CN113256969A - 一种高速公路的交通事故预警方法、设备及介质 - Google Patents
一种高速公路的交通事故预警方法、设备及介质 Download PDFInfo
- Publication number
- CN113256969A CN113256969A CN202110480363.XA CN202110480363A CN113256969A CN 113256969 A CN113256969 A CN 113256969A CN 202110480363 A CN202110480363 A CN 202110480363A CN 113256969 A CN113256969 A CN 113256969A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- accident
- road section
- current road
- information
- 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
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种高速公路的交通事故预警方法、设备及介质,包括:采集位于通讯设备的终端信息,并尝试通过车辆监控设备采集当前路段的交通流信息;若未采集到交通流信息,则通过终端信息对所述行驶车辆进行车速估算;若采集到交通流信息,则将终端信息和交通流信息进行数据一致化处理,以得到当前路段的平均车速;若采集到交通流信息,则根据交通流信息得到当前路段的车辆流量、车辆密度;若未采集到交通流信息,则通过终端信息,以及当前路段的路段信息得到车辆流量、车辆密度;将平均车速、车辆流量以及车辆密度输入至预先训练完毕的事故预测模型中,对当前路段进行事故预测。提供了更加准确的事故预测手段,得到了更加准确的事故预测结果。
Description
技术领域
本申请涉及交通预警领域,具体涉及一种高速公路的交通事故预警方法、设备及介质
背景技术
高速公路在全国公路网中起着极其重要的作用,有“经济大动脉”之称,能够有力的带动和促进区域经济的发展,有着良好的经济和社会效益。随着群众生活水平的不断提高,汽车保有量呈迅猛增长的趋势,为高速公路带来了更高效益的同时,也带来了一系列的问题。
很多高速公路在日常高峰期以及节假日期间都是非常拥堵的,很多路段的拥堵已经成为了常态化,交通事故的发生率也在不断上涨。基于上述情况,路政部门和高速交警部门难以针对高速公路的交通事故做出及时有效,甚至提前的防范。
发明内容
为了解决上述问题,即当前交通公路交通事故频发,工作人员难以针对交通事故做出及时有效甚至提前的防范的问题,本申请提出了一种高速公路的交通事故预警方法、设备及介质,包括:
一方面,本申请提供了一种高速公路的交通事故预警方法,包括:采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;根据所述车速估算的结果,得到所述当前路段的平均车速;若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
在一个示例中,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:获取所述当前路段的路段距离,以及所述事故预测的预测结果,所述预测结果至少包括以下至少一种:事故频率预测结果、事故类型预测结果;根据所述路段距离以及所述事故频率预测结果,得到事故预测分布点;针对多个所述事故预测分布点中的任意一个,根据所述事故类型预测结果,生成该事故预测分布点的事故模拟处理视频,以模拟演示交通事故的处理手段。
在一个示例中,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之前,所述方法还包括:训练事故预测模型;所述事故预测模型的训练过程包括:根据历史交通事故多发路段、所述车辆监控设备所处的位置以及最长路段距离,将高速公路划分为多个路段;针对所述多个路段中的任意一个,获取该路段的历史数据,所述历史数据至少包括以下一种:历史平均车速、历史车辆流量、历史车辆密度、历史事故频率、历史事故类型;将所述历史平均车速、所述历史车辆流量以及历史车辆密度、历史事故频率、历史事故类型进行处理,得到特征数值;选取多个特征数值中,大于预设阈值的数值,作为代表特征数值,将所述代表特征数值对应路段的历史数据作为训练样本;针对多个训练样本中的任意一个,将该训练样本中包含的的历史平均车速、历史车辆流量、历史车辆密度输入至模糊神经网络的输入层,将对应的历史事故频率、历史事故类型输入至所述模糊神经网络的输出层,进行监督训练,得到初始事故预测模型;对多个所述初始事故预测模型进行精度检测,选取精度最高的作为事故预测模型。
在一个示例中,若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度,具体包括:根据所述终端信息,获取当前路段车辆数量,并根据所述车辆数量以及预设时间间隔,确定所述当前路段车辆流量;获取所述当前路段的道路宽度,并根据所述车辆数量,以及所述道路宽度,确定所述当前路段车辆密度。
在一个示例中,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:确定所述车辆密度大于拥堵临界值;生成第一控制指令,并将所述第一控制指令发送至设置在所述高速公路上的信息发布单元中,所述第一控制指令包括:降低车辆限速值、提高车辆间距值。
在一个示例中,生成第一控制指令,并将所述第一控制指令发送至设置在所述高速公路上的信息发布单元中之后,所述方法还包括:将车辆动态识别单元接入所述当前路段中的违章监控摄像头,以通过转动所述违章监控摄像头识别所述当前路段的拥堵处,并将所述违章监控摄像头对准所述拥堵处;对实时录像进行视频分析,确定产生拥堵的起点。
在一个示例中,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:根据所述事故预测对应的预测结果,调取案例库中对应的事故案例;通过案例分析模型对所述事故案例进行分析,生成事故应对方案,所述事故应对方案至少包括:事故处理措施、事故防范措施。
在一个示例中,通过案例分析模型对所述事故案例进行分析,生成事故应对方案之后,所述方法还包括:通过所述终端信号采集模块,确定所述当前路段对应的多个通讯设备;通过短信编辑,将所述事故防范措施发送至所述当前路段对应的多个通讯设备中。
另一方面,本申请提供了一种高速公路的交通事故预警设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;根据所述车速估算的结果,得到所述当前路段的平均车速;若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
另一方面,本申请提供了一种高速公路的交通事故预警的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;根据所述车速估算的结果,得到所述当前路段的平均车速;若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
通过本申请提出的一种高速公路的交通事故预警方法、设备及介质能够带来如下有益效果:通过采用不同方式获取高速公路的车辆信息,保证了当前路段能够实时获取车辆信息,并实时对车辆信息进行处理,进行事故预警,确保了相关人员能够更及时或提前做出反应。同时,本申请技术方案中提供了相比于现有技术更加准确的预警手段,生成了更加准确的预警结果,并从多维度,针对预测结果生成相应的手段,降低了事故发生频率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种高速公路的交通事故预警方法的流程示意图;
图2为本申请实施例中一种高速公路的交通事故预警设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
本申请实施例中所述的一种高速公路的交通事故预警方法存储于相应的***或服务器中,用户可以通过终端登录,以进入***或服务器,从而使银行实现对数据的调度,该终端可以是智能手机、平板电脑、个人计算机等具有相应功能的硬件设备,该终端中预装有相应***或APP,用户可以通过该相应***、APP或WEB网页等形式登录至该种高速公路的交通事故预警方法所在的***或服务器。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供的一种高速公路的交通事故预警方法,包括:
S101、采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息。
需要说明的是,为实现对高速公路的交通事故进行预警,本申请实施例中的高速公路已经提前划分成多个路段,通过分别对不同路段进行预警,相比于针对整条高速公路进行预警,该种方式的预警效果更准确、更具有针对性。
具体地,***基于“通讯设备活动数据技术”以实现采集通讯设备的终端信息,通讯设备位于当前路段上行驶的车辆中。该通讯设备为具有通讯功能的终端,包括但不限于:手机、具备通讯功能的平板电脑、具备通讯功能的笔记本电脑等。在本申请实施例中,通讯设备以手机为例进行解释说明,通过解析车辆中的手机沿道路行驶的过程中,无线通讯网络发生的切换,确定车辆的位置,以及通过获取当前路段对应的无线通讯网络中,与该无线通讯网络发生数据交换的手机数量,来确定车辆的数量。
此外,高速公路上设置有多个车辆监控设备,该车辆监控设备包括但不限于:监控摄像头、车速传感器、微波交通检测器等。由于高速公路中的车辆监控设备数量较少,分布范围较广,无法针对车辆进行无缝实时监测,因此,可能存在当前路段未设有车辆监控设备的情况。
进一步地,在本申请实施例中,***通过发布指令,尝试通过设置在高速公路上的多个或所有车辆监控设备采集当前路段的交通流信息,若当前路段中存在车辆监控设备,则可以成功获取当前路段的交通流信息,若当前路段中不存在车辆监控设备,则位于其他路段的车辆监控设备会生成无法采集当前路段的交通流信息的反馈数据。
交通流信息包括但不限于:当前路段中任一辆车的车速、当前路段的车辆流量、当前路段的车辆密度等信息。其中,车辆流量和车辆密度可以是对预设时间段内的数据进行统计处理而得出的,车辆密度可以是当前路段的瞬时密度。
S102、若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算。
具体地,若当前路段中未设置有车辆监控设备,则无法采集到交通流信息,此时只能采集当前路段中行驶车辆中的通讯设备的终端信息。当未采集到交通流信息时,直接通过终端信息,对当前路段中的车辆进行车速估算,终端信息中包括了当前路段中所有车辆各自的速度。
进一步地,若当前路段中设有车辆监控设备,则***可以通过车辆监控设备采集到当前路段的交通流信息,同时也可以采集到当前路段的终端信息。在采集到的终端信息中,由于手机无线网络切换路段长度以及手机无线网络切换样本的影响,可能造成终端信息不够准确。在本申请实施例中,通过融合终端信息和交通流信息,可以最大程度的降低误差,提高车速估算的精度。
进一步地,将采集到的终端信息和交通流信息,从时间、空间和语义三个维度上进行一致化处理,时间一致化可以是将采集到的两种信息以相同的时间间隔进行计算,空间一致化可以是将采集到的两种信息以相同的空间间隔进行计算,语义一致化是针对不同格式的两种信息进行处理,以得到相同格式表征形式的信息。之后,将一致化处理后的数据进行车速估算。
S103、根据所述车速估算的结果,得到所述当前路段的平均车速。
具体地,根据终端信息或一致化处理后的数据中,包含的当前路段的车辆数量,以及每一辆车的车速,进行计算,以得到当前路段的平均车速。
S104、若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度。
若当前路段中设有车辆监控设备,则***可以通过车辆监控设备采集到当前路段的交通流信息,根据交通流信息可以得到当前路段的车辆流量以及车辆密度。若当前路段中未设有车辆监控设备,则***无法采集到交通流信息,此时只能采集当前路段中行驶车辆中的通讯设备的终端信息,通过终端信息,以及当前路段的路段信息得到车辆数量和车辆密度。
具体地,***可以根据终端信息中包含的各项数据,实时获取当前路段的车辆数量,通过***中预存的预设时间间隔,对车辆数量进行统计计算,以确定当前路段的车辆流量。同时,***获取当前路段的道路宽度,并根据实时获取的当前路段车辆数量,通过道路宽度的数据进行计算,确定当前路段的车辆密度。
此外,需要说明的是,当高速公路中设置有潮汐道路,或出现修路的情况时,当前路段的道路宽度可能出现变化。因此,在获取当前路段的道路宽度之前,***可以获取当前路段的道路变化信息,若道路宽度近期内存在变化,则可以通过道路变化信息,实时更新当前路段的道路宽度。
S105、将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
具体地,***将前文中获取的平均车速、车辆流量、车辆密度输入至预先训练完毕的事故预测模型中,以实现对当前路段进行事故预测,事故预测的预测结果包括但不限于:事故频率预测结果、事故类型预测结果。
其中,事故预测模型可以对平均车速、车辆流量、车辆密度这三种参数进行线性回归处理,得到特征值,通过判断特征值与事故预测结果之间的相关关系,来进行事故预测。
在一个实施例中,通过事故预测模型对当前路段进行事故预测之后,还可以获取当前路段的路段距离以及事故预测的预测结果,包括:事故频率预测结果以及事故类型预测结果。
根据路段距离,以及事故频率预测结果,进行事故预测分析,以得到事故预测分布点。例如,在某段长3KM的路段中,预测特定时间内可能发生五起事故,而这五起事故并非是平均分布在该3KM的路段中,也不一定同时发生在同一地点。因此,***可以采用泊松分布、负二项分布、零堆积泊松分布和零堆积负二项分布这四种概率分布方式对路段距离和事故频率预测结果进行拟合,以得到包括该事故频率预测结果的全部事故数量,在该路段中,最大概率的分布点。
针对该多个事故预测分布点中的任意一个,可以根据事故类型预测结果,将事故类型也进行拟合,以得到针对不同分布点的不同类型的最大概率事故预测,并生成该事故预测分布点的事故模拟处理视频,以模拟演示交通事故的处理手段。
在一个实施例中,***通过事故预测模型对当前路段进行事故预测之前,还可以训练事故预测模型。该事故预测模型的训练过程具体包括:
***首先需要通过多项标准将高速公路划分为多个路段,该标准包括但不限于:历史交通事故多发路段、车辆监控设备所处位置、最长路段距离。其中,数据库中可以记载有事故热点分布图,通过该分布图可以标记多个事故多发路段,多个事故多发路段尽可能划分在同一路段中,以实现对事故的针对性预测。同时,基于车辆监控设备分布在高速公路的不同位置,因此尽可能的将车辆监控设备划分至每一个路段中。此外,***中预存有最长路段距离,该最长路段距离为划分的路段最长不能超过的距离,其数值可以根据实际情况灵活设定,在此不做具体限定。
***根据历史交通事故多发路段、车辆监控设备所处的位置、最长路段距离将高速公路划分为多个路段之后,还可以根据多个路段中的任意一个,查询历史数据中,该路段中的历史数据,历史数据包括但不限于:历史平均车速、历史车辆流量、历史车辆密度、历史事故频率、历史事故类型。
将历史平均车速、历史车辆流量、历史车辆密度、历史事故频率、历史事故类型进行处理,该处理方式可以参考上文中的数据一致化处理,以得到能够综合五项数据的特征数值。该特征数值用于显示该路段的代表性,当特征数值高时,说明当前路段中五项数据中的至少一项,相比于其他路段是更加突出的。
选取多个特征数值中,大于预设阈值的数值,作为代表特征数值,该预设阈值可以根据实际情况灵活设定,其具体数值在此不做限定。将代表特征数值对应路段的历史数据,作为训练样本。通过此种方式,可以保证代表特征数值具有更强的特征性,作为训练样本能够更容易使输入数据和输出数据建立模糊关系,保证了训练结果的精度。
此时,***得到了多个训练样本,每个训练样本对应一个路段的历史数据。针对多个训练样本中的任意一个,将该训练样本中包含的历史平均车速、历史车辆流量、历史车辆密度输入至模糊神经网络的输入层,将对应的历史事故频率、历史事故类型输入至模糊神经网络的输出层,进行监督训练,以通过模糊神经网络内部的神经网络拟合关系,训练得到输入数据与输出数据的模糊关系,进一步得到多个初始事故预测模型。
***可以对多个事故预测模型进行精度检测,例如,将未选取为代表特征数值,对应的历史数据作为测试样本,并将测试样本中的历史平均车速、历史车辆流量、历史车辆密度输入至多个初始事故预测模型的输入层中,以获取多个输出结果,将输出结果与历史事故频率和历史事故类型进行比对,将正确率最高的初始事故预测模型作为精度最高的模型,选取精度最高的模型作为事故预测模型。
在一个实施例中,***通过事故预测模型对当前路段进行事故预测之后,还可以获取当前路段的拥堵临界值,该拥堵临界值指的是,基于当前路段的道路宽度,单位时间内车辆密度是否大于密度阈值和/或车辆流量是否小于流量阈值。
***可以判断当前路段的车辆密度是否大于拥堵临界值,若确定车辆密度大于拥堵临界值,则可以生成第一控制指令,并将该第一控制指令发送至设置在高速公路的信息发布单元中,该第一控制指令包括但不限于:降低车辆限速值、提高车辆间距值。第一控制指令优先发送至当前道路对应的前一路段的信息发布单元中,以确保还未进入当前路段的,前一路段的车辆,能够减缓进入当前路段的时间,避免对当前路段造成更大的拥堵,也减小了交通事故发生的概率。
同时,***还可以生成第二控制指令,并将该第二控制指令发送至当前道路对应的后一路段的信息发布单元中,第二控制指令可以包括:提高车辆限速值。以确保当前路段中刚刚离开拥堵位置处的车辆,能够快速驶离当前路段,进一步减缓了当前路段的拥堵。需要说明的是,在高速公路中,导致事故发生的第一原因并非是车速,而是车间距,因此第二控制指令不包括降低车辆间距值,防止车间距太小而导致事故的发生。
在一个实施例中,将第一控制指令发布之后,还可以将车辆动态识别单元接入当前路段中的违章监控摄像头中。该车辆动态识别单元具有图像识别功能,能够动态识别图像。通过控制违章监控摄像头进行转动,以及通过车辆动态识别单元,来使得违章监控摄像头识别当前路段的拥堵处,识别之后,将违章监控摄像头对准该拥堵处,不再转动。
***通过对当前拥堵处的实时录像进行视频分析,可以确定产生拥堵的起点。通过确定拥堵的起点,可以提升路政人员的反应速度,尽快到达该起点,以疏散拥堵。
在一个实施例中,通过事故预测模型对当前路段进行事故预测之后,还可以根据事故预测对应的预测结果,调取案例库中对应的事故案例,事故案例可以与预测结果中的事故类型预测结果一致。通过预先训练完毕的案例分析模型对事故案例进行分析,生成事故应对方案,该事故应对方案至少包括:事故处理措施、事故防范措施。
在一个实施例中,***生成事故应对方案之后,还可以通过终端信号采集模块,确定当前路段对应的多个通讯设备,该通讯设备即反映了行驶在当前道路上的车辆。通过短信编辑,将事故防范措施发送至当前路段对应的多个通讯设备中,以使车辆的驾驶人员提前进行防范,进一步避免了事故的产生。
在一个实施例中,如图2所示,本申请提供了一种高速公路的交通事故预警设备,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:
采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;
若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;
根据所述车速估算的结果,得到所述当前路段的平均车速;
若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;
将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
在一个实施例中,本申请提供了一种高速公路的交通事故预警的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;
若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;
根据所述车速估算的结果,得到所述当前路段的平均车速;
若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;
将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种高速公路的交通事故预警方法,其特征在于,包括:
采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;
若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;
根据所述车速估算的结果,得到所述当前路段的平均车速;
若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;
将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
2.根据权利要求1所述的一种高速公路的交通事故预警方法,其特征在于,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:
获取所述当前路段的路段距离,以及所述事故预测的预测结果,所述预测结果至少包括以下至少一种:事故频率预测结果、事故类型预测结果;
根据所述路段距离以及所述事故频率预测结果,得到事故预测分布点;
针对多个所述事故预测分布点中的任意一个,根据所述事故类型预测结果,生成该事故预测分布点的事故模拟处理视频,以模拟演示交通事故的处理手段。
3.根据权利要求1所述的一种高速公路的交通事故预警方法,其特征在于,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之前,所述方法还包括:训练事故预测模型;
所述事故预测模型的训练过程包括:
根据历史交通事故多发路段、所述车辆监控设备所处的位置以及最长路段距离,将高速公路划分为多个路段;
针对所述多个路段中的任意一个,获取该路段的历史数据,所述历史数据至少包括以下一种:历史平均车速、历史车辆流量、历史车辆密度、历史事故频率、历史事故类型;
将所述历史平均车速、所述历史车辆流量以及历史车辆密度、历史事故频率、历史事故类型进行处理,得到特征数值;
选取多个特征数值中,大于预设阈值的数值,作为代表特征数值,将所述代表特征数值对应路段的历史数据作为训练样本;
针对多个训练样本中的任意一个,将该训练样本中包含的的历史平均车速、历史车辆流量、历史车辆密度输入至模糊神经网络的输入层,将对应的历史事故频率、历史事故类型输入至所述模糊神经网络的输出层,进行监督训练,得到初始事故预测模型;
对多个所述初始事故预测模型进行精度检测,选取精度最高的作为事故预测模型。
4.根据权利要求1所述的一种高速公路的交通事故预警方法,其特征在于,若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度,具体包括:
根据所述终端信息,获取当前路段车辆数量,并根据所述车辆数量以及预设时间间隔,确定所述当前路段车辆流量;
获取所述当前路段的道路宽度,并根据所述车辆数量,以及所述道路宽度,确定所述当前路段车辆密度。
5.根据权利要求1所述的一种高速公路的交通事故预警方法,其特征在于,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:
确定所述车辆密度大于拥堵临界值;
生成第一控制指令,并将所述第一控制指令发送至设置在所述高速公路上的信息发布单元中,所述第一控制指令包括:降低车辆限速值、提高车辆间距值。
6.根据权利要求5所述的一种高速公路的交通事故预警方法,其特征在于,生成第一控制指令,并将所述第一控制指令发送至设置在所述高速公路上的信息发布单元中之后,所述方法还包括:
将车辆动态识别单元接入所述当前路段中的违章监控摄像头,以通过转动所述违章监控摄像头识别所述当前路段的拥堵处,并将所述违章监控摄像头对准所述拥堵处;
对实时录像进行视频分析,确定产生拥堵的起点。
7.根据权利要求1所述的一种高速公路的交通事故预警方法,其特征在于,将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测之后,所述方法还包括:
根据所述事故预测对应的预测结果,调取案例库中对应的事故案例;
通过案例分析模型对所述事故案例进行分析,生成事故应对方案,所述事故应对方案至少包括:事故处理措施、事故防范措施。
8.根据权利要求7所述的一种高速公路的交通事故预警方法,其特征在于,通过案例分析模型对所述事故案例进行分析,生成事故应对方案之后,所述方法还包括:
通过所述终端信号采集模块,确定所述当前路段对应的多个通讯设备;
通过短信编辑,将所述事故防范措施发送至所述当前路段对应的多个通讯设备中。
9.一种高速公路的交通事故预警设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:
采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;
若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;
根据所述车速估算的结果,得到所述当前路段的平均车速;
若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;
将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
10.一种高速公路的交通事故预警的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
采集位于通讯设备的终端信息,所述通讯设备位于当前路段上行驶车辆中;并尝试通过设置在高速公路上的多个车辆监控设备采集所述当前路段的交通流信息;
若未采集到所述交通流信息,则通过所述终端信息对所述行驶车辆进行车速估算;若采集到所述交通流信息,则将所述终端信息和所述交通流信息进行数据一致化处理,并将所述一致化处理后的数据进行车速估算;
根据所述车速估算的结果,得到所述当前路段的平均车速;
若采集到所述交通流信息,则根据所述交通流信息得到所述当前路段的车辆流量、车辆密度;若未采集到所述交通流信息,则通过所述终端信息,以及所述当前路段的路段信息得到所述车辆流量、所述车辆密度;
将所述平均车速、所述车辆流量以及所述车辆密度输入至预先训练完毕的事故预测模型中,对所述当前路段进行事故预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480363.XA CN113256969B (zh) | 2021-04-30 | 2021-04-30 | 一种高速公路的交通事故预警方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480363.XA CN113256969B (zh) | 2021-04-30 | 2021-04-30 | 一种高速公路的交通事故预警方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256969A true CN113256969A (zh) | 2021-08-13 |
CN113256969B CN113256969B (zh) | 2022-08-16 |
Family
ID=77223359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480363.XA Active CN113256969B (zh) | 2021-04-30 | 2021-04-30 | 一种高速公路的交通事故预警方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256969B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781779A (zh) * | 2021-09-09 | 2021-12-10 | 济南金宇公路产业发展有限公司 | 一种基于5g通信的高速公路气象预警方法、设备及介质 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN114724373A (zh) * | 2022-04-15 | 2022-07-08 | 地平线征程(杭州)人工智能科技有限公司 | 交通现场信息获取方法和装置、电子设备和存储介质 |
CN114863680A (zh) * | 2022-04-27 | 2022-08-05 | 腾讯科技(深圳)有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
CN115100846A (zh) * | 2022-05-09 | 2022-09-23 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
CN115691141A (zh) * | 2022-11-10 | 2023-02-03 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市交通管理方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
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 |
US20130289865A1 (en) * | 2012-04-30 | 2013-10-31 | Mahalia Katherine MILLER | Predicting impact of a traffic incident on a road network |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
US20190147737A1 (en) * | 2017-11-14 | 2019-05-16 | International Business Machines Corporation | Accident prevention device |
CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
TW202111658A (zh) * | 2019-09-05 | 2021-03-16 | 中華電信股份有限公司 | 交通事件偵測系統及方法 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通***技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
CN112530163A (zh) * | 2020-11-23 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
US20210089938A1 (en) * | 2019-09-24 | 2021-03-25 | Ford Global Technologies, Llc | Vehicle-to-everything (v2x)-based real-time vehicular incident risk prediction |
CN112633557A (zh) * | 2020-12-07 | 2021-04-09 | 浙江吉利控股集团有限公司 | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-30 CN CN202110480363.XA patent/CN113256969B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
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 |
US20130289865A1 (en) * | 2012-04-30 | 2013-10-31 | Mahalia Katherine MILLER | Predicting impact of a traffic incident on a road network |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
US20190147737A1 (en) * | 2017-11-14 | 2019-05-16 | International Business Machines Corporation | Accident prevention device |
TW202111658A (zh) * | 2019-09-05 | 2021-03-16 | 中華電信股份有限公司 | 交通事件偵測系統及方法 |
US20210089938A1 (en) * | 2019-09-24 | 2021-03-25 | Ford Global Technologies, Llc | Vehicle-to-everything (v2x)-based real-time vehicular incident risk prediction |
CN111081020A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于云边结合的车载交通事故预警装置 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通***技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
CN112530163A (zh) * | 2020-11-23 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
CN112633557A (zh) * | 2020-12-07 | 2021-04-09 | 浙江吉利控股集团有限公司 | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781779A (zh) * | 2021-09-09 | 2021-12-10 | 济南金宇公路产业发展有限公司 | 一种基于5g通信的高速公路气象预警方法、设备及介质 |
CN113963285A (zh) * | 2021-09-09 | 2022-01-21 | 济南金宇公路产业发展有限公司 | 一种基于5g的道路养护方法及设备 |
CN113963285B (zh) * | 2021-09-09 | 2022-06-10 | 山东金宇信息科技集团有限公司 | 一种基于5g的道路养护方法及设备 |
CN114724373A (zh) * | 2022-04-15 | 2022-07-08 | 地平线征程(杭州)人工智能科技有限公司 | 交通现场信息获取方法和装置、电子设备和存储介质 |
CN114863680A (zh) * | 2022-04-27 | 2022-08-05 | 腾讯科技(深圳)有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
CN114863680B (zh) * | 2022-04-27 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 预测处理方法、装置、计算机设备及存储介质 |
CN115100846A (zh) * | 2022-05-09 | 2022-09-23 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
CN115100846B (zh) * | 2022-05-09 | 2024-04-30 | 山东金宇信息科技集团有限公司 | 一种隧道内的道路事故预测方法、设备及介质 |
CN115691141A (zh) * | 2022-11-10 | 2023-02-03 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市交通管理方法和*** |
CN115691141B (zh) * | 2022-11-10 | 2024-01-30 | 无锡市德宁节能科技有限公司 | 一种基于护栏的城市交通管理方法和***及网络侧服务端 |
Also Published As
Publication number | Publication date |
---|---|
CN113256969B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256969B (zh) | 一种高速公路的交通事故预警方法、设备及介质 | |
Arun et al. | A systematic mapping review of surrogate safety assessment using traffic conflict techniques | |
CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
KR101825023B1 (ko) | 리스크 조기 경보 방법 및 장치 | |
CN107086922B (zh) | 一种用户行为识别方法和装置 | |
CN114579657B (zh) | 一种基于车路协同的v2x边缘云控方法及*** | |
CN111081017B (zh) | 车辆信息管理***、方法、计算机设备及存储介质 | |
CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
CN111079196A (zh) | 基于区块链的射频车辆违法记录管理方法及设备、介质 | |
CN116824862B (zh) | 一种智慧隧道交通运行管控方法、设备及介质 | |
CN110837979B (zh) | 基于随机森林的安全驾驶风险预测方法及装置 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及*** | |
Amin et al. | Big data role in improving intelligent transportation systems safety: A survey | |
Evans et al. | Evolution and future of urban road incident detection algorithms | |
US20230054889A1 (en) | Automatically tracking a trajectory of a vehicle | |
CN113283548B (zh) | 一种车辆安全评分方法、装置、设备和存储介质 | |
CN117133124A (zh) | 一种数字孪生智能公路收费与管理***及方法 | |
CN115148028A (zh) | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 | |
CN115223359A (zh) | 一种对收费站预警的方法、装置、电子设备和存储介质 | |
Papantoniou et al. | Investigating the correlation of mobile phone use with trip characteristics recorded through smartphone sensors | |
CN113342782A (zh) | 一种基于高速公路的数据监测方法、设备及介质 | |
CN112863199A (zh) | 一种车速监控方法、***、装置及存储介质 | |
CN114333332B (zh) | 一种交通管控方法、装置及电子设备 | |
CN111325992B (zh) | 行驶速度的确定方法、装置和设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 250101 no.1188 Tianchen street, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Jinyu Information Technology Group Co.,Ltd. Address before: 250101 no.1188 Tianchen street, high tech Zone, Jinan City, Shandong Province Applicant before: JINAN JINYU HIGHWAY INDUSTRY DEVELOPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |