CN111210163B - 一种基于多源数据的公交车辆风险评价***与方法 - Google Patents
一种基于多源数据的公交车辆风险评价***与方法 Download PDFInfo
- Publication number
- CN111210163B CN111210163B CN202010039318.6A CN202010039318A CN111210163B CN 111210163 B CN111210163 B CN 111210163B CN 202010039318 A CN202010039318 A CN 202010039318A CN 111210163 B CN111210163 B CN 111210163B
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- bus
- time
- module
- 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 108
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001680 brushing effect Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06Q10/06—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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Multimedia (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
本发明公开了一种基于多源数据的公交车辆风险评价***与方法,该***包括前端数据采集模块、单点公交时空风险评价模块、全网公交运行风险评价模块、数据处理与参数自学习模块;前端数据采集模块实时将多源数据发送至数据处理与参数自学习模块,当数据达到一定量时,数据处理与参数自学习模块对所累计的历史多源数据进行处理和参数与权重自学习,数据处理与参数自学习模块将学习好的参数及相关指标权重传输至单点公交时空风险评价模块、全网公交运行风险评价模块完成算法自我构建;同时前端数据采集模块实时采集时间、经纬度、天气信息数据,实时发送给单点公交时空风险评价模块、全网公交运行风险评价模块,实现对公交车辆运行风险动态评价。
Description
技术领域
本发明涉及城市公交车辆运营管理技术领域,具体是一种基于多源数据的公交车辆风险评价***与方法。
背景技术
目前国内外学者在道路交通安全研究方面主要以监测驾驶员行为,交通事故聚类、回归、贝叶斯分类,车辆行人碰撞研究,行人检测,车辆车道偏离等为主要研究对象,以此探讨车辆在道路运行的安全情况,并做出预警对策。已有研究大多数仅考虑影响车辆安全的局部因素,缺乏综合性研究,且仅对道路网局部车辆的安全性做出研究,缺少对城市整体车辆运行全局性的考量,无法达到城市公交车辆整体运行安全最优化。虽然有学者从反应时间、车速、路面摩擦系数、坡度、能见度、车间距等多因素结合考虑对高速公路交通安全进行研究,但其研究成果并不适用于城市道路交通安全。有部分学者针对城市道路机动车辆运行状态建立了车辆运行风险评估模型,但公交车辆与一般机动车运行特性存在明显的差异性以及公共交通政策对公交车辆运营的特殊性,故其对公交车辆运行安全性缺乏针对性研究,同时对城市整个公交路网公交车辆运行缺乏综合性考量,无法实现公交运营安全性管理整体最优化。
同时随着北斗定位***、视频智能识别技术、车辆防碰撞、大数据处理等技术在交通领域的兴起,公交车辆数据采集更加多元和丰富,同时也对公交车辆预警数据的挖掘提供了强有力的技术支持。因此对公交车辆预警数据挖掘分析,提出公交车辆运行风险评价方法,为公交运营者与驾驶员提供一种可靠的决策,对于确保城市公交车辆道路行车安全,预防城市交通事故的发生具有重要的现实意义。
发明内容
本发明的目的在于提供一种基于多源数据的公交车辆风险评价***与方法。
实现本发明目的的技术方案是:
一种基于多源数据的公交车辆风险评价***,包括前端数据采集模块、单点公交时空风险评价模块、全网公交运行风险评价模块、数据处理与参数自学习模块;前端数据采集模块实时将多源数据发送至数据处理与参数自学习模块,当数据达到一定量时,数据处理与参数自学习模块对所累计的历史多源数据进行处理和参数与权重自学习,数据处理与参数自学习模块将学习好的参数及相关指标权重传输至单点公交时空风险评价模块、全网公交运行风险评价模块完成算法自我构建;同时前端数据采集模块实时采集时间、经纬度、天气信息数据,并实时发送给单点公交时空风险评价模块、全网公交运行风险评价模块,实现评价***对公交车辆运行风险动态评价;
所述的前端数据采集模块,用于采集公交车辆运行的历史多源数据和实时多源数据,并将采集得到的历史多源数据发送至数据处理与参数自学习模块;将采集到的实时多源数据分别发送至单点公交时空风险评价模块、全网公交运行风险评价模块;所述的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据;所述的实时多源数据,包括实时车辆所处时刻、经纬度、天气环境数据和全网车辆所处时刻、经纬度、天气环境数据;
所述的数据处理与参数自学习模块,接收前端数据采集模块发送的历史多源数据,对多历史多源数据进行清洗融合处理,拟合出***所需参数,并将公交车辆时间、空间风险所需的参数及权重传输至单点公交时空风险模块,将全网公交车辆运行风险所需的参数及权重传输至全网公交运行风险模块;
所述的单点公交时空风险评价模块,根据数据处理与参数自学习模块传输的公交车辆时间、空间风险所需的参数及权重,接收前端数据采集模块采集到的实时车辆所处时刻、经纬度、天气环境数据,实时地计算对应公交车辆的时间、空间风险值,并将计算出的时间、空间风险值传输至全网公交运行风险模块;
所述的全网公交运行风险模块,根据数据处理与参数自学习模块传输的全网公交车辆运行风险所需的参数及权重,接收前端数据采集模块采集到的全网车辆所处时刻、经纬度、天气环境数据和单点公交时空风险评价模块传输的风险值,实时地计算公交线网所有公交车辆运行风险值,并将公交线网所有公交车辆运行风险值可视化。
所述的前端数据采集模块,包括设置于公交车上的智能驾驶终端和DVR行驶记录仪;
所述的智能驾驶终端,包括内嵌疲劳驾驶预警***的驾驶员状态监测摄像机、内嵌高级驾驶辅助***的摄像机和主动安全预警***喇叭,用于实时采集公交车辆面向驾驶员的视频预警数据、所处时刻;
所述的DVR行驶记录仪,包括视频显示器、两个DVR汽车行驶记录仪摄像头;DVR汽车行驶记录仪摄像头实时采集车辆与前车的雷达预警数据、基于北斗的公交车辆行驶特征数据,视频显示器将DVR汽车行驶记录仪摄像头采集到画面进行显示。
所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算。
所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值。
所述的全网公交运行风险模块,用于实时计算整体公交线网上各公交车辆运行风险值,并基于整体公交线网实现公交线网上所有公交车辆运行风险可视化。
一种基于多源数据的公交车辆风险评价***的评价方法,包括如下步骤:
1)前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据和全网公交车辆所处时刻、经纬度、天气环境数据,并将采集到的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据传输至数据处理与参数自学习模块;
2)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,计算单点公交车辆时间、空间风险所需的参数及权重分配结果,并传输给单点公交时空风险评价模块;
3)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,结合公交线网数据对多源数据进行融合,计算全网公交辆运行风险所需的参数及权重分配结果,并传输至全网公交运行风险评价模块;
4)单点公交时空风险评价模块根据数据处理与参数自学习模块传输来的单点公交车辆时间、空间风险所需的参数及权重分配结果,并接收前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据,构建单点公交车辆时间、空间风险评价算法,实时计算单点公交车辆的时间风险值、空间风险值及权重选取;
5)全网公交运行风险评价模块根据数据处理与参数自学习模块传输来的全网公交辆运行风险所需的参数及权重分配结果,并接收全网公交车辆所处时刻、经纬度、天气环境数据,构建全网公交车辆时间、空间风险评价算法,实时计算确定公交车辆在线网分布情况及各评价指标权重选取;
6)单点公交时空风险评价模块将计算得到的单点公交车辆时间风险值、空间风险值,以及与单点公交车辆匹配的经纬度数据,实时传输至全网公交运行风险评价模,全网公交运行风险评价模结合步骤5)所得的结果,实时计算全网公交车辆运行风险值,并将全网公交车辆运行风险值实现风险可视化。
步骤2)和步骤3)中,所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;数据清洗处理,包括如下步骤:
2-1)校正乱码数据:通过修改数据显示空间、数据表现格式创建与预警***类似的数据显示环境;
2-2)删除缺失数据:对采集到的原始数据,由于数据采集端的测量误差、临时故障因素,致使采集到的原始数据存在属性缺失,对其采用删除该条数据的处理方法;
2-3)移位错位数据:根据错位数据前后特征联系,移动后向错位数据与相应前向错位数据一一对应;
2-4)删除异常预警数据:是将每日预警数据按预警类型进行频次汇总,当某日预警类型发生频数远大于历史平均日预警类型发生频次时,则判断该日出现异常预警数据,采用删除该日所有预警数据方法;
2-5)删除冗余数据:对于采集到的原始数据中,各预警数据出现属性重叠现象,即存在多种属性表达同一种信息,故对同属性数据栏进行删除处理,剔除冗余数据;
2-6)统一数据表现形式:采用Excel中格式刷工具或者函数计算工具,统一表现形式不一致的数据,便于对数据进行统一分析;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算,***所需参数包括时间风险值指标对应权重a1、空间风险值指标对应权重a2、第i类型预警的A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,对应天气下第i类型预警权重pi;
所述的自学习和自标定,是采用极差法对清洗后的数据进行标准化,统一各种类型预警数据间的度量;然后运用主成分分析法分别对晴、雨、雪、雾霾四种天气环境下的预警数据做分析处理,同时采用KMO和Bartlett球形度检验方法检验是否适合使用主成分分析;再利用得到的成分矩阵和特征根计算各变量线性组合中的系数,再结合主成分方差数据得到综合得分模型中的系数;最后进行归一化即得到各类型预警权重计算结果。
步骤4)中,所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;所述预警发生概率的计算式如下:
当ti≤x<ti+1时,有
其中对全日公交车辆运营时间区间设为[ta,tb),tb-ta为该全日公交车辆运营时间长,用分点ta=t0<t1<t2<…<ti<ti+1<…<tm-1<tm=tb可等分成m个时间子区间,其长度为b,时间子区间长度b不宜取得过多或过少;ui为各天气各类型预警其预警时刻落在区间[ti,ti+1)的个数,N为随机抽取k天的预警数据量;n为平均一日预警数据量;j为预警数据中发生的预警类型种数,使绝大多数时间子区间内都有预警数据;
所述的时间风险评价指标,包括A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,时间风险评价指标计算式如下:
当Pmax(ti)=max{C2}时,令[ti,ti+1)=E,i=0、1、...、m-1,则E为最高峰值时段集合;
所述的时间风险值,其计算公式如下:
其中,Yi为车辆所处天气环境下,第i类型预警的时间风险值;a1、a2均为权重,默认取值分别为50%、50%;y11i、y12i、y21i、y22i分别为第i类型预警的A级风险时段指标、B级风险时段指标、最高峰值时段指标、主要峰值时段指标,其默认取值分别是48、32、10、10;c11、c12、c13、c14分别为y11i、y12i、y21i、y22i所对应系数,其取值为1或0,当时间点落在对应时段上时则取值为1,未落在对应时段上时则取值为0。
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值;
所述的空间风险分布情况计算按以下规则进行:
4-1)建立坐标系:以公交线网覆盖范围为基准,沿平行于经纬线方向绘制公交线网外切矩形(纬线方向长为a,经线方向宽为b),并构建以左下角点为原点,垂直于经线方向为x轴,垂直于纬线方向为y轴,单位为十进制度的平面投影坐标系;
4-2)划分区块:对整个研究区域划分区块时,区块大小不宜取得过大或过小,避免因区块过大导致风险分析精度过低,以及区块过小影响区块风险分析结果的有效性,采用正方形区块,正方形边长为s,区块划分算法如下:
其中m为纬线方向划分区块行数,n为经线方向划分区块列数;
4-3)求区块空间风险:根据步骤4-2)的区块划分,结合预警点数据及公交线网,分别计算各区块空间风险值:
其中,qij为从坐标原点起第i行第j列区块的空间风险值;eij为对应区块内预警点数;lij为对应区块内公交线路数;
4-4)将步骤4-3)计算得到的各区块空间风险值,将这些区块的风险值由低到高依次进行风险等级排列,则从原点开始,第i行第j列区块对应风险等级为zij,所有区块中风险值最大的区块所对应风险等级为zmax;
所述的空间风险值,计算公式如下:
其中z1i为第i类型预警在车辆所在位置所对应的区块上的风险等级,zmax为第i类型预警的风险最高区块对应风险等级。
所述全网公交车辆风险评价模块,用于实时计算整体公交线网上各公交车辆运行风险值,并基于整体公交线网实现公交线网上所有公交车辆运行风险可视化,各公交车辆运行风险值计算按下式进行:
Wi=(a1Yi+a2Zi)×pi
W为各公交车辆运行风险值;Wi为各预警类型相对预警风险值,i=1、2、…、n,n为预警数据中具有的预警类型种数;pi为对应天气下第i类型预警权重;Yi、Zi分别为车辆所处天气环境下第i类型预警的时间风险值、空间风险值;a1、a2均为权重,默认取值分别为50%、50%。
本发明提供的一种基于多源数据的公交车辆风险评价***与方法,该***打破对传统公交车辆运营风险静态评价的局限性与滞后性,实现对城市路网公交运行实时动态评估,并实现直观有效的公交车辆风险评价可视化,该方法充分利用公交线网和整个线网范围内的多源数据,从全局出发研究公交车辆运行状态安全性,避免了以往研究中仅考虑车辆***部影响因素带来的局限性,有较好的扩展性,同时对公交运行更具针对性和有效性。
附图说明
图1为本发明实施例中的一种基于多源数据的公交车辆风险评价***的结构框图;
图2为本发明实施例中的一种基于多源数据的公交车辆风险评价***的详细结构框图;
图3为使用本发明实施例的一种基于多源数据的公交车辆风险评价***的数据传输流程示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
如图1所示,一种基于多源数据的公交车辆风险评价***,包括前端数据采集模块、单点公交时空风险评价模块、全网公交运行风险评价模块、数据处理与参数自学习模块;前端数据采集模块实时将多源数据发送至数据处理与参数自学习模块,当数据达到一定量时,数据处理与参数自学习模块对所累计的历史多源数据进行处理和参数与权重自学习,数据处理与参数自学习模块将学习好的参数及相关指标权重传输至单点公交时空风险评价模块、全网公交运行风险评价模块完成算法自我构建;同时前端数据采集模块实时采集时间、经纬度、天气信息等数据,并实时发送给单点公交时空风险评价模块、全网公交运行风险评价模块,实现评价***对公交车辆运行风险动态评价。
所述的前端数据采集模块,用于采集公交车辆运行的历史多源数据和实时多源数据,并将采集得到的历史多源数据发送至数据处理与参数自学习模块;将采集到的实时多源数据分别发送至单点公交时空风险评价模块、全网公交运行风险评价模块;所述的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据;所述的实时多源数据,包括实时车辆所处时刻、经纬度、天气环境数据和全网车辆所处时刻、经纬度、天气环境数据;
所述的数据处理与参数自学习模块,接收前端数据采集模块发送的历史多源数据,对多历史多源数据进行清洗融合处理,拟合出***所需参数,并将公交车辆时间、空间风险所需的参数及权重传输至单点公交时空风险模块,将全网公交车辆运行风险所需的参数及权重传输至全网公交运行风险模块;
所述的单点公交时空风险评价模块,根据数据处理与参数自学习模块传输的公交车辆时间、空间风险所需的参数及权重,接收前端数据采集模块采集到的实时车辆所处时刻、经纬度、天气环境数据,实时地计算对应公交车辆的时间、空间风险值,并将计算出的时间、空间风险值传输至全网公交运行风险模块;
所述的全网公交运行风险模块,根据数据处理与参数自学习模块传输的全网公交车辆运行风险所需的参数及权重,接收前端数据采集模块采集到的全网车辆所处时刻、经纬度、天气环境数据和单点公交时空风险评价模块传输的风险值,实时地计算公交线网所有公交车辆运行风险值,并将公交线网所有公交车辆运行风险值可视化。
如图2所示,所述的前端数据采集模块,包括设置于公交车上的智能驾驶终端和DVR行驶记录仪;
所述的智能驾驶终端,包括内嵌疲劳驾驶预警***的驾驶员状态监测摄像机、内嵌高级驾驶辅助***的摄像机和主动安全预警***喇叭,用于实时采集公交车辆面向驾驶员的视频预警数据、所处时刻;
所述的DVR行驶记录仪,包括视频显示器、两个DVR汽车行驶记录仪摄像头;DVR汽车行驶记录仪摄像头实时采集车辆与前车的雷达预警数据、基于北斗的公交车辆行驶特征数据,视频显示器将DVR汽车行驶记录仪摄像头采集到画面进行显示。
所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算。
所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值。
所述的全网公交运行风险模块,用于实时计算整体公交线网上各公交车辆运行风险值,并基于整体公交线网实现公交线网上所有公交车辆运行风险可视化。
一种基于多源数据的公交车辆风险评价***的评价方法,如图3所示,包括如下步骤:
1)前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据和全网公交车辆所处时刻、经纬度、天气环境数据,并将采集到的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据传输至数据处理与参数自学习模块;
2)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,计算单点公交车辆时间、空间风险所需的参数及权重分配结果,并传输给单点公交时空风险评价模块;
3)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,结合公交线网数据对多源数据进行融合,计算全网公交辆运行风险所需的参数及权重分配结果,并传输至全网公交运行风险评价模块;
4)单点公交时空风险评价模块根据数据处理与参数自学习模块传输来的单点公交车辆时间、空间风险所需的参数及权重分配结果,并接收前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据,构建单点公交车辆时间、空间风险评价算法,实时计算单点公交车辆的时间风险值、空间风险值及权重选取;
5)全网公交运行风险评价模块根据数据处理与参数自学习模块传输来的全网公交辆运行风险所需的参数及权重分配结果,并接收全网公交车辆所处时刻、经纬度、天气环境数据,构建全网公交车辆时间、空间风险评价算法,实时计算确定公交车辆在线网分布情况及各评价指标权重选取;
6)单点公交时空风险评价模块将计算得到的单点公交车辆时间风险值、空间风险值,以及与单点公交车辆匹配的经纬度数据,实时传输至全网公交运行风险评价模,全网公交运行风险评价模结合步骤5)所得的结果,实时计算全网公交车辆运行风险值,并将全网公交车辆运行风险值实现风险可视化。
步骤2)和步骤3)中,所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;数据清洗处理,包括如下步骤:
2-1)校正乱码数据:通过修改数据显示空间、数据表现格式创建与预警***类似的数据显示环境;
2-2)删除缺失数据:对采集到的原始数据,由于数据采集端的测量误差、临时故障等因素,致使采集到的原始数据存在属性缺失,对其采用删除该条数据的处理方法。例如,对于原始预警数据中的“ADASTerminal、UserID、ModifyUser、ProcessMode、Remark、ModifyDate”数据栏数据存在缺失,考虑到对本次研究影响极小,部分数据栏与未缺失数据栏数据重复或数据效果重复,故选择删除缺失数据。
2-3)移位错位数据:根据错位数据前后特征联系,移动后向错位数据与相应前向错位数据一一对应;
2-4)删除异常预警数据:将每日预警数据按预警类型进行频次汇总,当某日预警类型发生频数远大于(通常为3倍以上)历史平均日预警类型发生频次时,则判断该日出现异常预警数据,采用删除该日所有预警数据方法。例如,检查发现2018年10月24日预警数据“急转弯”预警类型频次异常,达到418条(其余日期“急转弯”预警类型频次均为0次),为保证所有数据的整体有效性,经综合考虑选择删除2018年10月24日全日预警数据;
2-5)删除冗余数据:对于采集到的原始数据中,各预警数据出现属性重叠现象,即存在多种属性表达同一种信息,故对同属性数据栏进行删除处理,剔除冗余数据。例如,经核查原数据各数据栏发现,“VehicleName”、“VehicleCode”、“StrucCode”、“ID”“PlateNumber”等数据虽有不同,但其均表示对应公交车辆身份,为便于观察分析保留“PlateNumber”数据栏(即公交车辆车牌号),删除其余冗余数据;
2-6)统一数据表现形式:采用Excel中格式刷工具或者函数计算工具,统一表现形式不一致的数据,便于对数据进行统一分析;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算,***所需参数包括时间风险值指标对应权重a1、空间风险值指标对应权重a2、第i类型预警的A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,对应天气下第i类型预警权重pi;
所述的自学习和自标定,是采用极差法对清洗后的数据进行标准化,统一各种类型预警数据间的度量;然后运用主成分分析法分别对晴、雨、雪、雾霾四种天气环境下的预警数据做分析处理,同时采用KMO和Bartlett球形度检验方法检验是否适合使用主成分分析;再利用得到的成分矩阵和特征根计算各变量线性组合中的系数,再结合主成分方差数据得到综合得分模型中的系数;最后进行归一化即得到各类型预警权重计算结果。
步骤4)中,所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;所述预警发生概率的计算式如下:
当ti≤x<ti+1时,有
其中对全日公交车辆运营时间区间设为[ta,tb),tb-ta为该全日公交车辆运营时间长(分钟),用分点ta=t0<t1<t2<…<ti<ti+1<…<tm-1<tm=tb可等分成m个时间子区间,其长度为b,时间子区间长度b不宜取得过多或过少;ui为各天气各类型预警其预警时刻落在区间[ti,ti+1)的个数,N为随机抽取k天的预警数据量;n为平均一日预警数据量;j为预警数据中发生的预警类型种数,使绝大多数时间子区间内都有预警数据;
所述的时间风险评价指标,包括A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,时间风险评价指标计算式如下:
当Pmax(ti)=max{C2}时,令[ti,ti+1)=E,i=0、1、...、m-1,则E为最高峰值时段集合;
所述的时间风险值,其计算公式如下:
其中,Yi为车辆所处天气环境下,第i类型预警的时间风险值;a1、a2均为权重,默认取值分别为50%、50%;y11i、y12i、y21i、y22i分别为第i类型预警的A级风险时段指标、B级风险时段指标、最高峰值时段指标、主要峰值时段指标,其默认取值分别是48、32、10、10;c11、c12、c13、c14分别为y11i、y12i、y21i、y22i所对应系数,其取值为1或0,当时间点落在对应时段上时则取值为1,未落在对应时段上时则取值为0。
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值;
所述的空间风险分布情况计算按以下规则进行:
4-1)建立坐标系:以公交线网覆盖范围为基准,沿平行于经纬线方向绘制公交线网外切矩形(纬线方向长为a,经线方向宽为b),并构建以左下角点为原点,垂直于经线方向为x轴,垂直于纬线方向为y轴,单位为十进制度的平面投影坐标系;
4-2)划分区块:对整个研究区域划分区块时,区块大小不宜取得过大或过小,避免因区块过大导致风险分析精度过低,以及区块过小影响区块风险分析结果的有效性,采用正方形区块,正方形边长为s,通常可以考虑边长s取0.024(单位:十进制度),区块划分算法如下:
其中m为纬线方向划分区块行数,n为经线方向划分区块列数;
4-3)求区块空间风险:根据步骤4-2)的区块划分,结合预警点数据及公交线网,分别计算各区块空间风险值:
其中,qij为从坐标原点起第i行第j列区块的空间风险值;eij为对应区块内预警点数;lij为对应区块内公交线路数;
4-4)将步骤4-3)计算得到的各区块空间风险值,将这些区块的风险值由低到高依次进行风险等级排列,则从原点开始,第i行第j列区块对应风险等级为zij,所有区块中风险值最大的区块所对应风险等级为zmax;
所述的空间风险值,计算公式如下:
其中z1i为第i类型预警在车辆所在位置所对应的区块上的风险等级,zmax为第i类型预警的风险最高区块对应风险等级。
所述全网公交车辆风险评价模块,用于实时计算整体公交线网上各公交车辆运行风险值,并基于整体公交线网实现公交线网上所有公交车辆运行风险可视化,各公交车辆运行风险值计算按下式进行:
Wi=(a1Yi+a2Zi)·pi
W为各公交车辆运行风险值;Wi为各预警类型相对预警风险值,i=1、2、…、n,n为预警数据中具有的预警类型种数;pi为对应天气下第i类型预警权重;Yi、Zi分别为车辆所处天气环境下第i类型预警的时间风险值、空间风险值;a1、a2均为权重,默认取值分别为50%、50%。
Claims (9)
1.一种基于多源数据的公交车辆风险评价***,其特征在于,包括前端数据采集模块、单点公交时空风险评价模块、全网公交运行风险评价模块、数据处理与参数自学习模块;前端数据采集模块实时将多源数据发送至数据处理与参数自学习模块,当数据达到一定量时,数据处理与参数自学习模块对所累计的历史多源数据进行处理和参数与权重自学习,数据处理与参数自学习模块将学习好的参数及相关指标权重传输至单点公交时空风险评价模块、全网公交运行风险评价模块完成算法自我构建;同时前端数据采集模块实时采集时间、经纬度、天气信息数据,并实时发送给单点公交时空风险评价模块、全网公交运行风险评价模块,实现评价***对公交车辆运行风险动态评价;
所述的前端数据采集模块,用于采集公交车辆运行的历史多源数据和实时多源数据,并将采集得到的历史多源数据发送至数据处理与参数自学习模块;将采集到的实时多源数据分别发送至单点公交时空风险评价模块、全网公交运行风险评价模块;所述的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据;所述的实时多源数据,包括实时车辆所处时刻、经纬度、天气环境数据和全网车辆所处时刻、经纬度、天气环境数据;
所述的数据处理与参数自学习模块,接收前端数据采集模块发送的历史多源数据,对多历史多源数据进行清洗融合处理,拟合出***所需参数,并将公交车辆时间、空间风险所需的参数及权重传输至单点公交时空风险模块,将全网公交车辆运行风险所需的参数及权重传输至全网公交运行风险模块;
所述的单点公交时空风险评价模块,根据数据处理与参数自学习模块传输的公交车辆时间、空间风险所需的参数及权重,接收前端数据采集模块采集到的实时车辆所处时刻、经纬度、天气环境数据,实时地计算对应公交车辆的时间、空间风险值,并将计算出的时间、空间风险值传输至全网公交运行风险模块;
所述的全网公交运行风险模块,根据数据处理与参数自学习模块传输的全网公交车辆运行风险所需的参数及权重,接收前端数据采集模块采集到的全网车辆所处时刻、经纬度、天气环境数据和单点公交时空风险评价模块传输的风险值,实时地计算公交线网所有公交车辆运行风险值,并将公交线网所有公交车辆运行风险值可视化。
2.根据权利要求1所述的一种基于多源数据的公交车辆风险评价***,其特征在于,所述的前端数据采集模块,包括设置于公交车上的智能驾驶终端和DVR行驶记录仪;
所述的智能驾驶终端,包括内嵌疲劳驾驶预警***的驾驶员状态监测摄像机、内嵌高级驾驶辅助***的摄像机和主动安全预警***喇叭,用于实时采集公交车辆面向驾驶员的视频预警数据、所处时刻;
所述的DVR行驶记录仪,包括视频显示器、两个DVR汽车行驶记录仪摄像头;DVR汽车行驶记录仪摄像头实时采集车辆与前车的雷达预警数据、基于北斗的公交车辆行驶特征数据,视频显示器将DVR汽车行驶记录仪摄像头采集到画面进行显示。
3.根据权利要求1所述的一种基于多源数据的公交车辆风险评价***,其特征在于,所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算。
4.根据权利要求1所述的一种基于多源数据的公交车辆风险评价***,其特征在于,所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值。
5.根据权利要求1所述的一种基于多源数据的公交车辆风险评价***,其特征在于,所述的全网公交运行风险模块,用于实时计算整体公交线网上各公交车辆运行风险值,并基于整体公交线网实现公交线网上所有公交车辆运行风险可视化。
6.一种基于多源数据的公交车辆风险评价***的评价方法,其特征在于,包括如下步骤:
1)前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据和全网公交车辆所处时刻、经纬度、天气环境数据,并将采集到的历史多源数据,包括历史的车辆与前车的雷达预警数据、面向驾驶员的视频预警数据、基于北斗的公交车辆行驶特征数据、公交线网数据、气象信息数据传输至数据处理与参数自学习模块;
2)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,计算单点公交车辆时间、空间风险所需的参数及权重分配结果,并传输给单点公交时空风险评价模块;
3)数据处理与参数自学习模块将接收到的历史多源数据进行数据清洗处理并对多源数据进行融合,结合公交线网数据对多源数据进行融合,计算全网公交辆运行风险所需的参数及权重分配结果,并传输至全网公交运行风险评价模块;
4)单点公交时空风险评价模块根据数据处理与参数自学习模块传输来的单点公交车辆时间、空间风险所需的参数及权重分配结果,并接收前端数据采集模块实时采集单点公交车辆所处时刻、经纬度、天气环境数据,构建单点公交车辆时间、空间风险评价算法,实时计算单点公交车辆的时间风险值、空间风险值及权重选取;
5)全网公交运行风险评价模块根据数据处理与参数自学习模块传输来的全网公交辆运行风险所需的参数及权重分配结果,并接收全网公交车辆所处时刻、经纬度、天气环境数据,构建全网公交车辆时间、空间风险评价算法,实时计算确定公交车辆在线网分布情况及各评价指标权重选取;
6)单点公交时空风险评价模块将计算得到的单点公交车辆时间风险值、空间风险值,以及与单点公交车辆匹配的经纬度数据,实时传输至全网公交运行风险评价模,全网公交运行风险评价模结合步骤5)所得的结果,实时计算全网公交车辆运行风险值,并将全网公交车辆运行风险值实现风险可视化。
7.根据权利要求6所述的一种基于多源数据的公交车辆风险评价***的评价方法,其特征在于,步骤2)和步骤3)中,所述的数据处理与参数自学习模块,包括数据处理模块和参数自学习模块;
所述的数据处理模块,用于对前端数据采集模块传输的多源数据进行清洗处理,包括校正乱码数据、删除缺失数据、移位错位数据、删除异常预警数据、删除冗余数据、统一数据表现形式;数据清洗处理,包括如下步骤:
2-1)校正乱码数据:通过修改数据显示空间、数据表现格式创建与预警***类似的数据显示环境;
2-2)删除缺失数据:对采集到的原始数据,由于数据采集端的测量误差、临时故障因素,致使采集到的原始数据存在属性缺失,对其采用删除该条数据的处理方法;
2-3)移位错位数据:根据错位数据前后特征联系,移动后向错位数据与相应前向错位数据一一对应;
2-4)删除异常预警数据:是将每日预警数据按预警类型进行频次汇总,当某日预警类型发生频数远大于历史平均日预警类型发生频次时,则判断该日出现异常预警数据,采用删除该日所有预警数据方法;
2-5)删除冗余数据:对于采集到的原始数据中,各预警数据出现属性重叠现象,即存在多种属性表达同一种信息,故对同属性数据栏进行删除处理,剔除冗余数据;
2-6)统一数据表现形式:采用Excel中格式刷工具或者函数计算工具,统一表现形式不一致的数据,便于对数据进行统一分析;
所述的参数自学习模块,用于对数据处理模块清洗处理后的数据进行数据融合,并根据时空风险指标、时空风险特性参数、指标与参数权重的自学习和自标定,实现对***所需参数的自学习计算,***所需参数包括时间风险值指标对应权重a1、空间风险值指标对应权重a2、第i类型预警的A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,对应天气下第i类型预警权重pi;
所述的自学习和自标定,是采用极差法对清洗后的数据进行标准化,统一各种类型预警数据间的度量;然后运用主成分分析法分别对晴、雨、雪、雾霾四种天气环境下的预警数据做分析处理,同时采用KMO和Bartlett球形度检验方法检验是否适合使用主成分分析;再利用得到的成分矩阵和特征根计算各变量线性组合中的系数,再结合主成分方差数据得到综合得分模型中的系数;最后进行归一化即得到各类型预警权重计算结果。
8.根据权利要求6所述的一种基于多源数据的公交车辆风险评价***的评价方法,其特征在于,步骤4)中,所述的单点公交时空风险评价模块,包括公交车辆时间风险模块和公交车辆空间风险模块;
所述的公交车辆时间风险模块,实时计算公交车辆所处天气环境及所在时间点上的预警发生概率,挖掘不同天气环境下公交车辆时间风险评价指标并计算公交车辆运行时间风险值;所述预警发生概率的计算式如下:
当ti≤x<ti+1时,有
其中对全日公交车辆运营时间区间设为[ta,tb),tb-ta为该全日公交车辆运营时间长,用分点ta=t0<t1<t2<…<ti<ti+1<…<tm-1<tm=tb可等分成m个时间子区间,其长度为b,时间子区间长度b不宜取得过多或过少;ui为各天气各类型预警其预警时刻落在区间[ti,ti+1)的个数,N为随机抽取k天的预警数据量;n为平均一日预警数据量;j为预警数据中发生的预警类型种数,使绝大多数时间子区间内都有预警数据;
所述的时间风险评价指标,包括A级风险时段指标y11i、B级风险时段指标y12i、最高峰值时段指标y21i、主要峰值时段指标y22i,时间风险评价指标计算式如下:
当Pmax(ti)=max{C2}时,令[ti,ti+1)=E,i=0、1、...、m-1,则E为最高峰值时段集合;
所述的时间风险值,其计算公式如下:
其中,Yi为车辆所处天气环境下,第i类型预警的时间风险值;a1、a2均为权重,默认取值分别为50%、50%;y11i、y12i、y21i、y22i分别为第i类型预警的A级风险时段指标、B级风险时段指标、最高峰值时段指标、主要峰值时段指标,其默认取值分别是48、32、10、10;c11、c12、c13、c14分别为y11i、y12i、y21i、y22i所对应系数,其取值为1或0,当时间点落在对应时段上时则取值为1,未落在对应时段上时则取值为0;
所述的公交车辆空间风险模块,用于计算所处天气环境下各种可能发生预警的空间风险分布情况、并计算公交车辆所处天气环境及所在空间位置上的空间风险值;
所述的空间风险分布情况计算按以下规则进行:
4-1)建立坐标系:以公交线网覆盖范围为基准,沿平行于经纬线方向绘制公交线网外切矩形,纬线方向长为a,经线方向宽为b,并构建以左下角点为原点,垂直于经线方向为x轴,垂直于纬线方向为y轴,单位为十进制度的平面投影坐标系;
4-2)划分区块:对整个研究区域划分区块时,区块大小不宜取得过大或过小,避免因区块过大导致风险分析精度过低,以及区块过小影响区块风险分析结果的有效性,采用正方形区块,正方形边长为s,区块划分算法如下:
其中m为纬线方向划分区块行数,n为经线方向划分区块列数;
4-3)求区块空间风险:根据步骤4-2)的区块划分,结合预警点数据及公交线网,分别计算各区块空间风险值:
其中,qij为从坐标原点起第i行第j列区块的空间风险值;eij为对应区块内预警点数;lij为对应区块内公交线路数;
4-4)将步骤4-3)计算得到的各区块空间风险值,将这些区块的风险值由低到高依次进行风险等级排列,则从原点开始,第i行第j列区块对应风险等级为zij,所有区块中风险值最大的区块所对应风险等级为zmax;
所述的空间风险值,计算公式如下:
其中z1i为第i类型预警在车辆所在位置所对应的区块上的风险等级,zmax为第i类型预警的风险最高区块对应风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039318.6A CN111210163B (zh) | 2020-01-15 | 2020-01-15 | 一种基于多源数据的公交车辆风险评价***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039318.6A CN111210163B (zh) | 2020-01-15 | 2020-01-15 | 一种基于多源数据的公交车辆风险评价***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210163A CN111210163A (zh) | 2020-05-29 |
CN111210163B true CN111210163B (zh) | 2023-04-07 |
Family
ID=70785271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010039318.6A Active CN111210163B (zh) | 2020-01-15 | 2020-01-15 | 一种基于多源数据的公交车辆风险评价***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210163B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898895B (zh) * | 2020-07-24 | 2023-06-13 | 重庆长安汽车股份有限公司 | 一种基于大数据融合的车辆质量评价方法及*** |
CN113239966B (zh) * | 2021-04-14 | 2024-03-01 | 联合汽车电子有限公司 | 混合气偏差自学习方法、***、可读存储介质及电子设备 |
CN114999022B (zh) * | 2022-05-19 | 2024-05-17 | 成都亿盟恒信科技有限公司 | 一种基于历史驾驶数据的驾驶习惯分析*** |
CN115547508B (zh) * | 2022-11-29 | 2023-03-21 | 联仁健康医疗大数据科技股份有限公司 | 数据校正方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN107784406A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于adas的驾驶风险综合判断*** |
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016074608A2 (zh) * | 2014-11-11 | 2016-05-19 | 冯春魁 | 车辆运行监控、监视、数据处理、超载监控的方法及*** |
-
2020
- 2020-01-15 CN CN202010039318.6A patent/CN111210163B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN107784406A (zh) * | 2016-08-25 | 2018-03-09 | 大连楼兰科技股份有限公司 | 基于adas的驾驶风险综合判断*** |
CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
Non-Patent Citations (4)
Title |
---|
文如冰等.基于预先危险分析法的桂林网约车改革社会稳定风险点探析.信息记录材料.2017,第18卷(第7期),全文. * |
王聚全等.基于多源数据融合算法的城市客流聚集风险监测***研究.网络安全技术与应用.2016,(第05期),全文. * |
陈龙.基于多源数据挖掘的汽车智能驾驶***有效性评价.中国博士学位论文全文数据库工程科技Ⅱ辑.2019,(第2期),全文. * |
马建等.中国交通工程学术研究综述・2016.中国公路学报.2016,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111210163A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210163B (zh) | 一种基于多源数据的公交车辆风险评价***与方法 | |
CN112037513B (zh) | 一种实时交通安全指数动态综合评价***及其构建方法 | |
Toledo et al. | In-vehicle data recorder for evaluation of driving behavior and safety | |
CA3041565C (en) | Enhanced vehicle bad fuel sensor with crowdsourcing analytics | |
Skabardonis et al. | Evaluation of the freeway service patrol (FSP) in Los Angeles | |
CN102881162A (zh) | 大规模交通信息的数据处理及融合方法 | |
CN113870570B (zh) | 一种基于etc的路网运行状态方法、***和存储介质 | |
CN114999181B (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
WO2022027763A1 (zh) | 一种基于广域雷达的路面诱导***及方法 | |
Kwigizile et al. | Inconsistencies of ordered and unordered probability models for pedestrian injury severity | |
Yakupova et al. | Identification of factors affecting the road traffic injury rate | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管*** | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN114005276A (zh) | 一种基于多数据源融合的高速公路拥堵预警方法 | |
CN117894178A (zh) | 一种基于智慧高速的智慧云监理*** | |
CN111680888B (zh) | 基于rfid数据确定路网容量的方法 | |
CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
CN112036709A (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN115171379B (zh) | 基于智慧交通的突发事件响应控制*** | |
Chen et al. | Safety Evaluation of Bus Running State Based on Multi-Source Data | |
CN116665342B (zh) | 新能源汽车驾驶行为分析方法、***及设备 | |
Allen | Estimating Intersection Annual Average Daily Bicycle Traffic from 8-hour Turning Movement Counts | |
CN114626964B (zh) | 一种新能源汽车监控信息跨区域共享方法 | |
CN117574088A (zh) | 一种公交车驾驶员驾驶行为预警评价方法、***及装置 | |
Ruilin et al. | Implementation of a Filter Algorithm for Processing Decentralized Car2X Data on a Backend |
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 |