CN112036473A - 一种基于高风险交通行为数据库的交通事故风险评估方法 - Google Patents

一种基于高风险交通行为数据库的交通事故风险评估方法 Download PDF

Info

Publication number
CN112036473A
CN112036473A CN202010888509.XA CN202010888509A CN112036473A CN 112036473 A CN112036473 A CN 112036473A CN 202010888509 A CN202010888509 A CN 202010888509A CN 112036473 A CN112036473 A CN 112036473A
Authority
CN
China
Prior art keywords
path
risk
accident
sub
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.)
Granted
Application number
CN202010888509.XA
Other languages
English (en)
Other versions
CN112036473B (zh
Inventor
牛世峰
赵辰浩
付锐
袁伟
郭应时
于鹏程
柴蕊
刘晓晨
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202010888509.XA priority Critical patent/CN112036473B/zh
Publication of CN112036473A publication Critical patent/CN112036473A/zh
Application granted granted Critical
Publication of CN112036473B publication Critical patent/CN112036473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于高风险交通行为数据库的交通事故风险评估方法，本发明通过对交通事故数据的分析，将每条事故信息作为独立事件链，建立了以不同高风险行为作为起点，对应事故结果为终点的数据映射模型。本发明主要应用于交通风险评估***，在数据处理与风险预测方面具有一定优势，首先，本发明的高风险行为及相关因素是参考GA1082标准进行分类的，适用于一般事故采集表，因此一般事故信息采集表中的数据可经过编码后直接输入模型，提高模型训练效率；其次，本发明所建立的数据映射模型中具有处理缺项数据的算法，可以避免数据残缺所导致的结果失真，具有一定普适性。

Description

一种基于高风险交通行为数据库的交通事故风险评估方法
技术领域
本发明属于交通事故风险评估领域，具体涉及一种基于高风险交通行为数据库的交通事故风险评估方法。
背景技术
随着近年来我国道路建设与汽车产业的发展，道路交通事故成为影响社会公共安全的主要问题之一。为降低交通事故发生的可能性，对高风险交通行为与其所导致的交通事故映射关系的研究是极具意义的。
在已有的交通事故风险评估***中，多数是根据事故车辆的行驶速度，加速度，前后车间距等事故车辆参数或事故发生地车流量等道路环境参数所建立的交通事故风险评估模型。此类模型虽能在特定条件下对交通事故风险进行有效评估，但忽略的高风险交通行为及其在特定条件下对交通事故的影响，且在交通事故发生后，事故车辆参数往往难以获得。因此，当前需要一种基于高风险交通行为数据库的交通事故风险评估***。
发明内容
本发明的目的在于克服上述不足，提供一种基于高风险交通行为数据库的交通事故风险评估方法，
为了达到上述目的，本发明包括以下步骤：
步骤一，对采集到的交通事故数据进行预处理，得到高风险交通行为和其余影响因素的关系；
步骤二，对所有采集到的交通事故结果进行分类；
步骤三，统计不同事故结果下的各个因素发生的频率，并将频率结果存入高风险交通行为数据预处理子库中；
步骤四，统计不同事故结果下各因素中发生频率最大的子因素序列；
步骤五，根据数据预处理子库与子因素序列，建立交通事故风险评估推理模型，统计所有路径，求得所有中央路径，将映射结果存入映射数据子库，将路径结果存入路径数据子库；
步骤六，输入一个完整或缺项路径，映射数据子库将输出所有可能结果的发生概率。
步骤一中，对采集到的交通事故数据进行预处理的具体方法如下：
第一步，根据事故事件代码和影响因素代码对高风险交通行为和其余影响因素进行编码；
第二步，根据路径编码向量和路径系数向量确定最终路径。
步骤三中，子因素发生的频率p(i，j)的计算方法如下：
Figure BDA0002656248210000021
其中CA是所有该类事故发生的频数，CS是各个子因素在该类事故下发生的频数。
步骤四中，子因素序列
Figure BDA0002656248210000022
的计算方法如下：
Figure BDA0002656248210000023
Figure BDA0002656248210000024
其中，r表示对应的事故结果代码，n表示影响因素的个数；
引入转化系数k(i，j)，使pr(i，j)＝kr(i，j)×Ar(i，j)；
将prmax(i，j)和与其对应的Armax(i，j)存入高风险交通行为数据预处理子库中。
步骤五中，交通事故风险评估推理模型的建立方法如下：
第一步，事故事件代码f视为一条由高风险交通行为出发，经历各个除高风险交通行为外其他影响因素为节点，事故结果为终点的路径；
第二步，将不同类事故发生频率从0到1分为若干个区间；
由不同结果出发，统计各个区间中不同路径发生的频数并由大到小排列，取前k条路径作为每个区间的中央路径，将每条与相应结果对应的路径fri及中央路径代码frci存入路径数据子库中；
第三步，将输入的路径f分为两类：完整路径和缺项路径。
步骤六中，对于完整路径的处理方法如下：
若路径库中存在该完整路径，则用库中路径对应事故结果的频率pr代替该路径对应事故结果的概率Pr作为输出；
则当输入路径与中央路径的距离小于某一数值ε，即d≤ε时，用中央路径frc1的频率prc1代替路径f的结果概率Pr；当d＞ε时，找到除frc1外与f距离最近的路径frc2，用frc1与frc2的频率均值prca12代替路径f的结果概率Pr，并将结果存入风险行为与结果映射数据子库中。
步骤六中，对于缺项路径的处理方法如下：
定义一条由去掉已知节点后，剩余节点组成的路径为对应事故结果的截断路径fri’；
计算路径数据子库中在相应事故结果下截断路径的频数Cri’；
求得最大频数Crimax’所对应的截断路径frimax’；
将已知节点补充在截断路径frimax’上，得到一条完整路径；
使用完整路径的处理方法求得截断路径frimax’得到对应的结果概率Primax’作为过程期望概率；
取数据预处理子库中
Figure BDA0002656248210000031
建立新的子因素发生频率序列
Figure BDA0002656248210000032
用已知节点的频率替换序列
Figure BDA0002656248210000033
中对应的频率值，得到一条完整的结果期望路径fre’所对应的子因素发生频率序列；
将结果期望路径fre’带入上述完整路径的处理方法求得结果期望概率Pre；
求过程期望概率Pri与结果期望概率Pre的均值Pr作为输出。
与现有技术相比，本发明通过对交通事故数据的分析，将每条事故信息作为独立事件链，建立了以不同高风险行为作为起点，对应事故结果为终点的数据映射模型。本发明主要应用于交通风险评估***，在数据处理与风险预测方面具有一定优势，首先，本发明的高风险行为及相关因素是参考GA1082标准进行分类的，适用于一般事故采集表，因此一般事故信息采集表中的数据可经过编码后直接输入模型，提高模型训练效率；其次，本发明所建立的数据映射模型中具有处理缺项数据的算法，可以避免数据残缺所导致的结果失真，具有一定普适性；最后，本发明所建立的基于高风险交通行为的交通事故风险评估方法是完全基于事故数据进行分析的，可排除部分主观因素干扰，使其在风险评估及预测中具有较高的准确性。本发明的实用化可为交通安全相关研究提供参考，亦能提高驾驶员对高风险行为的认识，进而降低驾驶风险，提高道路交通的安全性。
附图说明
图1为本发明的流程示意图；
图2为一条由已知数据构成的路径示意图；
图3为A(0，i)＝4时的一簇中央路径示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1，本发明包括以下步骤：
步骤一，对采集到的交通事故数据进行预处理，得到高风险交通行为和其余影响因素的关系；
步骤二，对所有采集到的交通事故结果进行分类；
步骤三，统计不同事故结果下的各个因素发生的频率，并将频率结果存入高风险交通行为数据预处理子库中；
步骤四，统计不同事故结果下各因素中发生频率最大的子因素序列；
步骤五，根据数据预处理子库与子因素序列，建立交通事故风险评估推理模型，统计所有路径，求得所有中央路径，将映射结果存入映射数据子库，将路径结果存入路径数据子库；
步骤六，输入一个完整或缺项路径，映射数据子库将输出所有可能结果的发生概率。
实施例：
参见图1，对采集到的交通事故数据进行预处理过程如下：
第一，对高风险交通行为和其余二十二个影响因素进行编码，编码格式为：
Figure BDA0002656248210000051
其中i为影响因素代码，i＝0时表示高风险交通行为，A(i，j)表示在第i个影响因素下的第j个子因素且j＞0，A(i，j)的取值如下：
Figure BDA0002656248210000052
若A(0，j)＜10，则在首位补0用于占位。d表示每个影响因素代码所占位数，在本发明中取两位即d＝2。n表示影响因素的个数，在本发明中n取22。具体编码如表1所示。
表1高风险交通行为和影响因素编码表
Figure BDA0002656248210000053
Figure BDA0002656248210000061
Figure BDA0002656248210000062
Figure BDA0002656248210000071
Figure BDA0002656248210000081
由表1可知jmax＝29。
路径f亦可表示为：
Figure BDA0002656248210000091
Figure BDA0002656248210000092
为路径f的特征向量，
Figure BDA0002656248210000093
为路径f的系数向量。
第二，对所有采集到的交通事故结果进行分类，按损失程度分为：轻度事故、一般事故、重大事故、特大事故，并对其编码，对应关系如下：轻度事故-01、一般事故-02、重大事故-03、特大事故-04。
亦可表示为：
Figure BDA0002656248210000094
其中
Figure BDA0002656248210000095
为事故结果向量，r表示对应的事故结果代码。
第三，统计不同事故结果下的各个子因素发生的频率p(i，j)，
Figure BDA0002656248210000096
其中CA是所有该类事故发生的频数，CS是各个子因素在该类事故下发生的频数，将此结果存入高风险交通行为数据预处理子库中。
第四，统计不同事故结果下各因素中发生频率最大的子因素序列
Figure BDA0002656248210000097
Figure BDA0002656248210000098
Figure BDA0002656248210000099
其中r表示对应的事故结果代码，n表示影响因素的个数。
为便于影响因素代码与对应子因素发生频率的转化，引入转化系数k(i，j)，使pr(i，j)＝kr(i，j)×Ar(i，j)。
将prmax(i，j)和与其对应的Armax(i，j)存入高风险交通行为数据预处理子库中。
如图1所示，对于交通事故风险评估推理模型的建立，具体步骤如下：
第一，将事故事件代码f视为一条由高风险交通行为出发，经历各个以除高风险交通行为外其他影响因素为节点，事故结果为终点的路径，如图2所示。
第二，将不同类事故发生频率从0到1分为10个区间，每个区间长度为0.1。
由不同结果出发，统计各个区间中不同路径发生的频数并由大到小排列，取前k条路径作为每个区间的中央路径，将每条与相应结果对应的路径fri及中央路径代码frci存入路径数据子库中。以A(0，j)＝4为例，分别与每个事故结果构成的其中一簇中央路径如图3所示。
第三，将输入的路径f分为两类：完整路径和缺项路径。
对于完整路径的处理方法如下：
若路径库中存在该完整路径，则用库中路径对应事故结果的频率pr代替该路径对应事故结果的概率Pr作为输出。
用距离估计式：
Figure BDA0002656248210000101
a(i，j)，arc(i，j)分别表示f和fri对应子因素在该影响因素下的位置坐标，在计算时，取a(i，j)＝p(i，j)，arc(i，j)＝pr(i，j)。
则当输入路径与中央路径的距离小于某一数值ε，即d≤ε时，用中央路径frc1的频率prc1代替路径f的结果概率Pr。当d＞ε时，找到除frc1外与f距离最近的路径frc2，用frc1与frc2的频率均值prca12代替路径f的结果概率Pr，并将结果存入风险行为与结果映射数据子库中。
对于缺项路径的处理方法如下：
定义一条由去掉已知节点后，剩余节点组成的路径为对应事故结果的截断路径fri’。
计算路径数据子库中在相应事故结果下截断路径的频数Cri’。
求得最大频数Crimax’所对应的截断路径frimax’。
将已知节点补充在截断路径frimax’上，得到一条完整路径。
使用上述完整路径的处理方法求得截断路径frimax’得到对应的结果概率Primax’作为过程期望概率。
取数据预处理子库中
Figure BDA0002656248210000111
建立新的子因素发生频率序列
Figure BDA0002656248210000112
用已知节点的频率替换序列
Figure BDA0002656248210000113
中对应的频率值，得到一条完整的结果期望路径fre’所对应的子因素发生频率序列，与路径fre’对应的子因素位置坐标可能不存在，但可以带入频率值做距离估计。
将结果期望路径fre’带入上述完整路径的处理方法求得结果期望概率Pre。
求过程期望概率Pri与结果期望概率Pre的均值Pr，即
Figure BDA0002656248210000114
作为输出。
高风险交通行为数据库的建立过程如下：
第一，高风险交通行为数据库由数据预处理子库，路径数据子库和映射数据子库组成如图1所示。
第二，穷举所有可能输入的完整路径和缺项路径，输入数据预处理子库，再经事故风险评估推理模型处理后，输出结果并将结果存入映射数据子库组成中。
交通事故风险评估***运行过程如图1所示，其具体步骤如下：
第一，输入已知数据的影响因素代码，若某一因素未知，则输入00占位。
第二，搜索映射数据子库内与已知缺项路径相同的路径。
第三，输出映射数据子库存储的对应不同事故结果的结果概率Pr。
本实施例基于五年的全国事故数据建立一个高风险交通行为数据库与交通事故风险评估推理机，假设事故发生，向***输入一个高风险交通行为与若干个因素时，输出一个可能造成的事故结果概率序列以供参考。

Claims (7)

1.一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，包括以下步骤：
步骤一，对采集到的交通事故数据进行预处理，得到高风险交通行为和其余影响因素的关系；
步骤二，对所有采集到的交通事故结果进行分类；
步骤三，统计不同事故结果下的各个因素发生的频率，并将频率结果存入高风险交通行为数据预处理子库中；
步骤四，统计不同事故结果下各因素中发生频率最大的子因素序列；
步骤五，根据数据预处理子库与子因素序列，建立交通事故风险评估推理模型，统计所有路径，求得所有中央路径，将映射结果存入映射数据子库，将路径结果存入路径数据子库；
步骤六，输入一个完整或缺项路径，映射数据子库将输出所有可能结果的发生概率。
2.根据权利要求1所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤一中，对采集到的交通事故数据进行预处理的具体方法如下：
第一步，根据事故事件代码和影响因素代码对高风险交通行为和其余影响因素进行编码；
第二步，根据路径编码向量和路径系数向量确定最终路径。
3.根据权利要求1所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤三中，子因素发生的频率p(i,j)的计算方法如下：
Figure FDA0002656248200000011
其中CA是所有该类事故发生的频数，CS是各个子因素在该类事故下发生的频数。
4.根据权利要求1所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤四中，子因素序列
Figure FDA0002656248200000021
的计算方法如下：
Figure FDA0002656248200000022
Figure FDA0002656248200000023
其中，r表示对应的事故结果代码，n表示影响因素的个数；
引入转化系数k(i,j)，使pr(i,j)＝kr(i,j)×Ar(i,j)；
将prmax(i,j)和与其对应的Armax(i,j)存入高风险交通行为数据预处理子库中。
5.根据权利要求1所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤五中，交通事故风险评估推理模型的建立方法如下：
第一步，事故事件代码f视为一条由高风险交通行为出发，经历各个除高风险交通行为外其他影响因素为节点，事故结果为终点的路径；
第二步，将不同类事故发生频率从0到1分为若干个区间；
由不同结果出发，统计各个区间中不同路径发生的频数并由大到小排列，取前k条路径作为每个区间的中央路径，将每条与相应结果对应的路径fri及中央路径代码frci存入路径数据子库中；
第三步，将输入的路径f分为两类：完整路径和缺项路径。
6.根据权利要求1所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤六中，对于完整路径的处理方法如下：
若路径库中存在该完整路径，则用库中路径对应事故结果的频率pr代替该路径对应事故结果的概率Pr作为输出；
则当输入路径与中央路径的距离小于某一数值ε，即d≤ε时，用中央路径frc1的频率prc1代替路径f的结果概率Pr；当d>ε时，找到除frc1外与f距离最近的路径frc2，用frc1与frc2的频率均值prca12代替路径f的结果概率Pr，并将结果存入风险行为与结果映射数据子库中。
7.根据权利要求6所述的一种基于高风险交通行为数据库的交通事故风险评估方法，其特征在于，步骤六中，对于缺项路径的处理方法如下：
定义一条由去掉已知节点后，剩余节点组成的路径为对应事故结果的截断路径fri’；
计算路径数据子库中在相应事故结果下截断路径的频数Cri’；
求得最大频数Crimax’所对应的截断路径frimax’；
将已知节点补充在截断路径frimax’上，得到一条完整路径；
使用完整路径的处理方法求得截断路径frimax’得到对应的结果概率Primax’作为过程期望概率；
取数据预处理子库中
Figure FDA0002656248200000031
建立新的子因素发生频率序列
Figure FDA0002656248200000032
用已知节点的频率替换序列
Figure FDA0002656248200000033
中对应的频率值，得到一条完整的结果期望路径fre’所对应的子因素发生频率序列；
将结果期望路径fre’带入上述完整路径的处理方法求得结果期望概率Pre；
求过程期望概率Pri与结果期望概率Pre的均值Pr作为输出。
CN202010888509.XA 2020-08-28 2020-08-28 一种基于高风险交通行为数据库的交通事故风险评估方法 Active CN112036473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010888509.XA CN112036473B (zh) 2020-08-28 2020-08-28 一种基于高风险交通行为数据库的交通事故风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010888509.XA CN112036473B (zh) 2020-08-28 2020-08-28 一种基于高风险交通行为数据库的交通事故风险评估方法

Publications (2)

Publication Number Publication Date
CN112036473A true CN112036473A (zh) 2020-12-04
CN112036473B CN112036473B (zh) 2023-09-12

Family

ID=73586813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010888509.XA Active CN112036473B (zh) 2020-08-28 2020-08-28 一种基于高风险交通行为数据库的交通事故风险评估方法

Country Status (1)

Country Link
CN (1) CN112036473B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580874A (zh) * 2022-02-24 2022-06-03 哈尔滨工业大学 一种适用于高速公路风险评估的多维分布式数据分析***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080040352A (ko) * 2006-11-03 2008-05-08 한국전력공사 리스크 정보를 이용한 주민 위해도 평가 방법
CN105070097A (zh) * 2015-07-16 2015-11-18 山东交通学院 一种营运车辆道路交通事故风险识别方法
US20160189303A1 (en) * 2014-03-21 2016-06-30 Gil Emanuel Fuchs Risk Based Automotive Insurance Rating System
CN110910641A (zh) * 2019-12-02 2020-03-24 北京航空航天大学 一种基于神经网络的高速公路交通运行实时风险评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080040352A (ko) * 2006-11-03 2008-05-08 한국전력공사 리스크 정보를 이용한 주민 위해도 평가 방법
US20160189303A1 (en) * 2014-03-21 2016-06-30 Gil Emanuel Fuchs Risk Based Automotive Insurance Rating System
CN105070097A (zh) * 2015-07-16 2015-11-18 山东交通学院 一种营运车辆道路交通事故风险识别方法
CN110910641A (zh) * 2019-12-02 2020-03-24 北京航空航天大学 一种基于神经网络的高速公路交通运行实时风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宗芳;于萍;吴挺;陈相茹;: "常规公交风险的SEM与Bayesian Network组合评估方法研究", 交通信息与安全, no. 04 *
饶和根;卢勇;赵娜乐;: "城市群内高速公路交通运行动态风险评估模型", 公路交通科技(应用技术版), no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580874A (zh) * 2022-02-24 2022-06-03 哈尔滨工业大学 一种适用于高速公路风险评估的多维分布式数据分析***
CN114580874B (zh) * 2022-02-24 2023-06-02 哈尔滨工业大学 一种适用于高速公路风险评估的多维分布式数据分析***

Also Published As

Publication number Publication date
CN112036473B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN111782512A (zh) 基于不平衡噪声集的多特征软件缺陷综合预测方法
CN112650204B (zh) 一种智慧轨道无人驾驶车辆故障基因识别方法及***
CN111126819A (zh) 一种城市行驶工况智能分析方法
CN113485863B (zh) 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN113259216B (zh) 一种can总线信号解析方法及***
CN111338950A (zh) 一种基于谱聚类的软件缺陷特征选择方法
CN114299742A (zh) 一种高速公路的限速信息动态识别与更新推荐方法
CN110837874A (zh) 基于时间序列分类的业务数据异常检测方法
CN112036473A (zh) 一种基于高风险交通行为数据库的交通事故风险评估方法
CN112734094A (zh) 一种智慧城市智轨车辆故障基因预测方法及***
CN115170027A (zh) 数据分析方法、装置、设备及存储介质
CN112836967B (zh) 新能源汽车电池安全风险评估***
CN110598747A (zh) 基于自适应k均值聚类算法的道路分类方法
CN111737993B (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN110119891B (zh) 一种适于大数据的交通安全影响因素辨识方法
CN112085610B (zh) 目标物定损方法、装置、电子设备及计算机可读存储介质
CN114493363A (zh) 城市公交事故风险因素分析方法
CN114826632A (zh) 基于网络安全数据清洗融合的网络攻击分类方法
CN113486086A (zh) 一种基于特征工程的数据挖掘方法及***
CN113220973A (zh) 一种基于知识推理技术的舆情验真方法
CN114066288A (zh) 一种基于智慧数据中心的营运道路应急检测方法及***
CN106056223A (zh) 用于车辆远程诊断与备件检索的平台
CN111488903A (zh) 基于特征权重的决策树特征选择方法
WO2020107836A1 (zh) 基于 word2vec 的用户缺失画像的补充方法和相关设备
Qin et al. Convolutional neural network-based ASIL rating method for automotive functional safety

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