CN109145954B - 一种基于多源时空数据的网约车出行安全评价方法及*** - Google Patents
一种基于多源时空数据的网约车出行安全评价方法及*** Download PDFInfo
- Publication number
- CN109145954B CN109145954B CN201810821097.0A CN201810821097A CN109145954B CN 109145954 B CN109145954 B CN 109145954B CN 201810821097 A CN201810821097 A CN 201810821097A CN 109145954 B CN109145954 B CN 109145954B
- Authority
- CN
- China
- Prior art keywords
- data
- safety
- road
- driver
- source
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000013278 delphi method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多源时空数据的网约车出行安全评价方法及***,本发明方法包括以下步骤:数据采集与预处理、路段划分、地图匹配、多维度安全指数计算;本发明***包括多源时空数据分析平台、地理服务器、政府终端、企业终端、司机终端和乘客终端。与现有基于身份属性的静态监管***相比,本发明基于多源时空数据挖掘,多维度地分析各个时间各个路段的道路安全性和各个司机在各个路段的司机安全性,进而更精准地评价网约车出行安全等级,并借助安全指数将网约车出行风险量化,创新了监管体制,是治理体系和治理能力现代化的重要体现,可以提高政府管理效率,实现企业动态监管,规范司机驾驶行为,辅助乘客出行决策。
Description
技术领域
本发明涉及网络预约出租汽车技术领域,尤其是涉及一种基于多源时空数据 的网约车出行安全评价方法及***。
背景技术
网约车出行安全评价与监管成为当前亟待解决的热点与难点问题。纵观国内外已有的相关技术与方法,大多是基于静态数据的定性研究,缺少基于多源时空数据 的定量化研究。而目前已存在的监管***大多是由网上申报、资质审核和状态监控 构成,主要是基于身份属性的静态监管***,缺少基于驾驶行为的动态监管***。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源时 空数据的网约车出行安全评价方法及***。
本发明的目的可以通过以下技术方案来实现:
一种基于多源时空数据的网约车出行安全评价方法,包括以下步骤:
S1:多源时空数据数据采集;
采集并融合网约车轨迹数据、订单数据、道路事故数据、摄像头位置数据、 犯罪及出警数据、城市道路交通指数、道路设施数据、桥梁设施数据、移动通信数 据、基站位置数据、气象数据等多源时空数据。
S2:数据预处理;
基于Hadoop和Spark的大数据分布式并行处理框架,对海量多源时空数据进 行数据清洗(去噪声和无关数据)、数据集成(将多个数据源中的数据结合起来存 放在一个一致的数据存储中)、数据变换(把原始数据转换成为适合数据挖掘的形 式)、数据规约(维度归约,数据压缩,数值归约,离散化)等预处理。
S3:路段划分;
以交叉口为节点对地面道路进行路段划分,以匝道出入口为节点对城市快速 路进行路段划分,将城市道路网离散化并赋予唯一编号。
S4:地图匹配;
基于地理信息***空间分析将不同类型的多源时空数据(点数据、线数据、 面数据)匹配到上述对应的路段,作为安全指数评价的参考依据。
S5:安全指数计算;
对步骤S4匹配到相应路段的多源时空数据提取安全评价相关的特征参数,并 进行特征参数标准化、基于机器学习的安全指数计算。
安全特征提取:基于上述匹配到路段的多源时空数据计算安全评价相关的特 征参数,具体分为道路安全特征参数(包括:不同路段在不同时段的道路事故参数、 道路拥堵参数、道路设施参数、摄像头参数、人群聚集参数、犯罪参数、天气参数 等)与司机安全特征参数(包括:不同司机在不同路段的平均速度参数、平均加速 度参数、平均刹车数参数、平均偏角参数等)。
特征参数标准化:分别对上述所有参数进行百分位转换,得到标准化的参数, 便于对比分析与模型输入。
基于机器学习的安全指数计算:
(一)利用上述标准化特征参数,采用Naive Bayes模型分别对道路安全等级 和司机安全等级进行分类预测与安全指数计算。
其中,各安全指数计算的具体步骤为:
(1)获取每个类别在训练样本中的出现频率P(yi);
(2)获取各类别下各个特征参数aj的条件概率P(aj|yi);
(3)基于贝叶斯模型,计算各个分类等级yi的条件概率:
(4)基于交叉验证的模型评估,若满足验证要求,则输出最优分类器模型, 若不满足验证要求,则修改模型参数,并返回步骤(1);
(5)输入待分类样本x={a1,a2,...,am},基于最优分类器模型,计算待 分类项属于各个安全等级的概率P(yi|x),输出条件概率最大的安全等级作为预测 安全等级:
Max{P(y1|x),P(y2|x),...,P(yn|x)}
(6)基于各安全等级的条件概率计算安全指数Kx:
Kx=∑P(yi|x)×bi
其中:bi为安全等级yi对应的标准安全指数权重(bA=100,bB=75,bC=50, bD=25)。
(二)根据上述安全指数的计算方法,综合司机安全指数和道路安全指数,根 据出行路径所经过的路段长度加权计算网约车出行路径的安全指数K:
一种基于多源时空数据的网约车出行安全评价***,该***包括:
多源时空数据分析平台:用于采集、存储、计算实时和历史的多源空数据;多 源时空数据分析平台集成了上述基于多源时空数据的网约车出行安全评价方法,并 使用SparkStreaming流式处理的技术对上述实时和历史时空数据进行分析与计算, 定期更新数据库中的安全指数结果。
地理服务器:用于分析、生成、发布安全指数可视化地图;
后台数据库:用于存储输出的安全指数数据,并定期更新数据;
Web服务器:用于连接数据库与地理服务器,搭建可视化查询终端;
政府终端:用于政府用户查看任意区域的道路安全等级可视化地图,并查询任 意时段任意路段的道路安全指数数值,以辅助政府对城市道路进行安全管理,对潜 在危险路段进行修建和完善;同时,政府用户还可在该终端对其所监管的网约车企 业的综合安全指数(该企业所有网约车司机安全指数及事故数的加权平均)进行实 时动态排名,辅助政府对网约车企业进行评价与考核,促进企业间良性竞争。
企业终端:用于网约车企业用户查询各自企业所有网约车司机的安全指数及其排名情况,并查看任意司机在不同路段的司机安全等级可视化地图,辅助企业对网 约车司机驾驶行为安全性进行评价与考核;同时,网约车企业用户还可在该终端查 看任意司机的实时运行状态(位置、速度、加速度等),方便企业对突发情况作出 应急处理
司机终端:用于网约车司机用户查看各自在不同路段的司机安全等级可视化地图,并搜索查询任意路段的司机安全指数,对所有路段的司机安全指数进行排序, 方便司机警惕危险驾驶路段,改善驾驶行为,提升服务水平。
乘客终端:用于通过API接口的形式嵌入网约车app,向网约车乘客推送安全 指数数据,实现出行路径安全指数预测与绕路监测的功能,辅助乘客对网约车司机 与出行路径进行选择,让乘客实时掌控自己的出行风险。
与现有技术相比,本发明具有以下优点:
一、不同于以往的基于身份属性的静态监管***,本发明基于多源时空数据 挖掘,多维度地分析各个时间各个路段的道路安全性和各个司机在各个路段的司机 安全性,进而更精准地评价网约车出行安全等级,并借助安全指数将网约车出行风 险量化,创新了网约车监管体制,是治理体系和治理能力现代化的重要体现,可以 提高政府管理效率,实现企业动态监管,规范司机驾驶行为,辅助乘客出行决策;
二、本发明能够满足不同层次对象的需求:面向政府,提供各时段不同天气 下的道路安全指数评价功能以及企业安全指数动态监管功能;面向企业,提供各司 机在各路段的安全指数评价功能以及车辆运行动态监管功能;面向司机,提供各路 段的司机安全指数排名查询功能;面向乘客,提供出行路径安全指数评价功能。
附图说明
图1为本发明一种基于多源时空数据的网约车出行安全评价方法的流程示意 图;
图2为安全指数计算的流程示意图;
图3为计算安全指数所采用的Naive Bayes模型算法流程图;
图4为本发明一种基于多源时空数据的网约车出行安全评价***的***架构 图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明涉及一种基于多源时空数据的网约车出行安全评价方法,如图1所示, 包括以下步骤:
步骤一、多源时空数据采集:
通过相关部门的数据开放平台以及项目合作,分别从网约车企业、交通部门、 公安部门、城建部门、通信部门、气象部门采集与网约车出行安全评价相关的时空 数据,包括但不限于以下数据类型和数据字段:
(1)网约车车辆轨迹数据(点数据):司机ID、车辆ID、时间、经度、纬度、 速度、刹车、方向、空车、高架、……
(2)网约车订单数据(点数据):订单ID、司机ID、、车辆ID、订单起点经 纬度、订单终点经纬度、订单开始时间、订单结束时间、行程ID、……
(3)道路交通指数(线数据):路段ID、状态、区域、当前指数、参考指数、 指数差值、……
(4)道路事故数据(点数据):事故ID、事故类型、事故地点、事故时间、……
(5)摄像头位置数据(点数据):编号ID、名称、安装地点、经度、纬度、……
(6)犯罪数据(面数据):区域、杀人数、伤害数、抢劫数、***数、诈骗数、 盗窃数、……
(7)出警数据(面数据):分局名称、接警时间、出警时间、出警事由、……
(8)道路设施数据(线数据):道路ID、起止地点、道路宽度、道路总面积、 改造时间、……
(9)桥梁设施数据(线数据):桥梁ID、桥梁名称、长度、宽度、改造年代、……
(10)移动通信数据(点数据):手机ID、时间、基站小区ID、事件ID、……
(11)基站位置数据(点数据):基站小区ID、经度、纬度、……
(12)天气数据(面数据):时间、区域、温度、风速、风向、降水量、……
步骤二、多源时空数据预处理:
基于Hadoop和Spark的大数据分布式并行处理框架,对上述多源时空数据进 行数据清洗(去噪声和无关数据)、数据集成(将多个数据源中的数据结合起来存 放在一个一致的数据存储中)、数据变换(把原始数据转换成为适合数据挖掘的形 式)、数据规约(维度归约,数据压缩,数值归约,离散化)等预处理。
步骤三、路段划分:
基于Open Street Map服务获取城市道路网矢量数据,以交叉口为节点对地面 道路进行路段划分,以匝道出入口为节点对城市快速路进行路段划分,将城市道路 网离散化并赋予唯一编号。对于双向路段考虑不同行车方向,可细分为2个不同的 编号。
步骤四、地图匹配:
基于地理信息***空间分析与计算,将上述不同类型的时空数据(点数据、线 数据、面数据)匹配到相应的路段,作为安全指数评价的参考依据。
步骤五、多维度安全指数计算:
分为司机安全指数计算、道路安全指数计算和出行路径安全指数计算,具体流 程如图2所示。
首先,基于上述匹配到路段的多源时空数据计算安全评价相关的特征参数,具 体分为道路安全特征参数(包括:不同路段在不同时段的道路事故参数、道路拥堵 参数、道路设施参数、摄像头参数、人群聚集参数、犯罪参数、天气参数)与司机 安全特征参数(包括:不同司机在不同路段的平均速度参数、平均加速度参数、平 均刹车数参数、平均偏角参数等)。
为了便于对比分析与模型输入,将上述各特征参数按路段分组,进行百分位转换,得到标准化的参数:x={a1,a2,...,am},其中aj为安全特征参数的百分位 转换值。
然后,采用Delphi法确定参数权重,并对一部分特征参数数据进行人工分级, 打上安全等级标签(A、B、C、D四个等级),即label={y1,y2,...,yn},得 到训练样本的数据:x0={a1,a2,...,am,yi},其中yi为分类,代表安全等级。
其次,基于Naive Bayes模型对已标记的特征参数进行训练,通过交叉验证得 到最佳分类器模型,分别对道路安全等级和司机安全等级进行分类预测,根据各等 级的预测概率计算安全指数,如图3所示,具体包括以下步骤:
(1)计算每个类别在训练样本中的出现频率P(yi);
(2)计算各类别下各个特征参数aj的条件概率P(aj|yi);
(3)基于贝叶斯模型,计算各个分类等级yi的条件概率:
(4)基于交叉验证的模型评估,如满足验证要求则输出最优分类器模型,如 不满足验证要求则修改模型参数,并返回步骤(1);
(5)输入待分类样本x={a1,a2,...,am},基于最优分类器模型,计算待 分类项属于各个安全等级的概率P(yi|x),输出条件概率最大的安全等级作为预测 安全等级:
Max{P(y1|x),P(y2|x),...,P(yn|x)}
(6)基于各安全等级的条件概率计算安全指数Kx:
Kx=∑P(yi|x)×bi
其中:bi为安全等级yi对应的标准安全指数权重(bA=100,bB=75,bC=50, bD=25)。
其中:ln为路段n的长度。
本发明还涉及一种基于多源时空数据的网约车出行安全评价***,该***包括:多源时空数据分析平台、地理后台服务器、政府终端、企业终端、司机终端、乘客 终端。该***架构如图4所示,实施步骤如下:
步骤一、多源时空数据分析平台搭建:
基于Spark+Hadoop大数据分布式并行处理框架构建多源时空数据分析平台, 该平台集成了上述基于多源时空数据的网约车出行安全评价方法,并应用Spark Streaming流式处理的技术对实时和历史的多源空数据进行分析与计算,输出多维 度的司机和道路安全指数。
步骤二、地理服务器与后台数据库搭建:
将多源时空数据分析平台计算输出的安全指数存储在MySQL数据库中,并定 期更新数据库中的安全指数结果。同时,基于地理信息***ArcGIS Desktop对上 述计算的安全指数进行地图可视化,并通过地理服务器ArcGIS Server发布安全指 数地图服务。
步骤三、可视化终端开发:
基于后台数据库存储的安全指数数据和地理服务器发布的安全指数地图,并面向不同的对象需求,包括政府终端、企业终端、司机终端、乘客终端,分别开发: 服务于政府的网页终端,其功能包括道路安全指数可视化查询、动态排名以及企业 安全指数动态排名等;服务于网约车企业的网页终端,其功能包括各司机安全指数 可视化查询、动态排名以及车辆动态监管等;服务于司机的移动终端,其功能包括 自身安全指数可视化查询与安全出行路径导航等;服务于乘客的移动终端,其功能 包括出行路径安全指数预测与绕路监测等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此, 任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效 的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明 的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于多源时空数据的网约车出行安全评价方法,其特征在于,该方法包括以下步骤:
1)采集多源时空数据;
2)基于Hadoop和Spark的大数据分布式并行处理框架,对多源时空数据进行数据预处理;
3)对城市道路进行路段划分,并将划分的路段进行编号;
4)基于地理信息***空间分析,将步骤2)处理后的多源时空数据匹配到划分后的对应路段;
5)基于步骤4)匹配到相应路段的多源时空数据获取安全评价相关的特征参数,采用Naive Bayes模型分别对道路相关数据和司机相关数据进行安全等级分类预测与安全指数计算,进而预测网约车出行路径安全指数;具体包括以下步骤:
501)将匹配到相应路段的多源时空数据分为道路安全特征参数和司机安全特征参数;
502)将道路安全特征参数和司机安全特征参数按路段分组,并进行百分位转换,获取标准化的特征参数;
503)通过Delphi法确定特征参数权重,并对一部分特征参数数据进行人工分级,标记安全等级标签,获取训练样本数据;
504)基于Naive Bayes模型对已标记安全等级标签的特征参数进行训练,通过交叉验证获取最佳分类器模型后,分别对道路安全等级和司机安全等级进行分类预测,并根据分类概率计算道路安全指数和司机安全指数;
505)结合道路安全指数和司机安全指数,综合评价网约车出行路径安全指数。
2.根据权利要求1所述的一种基于多源时空数据的网约车出行安全评价方法,其特征在于,步骤1)所述的多源时空数据包括但不限于网约车轨迹数据、订单数据、道路事故数据、摄像头位置数据、犯罪及出警数据、城市道路交通指数、道路设施数据、桥梁设施数据、移动通信数据、基站位置数据和气象数据。
3.根据权利要求1所述的一种基于多源时空数据的网约车出行安全评价方法,其特征在于,步骤2)中,数据预处理包括数据清洗、数据变换及数据规约。
4.根据权利要求1所述的一种基于多源时空数据的网约车出行安全评价方法,其特征在于,步骤3)的具体内容为:
以交叉口为节点对地面道路进行路段划分,以匝道出入口为节点对城市快速路进行路段划分,将城市道路网离散化并赋予唯一编号。
5.一种实现如权利要求1-4任一项所述的基于多源时空数据的网约车出行安全评价方法的评价***,其特征在于,该***包括:
多源时空数据分析平台:用于采集、存储、计算实时和历史的多源空数据;
地理服务器:用于分析、生成、发布安全指数可视化地图;
后台数据库:用于存储输出的安全指数数据,并定期更新数据;
Web服务器:用于连接数据库与地理服务器,搭建可视化查询终端;
政府终端:用于政府用户查看任意区域的道路安全等级可视化地图,并查询任意时段任意路段的道路安全指数数值;
企业终端:用于网约车企业用户查看各自企业所有网约车司机的安全指数及其排名情况,并查看任意司机在不同路段的安全等级可视化地图;
司机终端:用于网约车司机用户查看各自在不同路段的司机安全等级可视化地图,并搜索查询任意路段的司机安全指数,对所有路段的司机安全指数进行排序;
乘客终端:用于通过API接口的形式嵌入网约车服务app,向网约车乘客推送安全指数数据。
6.根据权利要求5所述的一种评价***,其特征在于,所述的多源时空数据分析平台采用Spark Streaming流式处理方法对实时和历史的多源空数据进行分析与计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810821097.0A CN109145954B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多源时空数据的网约车出行安全评价方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810821097.0A CN109145954B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多源时空数据的网约车出行安全评价方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145954A CN109145954A (zh) | 2019-01-04 |
CN109145954B true CN109145954B (zh) | 2021-11-09 |
Family
ID=64797713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810821097.0A Active CN109145954B (zh) | 2018-07-24 | 2018-07-24 | 一种基于多源时空数据的网约车出行安全评价方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145954B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992119A (zh) * | 2019-02-21 | 2020-04-10 | 北京嘀嘀无限科技发展有限公司 | 一种对风险订单进行排序的方法和*** |
CN111612197A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种安全事件订单的检测方法、装置和电子设备 |
CN111612200B (zh) * | 2019-02-25 | 2023-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种订单安全性预测方法、装置、服务器及存储介质 |
CN109726942A (zh) * | 2019-03-01 | 2019-05-07 | 北京汽车研究总院有限公司 | 一种驾驶环境风险评估方法及*** |
CN110162702A (zh) * | 2019-05-11 | 2019-08-23 | 任明和 | 基于大数据对道路进行安全标记的方法 |
CN111932046A (zh) * | 2019-05-13 | 2020-11-13 | 阿里巴巴集团控股有限公司 | 一种服务场景下处理风险的方法、计算机设备、存储介质 |
CN110555536A (zh) * | 2019-09-06 | 2019-12-10 | 南京领行科技股份有限公司 | 一种网约车订单的安全性预测方法、装置、设备和存储介质 |
CN110716935A (zh) * | 2019-10-09 | 2020-01-21 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 基于网约车出行的轨迹数据分析与可视化方法及*** |
CN111145542A (zh) * | 2019-12-23 | 2020-05-12 | 北京高诚科技发展有限公司 | 一种基于车辆行为的营运性质监测***及方法 |
CN112017463B (zh) * | 2020-07-17 | 2021-11-12 | 盛威时代科技集团有限公司 | 智能化的网约车管理方法 |
CN112052972B (zh) * | 2020-09-11 | 2021-05-18 | 广州宸祺出行科技有限公司 | 一种网约车司机行为可视化的方法和*** |
CN112188438B (zh) * | 2020-09-22 | 2024-06-14 | 广州宸祺出行科技有限公司 | 一种网约车app与车机数据交换的方法和*** |
CN114694052A (zh) * | 2020-12-29 | 2022-07-01 | 中兴通讯股份有限公司 | 道路安全评估方法、视频处理中心及存储介质 |
CN113379233B (zh) * | 2021-06-08 | 2023-02-28 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
CN114386737B (zh) * | 2021-10-09 | 2023-10-13 | 浙江警察学院 | 一种移动互联时代下网约车乘客安全监测方法 |
CN114756975B (zh) * | 2022-06-15 | 2022-09-02 | 江苏新晖测控科技有限公司 | 一种基于双通道的动态液位无线监控***及方法 |
CN114997527B (zh) * | 2022-07-18 | 2022-11-11 | 苏州智能交通信息科技股份有限公司 | 基于道路运输动态数据的企业考核评价方法、***及终端 |
CN117014473B (zh) * | 2023-09-28 | 2023-12-19 | 东莞中科智城软件有限公司 | 一种基于端云融合技术的智能网联汽车监控*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855756A (zh) * | 2012-09-28 | 2013-01-02 | 深圳华宏联创科技有限公司 | 一种智能出租车应召方法、服务器和*** |
CN103531025A (zh) * | 2013-11-08 | 2014-01-22 | 宁波市康惠网络科技有限公司 | 一种利用线路分段方法来匹配信息的拼车*** |
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*** |
CN105844384A (zh) * | 2016-03-14 | 2016-08-10 | 北京工业大学 | 一种道路安全评价方法及装置 |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483741B2 (en) * | 2013-03-28 | 2016-11-01 | Wal-Mart Stores, Inc. | Rule-based item classification |
-
2018
- 2018-07-24 CN CN201810821097.0A patent/CN109145954B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855756A (zh) * | 2012-09-28 | 2013-01-02 | 深圳华宏联创科技有限公司 | 一种智能出租车应召方法、服务器和*** |
CN103531025A (zh) * | 2013-11-08 | 2014-01-22 | 宁波市康惠网络科技有限公司 | 一种利用线路分段方法来匹配信息的拼车*** |
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*** |
CN105844384A (zh) * | 2016-03-14 | 2016-08-10 | 北京工业大学 | 一种道路安全评价方法及装置 |
CN107679636A (zh) * | 2017-08-29 | 2018-02-09 | 明光泰源安防科技有限公司 | 一种基于网约车的驾驶员安全评估方法 |
Non-Patent Citations (1)
Title |
---|
基于动态朴素贝叶斯分类器的明渠水华风险评估模型;王中锋;《南水北调与水利科技》;20170430;第15卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145954A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及*** | |
Li et al. | Overview of traffic incident duration analysis and prediction | |
Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
Qiao et al. | Short-term travel time prediction considering the effects of weather | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
Torbaghan et al. | Understanding the potential of emerging digital technologies for improving road safety | |
CN116628455B (zh) | 一种城市交通碳排放监测与决策支持方法及*** | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
Lee et al. | Indicators development to support intelligent road infrastructure in urban cities | |
CN111539864A (zh) | 一种基于lbs大数据的***件的情报分析方法和装置 | |
Trirat et al. | Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior | |
Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
Růžička et al. | Big data application for urban transport solutions | |
Chand et al. | Examining the macro-level factors affecting vehicle breakdown duration | |
You et al. | PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
Ganapathy et al. | Data mining and information technology in transportation—a review | |
Qian | Real-time incident detection using social media data. | |
Bi et al. | Identification of working trucks and critical path nodes for construction waste transportation based on electric waybills: A case study of Shenzhen, China | |
Khabiri et al. | Application of data mining algorithm to investigate the effect of intelligent transportation systems on road accidents reduction by decision tree | |
Samal et al. | Speedpro: A predictive multi-model approach for urban traffic speed estimation | |
Huang | SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State | |
Vijithasena et al. | Data visualization and machine learning approach for analyzing severity of road accidents | |
Agarwal et al. | Intelligent transportation system: A complete insight |
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 |