CN109598931B - 基于交通安全风险的群体划分与差异性分析方法及*** - Google Patents

基于交通安全风险的群体划分与差异性分析方法及*** Download PDF

Info

Publication number
CN109598931B
CN109598931B CN201811463865.6A CN201811463865A CN109598931B CN 109598931 B CN109598931 B CN 109598931B CN 201811463865 A CN201811463865 A CN 201811463865A CN 109598931 B CN109598931 B CN 109598931B
Authority
CN
China
Prior art keywords
attribute
group
data
risk
traffic
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
Application number
CN201811463865.6A
Other languages
English (en)
Other versions
CN109598931A (zh
Inventor
刘林
吕伟韬
陈凝
饶欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Zhitong Traffic Technology Co ltd
Original Assignee
Jiangsu Zhitong Traffic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Zhitong Traffic Technology Co ltd filed Critical Jiangsu Zhitong Traffic Technology Co ltd
Priority to CN201811463865.6A priority Critical patent/CN109598931B/zh
Publication of CN109598931A publication Critical patent/CN109598931A/zh
Priority to PCT/CN2019/114373 priority patent/WO2020108219A1/zh
Application granted granted Critical
Publication of CN109598931B publication Critical patent/CN109598931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于交通安全风险的群体划分与差异性分析方法及***，以驾驶人、机动车为对象，通过集成学习算法标定对象安全风险，在此基础上进行群体划分，并通过统计学方法识别显著性差异指标；本发明基于集成学习算法从交通参与者的交通行为表现中挖掘其特征，并标定其安全风险程度，为降低分析研判应用的数据颗粒度，根据风险度划分若干不同安全等级的目标群体；同时为了克服集成学习算法在安全风险标定的过程缺乏解释度的问题，通过Fisher费舍尔精确检验识别群体间的显著差异性指标，从而准确描述各风险等级群体的特征，为主动化的交通安全治理提供数据支撑。

Description

基于交通安全风险的群体划分与差异性分析方法及***
技术领域
本发明涉及一种基于交通安全风险的群体划分与差异性分析方法及***。
背景技术
以机器学习方法进行交通参与者的交通事故发生概率预测，能够为每一个存在交通违法、事故记录的驾驶人、车辆标定一个明确的安全风险指标，但在目前的实际应用中，以个体为对象的交通安全管理应用场景较为有限。
在这种应用条件下，降低数据颗粒度，从群体角度识别关键性的安全特征，对于主动化的安全治理具有更为现实的指导作用。为此，目前急需一种基于交通安全风险的群体划分与差异性分析方法和***，来实现以上目的。
发明内容
本发明的目的是提供一种基于交通安全风险的群体划分与差异性分析方法及***，通过统计学方法弥补集成学习算法在风险标定过程描述中存在的缺陷，挖掘不同风险等级的群体在事故原因、事故结果的差异性特征，解决现有技术中存在的以个体为对象的交通安全管理应用场景较为有限的问题。
本发明的技术解决方案是：
一种基于交通安全风险的群体划分与差异性分析方法，以驾驶人、机动车为对象，通过集成学习算法标定对象安全风险，在此基础上进行群体划分，并通过统计学方法识别显著性差异指标；包括以下步骤，
S1、确定交通参与者对象，包括驾驶人、机动车；根据目标对象信息获取其交通违法与交通事故历史记录，作为样本数据；
S2、基于集成学习算法构建目标对象的风险度预测模型；将样本数据输入模型，模型输出目标对象的风险度指标；其中，风险度为样本数据经过模型处理后的标签分类概率；
S3、根据步骤S1获取的样本数据确定目标对象的二级属性维度，将其分为事故成因二级属性集合、事故结果二级属性集合；将二级属性拆分至三级，确定各二级属性对应的三级属性因子；
S4、综合步骤S2、S3的处理结果，建立群体划分数据表，确定样本群体归属；
S5、以群体为对象，以二级属性为统计维度，进行群体内部的三级属性数据统计；集成各群体的统计结果，生成二级属性变量R*C列联表，其中R表征群体量，C表征二级属性对应的三级属性因子个数；采用费舍尔精确检验方式，假设H0：不同群体间的属性变量值存在显著差异，H1：不同群体间的属性变量不存在显著差异；采用蒙特卡罗模拟计算方法获取费舍尔精确检验p值的模糊解p_value；根据p_value确定费舍尔精确检验结果，将存在显著差异的变量作为群体安全特征属性。
进一步地，步骤S2中，风险度预测模型的构建流程具体包括数据标签定义与数据集划分，基于嵌入法的模型特征变量筛选，数据集均衡处理，基于交叉验证的模型训练，基于ROC曲线即接受者操作曲线与曲线下面积AUC的模型性能评估筛选出拟合效果最佳的模型；该模型输出的风险度指标为数据的标签分类概率。
进一步地，步骤S4中，群体划分数据表的字段包括对象信息、时间、三级属性因子、风险度、所属群体；其中所属群体字段数据根据对象信息的风险度在各群体风险度阈值区间的归属情况确定。
进一步地，步骤S5中，根据p_value确定费舍尔精确检验结果，将存在显著差异的变量作为群体安全特征属性，具体为，p值的模糊解p_value小于设定值，则接受原假设H0；否则拒绝原假设H0，接受假设H1。
一种实现上述任一项所述的基于交通安全风险的群体划分与差异性分析方法的基于交通安全风险的群体划分与差异性分析***，包括数据对接模块、风险度预测模块、属性因子分析模块和群体特征识别模块，
数据对接模块：从数据库中提取交通事故记录、交通违法记录；
风险度预测模块：接入数据对接模块的历史交通违法数据、交通事故数据，作为模型构建的样本；定义数据标签，划分样本数据集；筛选模型特征变量；进行数据集的均衡处理；采用交叉验证方法训练模型，根据ROC曲线以及AUC值筛选出拟合效果最佳的模型；完成风险度预测模型的构建，并根据用户指令从数据对接模块中提取指定的目标对象的历史交通违法记录，通过模型处理输出该目标对象的风险度预测值；生成风险度表；
属性因子分析模块：接入数据对接模块的样本数据，根据原始样本数据字段确定二级属性；根据样本数据字段的具体数值确定二级属性对应的三级属性因子，其中二级属性为离散型数据，则三级属性因子即为对应的数据值域，二级属性若为连续性数据，则通过离散化处理，确定三级属性因子；生成二级属性表、三级属性表；
群体特征识别模块：由风险度预测模块接入风险度表，由属性因子分析模块获取二级属性表、三级属性表；根据风险度阈值区间设置情况生成群体划分数据表；采用费舍尔精确检验与蒙特卡罗模拟计算法方法，确定二级属性p值，写入二级属性表；筛选出p值小于设定值的二级属性，作为不同群体的差异性特征，生成群体特征表。
进一步地，还包括可视化模块，可视化模块：从群体特征识别模块中获取群体划分数据表、群体特征表，根据差异性特征对应的三级属性将各群体样本进行统计，生成各群体的差异性特征表；调用可视化引擎，采用专题图对各群体的差异性特征及三级属性样本统计情况进行可视化处理与展示。
本发明的有益效果是：
一、该种基于交通安全风险的群体划分与差异性分析方法及***，基于集成学习算法从交通参与者的交通行为表现中挖掘其特征，并标定其安全风险程度，为降低分析研判应用的数据颗粒度，根据风险度划分若干不同安全等级的目标群体；同时为了克服集成学习算法在安全风险标定的过程缺乏解释度的问题，通过Fisher费舍尔精确检验识别群体间的显著差异性指标，从而准确描述各风险等级群体的特征，为主动化的交通安全治理提供数据支撑。
二、在基于集成学习的驾驶人、车辆等交通参与者的交通安全风险度预测基础上，划分不同安全性等级的群体，采用R*C列联表Fisher精确检验方法，识别差异性属性因子，在检验过程中，因R*C列联表行列数均大于2，导致其计算精确解的误差显著，计算耗时长，为此本发明采用了蒙特卡罗模拟计算，获得p值的模糊解，有效节约了该算法的时间成本。
三、本发明对驾驶人、车辆等交通参与者进行交通安全风险评级，并以同等级交通参与者组成的群体为对象，挖掘群体间的差异性特征，解决了以个体为对象的交通安全管理应用场景较为有限的问题。
附图说明
图1是本发明实施例基于交通安全风险的群体划分与差异性分析方法的流程示意图。
图2是实施例基于交通安全风险的群体划分与差异性分析***的说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于交通安全风险的群体划分与差异性分析方法，以驾驶人、机动车为对象，通过集成学习算法标定对象安全风险，在此基础上进行群体划分，并通过统计学方法识别显著性差异指标；如图1，具体步骤为：
S1、确定交通参与者对象，包括驾驶人、机动车；根据目标对象信息获取其交通违法与交通事故历史记录，作为样本数据。
实施例中，驾驶人的目标对象信息为证件号码，机动车的目标对象信息为号牌类型与号牌号码组合；历史记录的时间范围通常超过1年，以保证足够多的样本量。
S2、基于集成学习算法构建目标对象的风险度预测模型；将样本数据输入模型，模型输出目标对象的风险度指标。其中，风险度为样本数据经过模型处理后的标签分类概率。
其中，风险度预测模型构建流程包括数据标签定义与数据集划分，基于嵌入法的模型特征变量筛选，数据集均衡处理，基于交叉验证的模型训练，基于ROC曲线(接受者操作曲线)与曲线下面积AUC的模型性能评估筛选出拟合效果最佳的模型；该模型输出的风险度指标为数据的标签分类概率。
在实施例中，采用改进的抽样方法与RF随机森林算法相结合的方法构建风险度预测模型，模型覆盖率recall为0.06，精确度为0.889。
S3、根据步骤S1获取的样本数据确定目标对象的二级属性维度，将其分为事故成因二级属性集合、事故结果二级属性集合；将二级属性拆分至三级，确定各二级属性对应的三级属性因子。
在实施例中，以驾驶人为目标对象，对应的事故成因二级属性集合内元素包括性别、年龄、国籍、户口性质、人员类型、驾龄、事故认定原因、血液酒精含量、安全带头盔使用情况等；以车辆为目标对象，事故成因二级属性包括车辆类型、交通方式、车辆使用性质、里程数、合法状况、保险、是否超载、照明灯状态、荷载量等；事故结果二级属性包括事故形态、事故等级、直接财产损失、事故责任等。
S4、综合步骤S2、S3的处理结果，建立群体划分数据表，确定样本群体归属；群体划分数据表的字段包括对象信息、时间、三级属性因子、风险度、所属群体；其中所属群体字段数据根据对象信息的风险度在各群体风险度阈值区间的归属情况确定。
在实施例中，设置了一般、风险、危险三类群体，一般群体的风险度阈值区间为[0,0.15]，风险群体区间为(0.15,0.8)，危险群体区间为[0.8,1.0]。
S5、以群体为对象，以二级属性为统计维度，进行群体内部的三级属性数据统计；集成各群体的统计结果，生成二级属性变量R*C列联表，其中R表征群体量，C表征二级属性对应的三级属性因子个数；采用Fisher费舍尔精确检验方式，假设H0：不同群体间的属性变量值存在显著差异，H1：不同群体间的属性变量不存在显著差异；鉴于三级属性因子通常超过2个，且列联表的行列数一般不同，采用蒙特卡罗模拟计算方法获取Fisher检验p值的模糊解p_value；根据p_value值确定Fisher精确检验结果，将存在显著差异的变量作为群体安全特征属性。
