CN110968616A - 一种基于dbscan的侧翻点识别***及其工作方法 - Google Patents
一种基于dbscan的侧翻点识别***及其工作方法 Download PDFInfo
- Publication number
- CN110968616A CN110968616A CN201910708929.2A CN201910708929A CN110968616A CN 110968616 A CN110968616 A CN 110968616A CN 201910708929 A CN201910708929 A CN 201910708929A CN 110968616 A CN110968616 A CN 110968616A
- Authority
- CN
- China
- Prior art keywords
- connection port
- processor
- dbscan
- early warning
- objects
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于DBSCAN的侧翻点识别***,包括处理器、输入装置、预警模块、存储器、输出装置和电源模块,所述处理器的接电端口与输入装置的接电端口电性连接,所述处理器的接电端口与预警模块的接电端口电性连接,所述处理器的接电端口与存储器的接电端口电性连接,所述处理器的接电端口与输出装置的接电端口电性连接,所述处理器、输入装置、预警模块、存储器和输出装置均与电源模块电性连接。该基于DBSCAN的侧翻点识别***及其工作方法基于车辆侧翻点的DBSCAN分析算法能够快速、有效的对侧翻点进行聚类,排查出侧翻多发点段,更全面的分析侧翻事件的空间分布规律。
Description
技术领域
本发明涉及计算机技术领域,具体为一种基于DBSCAN的侧翻点识别***及其工作方法。
背景技术
目前交通安全得到越来越多的重视,交通安全需要持续不断提高,比如在一些路段中,行驶的车辆容易发生侧翻事故,导致交通事故的发生。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
随着科技的不断进步,目前可以通过侧翻点识别的方式提供预测。目前的侧翻点识别的算法大多采用特定场景的规则进行判断、根据历史侧翻时间形成侧翻风险路段信息,事后考核,事前潜在危险进行防范,并根据管理部门的经验,参照以往的统计数据或其他机构设定的标准,设定一个管理目标值,但对其如何服务于运输安全预警,仍然只停留在表面,缺乏实际指导,因不同侧翻事故其侧翻因素多样,现有技术不具有泛化性且相应技术很难应用到实际场景,相关智能识别技术缺乏伸入的研究。
发明内容
针对现有技术的不足,本发明提供了一种基于DBSCAN的侧翻点识别***及其工作方法,可以对侧翻路段信息的数据特征学习,采用侧翻事件的持续时间,持续距离,侧翻经度、维度,利用数据空间分布特征采用DBSCAN算法进行空间数据特征学习,从而实现车辆侧翻路段的近似计算,并作出预警。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于DBSCAN的侧翻点识别***,包括处理器、输入装置、预警模块、存储器、输出装置和电源模块,所述处理器的接电端口与输入装置的接电端口电性连接,所述处理器的接电端口与预警模块的接电端口电性连接,所述处理器的接电端口与存储器的接电端口电性连接,所述处理器的接电端口与输出装置的接电端口电性连接,所述处理器、输入装置、预警模块、存储器和输出装置均与电源模块电性连接。
优选的,所述预警模块执行部件主要为屏幕显示预警和语音提示。
优选的,所述输入装置主要为触摸屏输入位置信息,所述输出装置为触摸屏显示分析信息。
优选的,所述处理器与输入装置、预警模块、存储器、输出装置和电源模块均为单向连接,且存储器为双向连接。
一种基于DBSCAN的侧翻点识别***的工作方法,具体步骤包括:
步骤一:数据准备:在数据预处理阶段,收集侧翻数据集,标注数据,对数据过滤、补偿、做数据变换,增强数据数量和模型训练的鲁棒性。Ε:线性邻域的半径、MinTime:最短时间;
步骤二:读取侧翻数据T中任意未分类的对象p;
步骤三:检索出与p在侧翻数据上路程不大于E的所有对象Lneps(p),并计算相邻对象间最大时间间隔maxTime(p);
步骤四:如果|maxTime(p)|<MinTime,则将p标记为噪声(即p为非核心对象),并执行步骤一;
步骤五:否则(即p为核心对象),给Lneps(p)中所有对象标记为newid,并将这些对象放入集合Seeds中;
步骤六:令CurrentObject=Seeds.top;然后检索属于Lneps(CurrentObject)的所有对象,如果|maxTime(CurrentObject)|>MinTime,则剔除已经打上标记的对象,将余下的未分类对象打上类标签newid,然后放入集合Seeds中;
步骤七:Seeds.pop,判断Seeds是否为空,是,则执行步骤一,否则执行步骤六。
有益效果
本发明提供了一种基于DBSCAN的侧翻点识别***及其工作方法。具备以下有益效果:
(1)、该基于DBSCAN的侧翻点识别***及其工作方法基于车辆侧翻点的DBSCAN分析算法能够快速、有效的对侧翻点进行聚类,排查出侧翻多发点段,更全面的分析侧翻事件的空间分布规律。
(2)、该基于DBSCAN的侧翻点识别***及其工作方法通过实际调研挂车行驶路段,并通过侧翻路段的车辆数据实地分析,对车辆侧翻有了解的基础上提出侧翻路段识别模型,模型更加贴合实际情况,准确率较高。
(3)该基于DBSCAN的侧翻点识别***及其工作方法记住学习算法的使用场景,修正侧翻过程中的数据特征,采用机器学习算法提高侧翻路段检测准确度。
附图说明
图1为本发明的***原理图;
图2为本发明的工作步骤图;
图3为本发明的轨迹聚类侧翻点示意图。
图中:1处理器、2输入装置、3预警模块、4存储器、5输出装置、6电源模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供一种技术方案:一种基于DBSCAN的侧翻点识别***,包括处理器1、输入装置2、预警模块3、存储器4、输出装置5和电源模块6,处理器1的接电端口与输入装置2的接电端口电性连接,输入装置2输入侧翻聚类聚合(G)、候选侧翻集合(R)以及最小时间阈值(mintime),处理器1的接电端口与预警模块3的接电端口电性连接,处理器1的接电端口与存储器4的接电端口电性连接,处理器1的接电端口与输出装置5的接电端口电性连接,输出装置5输出侧翻点(S)和移动点(M),处理器1、输入装置2、预警模块3、存储器4和输出装置5均与电源模块6电性连接,该***中,对于侧翻中的每个聚类Gi,检索R中每个候选侧翻Ri是否与Gi有交集,若有交集,且相交时间t>mintime,则将该候选侧翻Ri标记为侧翻S;否则(Gi与所有Ri都不相交),则将Gi标记为未知侧翻unknowS;既不是侧翻也不是未知侧翻的子轨迹(轨迹聚类中的噪声点),标识为移动(M),例如图3所示:轨迹T有四个潜在侧翻点,分别为轨迹点聚类G1,G2,G3,G4。与此同时,图中轨迹沿线也标记出了四个候选侧翻,分别为R1,R2,R3,R4。聚类G1与候选侧翻R1相交时长大于mintime,则轨迹的第一个侧翻就是R1,同样的情况对应聚类G3,R3称为轨迹的第二个侧翻。而G2,G4没有雨任何候选侧翻相重合,将他们标记为候选侧翻。
预警模块3执行部件主要为屏幕显示预警和语音提示,通过屏幕显示预警信息,对人们进行警示,同时有语音提示,预警风险路段,输入装置2主要为触摸屏输入位置信息,输出装置5为触摸屏显示分析信息,信息被处理器1处理后,即可显示分析结果,处理器1与输入装置2、预警模块3、存储器4、输出装置5和电源模块6均为单向连接,且存储器4为双向连接,处理器1可以调用存储器4的存储信息,将之前发生的侧翻事故进行分析归类,便于对即时场景进行分析,得出更加准确的结果。
一种基于DBSCAN的侧翻点识别***的工作方法,具体步骤包括:
步骤一:数据准备:在数据预处理阶段,收集侧翻数据集,标注数据,对数据过滤、补偿、做数据变换,增强数据数量和模型训练的鲁棒性。Ε:线性邻域的半径、MinTime:最短时间;
步骤二:读取侧翻数据T中任意未分类的对象p;
步骤三:检索出与p在侧翻数据上路程不大于E的所有对象Lneps(p),并计算相邻对象间最大时间间隔maxTime(p);
步骤四:如果|maxTime(p)|<MinTime,则将p标记为噪声(即p为非核心对象),并执行步骤一;
步骤五:否则(即p为核心对象),给Lneps(p)中所有对象标记为newid,并将这些对象放入集合Seeds中;
步骤六:令CurrentObject=Seeds.top;然后检索属于Lneps(CurrentObject)的所有对象,如果|maxTime(CurrentObject)|>MinTime,则剔除已经打上标记的对象,将余下的未分类对象打上类标签newid,然后放入集合Seeds中;
步骤七:Seeds.pop,判断Seeds是否为空,是,则执行步骤一,否则执行步骤六。
本发明的有益效果为:(1)、该基于DBSCAN的侧翻点识别***及其工作方法基于车辆侧翻点的DBSCAN分析算法能够快速、有效的对侧翻点进行聚类,排查出侧翻多发点段,更全面的分析侧翻事件的空间分布规律。
(2)、该基于DBSCAN的侧翻点识别***及其工作方法通过实际调研挂车行驶路段,并通过侧翻路段的车辆数据实地分析,对车辆侧翻有了解的基础上提出侧翻路段识别模型,模型更加贴合实际情况,准确率较高。
(3)该基于DBSCAN的侧翻点识别***及其工作方法记住学习算法的使用场景,修正侧翻过程中的数据特征,采用机器学习算法提高侧翻路段检测准确度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于DBSCAN的侧翻点识别***,包括处理器(1)、输入装置(2)、预警模块(3)、存储器(4)、输出装置(5)和电源模块(6),其特征在于:所述处理器(1)的接电端口与输入装置(2)的接电端口电性连接,所述处理器(1)的接电端口与预警模块(3)的接电端口电性连接,所述处理器(1)的接电端口与存储器(4)的接电端口电性连接,所述处理器(1)的接电端口与输出装置(5)的接电端口电性连接,所述处理器(1)、输入装置(2)、预警模块(3)、存储器(4)和输出装置(5)均与电源模块(6)电性连接。
2.根据权利要求1所述的一种基于DBSCAN的侧翻点识别***,其特征在于:所述预警模块(3)执行部件主要为屏幕显示预警和语音提示。
3.根据权利要求1所述的一种基于DBSCAN的侧翻点识别***,其特征在于:所述输入装置(2)主要为触摸屏输入位置信息,所述输出装置(5)为触摸屏显示分析信息。
4.根据权利要求1所述的一种基于DBSCAN的侧翻点识别***,其特征在于:所述处理器(1)与输入装置(2)、预警模块(3)、存储器(4)、输出装置(5)和电源模块(6)均为单向连接,且存储器(4)为双向连接。
5.一种基于DBSCAN的侧翻点识别***的工作方法,其特征在于:具体步骤包括:
步骤一:数据准备:在数据预处理阶段,收集侧翻数据集,标注数据,对数据过滤、补偿、做数据变换,增强数据数量和模型训练的鲁棒性。Ε:线性邻域的半径、MinTime:最短时间;
步骤二:读取侧翻数据T中任意未分类的对象p;
步骤三:检索出与p在侧翻数据上路程不大于E的所有对象Lneps(p),并计算相邻对象间最大时间间隔maxTime(p);
步骤四:如果|maxTime(p)|<MinTime,则将p标记为噪声(即p为非核心对象),并执行步骤一;
步骤五:否则(即p为核心对象),给Lneps(p)中所有对象标记为newid,并将这些对象放入集合Seeds中;
步骤六:令CurrentObject=Seeds.top;然后检索属于Lneps(CurrentObject)的所有对象,如果|maxTime(CurrentObject)|>MinTime,则剔除已经打上标记的对象,将余下的未分类对象打上类标签newid,然后放入集合Seeds中;
步骤七:Seeds.pop,判断Seeds是否为空,是,则执行步骤一,否则执行步骤六。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708929.2A CN110968616A (zh) | 2019-08-01 | 2019-08-01 | 一种基于dbscan的侧翻点识别***及其工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708929.2A CN110968616A (zh) | 2019-08-01 | 2019-08-01 | 一种基于dbscan的侧翻点识别***及其工作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110968616A true CN110968616A (zh) | 2020-04-07 |
Family
ID=70029537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708929.2A Pending CN110968616A (zh) | 2019-08-01 | 2019-08-01 | 一种基于dbscan的侧翻点识别***及其工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968616A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160061625A1 (en) * | 2014-12-02 | 2016-03-03 | Kevin Sunlin Wang | Method and system for avoidance of accidents |
CN106740829A (zh) * | 2017-03-23 | 2017-05-31 | 吉林大学 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警*** |
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
-
2019
- 2019-08-01 CN CN201910708929.2A patent/CN110968616A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160061625A1 (en) * | 2014-12-02 | 2016-03-03 | Kevin Sunlin Wang | Method and system for avoidance of accidents |
CN106740829A (zh) * | 2017-03-23 | 2017-05-31 | 吉林大学 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警*** |
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、***及装置 |
Non-Patent Citations (2)
Title |
---|
邱莉榕: "《算法设计与优化》", 28 February 2017, 中央民族大学出版社 * |
鲍海涛: "聚类分析在交通事故黑点智能排查中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680401B (zh) | 一种基于区间二型模糊集合的停车位满意度的评价方法 | |
Morris et al. | Real-time video-based traffic measurement and visualization system for energy/emissions | |
CN107195180B (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
Xu et al. | Taxi-RS: Taxi-hunting recommendation system based on taxi GPS data | |
Jiang et al. | Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology | |
CN105225515A (zh) | 一种基于电子围栏的监控方法及*** | |
CN103971523A (zh) | 一种山区道路交通安全动态预警*** | |
CN107705551A (zh) | 交通路况的评估方法以及装置 | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
Li et al. | Research on lane change prediction model based on GBDT | |
CN104598548A (zh) | 一种分析农产品价格空间关联性的方法及装置 | |
CN105404858A (zh) | 一种基于深度费舍尔网络的车型识别方法 | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
He et al. | Visualization and analysis of mapping knowledge domain of heterogeneous traffic flow | |
Vlachogiannis et al. | Intersense: An XGBoost model for traffic regulator identification at intersections through crowdsourced GPS data | |
Hezaveh et al. | Pedestrian crashes in Tennessee: A data mining approach | |
CN110968616A (zh) | 一种基于dbscan的侧翻点识别***及其工作方法 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
Ranacher et al. | A model to estimate and interpret the energy-efficiency of movement patterns in urban road traffic | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及*** | |
Prezioso et al. | Machine Learning Insights for Behavioral Data Analysis Supporting the Autonomous Vehicles Scenario | |
Jain et al. | Analysis of road accidents in India and prediction of accident severity | |
Grigoropoulos et al. | Detection and Classification of Bicyclist Group Behavior for Automated Vehicle Applications | |
Yang et al. | Rapid analysis and detection algorithm and prevention countermeasures of urban traffic accidents under artificial intelligence |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |