CN113962600A - 一种交通安全风险诊断方法及装置 - Google Patents
一种交通安全风险诊断方法及装置 Download PDFInfo
- Publication number
- CN113962600A CN113962600A CN202111342714.7A CN202111342714A CN113962600A CN 113962600 A CN113962600 A CN 113962600A CN 202111342714 A CN202111342714 A CN 202111342714A CN 113962600 A CN113962600 A CN 113962600A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- safety risk
- risk
- monitoring data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 108
- 230000003068 static effect Effects 0.000 claims abstract description 89
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 206010039203 Road traffic accident Diseases 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract 1
- 230000018109 developmental process Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通安全风险诊断方法及装置,其中,交通安全风险诊断方法包括:获取目标监测路段的交通监测数据;对交通监测数据进行数据特征融合,得到融合后的交通监测数据;基于融合后的交通监测数据进行静态安全风险诊断,确定目标路段的静态安全风险诊断结果;基于静态安全风险诊断结果和融合后的交通监测数据进行动态安全风险诊断,确定目标路段的动态安全风险诊断结果。通过对多源数据信息进行有效融合和处理,并且分别从静态和动态两个方面进行了安全风险诊断,保证了交通安全风险诊断结果的合理性和全面性,此外,还为道路交管部门提供道路风险等级信息,便于及时对高风险路段进行风险管控处理。
Description
技术领域
本发明涉及交通安全领域,具体涉及一种交通安全风险诊断方法及装置。
背景技术
道路交通安全风险分为两类,一类为道路部分路段几何线形、固有结构设计的不合理等由道路固有条件导致的风险;另一类为道路动态交通流参数的变化等由道路交通流参数等动态因素导致的风险。
道路交通安全风险的累积会导致交通事故发生概率的增加,目前的交通安全风险诊断方法,主要是采用单一来源数据进行道路交通安全风险的诊断,缺乏对道路交通的信息数据的有效融合和处理,导致交通安全风险诊断结果不全面、不合理。因此,如何准确、高效地进行交通安全风险诊断是目前亟待解决的问题。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中缺乏对道路交通的信息数据的有效融合和处理,导致交通风险诊断结果不全面、不合理的缺陷,从而提供一种交通安全风险诊断方法及装置。
根据第一方面,本发明实施例提供了一种交通安全风险诊断方法,所述方法包括如下步骤:
获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据;
对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据;
基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果;
基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
可选地,对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据,包括:
将所述交通监测数据进行深度特征提取;
按照特征信息将深度特征提取后的数据进行分类;
将分类后的数据进行特征融合,得到融合后的交通监测数据。
可选地,所述基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果,包括:
从所述融合后的交通监测数据中提取历史时刻对应的第一数据的第一总风险状态样本数量;
对所述第一数据进行特征聚类;
基于聚类结果,计算每一类中包含当前风险状态样本数量与第一总风险状态样本数量的占比;
对每一类对应的占比进行排序;
基于排序结果,得到每一类对应的静态交通安全风险等级。
可选地,所述基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果,包括:
从所述融合后的交通监测数据中提取实时数据;
对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据;
基于所述风险特征数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
可选地,所述对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据,包括:
对所述实时数据进行实时风险特征提取,得到实时风险特征;
对所述静态安全风险诊断结果进行特征数字化处理,得到静态风险特征;
将所述实时风险特征与所述静态风险特征进行降维融合,得到风险特征数据。
可选地,所述基于所述风险特征数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果,包括:
构建风险状态分类器,对所述实时数据进行正常交通样本和风险状态样本的区分,确定第二总风状态险样本数量;
对所述风险特征数据进行特征聚类;
基于聚类结果,计算每一类中包含当前风险样本数量与第二总风险状态样本数量的占比;
对每一类对应的占比进行排序;
基于排序结果,得到每一类对应的动态交通安全风险等级。
可选地,所述获取目标监测路段的交通监测数据,包括:
获取监测路段的交通监测数据;
对所述监测路段进行划分,确定目标监测路段;
从所述交通监测数据提取所述目标监测路段对应的交通监测数据。
根据第二方面,本发明实施例还提供了一种交通安全风险诊断装置,所述装置包括:
获取模块,用于获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据;
第一处理模块,用于对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据;
第二处理模块,用于基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果;
第三处理模块,用于基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
根据第三方面,本发明实施例提供了一种电子设备,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,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面,或者第一方面任意一种可选实施方式中所述的交通安全风险诊断方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面,或者第一方面任意一种可选实施方式中所述的交通安全风险诊断方法。
本发明技术方案,具有如下优点:
本发明提供的交通安全风险诊断方法及装置,通过获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据;对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据;基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果;基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。通过对多源数据信息进行有效融合和处理,实现了对路网信息的完整、精确表达,进而确保了交通安全风险诊断结果的准确性,提高了诊断效率,并且分别从静态和动态两个方面进行了安全风险诊断,保证了交通安全风险诊断结果的合理性和全面性,有利于及时对道路上行驶的车辆进行风险预警,降低危险驾驶行为甚至事故及违法的发生概率,此外,还为道路交管部门提供道路风险等级信息,便于及时对高风险路段进行风险管控处理。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中交通安全风险诊断方法的流程图;
图2为本发明实施例中交通安全风险诊断方法的数据特征提取算法流程图;
图3为本发明实施例中交通安全风险诊断方法的数据特征提取融合流程图;
图4为本发明实施例中交通安全风险诊断方法的聚类算法框架图;
图5为本发明实施例中交通安全风险诊断方法的动态安全风险诊断流程图;
图6为本发明实施例中交通安全风险诊断方法的聚类网络模型图;
图7为本发明实施例中交通安全风险诊断方法的风险特征提取流程图;
图8为本发明实施例中交通安全风险诊断方法的动静态交通风险诊断流程图;
图9为本发明实施例中交通安全风险诊断装置的结构示意图;
图10为本发明实施例中电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“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。
在本发明的描述中,需要说明的是,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种交通安全风险诊断方法,如图1所示,该交通安全风险诊断方法具体包括如下步骤:
步骤S101:获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据。在实际应用中,车辆急加速、急刹车、急并道和超速行为数据被简称为车辆三急一速数据。
步骤S102:对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据。
步骤S103:基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果。
在实际应用中,静态安全风险诊断包括路段划分、多源数据特征融合和静态交通安全风险等级聚类三部分内容,其中,路段划分的主要目的是在后续风险诊断过程中凸显由于道路固有条件产生的风险致因,并为静态交通安全风险聚类提供支持;当路段划分完毕后,将道路交通违法数据、交通事故数据、三急一速数据进行特征级融合;利用融合后的数据进行静态交通安全风险等级的聚类。
步骤S104:基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。在实际应用中,在静态安全风险诊断的基础上,加入实时交通流参数及实时车辆三急一速数据,利用聚类网络模型完成动态安全风险诊断。
本发明实施例通过对多源数据信息进行有效融合和处理,实现了对路网信息的完整、精确表达,进而确保了交通安全风险诊断结果的准确性,提高了诊断效率,并且分别从静态和动态两个方面进行了安全风险诊断,保证了交通安全风险诊断结果的合理性和全面性,有利于及时对道路上行驶的车辆进行风险预警,降低危险驾驶行为甚至事故及违法的发生概率,此外,还为道路交管部门提供道路风险等级信息,便于及时对高风险路段进行风险管控处理。
具体地,当获取目标监测路段的交通监测数据时,各类交通监测数据的采集通道不同,会导致不同数据间的数据精度、数据稀疏程度、数据可用性等均有较大差别,因此,在进行交通安全风险诊断前,要将获取的多源数据进行清洗。
具体地,当进行交通流参数数据清洗时,由于交通流参数数据的主要来源是安装在道路上的固定检测器,因此针对此类数据的清洗任务主要包括数据筛选和数据恢复两个方面,其中,
当进行数据筛选时,需要进行速度v阈值的确定、流量q阈值的确定和占有率o阈值的确定,其中,
(1)速度v阈值的确定:
0≤v≤k·vl
其中:vl——道路限速值,km/h;
k——速度修正阈值,k=1.5。
(2)流量q阈值的确定:
0≤q≤γ·C·t/3600
其中:γ——道路通行能力修正系数,取γ=1.3;
C——道路通行能力,veh/h;
t——流量采样间隔,s。
(3)占有率o阈值的确定:
其中:qmax——流量阈值,qmax=γ·C·t/3600;
l——平均车辆长度;
L——路段长度。
按照上述方法对获取的交通流参数中的速度、流量、占有率数据进行筛选,将阈值之外的数据判定为无效数据,剔除无效数据,实现对交通流参数数据进行的初步筛选。
当进行数据恢复时,若某一检测器在某个采样时间间隔内的检测数据被判定为失效数据,可以利用相关系数对其进行数据恢复,定义变量x、y之间的线性相关系数γ为下述公式:
应用线性回归构造数据恢复等式,回归关系表示为如下公式。
此外,也可以应用多重回归进行数据恢复,计算出所有变量之间的相关矩阵,根据相关矩阵,可以计算出一系列损失数据的恢复值。
具体地,当进行车辆急加速、急刹车、急并道和超速行为数据(即车辆三急一速数据)清洗时,由于三急一速数据来源为驾驶人在行驶过程中使用地图导航APP产生的稀疏数据,无法准确反映道路某路段的风险程度。因此,在使用三急一速数据之前需要对其进行稀疏数据恢复。本发明建立了三急一速数据、地图导航APP活跃用户量、道路年平均日交通量三者间的映射关系,利用该映射关系将三急一速数据进行扩充。具体步骤如下:
设三急一速数据量为n1,地图导航APP活跃用户量为n2,道路年平均日交通量为n3,则活跃用户占比k1为:
扩充后三急一速数据量为:
将扩充后的三急一速数据按稀疏数据样本分布情况,等比例划分到道路各个路段,从而完成稀疏三急一速数据预处理。
具体地,当进行道路交通事故数据、道路交通违法数据、道路固有条件数据清洗时,若所述数据缺少关键信息,则将所述数据进行剔除,方便后续进行交通安全风险诊断。
具体地,当进行道路交通事故数据、道路交通违法数据、道路固有条件数据清洗时,若所述数据缺少关键信息,则将所述数据进行剔除,通过对多源数据进行数据清洗,方便后续进行交通安全风险诊断,提高了数据处理效率和交通安全风险诊断结果的准确性。
通过执行上述步骤,本发明实施例提供的交通安全风险诊断方法,通过对多源数据信息进行有效融合和处理,实现了准确、高效地进行交通安全风险诊断,保证了交通安全风险诊断结果的合理性和全面性。
具体地,在一实施例中,上述的步骤S102对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据,具体包括如下步骤:
步骤S201:将所述交通监测数据进行深度特征提取。
步骤S202:按照特征信息将深度特征提取后的数据进行分类。
步骤S203:将分类后的数据进行特征融合,得到融合后的交通监测数据。
具体地,当进行数据特征融合,得到融合后的交通监测数据时,首先将道路交通违法数据、交通事故数据、车辆三急一速数据进行特征级融合;在进行特征级融合时,首先对来自不同数据源的数据进行特征提取,提取的特征信息是原始信息的充分表示量或充分统计量,然后按照特征信息对多源数据进行分类、融合。特征级数据融合的流程为:经过清洗的原始数据——特征提取——特征级融合——(融合)属性说明。
本发明使用去噪自编码器(DAE)进行数据特征融合,根据图2和图3可知,本发明利用三层DAE结构进行多源数据的特征级融合,其优点是架构简单且效果较好,通过向原始数据中加入部分噪声干扰,并使用DAE克服噪声干扰,重构原始数据,从而提炼出鲁棒性更强的数据特征。将道路交通违法数据Tviolation、交通事故数据Taccident、三急一速数据Trisky导入到自编码器中,通过编码器、解码器处理,将数据深度特征提取并导出,得到最终融合后的数据Tfusion=F[Tviolation,Taccident,Trisky]。去噪自编码器的实现过程参见现有技术的相关描述,在此不再进行赘述。
具体地,在一实施例中,上述的步骤S103基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果,具体还包括如下步骤:
步骤S301:从所述融合后的交通监测数据中提取历史时刻对应的第一数据的第一总风险状态样本数量。即提取车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据,确定第一总风险样本数量。
步骤S302:对所述第一数据进行特征聚类。通过进行数据筛选和数据清洗,通过去噪自编码器进行特征提取和特征级融合,最终提取并导出数据深度特征,对步骤S301中的数据进行特征聚类。
步骤S303:基于聚类结果,计算每一类中包含当前风险状态样本数量与第一总风险状态样本数量的占比。
步骤S304:对每一类对应的占比进行排序。
步骤S305:基于排序结果,得到每一类对应的静态交通安全风险等级。
具体地,本发明实施例采用k-medians对融合后的数据进行静态交通安全风险等级的聚类。根据图4,风险等级聚类的主要步骤如下:
(1)确定初始中心点个数。
本发明中,将道路交通安全风险等级划分为五个级别,即一、二、三、四、五级,因此,在确定初始中心点个数时,抽取五个点T1、T2、T3、T4、T5作为初始中心点用于后续聚类分析。
(2)计算剩余点到初始中心点的距离。
本发明利用曼哈顿距离公式计算剩余点到初始中心点的距离,计算公式如下:
dij=dist(Ti,Tj)=|vi-vj|+|ai-aj|+|ri-rj|
其中:dij为剩余点到初始中心点的距离;Ti、Tj分别为剩余点与初始中心点;vi、ai、ri分别为数据集中违法数据、事故数据、三急一速数据的剩余点;vj、aj、rj分别为数据集中违法数据、事故数据、三急一速数据的初始中心点。
(3)剩余点类别指派。
剩余点到初始中心点距离计算完毕后,根据计算结果将数据点进行归类,按照距离将其分为5类。
(4)重新计算中心点。
根据步骤(3)的分类结果,将数据分为5个不同的集合,针对每个集合重新计算其中心点。k-medians聚类算法中重新计算中心点的方法是利用中位数进行计算,分别将Tfusion中的Tviolation、Taccident、Trisky数据进行排序,分别取中位数,得到新的中心点,然后重复步骤(2)和步骤(3)。
(5)获取最终聚类效果
利用k-medians方法聚类,直至中心点不变,得到最终中心点位置,聚类实验完成。
通过聚类实验,将输入的数据划分为5个类簇,然后利用风险数据占比RRT(Ratioof Risk in Total),即每类簇中包含风险(Tviolation,Taccident,Trisky)样本数占总风险样本数的比例,来衡量不同静态交通安全风险等级。
其中:na为每类簇中包含的风险样本数,nc为总风险样本数。
通过风险数据占比,将已聚类完成的Tfusion按RRT的相对大小进行排序,得到其对应的风险等级,完成道路静态交通安全风险诊断任务。
本发明实施例所述的静态交通风险诊断方法首先采用去噪自编码器(DAE)进行数据融合,相较于常规方法,使用该方法学习得到的特征更具鲁棒性,数据融合效果更好,此外使用k-medians聚类方法对融合后的数据进行聚类,更符合静态交通风险诊断的要求,聚类效果更好。
具体地,在一实施例中,上述的步骤S104基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果,具体还包括如下步骤:
步骤S401:从所述融合后的交通监测数据中提取实时数据。在实际应用中,实时数据包括实时交通流参数及实时车辆三急一速数据。
步骤S402:对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据。
步骤S403:基于所述风险特征数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
具体地,在一实施例中,在执行上述步骤S402对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据,具体还包括如下步骤:
步骤S501:对所述实时数据进行实时风险特征提取,得到实时风险特征。通过提取实时交通流参数及实时车辆三急一速数据,经过数据筛选和数据清洗,通过去噪自编码器进行特征提取和特征级融合,最终提取并导出数据深度特征。
步骤S502:对所述静态安全风险诊断结果进行特征数字化处理,得到静态风险特征。通过聚类实验,将输入的数据划分为5个类簇,然后利用风险数据占比RRT(Ratio ofRisk in Total),即每类簇中包含风险(Tviolation,Taccident,Trisky)样本数占总风险样本数的比例,来衡量不同静态交通安全风险等级。
步骤S503:将所述实时风险特征与所述静态风险特征进行降维融合,得到风险特征数据。
具体地,在一实施例中,上述的步骤S403具体包括如下步骤:
步骤S601:构建风险状态分类器,对所述实时数据进行正常交通样本和风险状态样本的区分,确定第二总风状态险样本数量。
步骤S602:对所述风险特征数据进行特征聚类。
步骤S603:基于聚类结果,计算每一类中包含当前风险样本数量与第二总风险状态样本数量的占比。
步骤S604:对每一类对应的占比进行排序。
步骤S605:基于排序结果,得到每一类对应的动态交通安全风险等级。
动态交通安全风险等级的具体诊断方式与静态交通安全风险等级诊断的实现过程类似,在此不再进行赘述。
具体地,如图5所示,使用道路交通违法数据、交通事故数据、历史三急一速数据及道路固有条件数据进行静态安全风险诊断后,得到了道路在静态条件下的风险等级,在此基础上,添加实时交通流参数及实时三急一速数据,利用聚类网络模型进行动态交通安全风险诊断。
具体地,在本发明实施例中,采用的是一种无监督深度聚类网络模型(TRDCN),在实际应用中,包括但不限于此种聚类网络模型。
具体地,如图6所示,本发明利用TRDCN聚类网络结构,首先提取原始交通流时序参数及三急一速时序参数中隐藏的风险特征,然后结合已完成诊断的静态交通安全风险,使其在风险特征空间中进行无监督聚类,从而实现动态交通安全风险诊断。具体步骤如下:
(1)建立TRDCN聚类网络结构
TRDCN聚类网络网络结构如图6所示,本发明提取风险诊断前30min的监测数据,包括交通流参数数据及三急一速数据,其中,采样间隔为5分钟。将交通流参数数据(流量q、速度v、占有率o等)、三急一速数据r和道路静态交通安全风险数据c组合作为模型的输入参数X=f(q,v,o,r,c)。
TRDCN的实质是通过学习将原始交通流参数数据、三急一速数据和静态交通安全风险数据,映射到风险特征空间中的映射函数fθ与风险特征空间中的聚类中心,实现对道路动态交通安全风险的诊断。
(2)TRDCN网络框架
1)风险特征提取
本发明利用自编码神经网络进行无监督特征提取,其网络框架如图6所示。对于真实数据集,通过编码器的特征抽取和解码器的输入重构间迭代训练,对输入数据进行有效且可分的特征表示,实现真正的无监督特征提取。
为了处理输入变量之间的时序特征差异,利用多个独立的GRU网络提取变量的时序特征,并利用注意力机制来调整不同输入变量时序特征的权重,提高提取特征的稀疏性与有效性,将各通道的特征向量映射到同一特征空间:
gq=G(Q),gv=G(V),go=G(O),gr=G(R)
并通过拼接函数(contant)将独立的流量、速度、占有率、三急一速特征向量进行拼接,使其拼接为复合特征向量gc=[gv,gs,go,gr]。
针对静态交通安全风险数据的输入,本发明采用One-Hot编码对其进行特征数字化处理。使用One-Hot编码将离散特征的取值扩展到欧氏空间,离散特征的某个取值对应欧氏空间中某个点。One-Hot编码采用N位状态寄存器来对N个状态进行编码,每个状态都有相应独立的寄存器位。针对静态交通安全风险数据输入,选用5位状态寄存器来对相应的风险等级进行编码,形如[a,0,0,0,0]、[0,a,0,0,0]等。
随后通过全连接层将交通流风险特征及静态交通安全风险特征进行进一步的降维融合,得到低维特征gp,完成编码部分。
解码部分的网络层结构与编码器相反,解码器使用低维特征gp对输入数据X完成重构,得到重构数据定义数据重构误差Lr来表征重构数据与输入数据间的差异,以最小化Lr训练编码器与解码器参数,提升提取低维特征gp的能力。数据重构误差Lr的计算方式如下:
其中,T为输入序列的时间范围。
为了在特征提取过程中保留其中的风险信息,构建了风险状态分类器与自编码器相结合。目的是使得利用输入变量所提取到的低维特征gp能用来区分正常交通状态数据与风险状态数据。
由于样本数据中风险样本数据量远小于正常样本数据量,本发明将Focal loss引入交通安全风险分类任务中,其调整方式为提升风险样本对损失的贡献度,使网络更倾向于从风险样本上进行学习,分类误差Lfl的计算公式如下:
其中:y′∈[0,1]表示风险分类概率,越趋近于1,说明样本存在事故风险概率越高;α为平衡系数,γ为权值调整率。
最终,将编码器、解码器、风险状态分类器组合成为完整的特征提取自编码器,利用重构误差Lr和分类误差Lfl构建新的损失函数Ll以同时对网络进行训练,新的损失函数Ll的计算公式如下:
Ll=δLr+(1-δ)Lfl
其中,δ为权重平衡系数,其取值根据训练效果进行调整。
经过大量样本数据训练,该自编码网络可实现从原始输入数据空间到风险特征空间的有效映射。
2)风险特征聚类
聚类任务的实质是学习特征空间中的一组聚类中心,利用数据点与聚类中心的相似性来得出每个数据的类别标签。由图7可知,在静态交通安全风险诊断结果的基础上,通过加入实时交通流参数数据及实时三急一速数据,进行动态交通安全风险的诊断。通过融合风险特征自编码器的提取结果和静态交通安全风险特征数字化处理结果,得到相应的低维特征,随后利用k-medians聚类方法对低维特征进行聚类,具体方法与静态交通安全风险诊断中的聚类方法一致。在进行动态交通安全风险等级划分时,与静态交通安全风险等级划分保持一致,将其划分为五个层级(一、二、三、四、五级),随后根据风险数据占比(RRT)的相对大小进行排序,得到相应动态交通安全风险等级,完成道路动态交通安全风险诊断任务。
本发明实施例所述的动态交通风险诊断方法在静态交通风险的基础上加入了30min内的交通流参数数据及三急一速数据,利用一种无监督深度聚类网络模型(TRDCN)进行道路动态交通风险诊断,该方法构建了多通道序列注意力自编码器来学习输入数据的深层特征,并增添了交通风险分类器建立风险区分能力,保证特征提取过程中保留足够的风险信息。此外利用了One-Hot编码将静态交通风险输入进行特征数字化处理,为动态交通风险诊断提供了静态支撑。
具体地,在一实施例中,所述获取目标监测路段的交通监测数据,上述方法还包括如下步骤:
步骤S701:获取监测路段的交通监测数据。
步骤S702:对所述监测路段进行划分,确定目标监测路段。
步骤S703:从所述交通监测数据提取所述目标监测路段对应的交通监测数据。
具体地,当进行路段划分时,首先要将道路进行栅格化处理,根据道路检测器布设位置等信息将道路分为若干等距路段,本发明实施例选用1km为间隔对道路进行划分。在实际应用中,间隔还可为其它数值,不仅限于1km。
综上所述,本发明实施例提出的基于多源数据融合的道路动静态交通安全风险诊断方法,利用道路交通违法数据、交通事故数据、三急一速数据、道路固有条件数据及交通流参数数据,分别从静态和动态两个方面进行了风险诊断。基于多源数据的融合,实现了对路网信息的完整、精确表达,为交通安全风险诊断提供了有力的数据支撑。本发明成果一方面可对道路上行驶的车辆进行风险预警,降低危险驾驶行为甚至事故及违法的发生概率,另一方面可为道路交管部门提供道路风险等级信息,针对高风险路段,及时进行风险管控处理。
下面将结合具体应用示例,对本发明实施例提供的交通安全风险诊断方法进行详细的说明。
如图8所示,本发明实施例是通过车辆三急一速数据、交通违息数据、交通事故数据、道路固有条件数据、交通流参数数据等进行预处理,剔除异常数据、补充恢复缺失数据、扩展稀疏数据,实现多源数据的清洗;利用处理后的交通事故数据、交通违法数据、三急一速数据,基于去噪自编码器(DAE)对多源数据进行特征级融合,提取深层特征,实现多源数据的融合。再利用k-medians聚类方法对融合后的数据进行静态交通风险聚类,利用风险数据占比实现等级划分,完成道路静态交通安全风险诊断;在静态交通风险诊断的基础上,加入实时交通流参数及实时车辆三急一速数据,利用一种无监督深度聚类网络模型(TRDCN),提取风险特征后对风险进行聚类,得到相应动态交通安全风险等级,完成对道路动态交通风险的诊断。
通过执行上述步骤,本发明实施例提供的交通安全风险诊断方法,通过对多源数据信息进行有效融合和处理,实现了对路网信息的完整、精确表达,进而确保了交通安全风险诊断结果的准确性,提高了诊断效率,并且分别从静态和动态两个方面进行了安全风险诊断,保证了交通安全风险诊断结果的合理性和全面性,有利于及时对道路上行驶的车辆进行风险预警,降低危险驾驶行为甚至事故及违法的发生概率,此外,还为道路交管部门提供道路风险等级信息,便于及时对高风险路段进行风险管控处理。
本发明实施例还提供了一种交通安全风险诊断装置,如图9所示,该交通安全风险诊断装置包括:
获取模块101,用于获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据。详细内容参见上述方法实施例中步骤S101的相关描述,在此不再进行赘述。
第一处理模块102,用于对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据。详细内容参见上述方法实施例中步骤S102的相关描述,在此不再进行赘述。
第二处理模块103,用于基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果。详细内容参见上述方法实施例中步骤S103的相关描述,在此不再进行赘述。
第三处理模块104,用于基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。详细内容参见上述方法实施例中步骤S104的相关描述,在此不再进行赘述。
上述交通安全风险诊断装置的更进一步描述参见上述交通安全风险诊断方法实施例的相关描述,在此不再进行赘述。
本发明实施例提供了一种电子设备,如图10所示,该电子设备包括:至少一个处理器901;以及与所述至少一个处理器901通信连接的存储器902;其中,所述存储器902存储有可被所述至少一个处理器901执行的指令,所述指令被所述至少一个处理器901执行,所述存储器902和所述处理器901之间互相通信连接,其中处理器901和存储器902可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种交通安全风险诊断方法,其特征在于,包括如下步骤:
获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据;
对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据;
基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果;
基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
2.根据权利要求1所述的方法,其特征在于,对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据,包括:
将所述交通监测数据进行深度特征提取;
按照特征信息将深度特征提取后的数据进行分类;
将分类后的数据进行特征融合,得到融合后的交通监测数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果,包括:
从所述融合后的交通监测数据中提取历史时刻对应的第一数据的第一总风险状态样本数量;
对所述第一数据进行特征聚类;
基于聚类结果,计算每一类中包含当前风险状态样本数量与第一总风险状态样本数量的占比;
对每一类对应的占比进行排序;
基于排序结果,得到每一类对应的静态交通安全风险等级。
4.根据权利要求1所述的方法,其特征在于,所述基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果,包括:
从所述融合后的交通监测数据中提取实时数据;
对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据;
基于所述风险特征数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
5.根据权利要求4所述的方法,其特征在于,所述对所述实时数据和所述静态安全风险诊断结果进行风险特征提取,得到风险特征数据,包括:
对所述实时数据进行实时风险特征提取,得到实时风险特征;
对所述静态安全风险诊断结果进行特征数字化处理,得到静态风险特征;
将所述实时风险特征与所述静态风险特征进行降维融合,得到风险特征数据。
6.根据权利要求5所述的方法,其特征在于,所述基于所述风险特征数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果,包括:
构建风险状态分类器,对所述实时数据进行正常交通样本和风险状态样本的区分,确定第二总风状态险样本数量;
对所述风险特征数据进行特征聚类;
基于聚类结果,计算每一类中包含当前风险样本数量与第二总风险状态样本数量的占比;
对每一类对应的占比进行排序;
基于排序结果,得到每一类对应的动态交通安全风险等级。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述获取目标监测路段的交通监测数据,包括:
获取监测路段的交通监测数据;
对所述监测路段进行划分,确定目标监测路段;
从所述交通监测数据提取所述目标监测路段对应的交通监测数据。
8.一种交通安全风险诊断装置,其特征在于,包括:
获取模块,用于获取目标监测路段的交通监测数据,所述交通监测数据包括:车辆急加速、急刹车、急并道和超速行为数据、道路交通违法数据、道路交通事故数据、道路固有条件数据、交通流参数数据;
第一处理模块,用于对所述交通监测数据进行数据特征融合,得到融合后的交通监测数据;
第二处理模块,用于基于所述融合后的交通监测数据进行静态安全风险诊断,确定所述目标路段的静态安全风险诊断结果;
第三处理模块,用于基于所述静态安全风险诊断结果和所述融合后的交通监测数据进行动态安全风险诊断,确定所述目标路段的动态安全风险诊断结果。
9.一种电子设备,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,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7中任一项所述的交通安全风险诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机从而执行如权利要求1-7任一项所述的交通安全风险诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342714.7A CN113962600A (zh) | 2021-11-12 | 2021-11-12 | 一种交通安全风险诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342714.7A CN113962600A (zh) | 2021-11-12 | 2021-11-12 | 一种交通安全风险诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962600A true CN113962600A (zh) | 2022-01-21 |
Family
ID=79470367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111342714.7A Pending CN113962600A (zh) | 2021-11-12 | 2021-11-12 | 一种交通安全风险诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620199A (zh) * | 2022-10-24 | 2023-01-17 | 四川警察学院 | 一种交通安全风险诊断方法和装置 |
CN115809806A (zh) * | 2023-01-18 | 2023-03-17 | 南京中成越科技有限公司 | 一种基于远程通讯的风险监测方法及电子设备 |
CN116976423A (zh) * | 2023-06-09 | 2023-10-31 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
-
2021
- 2021-11-12 CN CN202111342714.7A patent/CN113962600A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620199A (zh) * | 2022-10-24 | 2023-01-17 | 四川警察学院 | 一种交通安全风险诊断方法和装置 |
CN115809806A (zh) * | 2023-01-18 | 2023-03-17 | 南京中成越科技有限公司 | 一种基于远程通讯的风险监测方法及电子设备 |
CN116976423A (zh) * | 2023-06-09 | 2023-10-31 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962600A (zh) | 一种交通安全风险诊断方法及装置 | |
CN112201038B (zh) | 一种基于单车不良驾驶行为风险的路网风险评估方法 | |
Chen et al. | Driving safety risk prediction using cost-sensitive with nonnegativity-constrained autoencoders based on imbalanced naturalistic driving data | |
CN111242015B (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN110588658B (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN108769104B (zh) | 一种基于车载诊断***数据的路况分析预警方法 | |
CN105809193A (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN116541790B (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN110781872A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别*** | |
Yarlagadda et al. | Assessing safety critical driving patterns of heavy passenger vehicle drivers using instrumented vehicle data–An unsupervised approach | |
Barbado et al. | Interpretable machine learning models for predicting and explaining vehicle fuel consumption anomalies | |
Wu et al. | Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN113487223A (zh) | 一种基于信息融合的风险评估方法和评估*** | |
CN103208010A (zh) | 一种基于视觉特征的交通状态量化识别方法 | |
CN116703612A (zh) | 一种汽车保险风险等级评估方法 | |
CN110705628B (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
Zhou et al. | Development of a root cause degree procedure for measuring intersection safety factors | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
TWI660276B (zh) | 應用使用者輪廓模型以進行評分的系統及方法 | |
Kang | Data and Algorithmic Modeling Approaches in Crash Analysis | |
CN117073565B (zh) | 一种桥梁变形监测***及方法 |
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 |