在实施例中，由R语言编辑群体间属性变量值差异性检验的脚本，调用stats统计方法包中的fisher.test函数，参数simulate.p.value设置为TRUE，蒙特卡罗模拟次数B设置为105；p值小于0.05，接受原假设H0，否则拒绝原假设H0。
在一个实施例中，以人员为目标对象，对事故结果二级属性进行Fisher精确检验，生成的事故等级、事故形态、事故责任、直接财产损失的R*C列联表如下所示：
表1.事故等级R*C列联表
Figure BDA0001886643150000051
表2.事故形态R*C列联表
Figure BDA0001886643150000052
Figure BDA0001886643150000061
表3.事故责任R*C列联表
Figure BDA0001886643150000062
表4.直接财产损失R*C列联表
Figure BDA0001886643150000063
通过蒙特卡罗模拟计算Fisher费舍尔精确检验p值，结果分别为：
事故结果二级属性 事故等级 事故形态 事故责任 直接财产损失
p_value 1.0 0.58790 0.03533 0.01469
不同群体的事故责任、直接财产损失差异显著，将这两个变量作为群体安全特征属性变量。
该种基于交通安全风险的群体划分与差异性分析方法，对驾驶人、车辆等交通参与者进行交通安全风险评级，并以同等级交通参与者组成的群体为对象，挖掘群体间的差异性特征，解决了以个体为对象的交通安全管理应用场景较为有限的问题。
一种交通参与者群体划分与特征研判***，如图2，包括数据对接模块、风险度预测模块、属性因子分析模块、群体特征识别模块、可视化模块。
数据对接模块，从数据库中提取交通事故记录、交通违法记录。
风险度预测模块，接入数据对接模块的历史交通违法数据、交通事故数据，作为模型构建的样本；定义数据标签，划分样本数据集；筛选模型特征变量；进行数据集的均衡处理；采用交叉验证方法训练模型，根据ROC曲线以及AUC值筛选出拟合效果最佳的模型；该模块完成风险度预测模型的构建，并根据用户指令从数据对接模块中提取指定的目标对象的历史交通违法记录，通过模型处理输出该目标对象的风险度预测值；生成风险度表。
属性因子分析模块，接入数据对接模块的样本数据，根据原始样本数据字段确定二级属性；根据样本数据字段的具体数值确定二级属性对应的三级属性因子，其中二级属性为离散型数据，则三级属性因子即为对应的数据值域，二级属性若为连续性数据，则通过离散化处理，确定三级属性因子；生成二级属性表、三级属性表。
群体特征识别模块，由风险度预测模块接入风险度表，由属性因子分析模块获取二级属性表、三级属性表；根据风险度阈值区间设置情况生成群体划分数据表；采用费舍尔精确检验与蒙特卡罗模拟计算法方法，确定二级属性p值，写入二级属性表；筛选出p值小于设定值的二级属性，作为不同群体的差异性特征，生成群体特征表。其中，设定值优选为0.05。
可视化模块，从群体特征识别模块中获取群体划分数据表、群体特征表，根据差异性特征对应的三级属性将各群体样本进行统计，生成各群体的差异性特征表；调用可视化引擎，采用专题图对各群体的差异性特征及三级属性样本统计情况进行可视化处理与展示，专题图包括词云、柱状图、饼图、圆环图、数图等占比类、比较类图形形式。
该种基于交通安全风险的群体划分与差异性分析方法及***，基于集成学习算法从交通参与者的交通行为表现中挖掘其特征，并标定其安全风险程度，为降低分析研判应用的数据颗粒度，根据风险度划分若干不同安全等级的目标群体；同时为了克服集成学习算法在安全风险标定的过程缺乏解释度的问题，通过Fisher费舍尔精确检验识别群体间的显著差异性指标，从而准确描述各风险等级群体的特征，为主动化的交通安全治理提供数据支撑。
在基于集成学习的驾驶人、车辆等交通参与者的交通安全风险度预测基础上，划分不同安全性等级的群体，采用R*C列联表Fisher精确检验方法，识别差异性属性因子，在检验过程中，因R*C列联表行列数均大于2，导致其计算精确解的误差显著，计算耗时长，为此实施例方法及***采用了蒙特卡罗模拟计算，获得p值的模糊解，有效节约了该算法的时间成本。

Claims (5)

1.一种基于交通安全风险的群体划分与差异性分析方法，其特征在于：以驾驶人、机动车为对象，通过集成学习算法标定对象安全风险，在此基础上进行群体划分，并通过统计学方法识别显著性差异指标；包括以下步骤，
S1、确定交通参与者对象，包括驾驶人、机动车；根据目标对象信息获取其交通违法与交通事故历史记录，作为样本数据；
S2、基于集成学习算法构建目标对象的风险度预测模型；将样本数据输入模型，模型输出目标对象的风险度指标；其中，风险度为样本数据经过模型处理后的标签分类概率；步骤S2中，风险度预测模型的构建流程具体包括数据标签定义与数据集划分，基于嵌入法的模型特征变量筛选，数据集均衡处理，基于交叉验证的模型训练，基于ROC曲线即接受者操作曲线与曲线下面积AUC的模型性能评估筛选出拟合效果最佳的模型；该模型输出的风险度指标为数据的标签分类概率；
S3、根据步骤S1获取的样本数据确定目标对象的二级属性维度，将其分为事故成因二级属性集合、事故结果二级属性集合；将二级属性拆分至三级，确定各二级属性对应的三级属性因子；
S4、综合步骤S2、S3的处理结果，建立群体划分数据表，确定样本群体归属；
S5、以群体为对象，以二级属性为统计维度，进行群体内部的三级属性数据统计；集成各群体的统计结果，生成二级属性变量R*C列联表，其中R表征群体量，C表征二级属性对应的三级属性因子个数；采用费舍尔精确检验方式，假设H0：不同群体间的属性变量值存在显著差异，H1：不同群体间的属性变量不存在显著差异；采用蒙特卡罗模拟计算方法获取费舍尔精确检验p值的模糊解p_value；根据p_value确定费舍尔精确检验结果，将存在显著差异的变量作为群体安全特征属性。
2.如权利要求1所述的基于交通安全风险的群体划分与差异性分析方法，其特征在于：步骤S4中，群体划分数据表的字段包括对象信息、时间、三级属性因子、风险度、所属群体；其中所属群体字段数据根据对象信息的风险度在各群体风险度阈值区间的归属情况确定。
3.如权利要求1或2所述的基于交通安全风险的群体划分与差异性分析方法，其特征在于：步骤S5中，根据p_value确定费舍尔精确检验结果，将存在显著差异的变量作为群体安全特征属性，具体为，p值的模糊解p_value小于设定值，则接受原假设H0；否则拒绝原假设H0，接受假设H1。
4.一种实现权利要求1-3任一项所述的基于交通安全风险的群体划分与差异性分析方法的基于交通安全风险的群体划分与差异性分析***，其特征在于：包括数据对接模块、风险度预测模块、属性因子分析模块和群体特征识别模块，
数据对接模块：从数据库中提取交通事故记录、交通违法记录；
风险度预测模块：接入数据对接模块的历史交通违法数据、交通事故数据，作为模型构建的样本；定义数据标签，划分样本数据集；筛选模型特征变量；进行数据集的均衡处理；采用交叉验证方法训练模型，根据ROC曲线以及AUC值筛选出拟合效果最佳的模型；完成风险度预测模型的构建，并根据用户指令从数据对接模块中提取指定的目标对象的历史交通违法记录，通过模型处理输出该目标对象的风险度预测值；生成风险度表；
属性因子分析模块：接入数据对接模块的样本数据，根据原始样本数据字段确定二级属性；根据样本数据字段的具体数值确定二级属性对应的三级属性因子，其中二级属性为离散型数据，则三级属性因子即为对应的数据值域，二级属性若为连续性数据，则通过离散化处理，确定三级属性因子；生成二级属性表、三级属性表；
群体特征识别模块：由风险度预测模块接入风险度表，由属性因子分析模块获取二级属性表、三级属性表；根据风险度阈值区间设置情况生成群体划分数据表；采用费舍尔精确检验与蒙特卡罗模拟计算法方法，确定二级属性p值，写入二级属性表；筛选出p值小于设定值的二级属性，作为不同群体的差异性特征，生成群体特征表。
5.如权利要求4所述的基于交通安全风险的群体划分与差异性分析***，其特征在于：还包括可视化模块，可视化模块：从群体特征识别模块中获取群体划分数据表、群体特征表，根据差异性特征对应的三级属性将各群体样本进行统计，生成各群体的差异性特征表；调用可视化引擎，采用专题图对各群体的差异性特征及三级属性样本统计情况进行可视化处理与展示。
CN201811463865.6A 2018-11-30 2018-11-30 基于交通安全风险的群体划分与差异性分析方法及*** Active CN109598931B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811463865.6A CN109598931B (zh) 2018-11-30 2018-11-30 基于交通安全风险的群体划分与差异性分析方法及***
PCT/CN2019/114373 WO2020108219A1 (zh) 2018-11-30 2019-10-30 基于交通安全风险的群体划分与差异性分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811463865.6A CN109598931B (zh) 2018-11-30 2018-11-30 基于交通安全风险的群体划分与差异性分析方法及***

Publications (2)

Publication Number Publication Date
CN109598931A CN109598931A (zh) 2019-04-09
CN109598931B true CN109598931B (zh) 2021-06-11

Family

ID=65959467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811463865.6A Active CN109598931B (zh) 2018-11-30 2018-11-30 基于交通安全风险的群体划分与差异性分析方法及***

Country Status (2)

Country Link
CN (1) CN109598931B (zh)
WO (1) WO2020108219A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598931B (zh) * 2018-11-30 2021-06-11 江苏智通交通科技有限公司 基于交通安全风险的群体划分与差异性分析方法及***
CN110458425A (zh) * 2019-07-25 2019-11-15 腾讯科技（深圳）有限公司 风险主体的风险分析方法、装置、可读介质及电子设备
CN110555277A (zh) * 2019-09-09 2019-12-10 山东科技大学 一种松散含水层下开采水砂突危险性评价方法
CN110570655B (zh) * 2019-09-19 2021-03-05 安徽百诚慧通科技有限公司 基于层次聚类和决策树的车辆特征评估方法
CN117274762B (zh) * 2023-11-20 2024-02-06 西南交通大学 基于视觉的地铁隧道低照度场景下实时轨道提取方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909582B2 (en) * 2013-02-04 2014-12-09 Nec Corporation Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, and recording medium
EP2778007B1 (en) * 2013-03-12 2022-09-07 INRIA - Institut National de Recherche en Informatique et en Automatique Method and system to assess abnormal driving behaviour of vehicles travelling on road
US20160292599A1 (en) * 2015-04-06 2016-10-06 Fmr Llc Analyzing and remediating operational risks in production computing systems
CN106022787A (zh) * 2016-04-25 2016-10-12 王琳 一种基于大数据的人车多因子评估方法及***
CN106126960A (zh) * 2016-07-25 2016-11-16 东软集团股份有限公司 驾驶安全评估方法及装置
CN107886723B (zh) * 2017-11-13 2021-07-20 深圳大学 一种交通出行调查数据处理方法
CN108573601B (zh) * 2018-03-26 2021-05-11 同济大学 一种基于wim数据的交通安全风险场构建方法
CN108596409B (zh) * 2018-07-16 2021-07-20 江苏智通交通科技有限公司 提升交通危险人员事故风险预测精度的方法
CN109598931B (zh) * 2018-11-30 2021-06-11 江苏智通交通科技有限公司 基于交通安全风险的群体划分与差异性分析方法及***

Also Published As

Publication number Publication date
WO2020108219A1 (zh) 2020-06-04
CN109598931A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN109598931B (zh) 基于交通安全风险的群体划分与差异性分析方法及***
CN113688042B (zh) 测试场景的确定方法、装置、电子设备及可读存储介质
EP3716165A1 (en) Esg criteria-based enterprise evaluation device and operation method thereof
CN107203774A (zh) 对数据的归属类别进行预测的方法及装置
CN109635010B (zh) 一种用户特征及特征因子抽取、查询方法和***
CN108833139B (zh) 一种基于类别属性划分的ossec报警数据聚合方法
CN104636449A (zh) 基于lsa-gcc的分布式大数据***风险识别方法
CN112232944B (zh) 一种评分卡创建方法、装置和电子设备
CN112686388A (zh) 一种在联邦学习场景下的数据集划分方法及***
CN114879613A (zh) 一种工业控制***信息安全攻击风险评估方法及***
CN111259167B (zh) 用户请求风险识别方法及装置
TWI677830B (zh) 模型中關鍵變量的探測方法及裝置
CN116414815A (zh) 数据质量检测方法、装置、计算机设备和存储介质
CN115080638A (zh) 微观仿真的多源数据融合分析方法、电子设备及存储介质
CN115203167A (zh) 数据检测方法、装置、计算机设备和存储介质
JP6943242B2 (ja) 分析装置、分析方法、およびプログラム
CN106815320B (zh) 基于拓展三维直方图的调研大数据可视化建模方法及***
CN110059749B (zh) 重要特征的筛选方法、装置及电子设备
CN113673609B (zh) 一种基于线性隐变量的调查问卷数据分析方法
CN112488236B (zh) 一种集成的无监督学生行为聚类方法
KR102110350B1 (ko) 비표준화 데이터베이스를 위한 도메인 판별 장치 및 방법
Thompson Data mining methods and the rise of big data
Keskin et al. Cohort fertility heterogeneity during the fertility decline period in Turkey
Jacintho et al. Brazilian presidential elections: Analysing voting patterns in time and space using a simple data science pipeline
CN112733897B (zh) 确定多维样本数据的异常原因的方法和设备

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
CB02 Change of applicant information

Address after: 211106 19 Su Yuan Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu

Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor

Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant