元,K=1,为事故的严重度值;
(3.2)建立隐含层与输入层连接权重矩阵,公式如下:
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值,gj是隐含层第j个节点的激活函数,表示输入层第i个节点和隐含层第j个节点的连接权重;j=1..J;
(3.3)建立隐含层与输出层连接权重矩阵,公式如下:
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值,gk是输出层第k个节点的激活函数,表示输出层第k个节点和隐含层第j个节点的连接权重;k=1..K;
(3.4)通过Back-propagation算法分别计算输出层和隐含层的梯度,依据梯度确定每一迭代过程中连接权值的初始变化量,最后根据设定好的学习速率对权值进行更新,公式如下:
ek(m)=Ok(m)-ψk(m)
为第m个样本在输出层的梯度,ek(m)为真实值与预测值的误差,为连接隐含层和输出层权值的变化量。a(m)为学习速率,η(m)为迭代步长。
为第m个样本在隐含层的梯度,为连接隐含层和输入层权值的变化量。
因此连接权值的更新如下:
(3.5)用步骤(2)降维和归一化后的样本作为输入,对应的事故严重度值作为输出,训练步骤(3.1)-(3.4)建立的模型,获取隐含层与输入层连接权重和隐含层与输出层连接权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353740.1A CN108665093B (zh) | 2018-04-19 | 2018-04-19 | 基于深度学习的高速公路交通事故严重度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810353740.1A CN108665093B (zh) | 2018-04-19 | 2018-04-19 | 基于深度学习的高速公路交通事故严重度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665093A true CN108665093A (zh) | 2018-10-16 |
CN108665093B CN108665093B (zh) | 2021-07-27 |
Family
ID=63780340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810353740.1A Active CN108665093B (zh) | 2018-04-19 | 2018-04-19 | 基于深度学习的高速公路交通事故严重度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665093B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919140A (zh) * | 2019-04-02 | 2019-06-21 | 浙江科技学院 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN112561175A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 交通事故影响因子预测方法、装置、设备及存储介质 |
CN114582126A (zh) * | 2022-03-04 | 2022-06-03 | 深圳市综合交通与市政工程设计研究总院有限公司 | 适用于特长隧道交通兼顾效率安全的智能管控方法及*** |
CN115600726A (zh) * | 2022-09-19 | 2023-01-13 | 浙江省交通运输科学研究院(Cn) | 一种基于神经网络的隧道交通事故严重程度预测方法 |
CN115689040A (zh) * | 2022-11-11 | 2023-02-03 | 浙江省交通运输科学研究院 | 基于卷积神经网络的交通事故严重程度预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
-
2018
- 2018-04-19 CN CN201810353740.1A patent/CN108665093B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919140A (zh) * | 2019-04-02 | 2019-06-21 | 浙江科技学院 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
CN109919140B (zh) * | 2019-04-02 | 2021-04-09 | 浙江科技学院 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
CN110807930A (zh) * | 2019-11-07 | 2020-02-18 | 中国联合网络通信集团有限公司 | 危险车辆预警方法及装置 |
CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
CN111221880A (zh) * | 2020-04-23 | 2020-06-02 | 北京瑞莱智慧科技有限公司 | 特征组合方法、装置、介质和电子设备 |
CN112561175A (zh) * | 2020-12-18 | 2021-03-26 | 深圳赛安特技术服务有限公司 | 交通事故影响因子预测方法、装置、设备及存储介质 |
CN114582126A (zh) * | 2022-03-04 | 2022-06-03 | 深圳市综合交通与市政工程设计研究总院有限公司 | 适用于特长隧道交通兼顾效率安全的智能管控方法及*** |
CN115600726A (zh) * | 2022-09-19 | 2023-01-13 | 浙江省交通运输科学研究院(Cn) | 一种基于神经网络的隧道交通事故严重程度预测方法 |
CN115600726B (zh) * | 2022-09-19 | 2023-04-21 | 浙江省交通运输科学研究院 | 一种基于神经网络的隧道交通事故严重程度预测方法 |
CN115689040A (zh) * | 2022-11-11 | 2023-02-03 | 浙江省交通运输科学研究院 | 基于卷积神经网络的交通事故严重程度预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108665093B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN110427875A (zh) | 基于深度迁移学习和极限学习机的红外图像目标检测方法 | |
CN109902862A (zh) | 一种融合时间注意力机制的时间序列预测*** | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN104881685B (zh) | 基于捷径深度神经网络的视频分类方法 | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
DE112021001181T5 (de) | Iterativer Optimierungsalgorithmus zur Fusionsvorhersage mit Multiskalen von Fahrzeuggeschwindigkeit für intelligente vernetzte Fahrzeuge | |
CN113918538B (zh) | 一种基于人工神经网络的新建道路养护数据迁移*** | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及*** | |
Albatayneh et al. | Image retraining using TensorFlow implementation of the pretrained inception-v3 model for evaluating gravel road dust | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN106997488A (zh) | 一种结合马尔科夫决策过程的动作知识提取方法 | |
Liu et al. | Explanatory prediction of traffic congestion propagation mode: A self-attention based approach | |
Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN108710967A (zh) | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Liu et al. | A deep reinforcement learning approach for ramp metering based on traffic video data | |
CN114662793A (zh) | 基于可解释分层模型的业务流程剩余时间预测方法与*** | |
CN113656707A (zh) | 一种理财产品推荐方法、***、存储介质及设备 | |
CN113870052A (zh) | 基于多输入lstm-cnn的工作票安全措施识别方法及终端 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
Lu et al. | Learning Car-Following Behaviors for a Connected Automated Vehicle System: An Improved Sequence-to-Sequence Deep Learning Model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |