CN113095713A - 一种基于公交历史报警数据的驾驶员空间风险预警方法 - Google Patents
一种基于公交历史报警数据的驾驶员空间风险预警方法 Download PDFInfo
- Publication number
- CN113095713A CN113095713A CN202110468206.7A CN202110468206A CN113095713A CN 113095713 A CN113095713 A CN 113095713A CN 202110468206 A CN202110468206 A CN 202110468206A CN 113095713 A CN113095713 A CN 113095713A
- Authority
- CN
- China
- Prior art keywords
- alarm
- risk
- driver
- data
- warning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 238000012502 risk assessment Methods 0.000 claims abstract description 43
- 230000004060 metabolic process Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 10
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 241001282135 Poromitra oscitans Species 0.000 claims description 3
- 206010048232 Yawning Diseases 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 230000000391 smoking effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于公交历史报警数据的驾驶员空间风险预警方法,包括,获取公交驾驶员行驶报警数据并传入数据库,根据所述报警数据所在的城市,划分道路分析区;对公交驾驶员进行风险分类,将所述报警数据和划分好的风险分析区进行空间连接;将不同类型的高风险驾驶员的报警数据与已经划分好的所述风险分析区进行空间连接;对比个性高风险报警分析区和共性高风险报警分析区,基于马尔科夫链对预警驾驶员进行风险概率预测;基于新陈代谢灰色GM(1,1)模型对所述预警驾驶员进行风险概率预测,融合两次的风险概率预测结果,得到综合风险预警概率;根据所述综合风险预警概率输出第二天发生报警概率大的驾驶员并形成空间预警提升报告。
Description
技术领域
本发明涉及行车安全警示的技术领域,尤其涉及一种基于公交历史报警数据的驾驶员空间风险预警方法。
背景技术
公交车驾驶员因为长期行驶,容易发生疲劳、分心等情况,且遇到一些道路状况不是很好的行驶路段,也极易造成驾驶员的视觉感官疲累影响,造成意外发生,目前类似的行车安全技术有使用超音波测量两车车距作为警示的方法,但是两车在告诉行驶中,固定间距的反应时间相对变短,以至于加速行驶时,安全性相对变低,另一方面,汽车警示大部分采用视觉警示,以目视来判断自身情况与他方车辆、周遭环境的因素,但是目视实在无法应付突发状况的发生,进而,公交车行驶存在一定的安全隐患需要解决。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于公交历史报警数据的驾驶员空间风险预警方法,能够解决现有公交驾驶员行驶过程存在安全风险的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,获取公交驾驶员行驶报警数据并传入数据库,根据所述报警数据所在的城市,划分道路分析区;对公交驾驶员进行风险分类,将所述报警数据和划分好的风险分析区进行空间连接;将不同类型的高风险驾驶员的报警数据与已经划分好的所述风险分析区进行空间连接;对比个性高风险报警分析区和共性高风险报警分析区,基于马尔科夫链对预警驾驶员进行风险概率预测;基于新陈代谢灰色GM(1,1)模型对所述预警驾驶员进行风险概率预测,融合两次的风险概率预测结果,得到综合风险预警概率;根据所述综合风险预警概率输出第二天发生报警概率大的驾驶员并形成空间预警提示报告。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:输入所述数据库包括,所述公交行驶报警数据通过公交车上安装的无线传输***实时获取,即公交驾驶员行驶状态中公交车辆或驾驶员本身发生异常行为的报警数据;所述异常行为包括,所述驾驶员在行车过车中发生抽烟、打手机、打呵欠、左顾右盼行为,驾驶车辆出现车道偏离、前向碰撞、急加速、急减速情况;所述公交行驶报警数据中包含的主要字段包括,报警发生的日期和时间、报警发生的车辆编号、报警发生的公交线路号、报警发生的公交瞬时车速、报警发生的驾驶员编号、报警发生的驾驶员姓名、报警发生地点的经纬度坐标、报警发生的异常驾驶行为类型;将所述公交行驶报警数据录入所述数据库中,为数据分析做准备。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:划分所述道路分析区包括,利用网络爬虫技术获取所在城市道路的地理文件数据,所述地理文件数据为线类型;利用GIS空间打断技术将线与线在交点处进行打断,以作为道路在交叉口进行分割的处理;通过GIS生成缓冲区的技术对所有道路生成缓冲范围阈值20m-40m的缓冲区道路;根据不同道路的级别进行区别划分,选取阈值,此时,所述地理文件数据由所述线类型转为面类型;根据划分的缓冲区将其作为道路分析区,并对每个所述道路分析区进行数字编号。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:所述风险分类包括,根据所述驾驶员在一段时间内发生的报警数据,利用无监督学习中的K-means聚类算法,对所述驾驶员发生的报警类型进行聚类分析;划分的簇为2类,分出两类不同标签的驾驶员,即两类不同倾向报警类型发生的驾驶员;利用自然间断点法对所述不同倾向报警类型发生的驾驶员的报警发生次数进行数据分箱;分箱种类为3级,分别对应低、中、高风险;筛选出每个级别中处于高风险类别的驾驶员。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:将所述报警数据和所述划分好的风险分析区进行空间连接包括,将所述报警数据和所述道路分析区利用GIS空间连接,统计出每个道路分析区所包含的报警点的个数;根据报警数据点和所述道路分析区的经纬度坐标,对含有所述报警点的道路分析区标记为所述风险分析区;基于所述不同倾向报警类型发生的驾驶员,根据驾驶员相同的分类原则,对所述风险分析区进行分类,得到三类不同报警类型的风险分析区;利用自然间断点法对分类好的风险分析区进行分级,分为3级,分别为低、中、高风险分析区;分别提取不同类别内高风险分析区的分析区编号,将其作为驾驶员共性的危险区域道路,所述高风险分析区是一类组集,其包含多个分析区。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:将所述不同类型的高风险驾驶员的报警数据与已经划分好的所述风险分析区进行空间连接包括,对已经分类分级好的高风险驾驶员报警数据与划分的初始道路分析区进行GIS空间连接,得到不同类型的高风险驾驶员发生报警的分析区,将其作为个性的高风险报警风险分析区。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:所述对比包括,将不同类型的高风险驾驶员的所述个性风险分析区与所述共性高风险分析区进行对比,判别驾驶员发生报警的地点是否为一种区域共性行为;如果对比中出现差异分析区,则认为驾驶员在所述差异分析区中存在差异的报警行为,并非一种共性的报警行为,需要对驾驶员进行预警,将所述驾驶员作为需要在一段时间内进行预警提示的驾驶员,标记为预警驾驶员。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:包括,对所述预警驾驶员发生报警的差异路段构建马尔科夫链的状态转移矩阵p,所述矩阵为一个两行两列的矩阵,行代表当天的报警状态,即当天是否在此路段发生报警,发生=1,未发生=0,列代表第二天的报警状态,即第二天是否在此路段发生报警,发生=1,未发生=0;
其中,pij代表状态转移概率,如p11代表第一天发生报警,第二天也发生报警的概率,显然共有四种情况,1、第一天发生报警,第二天发生报警,第一天发生报警,第二天未发生报警,第一天未发生报警,第二天发生报警,第一天未发生报警,第二天未发生报警;矩阵中概率的计算通过所述预警驾驶员前一个月的报警数据来标定;对所述预警驾驶员前一个月的报警数据,进行两两分组,即每组内为2天,直到最后一天不能分组,则将其做删除处理;对前一个月的报警数据与预警驾驶员发生个性路段的分析区进行空间连接,得到前一个月的驾驶员是否在此路段发生报警的数据;根据所述两两分组,统计所述状态转移矩阵中四种情况发生的次数,并利用下式求得所述矩阵中的转移概率;
其中,nij代表某一组情况产生的总次数,Nij代表总共分组的总个数;根据当天驾驶员是否在此路段发生报警,构建状态分布矩阵,
Snow=[s1,s2]
其中,s1代表发生报警,s2代表未发生报警,如果当天发生报警则为[1,0],当天未发生报警则为[0,1];
则预警驾驶员第二天发生报警的概率为Stom=Snow*P,式中的乘法为矩阵乘法。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:利用新陈代谢灰色GM(1,1)模型对预警驾驶员前一个月的报警数据进行风险预测,预测的目标是对所述预警驾驶员是否在某一路段发生报警的行为,所述新陈代谢灰色GM(1,1)模型预测过程包括,通过一次累加生成削弱随机性的较有规律的新的离散数据列,建立微分方程模型,得到在离散点处的解经过累减生成的原始数据的近似估计值,从而预测原始数据的后续发展,
x(0)=(x(0)(1),x(0)(2),…,x(0)(n))
其中,x(0)表示原数据向量,x(0)(n)表示第n列原数据值,对所述原始数列进行累加,得到新数列,
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
其中,x(1)表示累加数据向量,x(1)(n)表示第n列累加数据值,所得到的新数列为数列x(0)的1次累加生成数列,
其中,x(1)(k)表示数列x(0)对应前k项数据的累加;
定义灰色导数方程如下,
d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)
定义数列x(1)(k)的紧邻均值如下,
其中,新数列z(1)(k)=(z(1)(1),z(1)(2),…,z(1)(n))为x(1)的紧邻均值数列;
定义GM(1,1)的灰色微分方程为一阶线性微分方程,
d(k)+az(1)(k)=b
则方程x(0)(k)+az(1)(k)=b为GM(1,1)模型的基本形式;
其中,x(0)(k)为灰导数,-a为发展系数,z(1)(k)为白化背景值,b为灰作用量;
引入矩阵向量记号,
则GM(1,1)模型如下,
Y=Bu
利用最小二乘法得到参数a,b的估计值,则GM(1,1)模型的白化方程如下,
所述白化方程进行积分求解,并将计算值累减还原得到预测值,
每次预测一个新值,累加到所述原始数据的后面,并将所述原始数据中开头的第一个数据进行删除,以此进行新陈代谢行为;将历史数据分为百分之70的训练集与百分之30的验证集进行模型训练,获得训练好的新陈代谢GM(1,1)模型,将其准确率作为所述模型的置信概率pgm;利用所述模型预测驾驶员第二天是否会发生报警Re,如果发生报警记为Re=1,不发生报警记为Re=0;p2=Re*pgm,得到新陈代谢灰色GM(1,1)模型预测此驾驶员发生报警的概率。
作为本发明所述的基于公交历史报警数据的驾驶员空间风险预警方法的一种优选方案,其中:得到所述综合风险预警概率包括,
pp=λp2+(1-λ)Stom
其中,λ一般取0.5;形成路段报警类型的空间预警提示报告,发送给驾驶员,提醒所述驾驶员需要在此区域、此路段小心驾驶。
本发明的有益效果:本发明能够提高公交车驾驶员行驶过程中的安全质量,及时规避疲劳驾驶,有效提示驾驶员行车安全规范,大大降低车祸意外的发生概率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的流程示意图;
图2为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的数据库数据示意图;
图3为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的第一类表数据示意图;
图4为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的第二类表数据示意图;
图5为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的路段分析区建立示意图;
图6为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的驾驶员聚类分析结果示意图;
图7为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的驾驶员报警数据分箱示意图;
图8为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的提取不同类型高危险驾驶员数据示意图;
图9为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的道路分析区共性危险区域示意图;
图10为本发明一个实施例所述的基于公交历史报警数据的驾驶员空间风险预警方法的道路分析区个性危险区域示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,提供了一种基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:包括,
S1:获取公交驾驶员行驶报警数据并传入数据库,根据报警数据所在的城市,划分道路分析区。其中需要说明的是,输入数据库包括:
公交行驶报警数据通过公交车上安装的无线传输***实时获取,即公交驾驶员行驶状态中公交车辆或驾驶员本身发生异常行为的报警数据;
异常行为包括,驾驶员在行车过车中发生抽烟、打手机、打呵欠、左顾右盼行为,驾驶车辆出现车道偏离、前向碰撞、急加速、急减速情况;
公交行驶报警数据中包含的主要字段包括,报警发生的日期和时间、报警发生的车辆编号、报警发生的公交线路号、报警发生的公交瞬时车速、报警发生的驾驶员编号、报警发生的驾驶员姓名、报警发生地点的经纬度坐标、报警发生的异常驾驶行为类型;
将公交行驶报警数据录入数据库中,为数据分析做准备。
进一步的,划分道路分析区包括:
利用网络爬虫技术获取所在城市道路的地理文件数据,地理文件数据为线类型;
利用GIS空间打断技术将线与线在交点处进行打断,以作为道路在交叉口进行分割的处理;
通过GIS生成缓冲区的技术对所有道路生成缓冲范围阈值20m-40m的缓冲区道路;
根据不同道路的级别进行区别划分,选取阈值,此时,地理文件数据由线类型转为面类型;
根据划分的缓冲区将其作为道路分析区,并对每个道路分析区进行数字编号。
S2:对公交驾驶员进行风险分类,将报警数据和划分好的风险分析区进行空间连接。本步骤需要说明的是,风险分类包括:
根据驾驶员在一段时间内发生的报警数据,利用无监督学习中的K-means聚类算法,对驾驶员发生的报警类型进行聚类分析;
划分的簇为2类,分出两类不同标签的驾驶员,即两类不同倾向报警类型发生的驾驶员;
利用自然间断点法对不同倾向报警类型发生的驾驶员的报警发生次数进行数据分箱;
分箱种类为3级,分别对应低、中、高风险;
筛选出每个级别中处于高风险类别的驾驶员。
具体的,将报警数据和划分好的风险分析区进行空间连接包括:
将报警数据和道路分析区利用GIS空间连接,统计出每个道路分析区所包含的报警点的个数;
根据报警数据点和道路分析区的经纬度坐标,对含有报警点的道路分析区标记为风险分析区;
基于不同倾向报警类型发生的驾驶员,根据驾驶员相同的分类原则,对风险分析区进行分类,得到三类不同报警类型的风险分析区;
利用自然间断点法对分类好的风险分析区进行分级,分为3级,分别为低、中、高风险分析区;
分别提取不同类别内高风险分析区的分析区编号,将其作为驾驶员共性的危险区域道路,高风险分析区是一类组集,其包含多个分析区。
S3:将不同类型的高风险驾驶员的报警数据与已经划分好的风险分析区进行空间连接。其中还需要说明的是:
对已经分类分级好的高风险驾驶员报警数据与划分的初始道路分析区进行GIS空间连接,得到不同类型的高风险驾驶员发生报警的分析区,将其作为个性的高风险报警风险分析区。
S4:对比个性高风险报警分析区和共性高风险报警分析区,基于马尔科夫链对预警驾驶员进行风险概率预测。本步骤还需要说明的是,对比包括:
将不同类型的高风险驾驶员的个性风险分析区与共性高风险分析区进行对比,判别驾驶员发生报警的地点是否为一种区域共性行为;
如果对比中出现差异分析区,则认为驾驶员在差异分析区中存在差异的报警行为,并非一种共性的报警行为,需要对驾驶员进行预警,将驾驶员作为需要在一段时间内进行预警提示的驾驶员,标记为预警驾驶员。
具体的,本实施例还需要说明的是:
对预警驾驶员发生报警的差异路段构建马尔科夫链的状态转移矩阵p,矩阵为一个两行两列的矩阵,行代表当天的报警状态,即当天是否在此路段发生报警,发生=1,未发生=0,列代表第二天的报警状态,即第二天是否在此路段发生报警,发生=1,未发生=0;
其中,pij代表状态转移概率,如p11代表第一天发生报警,第二天也发生报警的概率,显然共有四种情况,1、第一天发生报警,第二天发生报警,第一天发生报警,第二天未发生报警,第一天未发生报警,第二天发生报警,第一天未发生报警,第二天未发生报警;
矩阵中概率的计算通过预警驾驶员前一个月的报警数据来标定;
对预警驾驶员前一个月的报警数据,进行两两分组,即每组内为2天时间,直到最后一天不能分组,则将其做删除处理;
对前一个月的报警数据与预警驾驶员发生个性路段的分析区进行空间连接,得到前一个月的驾驶员是否在此路段发生报警的数据;
根据两两分组,统计状态转移矩阵中四种情况发生的次数,并利用下式求得矩阵中的转移概率;
其中,nij代表某一组情况产生的总次数,Nij代表总共分组的总个数;
根据当天驾驶员是否在此路段发生报警,构建状态分布矩阵,
Snow=[s1,s2]
其中,s1代表发生报警,s2代表未发生报警,如果当天发生报警则为[1,0],当天未发生报警则为[0,1];
则预警驾驶员第二天发生报警的概率为Stom=Snow*P,式中的乘法为矩阵乘法。
S5:基于新陈代谢灰色GM(1,1)模型对预警驾驶员进行风险概率预测,融合两次的风险概率预测结果,得到综合风险预警概率。其中需要再次说明的是:
利用新陈代谢灰色GM(1,1)模型对预警驾驶员前一个月的报警数据进行风险预测,预测的目标是对预警驾驶员是否在某一路段发生报警的行为,新陈代谢灰色GM(1,1)模型预测过程包括,
通过一次累加生成削弱随机性的较有规律的新的离散数据列,建立微分方程模型,得到在离散点处的解经过累减生成的原始数据的近似估计值,从而预测原始数据的后续发展,
x(0)=(x(0)(1),x(0)(2),…,x(0)(n))
其中,x(0)表示原数据向量,x(0)(n)表示第n列原数据值,对原始数列进行累加,得到新数列,
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
其中,x(1)表示累加数据向量,x(1)(n)表示第n列累加数据值,所得到的新数列为数列x(0)的1次累加生成数列,
其中,x(1)(k)表示数列x(0)对应前k项数据的累加;
定义灰色导数方程如下,
d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)
定义数列x(1)(k)的紧邻均值如下,
其中,新数列z(1)(k)=(z(1)(1),z(1)(2),…,z(1)(n))为x(1)的紧邻均值数列;
定义GM(1,1)的灰色微分方程为一阶线性微分方程,
d(k)+az(1)(k)=b
则方程x(0)(k)+az(1)(k)=b为GM(1,1)模型的基本形式;
其中,x(0)(k)为灰导数,-a为发展系数,z(1)(k)为白化背景值,b为灰作用量;
引入矩阵向量记号,
则GM(1,1)模型如下,
Y=Bu
利用最小二乘法得到参数a,b的估计值,则GM(1,1)模型的白化方程如下,
白化方程进行积分求解,并将计算值累减还原得到预测值,
每次预测一个新值,累加到原始数据的后面,并将原始数据中开头的第一个数据进行删除,以此进行新陈代谢行为;
将历史数据分为百分之70的训练集与百分之30的验证集进行模型训练,获得训练好的新陈代谢GM(1,1)模型,将其准确率作为模型的置信概率pgm;
利用模型预测驾驶员第二天是否会发生报警Re,如果发生报警记为Re=1,不发生报警记为Re=0;
p2=Re*pgm,得到新陈代谢灰色GM(1,1)模型预测此驾驶员发生报警的概率。
S6:根据综合风险预警概率输出第二天发生报警概率大的驾驶员并形成空间预警提示报告。本步骤需要再次说明的是,得到综合风险预警概率包括:
pp=λp2+(1-λ)Stom
其中,λ一般取0.5;
形成路段报警类型的空间预警提示报告,发送给驾驶员,提醒驾驶员需要在此区域、此路段小心驾驶。
优选的,本实施例还需要说明的是,GIS技术(地理信息***)是多种学科交叉的产物,其以地理空间为基础,采用地理模型分析,实时提供多种空间和动态的地理信息,本实施例中的GIS技术将数据库中上传的数据信息转换为地理图形显示进行分析,结合空间连接策略形成空间预警提示,进一步规范了驾驶员行驶安全,具体的,实际运行操作以软件编写代码程序导入计算***得以实现,部分运行代码示意如下:
实施例2
参照图2~图10,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于公交历史报警数据的驾驶员空间风险预警方法的实验测试,具体包括:
以2020-2021年某市的公交行车报警数据为例,进行实例分析,主要用到的软件为python编程软件、SQL Server数据库、qgis开源地理软件。
(1)初始数据介绍
参照图2,通过车载装置获取公交行驶过程中的报警数据并存入数据库,报警数据主要用到两类表,第一类表以”bus+日期”命名,主要记录车辆每次发生的报警行为,第二类表用”count+日期命名”,主要统计了驾驶员每天发生不同报警行为的次数,第一类表如图3所示,第二类如图4所示,为了隐私考虑,本实施例对表中出现的人名,线路名进行了隐藏处理,其中第一类表中“ExceptionName”一列代表了所发生的的报警类型。
(2)划分城市道路分析区
参照图5,根据道路分析区的方法,获得了某城市某区域的部分道路分析区。
(3)驾驶员风险分类
利用K-means聚类算法,对驾驶员分了两类,结果如图6所示,其中“标签”一列为聚类结果。
利用自然间断点法,对不同类型驾驶员划分低、中、高三类风险级别,结果如图7所示,可见第一类驾驶员高风险的区间为(192,639],第二类驾驶员高风险的区间为(332,814],所有区间为左开右闭,并提取报警次数位于此区间的驾驶员。
(4)道路分析区与数据空间连接
参照图8,为获得道路分析区的共性危险区域,参照图9,为高风险驾驶员的个性危险区域。
(5)得出驾驶员风险概率预测
预测不同类型共10名高风险驾驶员在某处路段的风险概率,具体见表1所示:
表1:风险预测概率表。
根据概率可发现驾驶员6的风险较大,可结合此驾驶员发生的路段位置,对此名驾驶员进行预警提醒。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:包括,
获取公交驾驶员行驶报警数据并传入数据库,根据所述报警数据所在的城市,划分道路分析区;
对公交驾驶员进行风险分类,将所述报警数据和划分好的风险分析区进行空间连接;
将不同类型的高风险驾驶员的报警数据与已经划分好的所述风险分析区进行空间连接;
对比个性高风险报警分析区和共性高风险报警分析区,基于马尔科夫链对预警驾驶员进行风险概率预测;
基于新陈代谢灰色GM(1,1)模型对所述预警驾驶员进行风险概率预测,融合两次的风险概率预测结果,得到综合风险预警概率;
根据所述综合风险预警概率输出第二天发生报警概率大的驾驶员并形成空间预警提示报告。
2.根据权利要求1所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:输入所述数据库包括,
所述公交行驶报警数据通过公交车上安装的无线传输***实时获取,即公交驾驶员行驶状态中公交车辆或驾驶员本身发生异常行为的报警数据;
所述异常行为包括,所述驾驶员在行车过车中发生抽烟、打手机、打呵欠、左顾右盼行为,驾驶车辆出现车道偏离、前向碰撞、急加速、急减速情况;
所述公交行驶报警数据中包含的主要字段包括,报警发生的日期和时间、报警发生的车辆编号、报警发生的公交线路号、报警发生的公交瞬时车速、报警发生的驾驶员编号、报警发生的驾驶员姓名、报警发生地点的经纬度坐标、报警发生的异常驾驶行为类型;
将所述公交行驶报警数据录入所述数据库中,为数据分析做准备。
3.根据权利要求1或2所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:划分所述道路分析区包括,
利用网络爬虫技术获取所在城市道路的地理文件数据,所述地理文件数据为线类型;
利用GIS空间打断技术将线与线在交点处进行打断,以作为道路在交叉口进行分割的处理;
通过GIS生成缓冲区的技术对所有道路生成缓冲范围阈值20m-40m的缓冲区道路;
根据不同道路的级别进行区别划分,选取阈值,此时,所述地理文件数据由所述线类型转为面类型;
根据划分的缓冲区将其作为道路分析区,并对每个所述道路分析区进行数字编号。
4.根据权利要求3所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:所述风险分类包括,
根据所述驾驶员在一段时间内发生的报警数据,利用无监督学习中的K-means聚类算法,对所述驾驶员发生的报警类型进行聚类分析;
划分的簇为2类,分出两类不同标签的驾驶员,即两类不同倾向报警类型发生的驾驶员;
利用自然间断点法对所述不同倾向报警类型发生的驾驶员的报警发生次数进行数据分箱;
分箱种类为3级,分别对应低、中、高风险;
筛选出每个级别中处于高风险类别的驾驶员。
5.根据权利要求4所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:将所述报警数据和所述划分好的风险分析区进行空间连接包括,
将所述报警数据和所述道路分析区利用GIS空间连接,统计出每个道路分析区所包含的报警点的个数;
根据报警数据点和所述道路分析区的经纬度坐标,对含有所述报警点的道路分析区标记为所述风险分析区;
基于所述不同倾向报警类型发生的驾驶员,根据驾驶员相同的分类原则,对所述风险分析区进行分类,得到三类不同报警类型的风险分析区;
利用自然间断点法对分类好的风险分析区进行分级,分为3级,分别为低、中、高风险分析区;
分别提取不同类别内高风险分析区的分析区编号,将其作为驾驶员共性的危险区域道路,所述高风险分析区是一类组集,其包含多个分析区。
6.根据权利要求5所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:将所述不同类型的高风险驾驶员的报警数据与已经划分好的所述风险分析区进行空间连接包括,
对已经分类分级好的高风险驾驶员报警数据与划分的初始道路分析区进行GIS空间连接,得到不同类型的高风险驾驶员发生报警的分析区,将其作为个性的高风险报警风险分析区。
7.根据权利要求6所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:所述对比包括,
将不同类型的高风险驾驶员的所述个性风险分析区与所述共性高风险分析区进行对比,判别驾驶员发生报警的地点是否为一种区域共性行为;
如果对比中出现差异分析区,则认为驾驶员在所述差异分析区中存在差异的报警行为,并非一种共性的报警行为,需要对驾驶员进行预警,将所述驾驶员作为需要在一段时间内进行预警提示的驾驶员,标记为预警驾驶员。
8.根据权利要求7所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:包括,
对所述预警驾驶员发生报警的差异路段构建马尔科夫链的状态转移矩阵p,所述矩阵为一个两行两列的矩阵,行代表当天的报警状态,即当天是否在此路段发生报警,发生=1,未发生=0,列代表第二天的报警状态,即第二天是否在此路段发生报警,发生=1,未发生=0;
其中,pij代表状态转移概率,如p11代表第一天发生报警,第二天也发生报警的概率,显然共有四种情况,1、第一天发生报警,第二天发生报警,第一天发生报警,第二天未发生报警,第一天未发生报警,第二天发生报警,第一天未发生报警,第二天未发生报警;
矩阵中概率的计算通过所述预警驾驶员前一个月的报警数据来标定;
对所述预警驾驶员前一个月的报警数据,进行两两分组,即每组内为2天,直到最后一天不能分组,则将其做删除处理;
对前一个月的报警数据与预警驾驶员发生个性路段的分析区进行空间连接,得到前一个月的驾驶员是否在此路段发生报警的数据;
根据所述两两分组,统计所述状态转移矩阵中四种情况发生的次数,并利用下式求得所述矩阵中的转移概率;
其中,nij代表某一组情况产生的总次数,Nij代表总共分组的总个数;
根据当天驾驶员是否在此路段发生报警,构建状态分布矩阵,
Snow=[s1,s2]
其中,s1代表发生报警,s2代表未发生报警,如果当天发生报警则为[1,0],当天未发生报警则为[0,1];
则预警驾驶员第二天发生报警的概率为Stom=Snow*P,式中的乘法为矩阵乘法。
9.根据权利要求8所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:利用新陈代谢灰色GM(1,1)模型对预警驾驶员前一个月的报警数据进行风险预测,预测的目标是对所述预警驾驶员是否在某一路段发生报警的行为,所述新陈代谢灰色GM(1,1)模型预测过程包括,
通过一次累加生成削弱随机性的较有规律的新的离散数据列,建立微分方程模型,得到在离散点处的解经过累减生成的原始数据的近似估计值,从而预测原始数据的后续发展,
x(0)=(x(0)(1),x(0)(2),…,x(0)(n))
其中,x(0)表示原数据向量,x(0)(n)表示第n列原数据值,对所述原始数列进行累加,得到新数列,
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))
其中,x(1)表示累加数据向量,x(1)(n)表示第n列累加数据值,所得到的新数列为数列x(0)的1次累加生成数列,
其中,x(1)(k)表示数列x(0)对应前k项数据的累加;
定义灰色导数方程如下,
d(k)=x(0)(k)=x(1)(k)-x(1)(k-1)
定义数列x(1)(k)的紧邻均值如下,
其中,新数列z(1)(k)=(z(1)(1),z(1)(2),…,z(1)(n))为x(1)的紧邻均值数列;
定义GM(1,1)的灰色微分方程为一阶线性微分方程,
d(k)+az(1)(k)=b
则方程x(0)(k)+az(1)(k)=b为GM(1,1)模型的基本形式;
其中,x(0)(k)为灰导数,-a为发展系数,z(1)(k)为白化背景值,b为灰作用量;
引入矩阵向量记号,
则GM(1,1)模型如下,
Y=Bu
利用最小二乘法得到参数a,b的估计值,则GM(1,1)模型的白化方程如下,
所述白化方程进行积分求解,并将计算值累减还原得到预测值,
每次预测一个新值,累加到所述原始数据的后面,并将所述原始数据中开头的第一个数据进行删除,以此进行新陈代谢行为;
将历史数据分为百分之70的训练集与百分之30的验证集进行模型训练,获得训练好的新陈代谢GM(1,1)模型,将其准确率作为所述模型的置信概率pgm;
利用所述模型预测驾驶员第二天是否会发生报警Re,如果发生报警记为Re=1,不发生报警记为Re=0;
p2=Re*pgm,得到新陈代谢灰色GM(1,1)模型预测此驾驶员发生报警的概率。
10.根据权利要求9所述的基于公交历史报警数据的驾驶员空间风险预警方法,其特征在于:得到所述综合风险预警概率包括,
pp=λp2+(1-λ)Stom
其中,λ一般取0.5;
形成路段报警类型的空间预警提示报告,发送给驾驶员,提醒所述驾驶员需要在此区域、此路段小心驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468206.7A CN113095713B (zh) | 2021-04-28 | 2021-04-28 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468206.7A CN113095713B (zh) | 2021-04-28 | 2021-04-28 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095713A true CN113095713A (zh) | 2021-07-09 |
CN113095713B CN113095713B (zh) | 2023-10-20 |
Family
ID=76681331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468206.7A Active CN113095713B (zh) | 2021-04-28 | 2021-04-28 | 一种基于公交历史报警数据的驾驶员空间风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624514A (zh) * | 2021-08-17 | 2021-11-09 | 中国汽车技术研究中心有限公司 | 驾驶员状态监控产品的测试方法、***、电子设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101182802A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 相继增压***故障预测与诊断装置及故障预测与诊断方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
US20150314727A1 (en) * | 2012-12-17 | 2015-11-05 | Toyota Jidosha Kabushiki Kaisha | Motive power operation guidance apparatus |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
US20180143754A1 (en) * | 2016-11-22 | 2018-05-24 | Sarfaraz K. Niazi | Vehicle steering and control device (vscd) |
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、***、计算机设备及存储介质 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及*** |
CN110176153A (zh) * | 2019-05-20 | 2019-08-27 | 重庆大学 | 一种基于边缘计算的盲区车辆碰撞预警方法 |
CN110705628A (zh) * | 2019-09-26 | 2020-01-17 | 长安大学 | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 |
CN111881952A (zh) * | 2020-07-14 | 2020-11-03 | 扬州大学 | 基于预警大数据的驾驶员倾向性分析方法 |
CN111898878A (zh) * | 2020-07-14 | 2020-11-06 | 扬州大学 | 基于预警大数据的车辆风险时空分布分析方法 |
-
2021
- 2021-04-28 CN CN202110468206.7A patent/CN113095713B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101182802A (zh) * | 2007-12-06 | 2008-05-21 | 哈尔滨工程大学 | 相继增压***故障预测与诊断装置及故障预测与诊断方法 |
CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
US20150314727A1 (en) * | 2012-12-17 | 2015-11-05 | Toyota Jidosha Kabushiki Kaisha | Motive power operation guidance apparatus |
CN106095963A (zh) * | 2016-06-17 | 2016-11-09 | 上海经达信息科技股份有限公司 | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 |
CN106127586A (zh) * | 2016-06-17 | 2016-11-16 | 上海经达信息科技股份有限公司 | 大数据时代下车险费率辅助决策*** |
US20180143754A1 (en) * | 2016-11-22 | 2018-05-24 | Sarfaraz K. Niazi | Vehicle steering and control device (vscd) |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN109829601A (zh) * | 2018-12-07 | 2019-05-31 | 深圳大学 | 一种驾驶员驾驶车辆风险行为的预测方法及*** |
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、***、计算机设备及存储介质 |
CN110176153A (zh) * | 2019-05-20 | 2019-08-27 | 重庆大学 | 一种基于边缘计算的盲区车辆碰撞预警方法 |
CN110705628A (zh) * | 2019-09-26 | 2020-01-17 | 长安大学 | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 |
CN111881952A (zh) * | 2020-07-14 | 2020-11-03 | 扬州大学 | 基于预警大数据的驾驶员倾向性分析方法 |
CN111898878A (zh) * | 2020-07-14 | 2020-11-06 | 扬州大学 | 基于预警大数据的车辆风险时空分布分析方法 |
Non-Patent Citations (1)
Title |
---|
王春莲: ""智慧城市中物联网及云计算技术的应用"", 《电子技术与软件工程》, no. 13 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624514A (zh) * | 2021-08-17 | 2021-11-09 | 中国汽车技术研究中心有限公司 | 驾驶员状态监控产品的测试方法、***、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113095713B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596409B (zh) | 提升交通危险人员事故风险预测精度的方法 | |
Hossain et al. | A real-time crash prediction model for the ramp vicinities of urban expressways | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
Le et al. | Traffic accident hotspot identification by integrating kernel density estimation and spatial autocorrelation analysis: a case study | |
CN103996287A (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN109598931B (zh) | 基于交通安全风险的群体划分与差异性分析方法及*** | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
Arhin et al. | Predicting crash injury severity at unsignalized intersections using support vector machines and naïve Bayes classifiers | |
Fu | Development of dynamic travel demand models for hurricane evacuation | |
Takale et al. | Road accident prediction model using data mining techniques | |
CN113095713A (zh) | 一种基于公交历史报警数据的驾驶员空间风险预警方法 | |
Wang et al. | SafeDrive: A new model for driving risk analysis based on crash avoidance | |
Flynn et al. | Estimating traffic crash counts using crowdsourced data: Pilot analysis of 2017 waze data and police accident reports in maryland | |
Washburn et al. | Rural freeway level of service based on traveler perception | |
JP7204527B2 (ja) | 事故確率分析装置および事故確率分析方法 | |
CN116432864A (zh) | 一种区域营运驾驶员群体安全态势的预测方法及*** | |
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 | |
Ali et al. | Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
JP2023131628A (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP7414502B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Kielhauser et al. | Identifying changes in bicycle accident trends using GIS and time series information in the city of Zürich | |
Levine | Journey to crime Estimation |
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 |