CN112150801A - 一种基于准车辆轨迹的快速路实时事故风险预测方法 - Google Patents

一种基于准车辆轨迹的快速路实时事故风险预测方法 Download PDF

Info

Publication number
CN112150801A
CN112150801A CN202010846934.2A CN202010846934A CN112150801A CN 112150801 A CN112150801 A CN 112150801A CN 202010846934 A CN202010846934 A CN 202010846934A CN 112150801 A CN112150801 A CN 112150801A
Authority
CN
China
Prior art keywords
vehicle
accident
speed
time
risk prediction
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
Application number
CN202010846934.2A
Other languages
English (en)
Inventor
王玲
钟昊
马万经
俞春辉
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010846934.2A priority Critical patent/CN112150801A/zh
Publication of CN112150801A publication Critical patent/CN112150801A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于准车辆轨迹的快速路实时事故风险预测方法，该方法包括以下步骤：基于历史事故数据提取准车辆轨迹；基于所述准车辆轨迹建立车群事故风险预测模型；实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果；基于所述事故风险预测结果对车辆速度进行协调控制。与现有技术相比，本发明将车***通流特征的实时变化与事故可能性联系起来，充分考虑了碰撞车辆的轨迹问题，应用了详细的交通信息，汇聚了多种交通资源，结合基于速度和基于流量的交通数据来获取车辆的时空信息，及时调整车辆状态，防止事故的发生，提高网联自动驾驶汽车的安全性。

Description

一种基于准车辆轨迹的快速路实时事故风险预测方法
技术领域
本发明涉及快速路交通安全预测技术领域，尤其是涉及一种基于准车辆轨迹的快速路实时事故风险预测方法。
本发明基于上海市扬帆计划：基于实时风险预测的高速公路作业区协同主动优化方法研究(kz0160020190748)的研究成果形成。
背景技术
交通事故已是世界性的严重社会问题。惨重的交通事故后果使人们不得不对交通安全状况予以高度重视，并将不断进步的科学技术应用于交通安全研究工作中，使汽车更好地造福于人类，各国正在不同程度地从道路和交通工程上采取对策。碰撞的发生受路段条件的影响，这也是以往实时安全防护的基本思路。如专利CN105513425B公开一种车辆碰撞风险算法及事故预警方法，包括以下步骤：车载单元OBU通过读取安装在变速器输出轴上的速度传感器信息获取自车的速度，通过调用车身稳定***ESP的加速度信息获取自车的加速度，通过读取安装在方向盘下方转向管柱内的转角传感器信息获取车辆当前的转角，通过与道路地图匹配获取车辆的实时航向角，通过GPS/北斗导航实时测算两车间的距离；路侧单元RSU设有各自的所辖区域，通过道路及其所辖区域的车辆通信获取所属区域范围内的车载单元OBU发送的参数，将上述参数传输给交通信息中心TIC；交通信息中心TIC通过与路侧单元RSU通信获取路侧单元RSU所辖区域车辆的参数后，计算整条路网的车辆碰撞风险，进行信息发布，推送给路侧单元RSU所辖车辆事故预警信息，车载单元OBU并对来自路侧单元RSU的预警信息进行自车预警，使其减速、换道、等待或者更换路径。
然而，车辆的运动是连续的，从上游到下游。在行驶过程中，该车辆附近的其他车辆可能会不断地对其产生影响，最终导致车辆发生碰撞。目前的碰撞预测方法还不足以准确地对变化的车辆状态进行实时事故风险预测。
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动态性佳、有效提高安全性的基于准车辆轨迹的快速路实时事故风险预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于准车辆轨迹的快速路实时事故风险预测方法，该方法包括以下步骤：
基于历史事故数据提取准车辆轨迹；
基于所述准车辆轨迹建立车群事故风险预测模型；
实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果；
基于所述事故风险预测结果对车辆速度进行协调控制。
进一步地，所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。
进一步地，所述准车辆轨迹通过以下步骤提取：
基于所述速度数据绘制速度曲线，以速度急剧下降的时刻作为事故准确发生时间，生成准车辆轨迹，所述速度曲线包括事故发生上游每条车道的速度曲线，其时间范围为所述事故发生时间的前后30min。
进一步地，所述车群事故风险预测模型为基于条件Logistic回归的预测模型。
进一步地，所述车群事故风险预测模型表示为：
Logit(pij)＝-5.177+0.292Speeddif,1min+0.125Speeddif,2min
+0.191Speeddif,3min+0.107Speeddif,4min+0.105Volumedif,1min
+0.054Volumedif,2min+0.055Volumedif,3min+0.037Volumedif,4min
+0.209Volumetruck1,dif,1min+0.063Speedavg,1min
其中，Speeddiff，1min为车群0-1min前的速度差，Speeddiff，2min为车群1-2min前的速度差，Speeddiff，3min为车群2-3min前的速度差，Speeddiff，4min为车群3-4min前的速度差，Voldiff，1min为车群0-1min前的流量差，Voldiff，2min为车群1-2min为前的流量差，Voldiff，3min为车群2-3min前的流量差，Voldiff，4min为车群3-4min前的流量差，Voltruck,diff,1min为车群0-1min前的卡车流量差，Speedaver,1min为车群0-1min前的平均速度。
进一步地，所述基于条件Logistic回归的预测模型中的自变量通过相关性分析与随机森林算法筛选获得。
进一步地，以1分钟为时间粒度，实时获取待预测路段当前时刻前四分钟的速度数据和流量数据。
进一步地，以1分钟为间隔实时更新所述事故风险预测结果。
进一步地，所述协调控制包括交通量差协调控制和速度协调控制。
进一步地，在发生事故时，对所述车群事故风险预测模型进行更新。
与现有技术相比，本发明具有如下有益效果：
1、本发明将车***通流特征的实时变化与事故可能性联系起来，充分考虑了碰撞车辆的轨迹问题，应用了详细的交通信息，汇聚了多种交通资源，结合基于速度和基于流量的交通数据来获取车辆的时空信息，提高网联自动驾驶汽车的安全性。
2、本发明的路段速度数据和流量数据每隔1分钟更新一次，有较好的实时性，从而更好地实现事故风险动态更新。
3、本发明考虑车群的整体特征，包括流量变化和速度变化，能对事故风险进行更加准确可靠的预测。
4、本发明通过预测来实现更好的安全效果，可以满足和吸引更多的用户，且可以提高***服务质量。
附图说明
图1为本发明的流程示意图；
图2为本发明的碰撞时间提取图；
图3为本发明的事故风险计算示例图；
图4为本发明优势对比图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
交通事故的发生是由车辆运行轨迹周围的交通流连续撞击该车辆造成的。更具体地说，事故的发生可能是由于上游交通状况造成的，即车辆从何处出发以及何时出发的影响至关重要。在此基础上，本发明进行了基于准车辆轨迹的实时事故风险预测方法。
如图1所示，本实施例提供一种基于准车辆轨迹的快速路实时事故风险预测方法，该方法包括以下步骤：
步骤S1，基于历史事故数据提取准车辆轨迹。所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据等。
准车辆轨迹通过以下步骤提取：基于所述速度数据绘制速度曲线，以速度急剧下降的时刻作为事故准确发生时间，生成准车辆轨迹。
在存在检测器的情况下，对于每个记录的事故，在事故的最近的上游探测器的每个车道的速度被收集，每一条车道都绘制其速度曲线，速度曲线的时间范围是事故记录发生时间前后30min，调整后的事故发生时间为速度发生急剧下降的时刻。调整后的事故时间被设置为第一分钟，其中有一个显著的速度下降，该时刻被认为是事故发生的时刻，如图2所示，其中(2a)和(2b)分别表示历史事故中第368起事故和第370起事故各车道的速度曲线及调整后事故时间。
对每一起事故均进行速度曲线的绘制，仅选择出现速度明显下降的事故样本作为下一阶段研究的数据输入。速度无明显下降的事故样本其事故发生的准确时间无所勘正，因此不纳入下一阶段的研究中去。
步骤S2，基于所述准车辆轨迹建立车群事故风险预测模型，具体包括：
步骤S21：按照案例组：对照组＝1：5的比例进行对提取的准车辆轨迹进行数据抽取，在抽取对照组数据时，无须控制对照组的样本采样空间，采用随机抽样的方法进行；
该步骤对于有显著速度下降的案例，以事故发生时刻为起点，从多个检测器收集流量数据和速度数据，并处理为在一分钟级别的多个变量，例如，碰撞发生前0到1分钟的平均路段流量和平均路段速度。
步骤S22：进行数据清洗，完成无效样本剔除、缺失值检测与填补、异常值监测与修补。
步骤S23：通过相关性分析与随机森林算法对多源数据进行筛选。
步骤S24：利用筛选的结果建立基于条件Logistic回归的事故风险预测模型。
步骤S23中，通过相关性分析，分析自变量之间的相关性、自变量与因变量(基于准车辆轨迹确定)之间的相关性，选取与因变量显著相关的自变量，并为避免后续模型建立出现多重共线性的问题，剔除部分互为强相关自变量；同时由于实际工程的需要，通过随机森林方法得出对因变量来说各个自变量的重要度。本实施例中，筛选并保留10个自变量，并采用数据拟合方法，建立如下的基于条件Logistic车群事故风险预测模型：
Logit(pij)＝-5.177+0.292Speeddif,1min+0.125Speeddif,2min
+0.191Speeddif,3min+0.107Speeddif,4min+0.105Volumedif,1min
+0.054Volumedif,2min+0.055Volumedif,3min+0.037Volumedif,4min
+0.209Volumetruck1,dif,1min+0.063Speedavg,1min
其各变量的意义如表1所示。
表1车辆碰撞风险预测模型各变量的意义
变量 含义 变量系数
Speed<sub>diff，1min</sub> 车群0-1min前的速度差 0.292
Speed<sub>diff，2min</sub> 车群1-2min前的速度差 0.125
Speed<sub>diff，3min</sub> 车群2-3min前的速度差 0.191
Speed<sub>diff，4min</sub> 车群3-4min前的速度差 0.107
Vol<sub>diff，1min</sub> 车群0-1min前的流量差 0.105
Vol<sub>diff，2min</sub> 车群1-2min前的流量差 0.054
Vol<sub>diff，3min</sub> 车群2-3min前的流量差 0.055
Vol<sub>diff，4min</sub> 车群3-4min前的流量差 0.037
Vol<sub>truck，diff，1min</sub> 车群0-1min前的卡车流量差 0.209
Speed<sub>aver，1min</sub> 车群0-1min前的平均速度 0.063
上述自变量中考虑有对模型精度有显著影响的车群0-1min前的卡车流量差，有效提高模型预测精度。
步骤S3，实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果。
该步骤中，以1分钟为时间粒度，实时获取待预测路段当前时刻前四分钟的速度数据和流量数据。速度数据和流量数据可通过感应线圈及网联车数据获取。
以1分钟为间隔实时更新所述事故风险预测结果，通过识别不同车道的速度差确定风险。
步骤S4，基于所述事故风险预测结果对车辆速度判断是否需要进行协调控制，若是，进行协调控制，实现动态调节，若否，返回步骤S3，继续更新。
通过设置风险阈值来确定是否进行协调控制，不同场景可设置不同的风险阈值。本实施例中，风险阈值设置为0.8。
所述协调控制包括交通量差协调控制和速度协调控制。具体地，如果有路边交通检测器，CAV(智能网联车辆)可以从检测器中采集交通信息，对数据进行处理，得到路段速度差、路段流量差等信息，然后实时计算出碰撞风险。当危险情况发生时，可以通过调整交通事故的影响因素，如采用匝道控制减小路段交通量差、采用可变限速控制减小路段交通量差等，利用智能交通***降低交通事故风险。在没有路边交通检测器的情况下，CAV可以连续采集道路交通信息，并对道路交通信息进行处理，得到实时交通事故预测模型中的变量，进而得到实时交通事故风险。当碰撞风险较高时，可以采取速度协调控制等调整措施来降低碰撞风险。
如果在上述预测下仍然有发生事故，则基于新的历史数据对所述车群事故风险预测模型进行更新。
本发明是对快速路实时安全分析的扩展。所得结论可用于智能网联车辆CAV的安全性改进。
对于一个车群从西向东行驶，当前时刻为8:05(8点05分)位于里程标志为8.2-8.8的路段，此路段车群即将进入8.8-9.2路段。获取8:04-8:05这一分钟经过的检测器的速度、流量数据等。由各个路段长度和8:04-8:05时的路段空间平均速度，追溯车群在这一分钟通过了哪些检测器，获取通过的检测器8:04-8:05这一分钟的速度、流量等数据。获取8:03-8:04这一分钟经过的检测器的速度、流量等数据。其中需要注意的是，8:04-8:05一分钟内车群在里程标志7.6-8.0路段行驶了6s。8:03-8:04时车群也在里程标志7.6-8.0路段内，所以计算车群8:03-8:04这一分钟在里程标志7.6-8.0路段的时间应该由该路段长度减去8:04-8:05时车群通过该路段的距离，再除以8:03-8:04时该路段的空间平均速度，得到车群8:03-8:04这一分钟在7.6-8.0路段的时间。以此类推，向上游追溯，得到8:02-8:03，8:01-8:02经过的检测器数据。如图3所示。
之后，计算流量差，速度差和速度等变量，进而计算事故风险指标，实时更新车辆的碰撞风险，根据碰撞风险预测结果是否需要车速协调，若是，进行汽车协调，实现动态调节，若否，继续更新。
本发明的事故风险预测是针对车群而言，其中“车群”是指一个车辆群体，车群是以路段为起点，向上游追溯一分钟，车群内部的车辆特征虽有变化，但本发明考虑车群的整体特征，假设网联车均匀分布在车群内，流量变化和速度变化作为车群特征信息。相较其他现有方法，本方法将车***通流特征的实时变化与事故可能性联系起来，充分考虑了碰撞车辆的轨迹问题，应用了详细的交通信息，汇聚了多种交通资源，结合基于速度和基于流量的交通数据来获取车辆的时空信息，提高网联自动驾驶汽车的安全性。如图4所示。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，该方法包括以下步骤：
基于历史事故数据提取准车辆轨迹；
基于所述准车辆轨迹建立车群事故风险预测模型；
实时获取待预测路段的速度数据和流量数据，并基于所述车群事故风险预测模型获得事故风险预测结果；
基于所述事故风险预测结果对车辆速度进行协调控制。
2.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述历史事故数据包括事故发生时间、事故发生坐标、流量数据和速度数据。
3.根据权利要求2所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述准车辆轨迹通过以下步骤提取：
基于所述速度数据绘制速度曲线，以速度急剧下降的时刻作为事故准确发生时间，生成准车辆轨迹，所述速度曲线包括事故发生上游每条车道的速度曲线，其时间范围为所述事故发生时间的前后30min。
4.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述车群事故风险预测模型为基于条件Logistic回归的预测模型。
5.根据权利要求4所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述车群事故风险预测模型表示为：
Logit(pij)＝-5.177+0.292Speeddif，1min+0.125Speeddif，2min+0.191Speeddif，3min+0.107Speeddif，4min+0.10SVolumedif，1min+0.054Volumedif，2min+0.055Volumedif，3min+0.037Volumedif，4min+0.209Volumetruck1，dif，1min+0.063Speedavg，1min
其中，Speeddiff，1min为车群0-1min前的速度差，Speeddiff，2min为车群1-2min前的速度差，Speeddiff，3min为车群2-3min前的速度差，Speeddiff，4min为车群3-4min前的速度差，Voldiff，1min为车群0-1min前的流量差，Voldiff，2min为车群1-2min为前的流量差，Voldiff，3min为车群2-3min前的流量差，Voldiff，4min为车群3-4min前的流量差，Voltruck，diff，1min为车群0-1min前的卡车流量差，Speedaver，1min为车群0-1min前的平均速度。
6.根据权利要求4所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述基于条件Logistic回归的预测模型中的自变量通过相关性分析与随机森林算法筛选获得。
7.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，以1分钟为时间粒度，实时获取待预测路段当前时刻前四分钟的速度数据和流量数据。
8.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，以1分钟为间隔实时更新所述事故风险预测结果。
9.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，所述协调控制包括交通量差协调控制和速度协调控制。
10.根据权利要求1所述的基于准车辆轨迹的快速路实时事故风险预测方法，其特征在于，在发生事故时，对所述车群事故风险预测模型进行更新。
CN202010846934.2A 2020-08-21 2020-08-21 一种基于准车辆轨迹的快速路实时事故风险预测方法 Pending CN112150801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010846934.2A CN112150801A (zh) 2020-08-21 2020-08-21 一种基于准车辆轨迹的快速路实时事故风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010846934.2A CN112150801A (zh) 2020-08-21 2020-08-21 一种基于准车辆轨迹的快速路实时事故风险预测方法

Publications (1)

Publication Number Publication Date
CN112150801A true CN112150801A (zh) 2020-12-29

Family

ID=73888928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010846934.2A Pending CN112150801A (zh) 2020-08-21 2020-08-21 一种基于准车辆轨迹的快速路实时事故风险预测方法

Country Status (1)

Country Link
CN (1) CN112150801A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095584A (zh) * 2021-04-23 2021-07-09 中南大学 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质
CN113506452A (zh) * 2021-06-23 2021-10-15 同济大学 一种基于车群事故风险的快速路多匝道协同控制方法
CN113706867A (zh) * 2021-08-27 2021-11-26 东北大学 一种高速公路相邻边缘设备节点交通异常概率评估方法
CN114944055A (zh) * 2022-03-29 2022-08-26 浙江省交通投资集团有限公司智慧交通研究分公司 基于电子收费门架的高速公路碰撞风险动态预测方法
CN114995164A (zh) * 2022-08-03 2022-09-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN105810013A (zh) * 2014-12-30 2016-07-27 ***通信集团公司 一种基于车群风险的车辆防撞控制方法和装置
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及***
US9805601B1 (en) * 2015-08-28 2017-10-31 State Farm Mutual Automobile Insurance Company Vehicular traffic alerts for avoidance of abnormal traffic conditions
CN107730937A (zh) * 2017-10-26 2018-02-23 东南大学 一种交通事故风险最小化的隧道出入口动态车速诱导方法
CN109684702A (zh) * 2018-12-17 2019-04-26 清华大学 基于轨迹预测的行车风险辨识方法
US20200255035A1 (en) * 2019-02-13 2020-08-13 Robert Bosch Gmbh Method and control unit for limiting an accident risk

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN105810013A (zh) * 2014-12-30 2016-07-27 ***通信集团公司 一种基于车群风险的车辆防撞控制方法和装置
US9805601B1 (en) * 2015-08-28 2017-10-31 State Farm Mutual Automobile Insurance Company Vehicular traffic alerts for avoidance of abnormal traffic conditions
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及***
CN107730937A (zh) * 2017-10-26 2018-02-23 东南大学 一种交通事故风险最小化的隧道出入口动态车速诱导方法
CN109684702A (zh) * 2018-12-17 2019-04-26 清华大学 基于轨迹预测的行车风险辨识方法
US20200255035A1 (en) * 2019-02-13 2020-08-13 Robert Bosch Gmbh Method and control unit for limiting an accident risk

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG LING 等: "Quasi-vehicle-trajectory-based real-time safety analysis for expressways", 《TRANSPORTATION RESEARCH: PART C》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095584A (zh) * 2021-04-23 2021-07-09 中南大学 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质
CN113095584B (zh) * 2021-04-23 2023-08-15 中南大学 一种基于交通流特征的交叉口安全水平短时预测方法、***、终端及可读存储介质
CN113506452A (zh) * 2021-06-23 2021-10-15 同济大学 一种基于车群事故风险的快速路多匝道协同控制方法
CN113506452B (zh) * 2021-06-23 2022-08-09 同济大学 一种基于车群事故风险的快速路多匝道协同控制方法
CN113706867A (zh) * 2021-08-27 2021-11-26 东北大学 一种高速公路相邻边缘设备节点交通异常概率评估方法
CN113706867B (zh) * 2021-08-27 2022-08-30 东北大学 一种高速公路相邻边缘设备节点交通异常概率评估方法
CN114944055A (zh) * 2022-03-29 2022-08-26 浙江省交通投资集团有限公司智慧交通研究分公司 基于电子收费门架的高速公路碰撞风险动态预测方法
CN114995164A (zh) * 2022-08-03 2022-09-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置
CN114995164B (zh) * 2022-08-03 2022-12-02 武汉维泰信息科技有限公司 一种基于物联网的新能源汽车安全预警方法及装置

Similar Documents

Publication Publication Date Title
CN112150801A (zh) 一种基于准车辆轨迹的快速路实时事故风险预测方法
US10704920B2 (en) Traffic lane guidance system for vehicle and traffic lane guidance method for vehicle
US11295391B1 (en) Reward system related to a vehicle-to-vehicle communication system
US20230177615A1 (en) Reward system related to a vehicle-to-vehicle communication system
US10414407B1 (en) Driving analysis using vehicle-to-vehicle communication
CN109177982B (zh) 考虑驾驶风格的车辆行驶危险度评价方法
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN112419709B (zh) 一种基于路段异质性的快速路事故风险实时预测方法
US9940676B1 (en) Insurance system for analysis of autonomous driving
CN113192331B (zh) 一种网联环境下面向骑行安全的智能预警***及预警方法
CN110428621A (zh) 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN113112789B (zh) 城市快速路突发事件的影响预测及管控方法
Choi et al. Proactive strategy for variable speed limit operations on freeways under foggy weather conditions
CN114454878B (zh) 车速控制模型训练样本的确定方法及装置
CN109448408B (zh) 一种红绿灯处车辆行驶状态优化方法
Azizi et al. Estimation of freeway platooning measures using surrogate measures based on connected vehicle data
CN112990563B (zh) 一种高速公路追尾事故风险实时预测方法
CN114241754A (zh) 基于高速公路合流影响区事故前兆特征的实时控制方法
CN116935641A (zh) 一种路况风险预警方法、装置及控制设备
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN115841765A (zh) 车辆位置盲区监控方法、装置、电子设备及可读存储介质
CN112622921B (zh) 一种检测司机异常驾驶行为的方法、装置及电子设备
CN113992399A (zh) 基于移动行为的车联网Sybil工具检测方法
KR101774294B1 (ko) 교통신호정보를 이용한 세그먼트데이터 기반의 링크속도 생성 방법
CN117351726B (zh) 一种高速公路事件预警***及综合感知方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201229