CN112966941B - 一种基于交通事故大数据的事故黑点识别方法及*** - Google Patents
一种基于交通事故大数据的事故黑点识别方法及*** Download PDFInfo
- Publication number
- CN112966941B CN112966941B CN202110255857.8A CN202110255857A CN112966941B CN 112966941 B CN112966941 B CN 112966941B CN 202110255857 A CN202110255857 A CN 202110255857A CN 112966941 B CN112966941 B CN 112966941B
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- data
- point
- points
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 30
- 206010027146 Melanoderma Diseases 0.000 title claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 230000034994 death Effects 0.000 claims description 21
- 230000006378 damage Effects 0.000 claims description 19
- 208000027418 Wounds and injury Diseases 0.000 claims description 16
- 208000014674 injury Diseases 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于交通事故大数据的事故黑点识别方法，包括：S100：获取路网数据和预设时间段的交通事故数据；S200：将交通事故数据和路网数据进行位置匹配；S300：识别事故黑点，本步骤进一步包括：S301：提取事故高发点；S302：基于事故高发点的位置信息，利用K均值聚类法对事故高发点进行聚类；S303：对子步骤S302所获得的各簇，分别计算各簇中心点；S304：分别以各中心点为中心，预设半径范围内所有事故点构成各黑点区域。本发明基于已发生的交通事故数据，提取交通事故发生的时空分布特性等客观规律性信息，可准确识别路网上的交通事故黑点。
Description
技术领域
本发明属于智能交通技术领域，具体涉及一种基于交通事故大数据的事故黑点识别方法及***。
背景技术
近年来，随着我国经济建设的高速发展和人民生活水平的不断提高，城市机动车保有量急剧增长，人们的生活也变得越来越便捷。但是，迅速增长的机动车数量与有限的道路基础设施之间的矛盾也日趋严重，城市路网频繁出现交通拥堵、交通秩序混乱和交通事故等一系列道路安全问题。据世界卫生组织发布的统计数字，全世界每年因道路交通事故所造成的伤亡达到125万，经济损失总量超过5000亿美元。道路交通事故一直处于高发态势，这不仅对公众出行和社会稳定带来一定的安全隐患，也给城市交通的健康运行带来了巨大的影响。因而，交通事故已经成为最重要的公共安全问题之一，交通事故的治理与防护引起了全世界各国政府的密切关注。近年来，通过科技来提升道路的安全性，对可以预见的交通安全隐患与交通事故做出主动的应对和预防，从而最大化道路利用率成为了学术界研究的热点问题。
研究道路交通安全的重要方向之一就是识别路网的交通事故黑点。目前，常见的交通事故黑点识别方法，大多基于影响事故发生的各种因素(例如天气、路况、照明、公路密度等)来构建相应的数学模型，并将所构建的数学模型作为交通事故预测模型的输入向量，以交通事故发生与否作为输出向量，对构建的交通事故预测模型进行训练；亦或将交通事故的预测问题归为一种分类问题或回归问题来处理。但交通事故的预测仍然是一项具有挑战性的问题。首先，引起交通事故的原因复杂，除了一些常见因素之外，路段或路口的交通设计也是引发事故的一个重要原因，而且每一个地方发生交通事故的原因可能也不一样。例如，引起机动车事故的原因很可能与非机动车事故的原因不一样。但是在这诸多的影响因素中，最重要的原因还是路段或路口的交通设计，设计的不合理、不规范是导致交通事故发生的直接诱因。
如果能对城市路网中交通事故黑点进行识别，基于所识别的交通事故黑点对相关的路段或路口进行相应的排查与整治，辅助交管部门采取相应的措施。这不仅能够帮助改善道路交通环境，减少交通事故的发生率；还可以指导交通管理部门通过可行的安全措施和防范手段，统筹管理各个影响因素，从整体上降低道路交通事故的发生概率，或者提高实时处理交通事故的效率。
发明内容
本发明的目的是提供一种基于交通事故大数据的事故黑点识别方法及***。
本发明提供的一种基于交通事故大数据的事故黑点识别方法，包括：
S100：获取路网数据和预设时间段的交通事故数据，所述交通事故数据至少包括交通事故发生的时间和位置信息、以及事故程度，其中事故程度进一步包括物损、受伤和死亡三种类型；
S200：将交通事故数据和路网数据进行位置匹配；
S300：识别事故黑点，本步骤进一步包括：
S301：提取事故高发点，具体为：
遍历每一个事故点，事故点即交通事故发生点，获取当前事故点周围预设范围Sk内的其他事故点，并计算当前事故点周围预设范围Sk内的事故热力值H(Sk)：
式中：P(1)、P(2)、P(3)分别表示死亡、受伤、物损三类事故程度的权重值，均在[0,1]范围取值，权重值人为设置；当P(1)＝P(2)＝P(3)＝1时，H(Sk)等同当前事故点周围预设范围内的其他事故点的数量；dr表示预设范围Sk内的第r个死亡事故，R表示预设范围Sk内的死亡事故总数，表示对预设范围Sk内死亡事故的计数；hj表示预设范围Sk内的第j个受伤事故，J表示预设范围Sk内的受伤事故总数，/>表示对预设范围Sk内受伤事故的计数；mp表示预设范围Sk内的第p个物损事故，P表示预设范围Sk内的物损事故总数，/>表示预设范围Sk内物损事故的计数；
判断当前事故点在Sk内的事故热力值H(Sk)是否大于预设的热力值阈值，若大于，则认为当前事故点为事故高发点；
完成遍历，获得事故高发点集；
S302：基于事故高发点的位置信息，利用K均值聚类法对事故高发点进行聚类；
S303：对子步骤S302所获得的各簇，分别计算各簇中心点，计算公式如下：
式中，(Xcentre、Ycentre)表示簇的中心点坐标；(xs，ys)表示簇中第s个事故点的坐标；n为每一个簇中事故点的数量；
S304：分别以各中心点为中心，预设半径范围内所有事故点构成各黑点区域。
本发明中，权重值P(1)、P(2)、P(3)均在[0,1]范围取值，可根据实际需求人灵活设置，一般来说，对所侧重的事故程度赋予较大的权重值。例如，在识别事故黑点时对事故程度没有侧重，可令P(1)＝P(2)＝P(3)＝1；仅需要识别事故程度为死亡的事故黑点时，则可令P(1)＝1，P(2)＝P(3)＝0；根据伤亡程度来识别事故黑点时，赋值时可令P(1)大于P(2)、P(3)。
进一步的，在执行步骤S200之前，对交通事故数据进行预处理，所述预处理包括剔除交通事故数据中包含空点位的数据以及剔除位置信息存在偏差的数据。
进一步的，子步骤S302中，簇的数量K利用轮廓系数法自动确定。
进一步的，本发明方法还可以根据事故类型进行黑点识别，即提取某一预设事故类型的交通事故数据，基于该预设事故类型的交通事故数据和路网数据执行步骤S200～S300，最终获得与该预设事故类型对应的黑点。
和现有技术相比，本发明具有如下优点和有益效果：
本发明主要考虑路段或路口设计不合理是引发事故的直接诱因，于是基于已发生的交通事故数据，提取交通事故发生的时空分布特性等客观规律性信息，准确识别路网上的交通事故黑点。交通管理部门根据排查到的事故黑点，对相关的路段区域提前采取防范措施或管制，就可以限制因路段或路口设计不合理所引发的交通事故，降低交通事故的发生机率，减少因交通事故而产生的伤亡人数，保障人民群众的生命安全。
附图说明
图1为本发明具体实施方式的流程图；
图2为具体实施方式中原始的交通事故数据；
图3为具体实施方式中交通事故数据经坐标转换后与路网数据匹配后的效果图；
图4为具体实施方式中所提取的事故高发点示意图；
图5为具体实施方式所获得簇的中心点示意图；
图6为具体实施方式中某一黑点区域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明方法的流程示意图，下面将参照图1描述本发明方法的具体实施步骤。
一、数据获取
本步骤所获取的数据包括交通事故数据和路网数据。全面、准确的交通事故数据是事故黑点识别的基础。采集的交通事故数据除了包括时间和位置信息外，还包括与事故相关的属性信息，如事故程度，所属机构，事故处理人，是否报警，事故类型，事故天气和事故环境等。近年来，随着无线通信技术与嵌入式技术的飞速发展，无线定位技术取得了长足的发展，智能手机作为一种便携式的数据采集终端，已经开始替代了传统的纸质采集数据的方法而得到了广泛的应用。利用智能手机安装的App可以快速完成交通事故现场的数据采集工作，提高事故采集的准确性和处理的效率。目前采用手机移动端的交通事故数据采集方法得到了广泛的应用。
本具体实施方式中选择宁波市鄞州区作为实验区域，鄞州区位于宁波市南部，是宁波市三大主城区之一。鄞州区的路网纵横交错，承载了宁波市的主要车流量。
本具体实施方式中所采集的数据具体有：
(1)交通事故数据
基于现有技术，交通事故数据的获取渠道较多，本具体实施方式中从宁波工程学院交通大数据实验室获取2020年7月1日至2020年11月30日的交通事故数据，该数据除了包含交通事故的时间和位置信息外，还包括与事故相关的属性信息，例如事故类型、事故程度、事故环境等。事故类型进一步包括非机动车之间的事故、机动车之间的事故、机动车与非机动车之间的事故、机动车与行人之间的事故、非机动车与行人之间的事故、以及前述事故之外的其他事故。事故程度进一步包括物损、受伤和死亡。
(2)路网数据
目前获取路网数据的渠道也较多，例如，可从百度地图或者高德地图上爬取宁波市鄞州区的路网数据，也可从测绘或交管部门购买所需的路网数据。
二、交通事故数据和路网数据的预处理及匹配
本具体实施方式中，采集的历时5个月(2020.07.01～2020.11.30)的原始交通事故数据集，共有数据记录40535条。经人工检查，包含空点位的数据记录一共有204条。空点位指没有空间位置信息的事故点，其无法参与后续计算，故人工剔除包含空点位的数据记录。将剩余的交通事故数据对应的事故点在带行政区划的地理图上渲染，并和行政区划数据进行点位的匹配，发现其中有26个事故点存在位置偏差。因此也将这26个事故点及相应的数据记录删除。经预处理，最终剩下40305条信息完整且位置信息准确的交通事故数据。
本具体实施方式中，通过手机App将这些交通事故数据录入***，采用的是百度地图坐标***，因此，在执行下一步分析之前，要将交通事故数据从百度地图坐标系转换为WGS1984坐标***，再转换到投影坐标系下。百度地图坐标系和WGS1984坐标***均为常见的地理坐标系。同样的，对路网数据也要进行坐标转换，将路网数据和交通事故数据转换到同一套坐标系下，将路网数据和事故点在该同一坐标系下进行绘制，实现交通事故数据与路网数据的匹配。此处事故点是交通事故发生点。图2显示了原始交通事故数据，图3显示了坐标转换后的交通事故数据，即交通事故数据和路网数据匹配后的效果图，图2～3中黑点即代表事故点。
三、事故黑点识别
交通事故黑点计算的具体步骤如下：
(1)遍历每一个事故点，将当前被遍历的事故点记为当前事故点，对当前事故点周围预设范围内的其他事故点进行计数，其他事故点指预设范围内除当前事故点外的事故点。本具体实施方式中，当前事故点周围预设范围指以当前事故点为中心、以100米为半径的范围。判断预设范围内其他事故点的数量是否大于预设的数量阈值，若大于，则认为当前事故点为事故高发点；否则不认为当前事故点为是事故高发点。完成遍历，获得事故高发点的集合。图4中所示黑点即为所提取的事故高发点。
预设范围根据需要人为设置，一般范围半径设为100～300米。数量阈值用来筛选事故高发点，可基于预设的基本数量阈值确定数量阈值，基本数量阈值指月发生事故的数量阈值，人为设置。具体来说，数量阈值根据所使用交通事故数据的时间跨度和预设的基本数量阈值确定，例如，时间跨度为n个月，n乘以基本数量阈值即得数量阈值。也可以直接采集某月的交通事故数据，则相应的数量阈值为预设的基本数量阈值。一般来说，城区的基本数量阈值应设置为大于城郊区域的基本数量阈值。本具体实施方式中，城区的基本数量阈值设为15起/月，城郊区域的基本数量阈值设为10起/月。
作为优选方案，考虑事故的严重程度、事故所带来的危害以及需要改造的迫切程度不同，本具体实施方式还提供了另一种考虑事故程度的事故高发点确定方法。该优选方案中，对物损、受伤、死亡三类事故程度赋予不同的权重值P(t)，t＝1、2、3，权重值越大则相应的事故程度越严重，也表示安排人员进行实地考察、排查隐患并对其进行改造的迫切程度。一般来说，应将死亡事故的危害程度赋予最大的权重值。
本具体实施方式中，将死亡事故程度赋予权重值1.0，其在所有的事故程度中占比最大，因此需要对相关路段(或路口)进行改造升级的急迫程度越大；将受伤事故程度、物损事故程度分别赋予权重值0.5、0.2。
权重值P(t)赋值公式如下：
在不同的城市，可根据实际需要设置不同的权重值，当设置较高的死亡事故的危害程度权重值时，则提取出的事故高发点为死亡事故高发点。式(1)所提供的仅为本具体实施方式所提供的一种可行的权重配置方案。
在遍历每一个事故点时，对每一个当前事故点，取当前事故点周围预设范围内的其他事故点，计算当前事故点周围预设范围Sk内的事故热力值H(Sk)：
式(2)中，dr表示预设范围Sk内的第r个死亡事故，R表示预设范围Sk内的死亡事故总数，表示对预设范围Sk内死亡事故的计数；hj表示预设范围Sk内的第j个受伤事故，J表示预设范围Sk内的受伤事故总数，/>表示对预设范围Sk内受伤事故的计数；mp表示预设范围Sk内的第p个物损事故，P表示预设范围Sk内的物损事故总数，/>表示预设范围Sk内物损事故的计数。
判断当前事故点在预设范围Sk内的事故热力值H(Sk)是否大于预设的热力值阈值，热力值阈值也是用来筛选事故高发点，人为设置，根据实际需要调整，当需要获取数量较多的事故高发点，则可设置较小的热力值阈值；反之，当需要获取数量较少的事故高发点，则可设置较大的热力值阈值。若大于热力值阈值，则认为当前事故点为事故高发点；否则不为事故高发点。完成遍历，则获得事故高发点集合。
当P(1)＝P(2)＝P(3)＝1时，则H(Sk)等同当前事故点周围预设范围内的其他事故点的数量。
(2)利用K均值聚类法对步骤(1)所提取的离散的事故高发点，按照空间位置进行聚类，其中，采用轮廓系数法自动确定簇的数量，即自动确定K值。
(3)对步骤(2)所得簇，分别计算各簇的中心点。
假设得到K个簇，簇的集合记为(C1,C2,…,CK)，对每一个簇Ci(i＝1,2,…K)，假设该簇中每一个事故点Ci(s)，其坐标记为(xs，ys)，s＝1,2,…,n，n为簇中事故点的数量，不同簇的n值可能相同或不同；则该簇的中心点Centre的坐标(Xcentre、Ycentre)为：
图5中黑点即为本具体实施方式所获得簇的中心点。
(4)分别以步骤(3)所得各中心点为中心，预设范围内所有原始的事故点构成相应的黑点区域。本具体实施方式中，预设范围设为中心点周围100米半径的范围，图6所示为以某一中心点为中心的黑点区域，图中黑点为该中心点周围预设范围的事故点。所输出的黑点区域可方便交管部门对相关的路口或者路段区域进行隐患排查和改造。
对本发明而言，还可根据事故类型(例如，机动车与机动车事故、机动车与非机动车事故、机动车与行人等)来对黑点进行识别，即仅提取某一预设事故类型的交通事故数据，基于该预设事故类型的交通事故数据，进行事故黑点识别，获得与该预设事故类型对应的黑点区域。因此，本发明具有较高的可移植性和适用性。
上述实施例所述是用以具体说明本发明，文中虽通过特定的术语进行说明，但不能以此限定本发明的保护范围，熟悉此技术领域的人士可在了解本发明的精神与原则后对其进行变更或修改而达到等效目的，而此等效变更和修改，皆应涵盖于权利要求范围所界定范畴内。
Claims (4)
1.一种基于交通事故大数据的事故黑点识别方法，其特征是，包括：
S100：获取路网数据和预设时间段的交通事故数据，所述交通事故数据至少包括交通事故发生的时间和位置信息、以及事故程度，其中事故程度进一步包括物损、受伤和死亡三种类型；
S200：将交通事故数据和路网数据进行位置匹配；
S300：识别事故黑点，本步骤进一步包括：
S301：提取事故高发点，具体为：
遍历每一个事故点，事故点即交通事故发生点，获取当前事故点周围预设范围Sk内的其他事故点，并计算当前事故点周围预设范围Sk内的事故热力值H(Sk)：
式中：P(1)、P(2)、P(3)分别表示死亡、受伤、物损三类事故程度的权重值，均在[0,1]范围取值，权重值人为设置；dr表示预设范围Sk内的第r个死亡事故，R表示预设范围Sk内的死亡事故总数，表示对预设范围Sk内死亡事故的计数；hj表示预设范围Sk内的第j个受伤事故，J表示预设范围Sk内的受伤事故总数，/>表示对预设范围Sk内受伤事故的计数；mp表示预设范围Sk内的第p个物损事故，P表示预设范围Sk内的物损事故总数，/>表示预设范围Sk内物损事故的计数；
判断当前事故点在Sk内的事故热力值H(Sk)是否大于预设的热力值阈值，若大于，则认为当前事故点为事故高发点；
完成遍历，获得事故高发点集；
S302：基于事故高发点的位置信息，利用K均值聚类法对事故高发点进行聚类；
S303：对子步骤S302所获得的各簇，分别计算各簇中心点，计算公式如下：
式中，(Xcentre、Ycentre)表示簇的中心点坐标；(xs，ys)表示簇中第s个事故点的坐标；n为每一个簇中事故点的数量；
S304：分别以各中心点为中心，预设半径范围内所有事故点构成各黑点区域。
2.如权利要求1所述的基于交通事故大数据的事故黑点识别方法，其特征是：
在执行步骤S200之前，对交通事故数据进行预处理，所述预处理包括剔除交通事故数据中包含空点位的数据以及剔除位置信息存在偏差的数据。
3.如权利要求1所述的基于交通事故大数据的事故黑点识别方法，其特征是：
子步骤S302中，簇的数量K利用轮廓系数法自动确定。
4.如权利要求1所述的基于交通事故大数据的事故黑点识别方法，其特征是：
根据事故类型进行黑点识别，即提取某一预设事故类型的交通事故数据，基于该预设事故类型的交通事故数据和路网数据执行步骤S200～S300，最终获得与该预设事故类型对应的黑点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110255857.8A CN112966941B (zh) | 2021-03-09 | 2021-03-09 | 一种基于交通事故大数据的事故黑点识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110255857.8A CN112966941B (zh) | 2021-03-09 | 2021-03-09 | 一种基于交通事故大数据的事故黑点识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966941A CN112966941A (zh) | 2021-06-15 |
| CN112966941B true CN112966941B (zh) | 2024-04-19 |
Family
ID=76277001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110255857.8A Active CN112966941B (zh) | 2021-03-09 | 2021-03-09 | 一种基于交通事故大数据的事故黑点识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966941B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113704317B (zh) * | 2021-07-12 | 2023-11-14 | 武汉众智数字技术有限公司 | 一种基于交通事故特征分析的事故黑点预测方法 |
| CN114067566B (zh) * | 2021-11-18 | 2023-09-19 | 安徽达尔智能控制***股份有限公司 | 一种道路事故黑点甄别及事故影响特征分析方法、*** |
| CN115424430B (zh) * | 2022-06-09 | 2024-01-23 | 长沙理工大学 | 高速公路交通事故黑点路段鉴别方法、计算机装置 |
| CN115240407B (zh) * | 2022-06-10 | 2024-01-12 | 深圳市综合交通与市政工程设计研究总院有限公司 | 交通事故黑点的鉴别方法、装置、电子设备及存储介质 |
| CN115497293B (zh) * | 2022-09-21 | 2024-05-14 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955596A (zh) * | 2014-03-14 | 2014-07-30 | 安徽科力信息产业有限责任公司 | 一种基于交通事故采集技术的事故热点综合判定方法 |
| CN106355881A (zh) * | 2016-10-12 | 2017-01-25 | 同济大学 | 一种基于空间自相关的事故多发点鉴别方法及装置 |
| CN107430006A (zh) * | 2014-12-02 | 2017-12-01 | 凯文·孙林·王 | 避免事故的方法和*** |
| 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 |
| CN107784832A (zh) * | 2016-08-25 | 2018-03-09 | 上海电科智能***股份有限公司 | 一种用于识别交通道路中的事故黑点的方法与设备 |
| CN108447265A (zh) * | 2018-05-21 | 2018-08-24 | 东南大学 | 基于topsis法的公路交通事故黑点路段鉴别方法 |
| CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
| CN111179141A (zh) * | 2019-12-04 | 2020-05-19 | 江苏大学 | 一种基于双阶段分类的事故多发路段识别方法 |
| CN111275957A (zh) * | 2018-12-05 | 2020-06-12 | 杭州海康威视***技术有限公司 | 一种交通事故信息采集方法、***及摄像机 |
| CN111552772A (zh) * | 2020-04-22 | 2020-08-18 | 中国计量大学 | 一种实时交通路况文本数据结合交通量的可视分析方法 |
-
2021
- 2021-03-09 CN CN202110255857.8A patent/CN112966941B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955596A (zh) * | 2014-03-14 | 2014-07-30 | 安徽科力信息产业有限责任公司 | 一种基于交通事故采集技术的事故热点综合判定方法 |
| CN107430006A (zh) * | 2014-12-02 | 2017-12-01 | 凯文·孙林·王 | 避免事故的方法和*** |
| CN107784832A (zh) * | 2016-08-25 | 2018-03-09 | 上海电科智能***股份有限公司 | 一种用于识别交通道路中的事故黑点的方法与设备 |
| CN106355881A (zh) * | 2016-10-12 | 2017-01-25 | 同济大学 | 一种基于空间自相关的事故多发点鉴别方法及装置 |
| 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 |
| CN108447265A (zh) * | 2018-05-21 | 2018-08-24 | 东南大学 | 基于topsis法的公路交通事故黑点路段鉴别方法 |
| CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
| CN111275957A (zh) * | 2018-12-05 | 2020-06-12 | 杭州海康威视***技术有限公司 | 一种交通事故信息采集方法、***及摄像机 |
| CN111179141A (zh) * | 2019-12-04 | 2020-05-19 | 江苏大学 | 一种基于双阶段分类的事故多发路段识别方法 |
| CN111552772A (zh) * | 2020-04-22 | 2020-08-18 | 中国计量大学 | 一种实时交通路况文本数据结合交通量的可视分析方法 |
Non-Patent Citations (7)
| Title |
|---|
| Statistical Analysis and Treatment of Accident Black Spots: A Case Study of Nandyal Mandal;Reddy B S 等;《International Conference on Materials, Alloys and Experimental Mechanics (ICMAEM)》;20171119;1-17 * |
| 一种改进的K-均值算法在交通事故黑点识别中的应用;舒玥等;《黑龙江交通科技》;20180115;第41卷(第1期);194-195 * |
| 城市交通事故黑点治理新模式研究;李泽炜等;《2022世界交通运输大会(WTC2022)论文集（交通工程与航空运输篇）》;20221104;2298-2304 * |
| 基于GIS的城市道路交通事故黑点鉴别;王丽雅等;《黑龙江交通科技》(第11期);213-215 * |
| 基于改进K-means算法的城市道路交通事故分析;郭璘等;《中国公路学报》;第31卷(第04期);270-279 * |
| 基于计算机视觉的事故现场三维重建技术研究;张凯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》;20200615(第6期);C034-827 * |
| 基于驾驶员心理与生理反应的草原二级公路交通事故分析;姚娜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》;20101215(第12期);C034-302 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966941A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112966941B (zh) | 一种基于交通事故大数据的事故黑点识别方法及*** | |
| CN109299438B (zh) | 一种基于网约车数据的公共交通设施供给水平评价方法 | |
| CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
| CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
| CN107766983B (zh) | 一种城市轨道交通车站应急救援驻车点的设置方法 | |
| Feng et al. | Towards big data analytics and mining for UK traffic accident analysis, visualization & prediction | |
| Liu et al. | Dynamic estimation system for fire station service areas based on travel time data | |
| CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN117708617B (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
| CN112184282A (zh) | 影院选址模型建立方法、影院选址方法及影院选址平台 | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、***和存储介质 | |
| Mou et al. | Spatial influence of engineering construction on traffic accidents, a case study of Jinan | |
| CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
| CN108831182A (zh) | 一种城市公交网络od矩阵构建方法 | |
| CN114666738A (zh) | 基于手机信令的国土空间规划方法和*** | |
| CN113780880A (zh) | 一种基于空间代表性的pm2.5观测站点布局评价方法 | |
| Sun et al. | Identification of recurrent congestion in main trunk road based on grid and analysis on influencing factors | |
| CN111833229A (zh) | 一种基于地铁依赖度的出行行为时空分析方法及装置 | |
| CN113343781B (zh) | 使用遥感数据和出租车轨迹数据的城市功能区识别方法 | |
| Debebe et al. | Assessment on the Current and Future Performance of Addis Ababa Light Rail Transit Service Using Mathematical Modeling | |
| CN117473398B (zh) | 一种基于运渣车活动的城市扬尘污染源分类方法 | |
| Yaofang et al. | Nonlinear impact analysis of built environment on urban road traffic safety risk | |
| Reed et al. | Shifts in Public Transit Equity during the COVID-19 Pandemic: A Case Study in Riverside, California | |
| Bai et al. | Which Variables are Influential to Evaluate Rapid-Transit Systems in China's Cities? | |
| CN118350564A (zh) | 一种基于图像ai识别的智慧城市运行管理案件智能派遣*** |
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 |