CN113920732A - 一种针对特定驾驶人群的道路交通事故风险预警方法 - Google Patents
一种针对特定驾驶人群的道路交通事故风险预警方法 Download PDFInfo
- Publication number
- CN113920732A CN113920732A CN202111190107.3A CN202111190107A CN113920732A CN 113920732 A CN113920732 A CN 113920732A CN 202111190107 A CN202111190107 A CN 202111190107A CN 113920732 A CN113920732 A CN 113920732A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- accident
- model
- early 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims description 6
- 238000013058 risk prediction model Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 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
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通安全技术领域,具体涉及一种针对特定驾驶人群的道路交通事故风险预警方法。本发明利用历史交通大数据综合人、车、道路、环境等多个因素来建立交通事故预警模型,后期可以通过新增的交通数据对模型不断进行修正,从而得到更加高的预警精度。针对特定的驾驶人群进行差异化建模研究,能够提供更有针对性的预防策略。通过收集实时道路与环境信息来预警特定驾驶人发生事故的风险,可以降低行车人的事故发生风险,帮助相关运输企业提高安全生产水平,也能帮助交通管理部门进行事故预警。
Description
技术领域
本发明涉及交通安全技术领域,具体涉及一种针对特定驾驶人群的道路交通事故风险预警方法。
背景技术
随着我国经济社会不断发展,道路通车里程数和机动车保有量增加,道路交通事故发生数也呈现增加的趋势,我国交通安全形势仍旧十分严峻。而当下随着大数据的发展,交通大数据的数据库已经非常完善,利用交通大数据预测和降低交通事故的研究逐渐受到人们的重视,但是结合交通大数据信息,通过驾驶人、车辆特征、道路因素、环境特征的历史事故数据建立适用于特定的驾驶人群的预测模型方面的研究还比较少。且以往的道路交通事故风险预警方法没有考虑到针对特定的驾驶人群进行预警,没有对特定驾驶人群进行分级研究。
因此通过收集实时的道路、环境信息,对特定驾驶人群进行分类,建立适用于特定人群的预测模型,来对驾驶人发生事故的风险进行预警,给予提醒是非常有必要的。
发明内容
针对上述技术背景提到的不足,本发明的目的在于提供一种针对特定驾驶人群的道路交通事故风险预警方法。
本发明的目的可以通过以下技术方案实现:
一种针对特定驾驶人群的道路交通事故风险预警方法,所述预警方法的实施过程如下:
S101、针对特定的驾驶人群如某市的公交车司机,收集其个人特征数据、历史交通违章数据和历史交通事故数据;
S102、对所获得的历史交通数据进行处理,剔除缺失值多的、不合理的数据,产生建立模型所需的数据样本,导入到针对特定人群的交通事故数据信息库;
S103、利用数据库中的历史交通事故数据利用人、车、路与环境等方面的因素来建立一个交通事故严重程度模型,模型中只保留显著变量p<0.1;
S104、基于S103建立的模型,对多个驾驶人进行聚类,将相同属性的驾驶人归为一类;
S105、针对S104的不同分类的驾驶人群体,分别分析其性别、年龄、驾龄、身高、体重、车龄等特征,并针对不同群体中显著变量计算边际效应值,来定量分析各显著因素对交通事故严重度的影响;
S106、针对上述因素提出改善措施,反馈给相关部门;
S107、针对每类驾驶人建立一个事故风险预测模型:筛选所需数据,计算每类驾驶人发生交通安全事故的概率;
S108、通过气象部门天气情况报道、地图实时交通情况、车载行车视频监控***收集到的道路与环境信息,结合事故风险预测模型中的驾驶人信息和车辆信息,运用S107中建立的模型来计算特定驾驶人发生事故的风险,提前给出预警提示,以降低事故的发生概率,提高行车安全。
S109、把新增的事故数据信息,定期(半个月或一个月)增加到S102中已建立好的针对特定人群的交通事故信息库中,对S103、S104、S107中所建立的模型参数进行修正,以便提供更加精准的事故预测概率。
进一步的,所述数据的来源可以是有关运输企业、道路交通管理部门、导航软件等,获取人、车、路与环境等方面的多维数据。
进一步的,所述相同属性包括性别、年龄、驾龄、身高、体重、时间段、车龄等,同时聚类时不仅按照单一属性归类,还需要将属性进行合并后再分类。
进一步的,所述新增事故数据信息和原有事故数据信息对比,判断模型对降低事故率的效果。
本发明的有益效果:
1、本发明利用历史交通大数据综合人、车、道路、环境等多个因素来建立交通事故预警模型,后期可以通过新增的交通数据对模型不断进行修正,从而得到更加高的预警精度。
2、本发明是针对特定的驾驶人群进行差异化建模研究,能够提供更有针对性的预防策略。通过收集实时道路与环境信息来预警特定驾驶人发生事故的风险,可以降低行车人的事故发生风险,帮助相关运输企业提高安全生产水平,也能帮助交通管理部门进行事故预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1是本发明的流程示意图。
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实施例,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作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。
本发明提供了一种针对特定驾驶人群的道路交通事故风险预警方法,具体的技术解决方案如下:
S101、针对特定的驾驶人群如某市的公交车司机,收集其个人特征数据、历史交通违章数据和历史交通事故数据,数据的来源可以是有关运输企业、道路交通管理部门等;
S102、对所获得的历史交通数据进行处理,剔除缺失值多的、不合理的数据,产生建立模型所需的数据样本,导入到针对特定人群的交通事故数据信息库;
S103、利用数据库中的历史交通事故数据利用人、车、路与环境等方面的因素来建立一个交通事故严重程度模型,模型中只保留显著变量p<0.1;
S104、基于S103建立的模型,对多个驾驶人进行聚类,将相同属性的驾驶人归为一类,相同属性包括性别、年龄、驾龄、身高、体重、时间段、车龄等,同时分类时不仅按照单一属性归类,还将属性进行合并后再分类;
S105、针对S104的不同分类的驾驶人群体,分别分析其性别、年龄、驾龄、身高、体重、车龄等特征,并针对不同群体中显著变量计算边际效应值,来定量分析各显著因素对交通事故严重度的影响;
S106、针对上述因素提出改善措施,反馈给相关部门;
S107、针对每类驾驶人建立一个事故风险预测模型:筛选所需数据,计算每类驾驶人发生交通安全事故的概率;
S108、通过气象部门天气情况报道、地图实时交通情况、车载行车视频监控***收集到的道路与环境信息,结合事故风险预测模型中的驾驶人信息和车辆信息,运用S107中建立的模型来计算特定驾驶人发生事故的风险,提前给出预警提示,以降低事故的发生概率,提高行车安全。
S109、把新增的事故数据信息,定期(半个月或一个月)增加到S102中已建立好的针对特定人群的交通事故信息库中,对S103、S104、S107中所建立的模型参数进行修正,以便提供更加精准的事故预测概率。同时可以将新增事故数据信息和原有事故数据信息对比,判断模型对降低事故率的效果。
可以根据得到的大数据对货车司机、公交车司机等特定人群建立针对性的预测模型,后期可以通过不断的增加新数据来完善分类和预测的精确度。由于是针对每类人群建立特定的预测模型,且建立的数据是人、车、道路、环境等多维数据,因此可以有效的提高预测精度。
本发明的有益效果如下:
本发明利用历史交通大数据综合人、车、道路、环境等多个因素来建立交通事故预警模型,后期可以通过新增的交通数据对模型不断进行修正,从而得到更加高的预警精度。
本发明是针对特定的驾驶人群进行差异化建模研究,能够提供更有针对性的预防策略。通过收集实时道路与环境信息来预警特定驾驶人发生事故的风险,可以降低行车人的事故发生风险,帮助相关运输企业提高安全生产水平,也能帮助交通管理部门进行事故预警。
上述对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (4)
1.一种针对特定驾驶人群的道路交通事故风险预警方法,其特征在于,所述预警方法的实施过程如下:
S101、针对特定的驾驶人群如某市的公交车司机,收集其个人特征数据、历史交通违章数据和历史交通事故数据;
S102、对所获得的历史交通数据进行处理,剔除缺失值多的、不合理的数据,产生建立模型所需的数据样本,导入到针对特定人群的交通事故数据信息库;
S103、利用数据库中的历史交通事故数据利用人、车、路与环境等方面的因素来建立一个交通事故严重程度模型,模型中只保留显著变量p<0.1;
S104、基于S103建立的模型,对多个驾驶人进行聚类,将相同属性的驾驶人归为一类;
S105、针对S104的不同分类的驾驶人群体,分别分析其性别、年龄、驾龄、身高、体重、车龄等特征,并针对不同群体中显著变量计算边际效应值,来定量分析各显著因素对交通事故严重度的影响;
S106、针对上述因素提出改善措施,反馈给相关部门;
S107、针对每类驾驶人建立一个事故风险预测模型:筛选所需数据,计算每类驾驶人发生交通安全事故的概率;
S108、通过气象部门天气情况报道、地图实时交通情况、车载行车视频监控***收集到的道路与环境信息,结合事故风险预测模型中的驾驶人信息和车辆信息,运用S107中建立的模型来计算特定驾驶人发生事故的风险,提前给出预警提示,以降低事故的发生概率,提高行车安全;
S109、把新增的事故数据信息,定期(半个月或一个月)增加到S102中已建立好的针对特定人群的交通事故信息库中,对S103、S104、S107中所建立的模型参数进行修正,以便提供更加精准的事故预测概率。
2.根据权利要求1所述的一种针对特定驾驶人群的道路交通事故风险预警方法,其特征在于,所述数据的来源可以是有关运输企业、道路交通管理部门、导航软件等,获取人、车、路与环境等方面的多维数据。
3.根据权利要求1所述的一种针对特定驾驶人群的道路交通事故风险预警方法,其特征在于,所述相同属性包括性别、年龄、驾龄、身高、体重、时间段、车龄等,同时聚类时不仅按照单一属性归类,还需要将属性进行合并后再分类。
4.根据权利要求1所述的一种针对特定驾驶人群的道路交通事故风险预警方法,其特征在于,所述新增事故数据信息和原有事故数据信息对比,判断模型对降低事故率的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190107.3A CN113920732B (zh) | 2021-10-11 | 2021-10-11 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190107.3A CN113920732B (zh) | 2021-10-11 | 2021-10-11 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920732A true CN113920732A (zh) | 2022-01-11 |
CN113920732B CN113920732B (zh) | 2023-02-28 |
Family
ID=79240073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111190107.3A Active CN113920732B (zh) | 2021-10-11 | 2021-10-11 | 一种针对特定驾驶人群的道路交通事故风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920732B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100855A (zh) * | 2022-06-20 | 2022-09-23 | 公安部交通管理科学研究所 | 一种高速公路隐患车辆预警方法及其*** |
CN115148029A (zh) * | 2022-06-29 | 2022-10-04 | 交通运输部公路科学研究所 | 一种用于预测行人交通事故的方法、介质以及电子设备 |
CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测***及方法 |
CN118152761A (zh) * | 2024-05-10 | 2024-06-07 | 名商科技有限公司 | 一种行车道路信息实时分析预测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106530712A (zh) * | 2016-12-16 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 通过大数据预估行车伤亡事故率的***及方法 |
CN106778866A (zh) * | 2016-12-15 | 2017-05-31 | 东南大学 | 交通事故中事故类型和违章类型对应分析方法 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
US20180293446A1 (en) * | 2017-04-07 | 2018-10-11 | General Motors Llc | Vehicle event detection and classification using contextual vehicle information |
CN109671266A (zh) * | 2018-11-26 | 2019-04-23 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
CN111656140A (zh) * | 2018-09-18 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 预测交通事故发生地的人工智能***和方法 |
CN112349062A (zh) * | 2020-11-19 | 2021-02-09 | 王炫植 | 一种依靠5g和全球定位为出行风险进行实时预警方法 |
US20210165931A1 (en) * | 2019-11-29 | 2021-06-03 | NEC Laboratories Europe GmbH | Automated control through a traffic model |
-
2021
- 2021-10-11 CN CN202111190107.3A patent/CN113920732B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN106778866A (zh) * | 2016-12-15 | 2017-05-31 | 东南大学 | 交通事故中事故类型和违章类型对应分析方法 |
CN106530712A (zh) * | 2016-12-16 | 2017-03-22 | 上海斐讯数据通信技术有限公司 | 通过大数据预估行车伤亡事故率的***及方法 |
US20180293446A1 (en) * | 2017-04-07 | 2018-10-11 | General Motors Llc | Vehicle event detection and classification using contextual vehicle information |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN111656140A (zh) * | 2018-09-18 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 预测交通事故发生地的人工智能***和方法 |
CN109671266A (zh) * | 2018-11-26 | 2019-04-23 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
US20210165931A1 (en) * | 2019-11-29 | 2021-06-03 | NEC Laboratories Europe GmbH | Automated control through a traffic model |
CN112349062A (zh) * | 2020-11-19 | 2021-02-09 | 王炫植 | 一种依靠5g和全球定位为出行风险进行实时预警方法 |
Non-Patent Citations (2)
Title |
---|
朱彤等: "公交车驾驶人历史违规数据与事故责任的随机参数模型研究", 《安全与环境学报》 * |
袁泉等: "引发重大交通事故的显著因素特点分析及安全对策", 《中国司法鉴定》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100855A (zh) * | 2022-06-20 | 2022-09-23 | 公安部交通管理科学研究所 | 一种高速公路隐患车辆预警方法及其*** |
CN115148029A (zh) * | 2022-06-29 | 2022-10-04 | 交通运输部公路科学研究所 | 一种用于预测行人交通事故的方法、介质以及电子设备 |
CN115148029B (zh) * | 2022-06-29 | 2023-09-19 | 交通运输部公路科学研究所 | 一种用于预测行人交通事故的方法、介质以及电子设备 |
CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测***及方法 |
CN118152761A (zh) * | 2024-05-10 | 2024-06-07 | 名商科技有限公司 | 一种行车道路信息实时分析预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113920732B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920732B (zh) | 一种针对特定驾驶人群的道路交通事故风险预警方法 | |
Dai et al. | Driving cycles: a new cycle-building method that better represents real-world emissions | |
Osman et al. | Analysis of injury severity of large truck crashes in work zones | |
Li et al. | Using latent class analysis and mixed logit model to explore risk factors on driver injury severity in single-vehicle crashes | |
Osman et al. | Injury severity analysis of commercially-licensed drivers in single-vehicle crashes: Accounting for unobserved heterogeneity and age group differences | |
CN110239559B (zh) | 基于新能源车数据的危险驾驶车辆检测方法及装置 | |
CN104992557A (zh) | 一种城市交通警情等级预测方法 | |
Liu et al. | A comparative study of driving performance in metropolitan regions using large-scale vehicle trajectory data: Implications for sustainable cities | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
Ma et al. | Analysis of the logistic model for accident severity on urban road environment | |
Mokhtarimousavi et al. | Severity of worker-involved work zone crashes: A study of contributing factors | |
Li et al. | An alternative closed-form crash severity model with the non-identical, heavy-tailed, and asymmetric properties | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN106780049B (zh) | 一种车辆金融授信方法及装置 | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
Rabbani et al. | Indicators of injury severity of truck crashes using random parameter logit modeling | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
Mashhadi et al. | Comparing Performance of Different Machine Learning Methods for Predicting Severity of Construction Work Zone Crashes | |
Xiao et al. | Exploring traffic safety climate with driving condition and driving behaviour: a random parameter structural equation model approach | |
Kim et al. | Mining traffic accident data by subgroup discovery using combinatorial targets | |
CN116311952B (zh) | 基于gps定位分析的摩托车事故预测*** | |
CN116665456B (zh) | 一种结合高维指标降维处理对交通状态进行评估的方法 | |
Wang | Evaluation of Bus Driver's Driving Behavior based on Entropy Weight TOPSIS Model |
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 |