CN113704317B - 一种基于交通事故特征分析的事故黑点预测方法 - Google Patents
一种基于交通事故特征分析的事故黑点预测方法 Download PDFInfo
- Publication number
- CN113704317B CN113704317B CN202110785547.7A CN202110785547A CN113704317B CN 113704317 B CN113704317 B CN 113704317B CN 202110785547 A CN202110785547 A CN 202110785547A CN 113704317 B CN113704317 B CN 113704317B
- Authority
- CN
- China
- Prior art keywords
- accident
- data
- traffic
- maximum possible
- occurrence
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 206010027146 Melanoderma Diseases 0.000 claims abstract description 34
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于交通事故特征分析的事故黑点预测方法,包括:基于GIS对目标区域网格化;根据事故发生的位置信息,将事故数据进行网格化聚合,得到事故高发点分布数据;通过对事故发生时间、发生时气象情况、及发生时段区域的车辆速度阈值数据进行分析,形成单网格事故发生频次、时段、气象、车辆速度阈值的关系矩阵;融合车流量、交通指数路网数据;通过事故高发地点分析确定最大可能事故黑点,事故高发时段分析确定最大可能事故黑点事故发生最大可能时间区间,基于最大可能事故黑点、最大可能时间区间、气象、交通流量、交通指数可对不同时段下历史事故高发点发生事故的综合特征进行融合分析,从而实现对事故可能发生黑点的预测能力。
Description
技术领域
本发明涉及智能交通和数据挖掘领域,具体涉及一种基于交通事故特征分析的事故黑点预测方法。
背景技术
随着经济高速发展、人口增长与人民生活水平的不断提升,人口密度逐年增长、出行交通需求水平不断提高、机动车保有量逐年增多,与城市发展可用空间逐年减小、路网密度逐年提升、道路交通压力状况越来越大的矛盾愈发突显。同时由于车辆基数的不断增长,车行密度的不断增加,交通状况的压力不断变大,机动车事故发生频率也在不断提高,而每当发生事故又极易引发交通状况的进一步恶化,形成恶性循环,导致事故路段交通安全风险提高、交通管控压力更大,极易引起更大的财产损失。
近年来,交通管理机构持续加强智能化、信息化的交通管控建设投入,不断建设丰富外场设施设备,包括视频监控、高清卡口、电子警察、流量检测器等,为车辆的信息数据采集提供了更为全面的渠道;同时,随着大数据AI处理能力的不断提升,为计算能力提供了有力的能力支撑保证;此外,利用与互联网+数据的融合分析,分析与预测具备了更多维度的数据支撑,结果更加全面、准确,为交通管理工作从事后发现、处置到事前预警、管控预防转变具有重要的意义与实际价值需求。
因此,基于交通事故特征分析的事故黑点预测对事故发生、预警、防治具有重要意义,使用该种方法,交通管理部门不仅可对事故易发点、高发特征有明确的量化掌握,更可以通过事故黑点的***发现,指挥指导预置警力进行提前的预防性疏导、管控,将事故发生可能性扼杀在萌芽状态,从而避免可能的事故发生。
发明内容
为克服现有技术的不足,本发明基于道路交通事故的多发地点、高发特征、环境因素等的数据挖掘分析,提供一种智能化的基于交通事故特征分析的事故黑点预测方法,具体方案如下:
一种基于交通事故特征分析的事故黑点预测方法,其特征在于,所述方法包括:
步骤1,将待分析的目标区域基于GIS(地理信息***Geographic InformationSystem或Geo-Information system,以下简称GIS)进行网格化划分;
步骤2,接入历史事故数据,并获取对应的事故位置信息,基于事故位置信息将历史事故数据基于GIS的网格进行聚合;
步骤3,进行单网格分析,获取单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵;
步骤4,导入频次阈值,通过频次阈值的输入设定控制,剔除阈值频次量以下数据,排除偶发性数据,对关系矩阵数据进行数据清洗,提高准确度,得到可用数据样本矩阵;
步骤5,导入交通流量数据,以目标网格为范围,将可用矩阵中事故发生时的当前网格、相邻网格的交通流量数据进行关联,得到单网格事故时段、气象、车辆速度阈值以及交通流量关系矩阵;
步骤6,以目标网格为范围,将可用矩阵中事故发生时的当前网格的交通指数数据进行关联,得到单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵;
步骤7,基于单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵,进行事故高发地点分析确定最大可能事故黑点数据组,进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组,基于最大可能事故黑点数据组和最大可能时间区间数据组,融合气象、交通流量、交通指数提供事故黑点预测。
进一步地,步骤2中,通过以分为时间区间单位,以天为时间周期对历史事故数据进行提取接入。
进一步地,步骤3还包括:判断单网格待分析数据数量,若单网格待分析数据数量满足预设条件,进行单网格的样本数据分析,若待分析事故数据不满足预设条件,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
进一步地,步骤3具体包括:
提取样本数据时间信息,以数据聚合分组方式分析得出事故高发时段数据组;
提取样本数据发生时气象环境信息,以数据聚合分组方式分析得出事故高发气象环境数据组;
根据事故发生时段数据,提取样本数据发生时段区域内车辆平均速度信息,统计分析求得区域车辆事故高发速度阈值组;
基于获得的事故高发时段数据组、事故高发气象环境数据组以及区域车辆事故高发速度阈值组,以时间段为X轴,通过时间关系进行数据关联性组合,生成单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵。
进一步地,步骤4还包括:若数据清洗后的可用数据样本矩阵数据量不满足预设数量,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
进一步地,进行事故高发地点分析确定最大可能事故黑点数据组具体包括:
对交通事故数据位置信息与GIS路网关联并进行位置分组,得到x1,x2…xn;
对相同位置数据频次聚合,得到n1,n2…nn,并进行频次排序,得到最大可能事故黑点数据组Ar,表示如下:
其中,xi为基于历史事故数据的点位信息隐射在GIS路网中后,对路网进行逻辑网格化后的第i个网格区域,ni单个逻辑网格中的事故数据频次。
进一步地,进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组具体包括:
剔除最大可能事故黑点数据组Ar中频次低的位置数据,以高频次位置点数据xh1,xh2…xhn作为关联项,对事故发生时间数据进行关联与时间区间分段,得到最大可能时间区间数据组At,表示如下:
进一步地,步骤7中,基于最大可能事故黑点、最大可能时间区间,融合气象、交通流量、交通指数提供事故黑点预测具体包括:
以最大可能时间区间数据组中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时流量剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般流量值;
以最大可能时间区间数据组中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时的交通指数剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般交通指数值;
融合求得的事故发生时段的一般流量值和事故发生时段的一般交通指数值,形成事故易发黑点的综合性数据特征矩阵;
通过对事故多发点、时间、气象、交通流量、交通指数、平均车速的监控及与事故易发点黑点的综合性数据特征矩阵的分析比对,最终实现基于交通事故特征分析的事故黑点预测。
本发明具有以下有益效果:
本发明首先在选定的区域内,通过指定基于GIS的目标分析范围,并将其以网格形式细化,通过以分为时间区间单位,以天为时间周期对历史事故数据进行提取接入;其次,根据事故发生的位置信息,基于GIS将事故数据进行网格化聚合,得到事故高发点分布数据;再次,通过对事故发生时间、发生时气象情况、及发生时段区域的车辆速度阈值数据进行分析,形成单网格事故发生频次、时段、气象、车辆速度阈值的关系矩阵;最后融合车流量、交通指数路网数据;基于以上数据支持,通过“事故高发地点”分析确定“最大可能事故黑点”,“事故高发时段”分析确定“最大可能事故黑点”事故发生“最大可能时间区间”,基于“最大可能事故黑点”、“最大可能时间区间”、气象、交通流量、交通指数可对不同时段下历史事故高发点发生事故的综合特征进行融合分析,从而实现对事故可能发生黑点的预测能力。
附图说明
图1为本发明实施例提供的一种基于交通事故特征分析的事故黑点预测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种基于交通事故特征分析的事故黑点预测方法,具体包括:
步骤1,将待分析的目标区域基于GIS进行网格化划分;
将待分析的目标区域进行基于GIS的网格化划分,合理的网格化划分可有效提高分析准确率。
步骤2,接入历史事故数据,并获取对应的事故位置信息,基于事故位置信息将历史事故数据基于GIS的网格进行聚合。
步骤3,进行单网格分析,获取单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵,具体包括;
提取样本数据时间信息,以数据聚合分组方式分析得出事故高发时段数据组;
提取样本数据发生时气象环境信息,以数据聚合分组方式分析得出事故高发气象环境数据组;
根据事故发生时段数据,提取样本数据发生时段区域内车辆平均速度信息,统计分析求得区域车辆事故高发速度阈值组;
基于获得的事故高发时段数据组、事故高发气象环境数据组以及区域车辆事故高发速度阈值组,以时间段为X轴,通过时间关系进行数据关联性组合,生成单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵。
优选地,所述方法还包括,在进行单网格分析前,判断单网格待分析数据数量,若单网格待分析数据数量满足预设条件,进行单网格的样本数据分析,若待分析事故数据不满足预设条件,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
步骤4,导入频次阈值,通过频次阈值的输入设定控制,剔除阈值频次量以下数据,排除偶发性数据,对关系矩阵数据进行数据清洗,提高准确度,得到可用数据样本矩阵,另外,若数据清洗后的可用数据样本矩阵数据量不满足预设数量,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
步骤5,导入交通流量数据,以目标网格为范围,将可用矩阵中事故发生时的当前网格、相邻网格的交通流量数据进行关联,得到单网格事故时段、气象、车辆速度阈值以及交通流量关系矩阵。
步骤6,以目标网格为范围,将可用矩阵中事故发生时的当前网格的交通指数数据进行关联,得到单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵。
步骤7,基于单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵,进行事故高发地点分析确定最大可能事故黑点数据组,进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组,基于最大可能事故黑点数据组和最大可能时间区间数据组,融合气象、交通流量、交通指数提供事故黑点预测。
其中,进行事故高发地点分析确定最大可能事故黑点数据组具体包括:
对交通事故数据位置信息与GIS路网关联并进行位置分组,得到x1,x2…xn;
对相同位置数据频次聚合,得到n1,n2…nn,并进行频次排序,得到最大可能事故黑点数据组Ar,表示如下:
其中,xi为基于历史事故数据的点位信息隐射在GIS路网中后,对路网进行逻辑网格化后的第i个网格区域,ni为第i个逻辑网格中的事故数据频次。
进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组具体包括:
剔除最大可能事故黑点数据组Ar中频次低的位置数据,以高频次位置点数据xh1,xh2…xhn作为关联项,对事故发生时间数据进行关联与时间区间分段,得到最大可能时间区间数据组At,表示如下:
其中,基于最大可能事故黑点、最大可能时间区间,融合气象、交通流量、交通指数提供事故黑点预测具体包括:
以最大可能时间区间数据组At中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时流量剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般流量值f。
f=(f1+f2+f3+f4+…fn)/n;
其中,fi为单次事故发生时的第i逻辑网格内的实时交通流量。
以“最大可能时间区间”数据组At中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时的交通指数剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般交通指数值i。
i=(i1+i2+i3+i4+…in)/n;
其中,ii为单次事故发生时的第i个逻辑网格内的实时交通指数。
融合以上数据,形成事故易发黑点的综合性数据特征矩阵,如下表1所示:
通过对事故多发点、时间、气象、交通流量、交通指数、平均车速的监控及与事故易发点的综合性数据特征矩阵的分析比对表1,最终实现基于交通事故特征分析的事故黑点预测提取事故位置信息数据,并将事故数据基于GIS的网格进行聚合,如待分析数据数量满足预设数量,可进一步进行单网格的样本数据分析,若待分析事故数据不满足预设数量,如单格数据总数量较少、事故数据分布较散等,可通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于交通事故特征分析的事故黑点预测方法,其特征在于,所述方法包括:
步骤1,将待分析的目标区域基于GIS进行网格化划分;
步骤2,接入历史事故数据,并获取对应的事故位置信息,基于事故位置信息将历史事故数据基于GIS的网格进行聚合;
步骤3,进行单网格分析,获取单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵;
步骤4,导入频次阈值,通过频次阈值的输入设定控制,剔除阈值频次量以下数据,对关系矩阵数据进行数据清洗,得到可用数据样本矩阵;
步骤5,导入交通流量数据,以目标网格为范围,将可用矩阵中事故发生时的当前网格、相邻网格的交通流量数据进行关联,得到单网格事故时段、气象、车辆速度阈值以及交通流量关系矩阵;
步骤6,以目标网格为范围,将可用矩阵中事故发生时的当前网格的交通指数数据进行关联,得到单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵;
步骤7,基于单网格事故时段、气象、车辆速度阈值、交通流量以及交通指数关系矩阵,进行事故高发地点分析确定最大可能事故黑点数据组,进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组,基于最大可能事故黑点数据组和最大可能时间区间数据组,融合气象、交通流量、交通指数提供事故黑点预测。
2.根据权利要求1所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,步骤2中,通过以分为时间区间单位,以天为时间周期对历史事故数据进行提取接入。
3.根据权利要求2所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,步骤3还包括:判断单网格待分析数据数量,若单网格待分析数据数量满足预设条件,进行单网格的样本数据分析,若待分析事故数据不满足预设条件,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
4.根据权利要求1所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,步骤3具体包括:
提取样本数据时间信息,以数据聚合分组方式分析得出事故高发时段数据组;
提取样本数据发生时气象环境信息,以数据聚合分组方式分析得出事故高发气象环境数据组;
根据事故发生时段数据,提取样本数据发生时段区域内车辆平均速度信息,统计分析求得区域车辆事故高发速度阈值组;
基于获得的事故高发时段数据组、事故高发气象环境数据组以及区域车辆事故高发速度阈值组,以时间段为X轴,通过时间关系进行数据关联性组合,生成单网格事故发生频次、时段、气象、车辆事故高发速度阈值的关系矩阵。
5.根据权利要求1所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,步骤4还包括:若数据清洗后的可用数据样本矩阵数据量不满足预设数量,则通过延长时间区间或时间周期的方式,重新进行历史事故数据接入。
6.根据权利要求1所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,进行事故高发地点分析确定最大可能事故黑点数据组具体包括:
对交通事故数据位置信息与GIS路网关联并进行位置分组,得到x1,x2…xn;
对相同位置数据频次聚合,得到n1,n2…nn,并进行频次排序,得到最大可能事故黑点数据组Ar,表示如下:
其中,xi为基于历史事故数据的点位信息隐射在GIS路网中后,对路网进行逻辑网格化后的第i个网格区域,ni为第i个逻辑网格中的事故数据频次。
7.根据权利要求6所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,进行事故高发时段分析确定最大可能事故黑点事故发生的最大可能时间区间数据组具体包括:
剔除最大可能事故黑点数据组Ar中频次低的位置数据,以高频次位置点数据xh1,xh2…xhn作为关联项,对事故发生时间数据进行关联与时间区间分段,得到最大可能时间区间数据组At,表示如下:
8.根据权利要求1所述的基于交通事故特征分析的事故黑点预测方法,其特征在于,步骤7中,基于最大可能事故黑点、最大可能时间区间,融合气象、交通流量、交通指数提供事故黑点预测具体包括:
以最大可能时间区间数据组中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时流量剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般流量值;
以最大可能时间区间数据组中高频位置点数据作为关联项,对应时间区间段为时间范围,对单个高频位置事故发生时的交通指数剔除过小及过大的偶发特例数据后进行平均值计算,求得事故发生时段的一般交通指数值;
融合求得的事故发生时段的一般流量值和事故发生时段的一般交通指数值,形成事故易发黑点的综合性数据特征矩阵;
通过对事故多发点、时间、气象、交通流量、交通指数、平均车速的监控及与事故易发点黑点的综合性数据特征矩阵的分析比对,最终实现基于交通事故特征分析的事故黑点预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785547.7A CN113704317B (zh) | 2021-07-12 | 2021-07-12 | 一种基于交通事故特征分析的事故黑点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110785547.7A CN113704317B (zh) | 2021-07-12 | 2021-07-12 | 一种基于交通事故特征分析的事故黑点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704317A CN113704317A (zh) | 2021-11-26 |
CN113704317B true CN113704317B (zh) | 2023-11-14 |
Family
ID=78648474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110785547.7A Active CN113704317B (zh) | 2021-07-12 | 2021-07-12 | 一种基于交通事故特征分析的事故黑点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704317B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829613A (zh) * | 2024-03-04 | 2024-04-05 | 深圳大学 | 海运事故影响因素分析方法、***、智能终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别***的收费公路网交通信息采集与诱导*** |
CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及*** |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
-
2021
- 2021-07-12 CN CN202110785547.7A patent/CN113704317B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别***的收费公路网交通信息采集与诱导*** |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及*** |
Non-Patent Citations (1)
Title |
---|
基于谱聚类的交通事故黑点鉴别及预测;孙晴晴;臧超;;工业控制计算机(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113704317A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN110570664A (zh) | 一种高速公路交通事件自动检测*** | |
CN110766258B (zh) | 一种道路风险的评估方法及装置 | |
CN109191283A (zh) | 风险预警方法及*** | |
CN114596700B (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN110929939A (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN113704317B (zh) | 一种基于交通事故特征分析的事故黑点预测方法 | |
CN109379563B (zh) | 监控视频数据存储管理的方法和*** | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN109272760B (zh) | 一种scats***检测器数据异常值的在线检测方法 | |
CN103093619A (zh) | 基于智能交通***的交通评价方法及装置 | |
CN117173899B (zh) | 一种智慧城市交通出行品质评价方法 | |
CN108597224B (zh) | 一种基于时空轨迹数据的待改善交通设施识别方法及*** | |
CN116524714A (zh) | 一种城市停车的停车饱和度和趋势预测确定方法及装置 | |
CN115511140A (zh) | 一种智慧灯杆漏电风险预测方法、装置和*** | |
CN111710156B (zh) | 一种道路交通流量预测方法、***、介质及设备 | |
Fior et al. | Estimating the incidence of adverse weather effects on road traffic safety using time series embeddings | |
CN106780245B (zh) | 热带气旋引发沿海地区灰霾概率的确定、预报方法及*** | |
CN112416898A (zh) | 一种智慧水利数据中台构建方法 | |
CN112183597A (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
Lv et al. | A history data based traffic incident impact analyzing and predicting method | |
CN115050181B (zh) | 交叉***通事故与交通违法的空间热点及其影响因素辨识方法 | |
CN114462695B (zh) | 一种基于道路安全模型的车辆安全曝光量分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |