CN113781777A - 一种基于多元时间序列模型的交通事故数预测方法及*** - Google Patents
一种基于多元时间序列模型的交通事故数预测方法及*** Download PDFInfo
- Publication number
- CN113781777A CN113781777A CN202111009422.1A CN202111009422A CN113781777A CN 113781777 A CN113781777 A CN 113781777A CN 202111009422 A CN202111009422 A CN 202111009422A CN 113781777 A CN113781777 A CN 113781777A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- accident
- model
- violations
- 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
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
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于多元时间序列模型的交通事故数预测方法及***,其中事故预测方法包括:步骤1:获取道路交通事故数据、交通违法数据、交通执法数据、节假日数据和天气数据;步骤2:构建样本数据集;步骤3:建立基于向量自回归模型的事故预测模型;步骤4:将需要预测交通事故数的若干天的节假日情况和天气条件输入事故预测模型,预测这若干天中每天的交通事故数。与现有技术相比,本发明具有预测结果更加准确可靠、有利于提高交通执法资源有效利用率等优点。
Description
技术领域
本发明涉及交通管理技术领域,尤其是涉及一种基于多元时间序列模型的交 通事故数预测方法及***。
背景技术
根据世界卫生组织统计,2016年道路交通伤亡在全球人类死亡原因中的排名 已上升至第八,证明了加强道路交通安全管理的重要性和急迫性。交通执法活动是 相关部门管理道路交通安全的重要手段,长期以来,人工执法是交通执法活动的重 要措施。随着交通执法工具的进步,电子化交通执法设备如电子警察也在逐步投入 使用,道路交通安全管理步入了人工执法与电子警察执法兼具的阶段。准确预测未 来道路交通安全水平是合理部署交通执法资源的前提,有助于实现对道路交通安全 的高效管理。因此,道路交通事故预测是交通安全管理与道路安全评估领域的重要 内容之一。
目前,交通执法措施由相关政府部门组织,面向车辆驾驶员,并在道路上开展, 对驾驶员行为和道路交通安全产生了重要的影响。研究表明,交通警察执法、车辆 驾驶员违法和交通事故相互内生,相互影响。举例说明:一个街道的交通事故和交 通违法同时高发,一方面可能是驾驶员违法行为增多导致了交通事故高发,另一方 面可能是因为交通事故高发,交通警察加强对该区域的执法力度,从而导致交通违 法查处量增加。所以要准确预测交通事故数,不能忽略交通违法和交通执法的影响。 而传统基于时间序列的交通事故预测模型往往仅基于历史事故数据,准确性不高。
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预测结果更 加准确可靠、有利于提高交通执法资源有效利用率的基于多元时间序列模型的交通 事故数预测方法及***。
本发明的目的可以通过以下技术方案来实现:
一种基于多元时间序列模型的交通事故数预测方法,所述的事故预测方法包括:
步骤1:获取道路交通事故数据、交通违法数据、交通执法数据、节假日数据 和天气数据;
步骤2:构建样本数据集;
步骤3:建立基于向量自回归模型的事故预测模型;
步骤4:将需要预测交通事故数的若干天的节假日情况和天气条件输入事故预 测模型,预测这若干天中每天的交通事故数。
优选地,所述步骤1中数据的获取方法为:
道路交通事故数据、交通违法数据和交通执法数据通过交通管理部门获得,交 通违法数据分为现场交通违法数据和非现场交通违法数据,前者由交通警察查获, 后者由电子警察查获;通过日历获取节假日数据,通过天气记录网站获取天气数据。
优选地,所述的步骤2具体为:
将步骤1获取的数据集聚到天层面,得到每一天的交通事故数、现场交通违法 数、非现场交通违法数、交通警察执法时长、节假日和天气;
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长设置 为内生变量;将节假日情况和天气条件设置为外生变量,构建样本数据集。
优选地,所述的步骤3具体为:
步骤3-1:对内生变量的时间序列进行结构分解;
步骤3-2:选取向量自回归模型的最优阶数;
步骤3-3:基于最优阶数建立向量自回归模型,即事故预测模型。
更加优选地,所述的步骤3-1具体为:
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时 间序列进行结构分解,得到每个内生变量的结构组成。
更加优选地,所述的步骤3-2具体为:
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长作为 内生变量,将节假日情况和天气条件作为外生变量,建立阶数从1到14的向量自 回归模型,选取使得模型赤池信息准则最低的阶数作为最优阶数。
更加优选地,所述的步骤3-3具体为:
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、 非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量, 构建向量自回归模型为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警 察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、 非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的 系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向 量,C是外生变量的系数,εt是残差项。
一种用于上述任一项所述交通事故预测方法的基于多元时间序列模型的交通 事故数预测***,其特征在于,所述的事故预测***包括处理器;所述的处理器设 有:
数据获取模块,用于获取需要预测交通事故数的若干天的节假日情况和天气条件;
事故预测模块,设有事故预测模型,用于根据数据获取模块获取的数据预测每 日交通事故数。
优选地,所述的事故预测模型的构建方法为:
首先,对内生变量的时间序列进行结构分解;
其次,选取向量自回归模型的最优阶数;
最后,基于最优阶数建立向量自回归模型,即事故预测模型。
更加优选地,所述的基于最优阶数建立向量自回归模型的方法为:
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、 非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量, 构建向量自回归模型为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警 察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、 非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的 系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向 量,C是外生变量的系数,εt是残差项。
与现有技术相比,本发明具有以下有益效果:
一、预测结果更加准确可靠:本发明中的交通事故数预测方法及***在预测 交通事故数时,将交通违法、交通执法、节假日和天气对事故的影响纳入到预测模 型中,相对于仅基于历史事故数据的交通事故预测模型,预测结果更加准确可靠。
二、有利于提高交通执法资源有效利用率:本发明中的交通事故数预测方法 及***在天层面开展交通事故数的预测,预测结果有利于支撑相关交通安全管理部 门制定道路交通安全管理策略,以高效利用有限的交通执法资源。
附图说明
图1为本发明中交通事故数预测方法的流程示意图;
图2为本发明实施例中自回归模型对样本数据集中交通事故数的拟合情况;
图3为本发明实施例中输入样本数据集之后8天的节假日情况和天气条件得 到的交通事故预测示意图。
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,本领域普通技术人员在没有做出创造性劳动的前提下所获 得的所有其他实施例,都应属于本发明保护的范围。
一种基于多元时间序列模型的交通事故数预测方法,其流程如图1所示,包括:
步骤1:获取道路交通事故数据、交通违法数据、交通执法数据、节假日数据 和天气数据;通过交通管理部门获取交通事故数据、交通违法数据和交通警察执法 数据,其中交通违法数据分为现场交通违法数据和非现场交通违法数据,前者由交 通警察查获,后者由电子警察查获。通过日历获取节假日数据,通过天气记录网站 获取天气数据;
步骤2:构建样本数据集;
将步骤1获取的数据集聚到天层面,得到每一天的交通事故数、现场交通违法 数、非现场交通违法数、交通警察执法时长、节假日和天气;
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长设置 为内生变量;将节假日情况和天气条件设置为外生变量,构建样本数据集;
步骤3:建立基于向量自回归模型的事故预测模型;
步骤3-1:对内生变量的时间序列进行结构分解;
时间序列数据一般包括长期趋势、季节变动、循环波动和不规则波动,将交通 事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列进行 结构分解,得到每个内生变量的结构组成;
步骤3-2:选取向量自回归模型的最优阶数;
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长作为 内生变量,将节假日情况和天气条件作为外生变量,建立阶数从1到14的向量自 回归模型,选取使得模型赤池信息准则(Akaike Information Criterion,AIC)最低 的阶数作为最优阶数;
步骤3-3:基于最优阶数建立向量自回归模型,即事故预测模型;
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、 非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量, 构建向量自回归模型为:
t=1,2,…,T
其中ycrash,t、yTecVio,t、yPolVio,t和yenfor,t是第t天的交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长;ycrash,t-p、yTecVio,t-p、yPolVio,t-p和yenfor,t-p分别 是交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的p阶滞 后;θcrash,t、θTecVio,t、θPolVio,t和θenfor,t是交通事故数、现场交通违法数、非现场交通违 法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的系数;Bp是p 阶滞后对应的系数;xholiday,t和xwhether,t分别是第t天的节假日情况和天气条件,C是 外生变量的系数,εt是残差项。
上述等式可以简化为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警 察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、 非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的 系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向 量,C是外生变量的系数,εt是残差项。
步骤4:将需要预测交通事故数的若干天的节假日情况和天气条件输入事故预 测模型,预测这若干天中每天的交通事故数。
本实施例还涉及一种用于上述交通事故数预测方法的交通事故数预测***,包括处理器。
处理器设有:
数据获取模块,用于获取需要预测交通事故数的若干天的节假日情况和天气条件;
事故预测模块,设有事故预测模型,用于根据数据获取模块获取的数据预测每 日交通事故数。
故预测模型的构建方法为:
首先,对内生变量的时间序列进行结构分解;
其次,选取向量自回归模型的最优阶数;
最后,基于最优阶数建立向量自回归模型,即事故预测模型。
基于最优阶数建立向量自回归模型的方法为:
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、 非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量, 构建向量自回归模型为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警 察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、 非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的 系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向 量,C是外生变量的系数,εt是残差项。
下面提供一个具体的应用案例:
针对某市高速公路网络,利用交通管理部门记录的交通事故数据、交通违法数据、交通警察执法时长数据、以及网络记录的节假日数据和天气数据测试本发明。
依照本发明的步骤1和步骤2,采集某市高速公路网络的交通事故数据、交通 违法数据、交通警察执法时长数据、节假日数据、天气数据。将交通违法数据分为 现场交通违法数据和非现场交通违法数据,前者由交通警察查获,后者由电子警察 查获。将数据集聚到天层面,得到每一天的交通事故数、现场违法数、非现场违法 数、交通警察执法时长、节假日情况和天气条件,由此形成样本数据集,共365 天。其中,交通事故数、现场违法数、非现场违法数、交通警察执法时长为时间序 列数据,设置为内生变量;节假日和天气不受其他变量的影响,为外生变量。
基于样本数据集,依照本发明的步骤3-1,对交通事故数、现场违法数、非现 场违法数、交通警察执法时长的时间序列进行结构分解,发现四个变量的组成结构 均包括长期趋势和星期循环波动。依照本发明的步骤3-2,将交通事故数、现场交 通违法数、非现场交通违法数、交通警察执法时长作为内生变量,将节假日、天气 作为外生变量,建立阶数从1到14的向量自回归模型,发现阶数为3时模型的赤 池信息准则最低,将阶数3选为最优阶数。依照本发明的步骤3-3,建立阶数为3 的向量自回归模型,如表1所示。基于该模型,可预测交通事故数,该模型对样本 数据集中交通事故数的拟合情况如图2所示,其中黑色细直线为实际交通事故数, 黑色粗虚线是向量自回归模型产生的交通事故数拟合值。根据图2,基于向量自回 归模型的交通事故预测方法展现了对交通事故数非常高的拟合精确度。
表1自回归模型
依照本发明的步骤4,输入样本数据集之后8天的节假日情况和天气条件,预 测这8天的交通事故数,如图3所示,其中黑色粗虚线为交通事故数的预测值,黑 色细虚线为预测值的上下界。图3说明了基于向量自回归模型的交通事故数预测方 法的可行性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此, 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效 的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明 的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的事故预测方法包括:
步骤1:获取道路交通事故数据、交通违法数据、交通执法数据、节假日数据和天气数据;
步骤2:构建样本数据集;
步骤3:建立基于向量自回归模型的事故预测模型;
步骤4:将需要预测交通事故数的若干天的节假日情况和天气条件输入事故预测模型,预测这若干天中每天的交通事故数。
2.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述步骤1中数据的获取方法为:
道路交通事故数据、交通违法数据和交通执法数据通过交通管理部门获得,交通违法数据分为现场交通违法数据和非现场交通违法数据,前者由交通警察查获,后者由电子警察查获;通过日历获取节假日数据,通过天气记录网站获取天气数据。
3.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的步骤2具体为:
将步骤1获取的数据集聚到天层面,得到每一天的交通事故数、现场交通违法数、非现场交通违法数、交通警察执法时长、节假日和天气;
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长设置为内生变量;将节假日情况和天气条件设置为外生变量,构建样本数据集。
4.根据权利要求1所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的步骤3具体为:
步骤3-1:对内生变量的时间序列进行结构分解;
步骤3-2:选取向量自回归模型的最优阶数;
步骤3-3:基于最优阶数建立向量自回归模型,即事故预测模型。
5.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的步骤3-1具体为:
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列进行结构分解,得到每个内生变量的结构组成。
6.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的步骤3-2具体为:
将交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长作为内生变量,将节假日情况和天气条件作为外生变量,建立阶数从1到14的向量自回归模型,选取使得模型赤池信息准则最低的阶数作为最优阶数。
7.根据权利要求4所述的一种基于多元时间序列模型的交通事故数预测方法,其特征在于,所述的步骤3-3具体为:
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量,构建向量自回归模型为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向量,C是外生变量的系数,εt是残差项。
8.一种用于如权利要求1~7中任一项所述交通事故预测方法的基于多元时间序列模型的交通事故数预测***,其特征在于,所述的事故预测***包括处理器;所述的处理器设有:
数据获取模块,用于获取需要预测交通事故数的若干天的节假日情况和天气条件;
事故预测模块,设有事故预测模型,用于根据数据获取模块获取的数据预测每日交通事故数。
9.根据权利要求8所述的一种基于多元时间序列模型的交通事故数预测***,其特征在于,所述的事故预测模型的构建方法为:
首先,对内生变量的时间序列进行结构分解;
其次,选取向量自回归模型的最优阶数;
最后,基于最优阶数建立向量自回归模型,即事故预测模型。
10.根据权利要求9所述的一种基于多元时间序列模型的交通事故数预测***,其特征在于,所述的基于最优阶数建立向量自回归模型的方法为:
假设最优阶数为p,样本数据集的总天数为T,交通事故数、现场交通违法数、非现场交通违法数、交通警察执法时长为内生变量,节假日、天气作为外生变量,构建向量自回归模型为:
yt=Aθt+B1yt-1+…+Bpyt-p+Cxt+εt t=1,2,…,T
其中,yt是第t天交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长组成的向量;yt-p是yt的p阶滞后;θt是交通事故数、现场交通违法数、非现场交通违法数和交通警察执法时长的时间序列组成结构;A是组成结构对应的系数;Bp是内生变量p阶滞后对应的系数;xt是外生变量节假日和天气组成的向量,C是外生变量的系数,εt是残差项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009422.1A CN113781777A (zh) | 2021-08-31 | 2021-08-31 | 一种基于多元时间序列模型的交通事故数预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009422.1A CN113781777A (zh) | 2021-08-31 | 2021-08-31 | 一种基于多元时间序列模型的交通事故数预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781777A true CN113781777A (zh) | 2021-12-10 |
Family
ID=78840286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009422.1A Pending CN113781777A (zh) | 2021-08-31 | 2021-08-31 | 一种基于多元时间序列模型的交通事故数预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781777A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110675626A (zh) * | 2019-09-27 | 2020-01-10 | 汉纳森(厦门)数据股份有限公司 | 基于多维数据的交通事故黑点预测方法方法、装置及介质 |
CN110956387A (zh) * | 2019-11-27 | 2020-04-03 | 西南交通大学 | 基于var模型的交通安全与经济损失关系计算方法 |
CN113192325A (zh) * | 2021-04-19 | 2021-07-30 | 银江股份有限公司 | 一种交通事件相关性分析方法及*** |
CN113313357A (zh) * | 2021-04-30 | 2021-08-27 | 东南大学 | 一种基于高斯过程回归分析的交通道路安全评价方法 |
-
2021
- 2021-08-31 CN CN202111009422.1A patent/CN113781777A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110675626A (zh) * | 2019-09-27 | 2020-01-10 | 汉纳森(厦门)数据股份有限公司 | 基于多维数据的交通事故黑点预测方法方法、装置及介质 |
CN110956387A (zh) * | 2019-11-27 | 2020-04-03 | 西南交通大学 | 基于var模型的交通安全与经济损失关系计算方法 |
CN113192325A (zh) * | 2021-04-19 | 2021-07-30 | 银江股份有限公司 | 一种交通事件相关性分析方法及*** |
CN113313357A (zh) * | 2021-04-30 | 2021-08-27 | 东南大学 | 一种基于高斯过程回归分析的交通道路安全评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN102542841B (zh) | 一种停车指数计算及发布方法 | |
Arditi et al. | Fatal accidents in nighttime vs. daytime highway construction work zones | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN110264711A (zh) | 一种交通事故概率的确定方法及装置 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN101261722A (zh) | 电子警察后台智能管理和自动实施*** | |
CN103646533B (zh) | 基于稀疏多输出回归的交通事故建模与控制方法 | |
CN108876056A (zh) | 一种共享自行车需求量预测方法、装置、设备及存储介质 | |
Chapelon et al. | Road safety in France: The hard path toward science-based policy | |
Chiriac et al. | The Financial Implications of Non-Compliance in the Transportation Business | |
CN102063645A (zh) | 一种公共交通运行服务质量的评价*** | |
CN114969263A (zh) | 一种城市交通知识图谱的构建方法、构建装置及应用 | |
Kocher et al. | Forecasting of crime events applying risk terrain modeling | |
CN113781777A (zh) | 一种基于多元时间序列模型的交通事故数预测方法及*** | |
Buian et al. | Advanced analytics for predicting traffic collision severity assessment | |
CN111897810B (zh) | 建立定量化不同尺度区域间大气污染联防联控方案的方法 | |
Tsai et al. | Framework and strategy for implementing an information technology-based pavement management system | |
CN113127591A (zh) | 一种基于Transformer和LSTM的位置预测方法 | |
Fotios et al. | Incorrect categorisation of ambient light level at the time of a road traffic collision | |
CN114202923B (zh) | 一种城市道路交通拥堵时空分布综合指数测评方法 | |
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 | |
CN115019509A (zh) | 基于两阶段注意力lstm的停车场空余车位预测方法及*** | |
CN114897374A (zh) | 公路车辆行驶安全风险预测方法及*** | |
CN106846802A (zh) | 一种高速路数据处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |
|
RJ01 | Rejection of invention patent application after publication |