CN116959248A - 一种基于交互式自解释模型的高速公路事故风险优化方法 - Google Patents
一种基于交互式自解释模型的高速公路事故风险优化方法 Download PDFInfo
- Publication number
- CN116959248A CN116959248A CN202310903318.XA CN202310903318A CN116959248A CN 116959248 A CN116959248 A CN 116959248A CN 202310903318 A CN202310903318 A CN 202310903318A CN 116959248 A CN116959248 A CN 116959248A
- Authority
- CN
- China
- Prior art keywords
- risk
- accident
- traffic
- accident risk
- traffic flow
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 230000003993 interaction Effects 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000013058 risk prediction model Methods 0.000 claims abstract description 26
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012954 risk control Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 7
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于交互式自解释模型的高速公路事故风险优化方法,包括:构建交通风险事故风险预测模型;基于交通风险事故影响因素,根据SHAP模型,得到各个交通风险事故影响因素之间交互关系;根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图;根据所述事故风险热力图对高速公路交通事故风险概率进行优化。本发明解决了现有技术中交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。
Description
技术领域
本发明涉及交通智能控制技术领域,特别是涉及一种基于交互式自解释模型的高速公路事故风险优化方法。
背景技术
随着数字化技术的快速发展及其在各行各业普及应用,公众对高速公路服务智能化、智慧化的期待和需求,越来越迫切,如何利用现代手段来破解交通安全、减轻拥堵提高通行效率、调节与控制交通流、适配自动驾驶、智能网联的问题,需要行业的回应与落实,以使泛在的公路使用者得到智能化、智能化的高水准服务。
可解释机器学习在这几年慢慢成为了机器学习的重要研究方向。作为数据科学家需要防止模型存在偏见,且帮助决策者理解如何正确地使用我们的模型。越是严苛的场景,越需要模型提供证明它们是如何运作且避免错误的证据。关于模型解释性,除了线性模型和决策树这种天生就有很好解释性的模型以外,sklean中有很多模型都有importance这一接口,可以查看特征的重要性。其实这已经含沙射影地体现了模型解释性的理念。只不过传统的importance的计算方法其实有很多争议,且并不总是一致。SHAP属于模型事后解释的方法,它的核心思想是计算特征对模型输出的边际贡献,再从全局和局部两个层面对“黑盒模型”进行解释。SHAP构建一个加性的解释模型,所有的特征都视为“贡献者”。
综上,现有技术中存在着交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于交互式自解释模型的高速公路事故风险优化方法,本发明解决了现有技术中交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。
为实现上述目的,本发明提供了如下方案:
一种基于交互式自解释模型的高速公路事故风险优化方法,包括:
构建交通风险事故风险预测模型;
基于交通风险事故影响因素,根据SHAP模型,得到各个交通风险事故影响因素之间交互关系;
根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图;
根据所述事故风险热力图对高速公路交通事故风险概率进行优化。
优选地,所述交通风险事故风险预测模型的构建方法为:
获取交通流数据;
利用交通流事故风险检测算法计算当前交通流事故风险;
根据所述交通流数据构建自变量数据集;
对所述自变量数据集进行降维处理,得到训练数据集;
基于XGBoost模型,根据所述训练数据集和所述交通流事故风险构建所述交通风险事故风险预测模型。
优选地,所述获取交通流数据包括:
获取微观交通仿真软件和群体驾驶模拟平台;
根据所述微观交通仿真软件和群体驾驶模拟平台构建交互式仿真实验平台;
利用所述交互式仿真实验平台获取交通流数据。
优选地,所述交通流事故风险检测算法中事故发生的定义公式为:
其中,TTCi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度,Vh(t)是t时刻h车的瞬时速度。
优选地,所述利用所述交互式仿真实验平台获取交通流数据,包括:
利用所述交互式仿真实验平台获取特定位置上游的断面流量、车速、占有率和特定位置下游的断面流量、车速、占有率;
根据所述上游的断面流量、车速、占有率和下游的断面流量、车速、占有率获取交通流数据。
优选地,获取交通流数据后还包括:
对所述交通流数据进行预处理,滤除所述交通流数据中的无效数据,得到第一交通流数据;
对所述第一交通流数据进行校正,对第一交通流数据内参数特征指标进行归一化处理。
优选地,还包括:
利用所述交通风险事故风险预测模型对交通风险事故影响因素进行分析,得到影响因素重要性排序;
根据影响因素重要性排序对所述交通风险事故风险预测模型进行实时重构更新。
优选地,所述根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图,包括:
对交通风险事故影响因素按照成对处理,获取两两一对的交通风险事故影响因素;
对所述两两一对的交通风险事故影响因素进行同比例放大或缩小并利用交通风险事故风险预测模型计算相应的事故风险值;
根据所述事故风险值构建各个交通风险事故影响因素两两交互的事故风险热力图。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于交互式自解释模型的高速公路事故风险优化方法,本发明通过利用XGBoost机器学习模型,交通流事故风险重要影响因素进行重要性分析,解决了交通事故致因分析难以对影响因素重要性排序的问题,基于SHAP模型,分析交通流事故风险重要影响因素之间交互关系,利用两两交互的事故风险热力图,优化高速公路交通事故风险概率,解决了交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题,同时提供了交互优化的方法。
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法流程图;
图2为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法原理流程示意图;
图3为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中变量SHAP值分析示意图;
图4为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中交互式微观交通仿真平台示意图;
图5为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中的交通流参数采集位置示意图;
图6为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中基于XGBoost的交通事故风险影响因素重要性排序示意图;
图7为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中变量交互影响下事故风险热力图。
图8为本发明实施例提供的一种基于交互式自解释模型的高速公路事故风险优化方法中交互变量SHAP值分析示意图。
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。
本发明的目的是提供一种基于交互式自解释模型的高速公路事故风险优化方法,本发明解决了现有技术中交通事故致因分析难以对影响因素重要性排序和交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于交互式自解释模型的高速公路事故风险优化方法,包括:
步骤100:构建交通风险事故风险预测模型;
步骤200:基于交通风险事故影响因素,根据SHAP模型,得到各个交通风险事故影响因素之间交互关系;
步骤300:根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图;
步骤400:根据所述事故风险热力图对高速公路交通事故风险概率进行优化。
进一步的,如图2所示,所述交通风险事故风险预测模型的构建方法为:
获取交通流数据;
利用交通流事故风险检测算法计算当前交通流事故风险;
根据所述交通流数据构建自变量数据集;
对所述自变量数据集进行降维处理,得到训练数据集;
基于XGBoost模型,根据所述训练数据集和所述交通流事故风险构建所述交通风险事故风险预测模型。
具体的,将交通流事故风险作为因变量,交通流断面参数作为自变量,训练基于XGBoost的机器学习模型,其中,将交通流断面参数作为输入变量并进行数据标准化处理,利用交通流事故风险建立原始数据集,并采用XGBoost自带的变量重要性排序方法对自变量进行降维处理,得到训练数据集。变量重要性排序如图3所示。
进一步的,所述获取交通流数据包括:
获取微观交通仿真软件和群体驾驶模拟平台;
根据所述微观交通仿真软件和群体驾驶模拟平台构建交互式仿真实验平台;
利用所述交互式仿真实验平台获取交通流数据。
具体的,设计高快速路三维道路场景,并基于群体驾驶模拟平台搭建高快速路三维道路场景,同时将该场景同样导入微观交通仿真软件;
构建基于所述微观交通仿真软件和所述群体驾驶模拟平台的交互式仿真实验平台,其中,所述微观交通仿真软件为实验平台提供微观交通流及驾驶车辆周边车辆,所述群体驾驶模拟平台为所述实验平台提供多个被不同驾驶人操控的模拟车辆;基于交互式交通仿真平台向三维道路场景加载背景交通和模拟车辆;交互式仿真平台如图4所示。所述实验平台启动后,将仿真交通流数据实时导出,利用交通流事故风险检测算法计算当前交通流事故风险。
具体的,所述交通流事故风险检测算法中事故发生的定义公式为:
其中,TTCi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度,Vh(t)是t时刻h车的瞬时速度。
进一步的,如图5所示,所述利用所述交互式仿真实验平台获取交通流数据,包括:
利用所述交互式仿真实验平台获取特定位置上游的断面流量、车速、占有率和特定位置下游的断面流量、车速、占有率;
根据所述上游的断面流量、车速、占有率和下游的断面流量、车速、占有率获取交通流数据。
具体的,交通流数据,包括特定位置上游200m、800m、1400m、2000m,以及特定位置下游400m、1000m处断面流量、车速、占有率,其统计时间粒度为5min,统计时刻为每一次危险驾驶行为前5min、10min、15min、20min、25min、30min,其特征参数包括平均值和方差,即一共216个交通流特征参数。交通流参数采集位置如图6所示。
进一步的,获取交通流数据后还包括:
对所述交通流数据进行预处理,滤除所述交通流数据中的无效数据,得到第一交通流数据;
对所述第一交通流数据进行校正,对第一交通流数据内参数特征指标进行归一化处理。
具体的,滤除所述仿真交通流数据中的无效数据,得到第一交通流数据,对所述第一交通流数据进行校正,对各个特征指标进行归一化处理,将所有特征指标归一到[0,1]的区间内。
进一步的,还包括:
利用所述交通风险事故风险预测模型对交通风险事故影响因素进行分析,得到影响因素重要性排序;
根据影响因素重要性排序对所述交通风险事故风险预测模型进行实时重构更新。
具体的,将交通流事故风险作为因变量,降维处理后交通流断面参数作为自变量,重新训练基于XGBoost的机器学习模型。降维后的交通流事故自变量包括:
smeanL4T6,svarL4T6,fvarL4T4,fmeanL4T4,smeanL4T5,svarL3T5,svarL5T6,omeanL6T1,ovarL6T1,fvarL4T3,fvarL4T5,omeanL5T6,svarL1T4,fmeanL4T1,ovar L5T6,变量描述如表1所示。预测模型混淆矩阵如表2所示。表1和表2如下所示:
表1变量描述表
表2预测模型混淆矩阵表
进一步的,所述根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图,包括:
对交通风险事故影响因素按照成对处理,获取两两一对的交通风险事故影响因素;
对所述两两一对的交通风险事故影响因素进行同比例放大或缩小并利用交通风险事故风险预测模型计算相应的事故风险值;
根据所述事故风险值构建各个交通风险事故影响因素两两交互的事故风险热力图。
具体的,基于SHAP模型,分析交通流事故风险重要影响因素之间交互关系,构建变量之间两两交互的事故风险热力图,基于事故风险热力图优化高速公路交通事故风险概率。将降维处理后交通流断面参数smeanL4T6,svarL4T6,fvarL4T4,fmeanL4T4,smeanL4T5,svarL3T5,svarL5T6,ome anL6T1,ovarL6T1,fvarL4T3,fvarL4T5,omeanL5T6,svarL1T4,fmeanL4T1,ovarL5T6作为SHAP模型的输入变量;
对每个变量的SHAP值与数据集中所有变量的SHAP值进行比较,分析交通流事故风险重要影响因素之间交互关系,获得交互变量间的依赖性,如图6所示为svarL4T6,fvarL4T4两个变量之间的交互关系。
分别对交互变量成对处理,将svarL4T6,fvarL4T4两个变量分别进行增加和减小调整,其中svarL4T6增加比例为0.05、0.10、0.15、0.20、0.25、0.30、0.35、0.40、0.45、0.50、0.55、0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95、1.00,fvarL4T4减小比例为0.05、0.10、0.15、0.20、0.25、0.30、0.35、0.40、0.45、0.50、0.55、0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95、1.00。
分别利用增加和减小后的变量,例如svarL4T6增加0.05倍后和fvarL4T4减小0.10倍后,利用训练好的XGBoost事故预测模型计算变量调整后高速公路的实时事故风险值为0.20。而svarL4T6与fvarL4T4原始值对应的事故风险值为0.22。以此方法绘制出所有调整比例下的交通事故风险值的热力图,如图7所示。
基于所有相关变量调整后高速公路的实时事故风险值,绘制所有相关两变量交互的事故风险热力图,以两变量调整前的事故风险为基点,比较两变量每个调整比例下的事故风险与基点值的大小,根据事故风险值虽变量调整比例的变量趋势,得到高速公路交通事故风险优化方向。以图7-8所示的两变量为例,颜色越蓝代表事故风险概率越低,则越趋热力图右下角方向为svarL4T6与fvarL4T4的调整优化方向,从而得到需要增加svarL4T6值的同时减小fvarL4T4的值,为面向该两个变量的事故风险优化方向,以此方法可以得到所有相关变量交互关系条件下的事故风险优化方向。
本发明的有益效果如下:
本发明方法基利用XGBoost机器学习模型,采用XGBoost机器学习模型中的变量重要性分析函数对交通流事故风险重要影响因素进行重要性分析,得到影响交通事故风险概率的影响因素重要性分数,解决了交通事故致因分析难以对影响因素重要性排序,从而解决传统研究手段对交通事故风险优化方向没有切入点的问题。
本发明基于SHAP模型,分析交通流事故风险重要影响因素之间交互关系,SHAP属于模型事后解释的方法,它的核心思想是计算特征对模型输出的边际贡献,再从全局和局部两个层面对“黑盒模型”进行解释,通过构建一个加性的解释模型,所有的特征都视为“贡献者”。利用两两交互的事故风险热力图,得到高速公路交通事故风险的优化方向,解决了交通事故风险控制中事故预测模型黑箱难以搜索优化方向的问题,同时提供了交互优化的方法。本发明具备可复制推广、鲁棒性强的特点。本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,包括:
构建交通风险事故风险预测模型;
基于交通风险事故影响因素,根据SHAP模型,得到各个交通风险事故影响因素之间交互关系;
根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图;
根据所述事故风险热力图对高速公路交通事故风险概率进行优化。
2.根据权利要求1所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,所述交通风险事故风险预测模型的构建方法为:
获取交通流数据;
利用交通流事故风险检测算法计算当前交通流事故风险;
根据所述交通流数据构建自变量数据集;
对所述自变量数据集进行降维处理,得到训练数据集;
基于XGBoost模型,根据所述训练数据集和所述交通流事故风险构建所述交通风险事故风险预测模型。
3.根据权利要求2所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,所述获取交通流数据包括:
获取微观交通仿真软件和群体驾驶模拟平台;
根据所述微观交通仿真软件和群体驾驶模拟平台构建交互式仿真实验平台;
利用所述交互式仿真实验平台获取交通流数据。
4.根据权利要求2所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,所述交通流事故风险检测算法中事故发生的定义公式为:
其中,TTCi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度,Vh(t)是t时刻h车的瞬时速度。
5.根据权利要求3所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,所述利用所述交互式仿真实验平台获取交通流数据,包括:
利用所述交互式仿真实验平台获取特定位置上游的断面流量、车速、占有率和特定位置下游的断面流量、车速、占有率;
根据所述上游的断面流量、车速、占有率和下游的断面流量、车速、占有率获取交通流数据。
6.根据权利要求2所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,获取交通流数据后还包括:
对所述交通流数据进行预处理,滤除所述交通流数据中的无效数据,得到第一交通流数据;
对所述第一交通流数据进行校正,对第一交通流数据内参数特征指标进行归一化处理。
7.根据权利要求1所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,还包括:
利用所述交通风险事故风险预测模型对交通风险事故影响因素进行分析,得到影响因素重要性排序;
根据影响因素重要性排序对所述交通风险事故风险预测模型进行实时重构更新。
8.根据权利要求1所述的一种基于交互式自解释模型的高速公路事故风险优化方法,其特征在于,所述根据所述交通风险事故风险预测模型和各个交通风险事故影响因素之间交互关系构建各个交通风险事故影响因素两两交互的事故风险热力图,包括:
对交通风险事故影响因素按照成对处理,获取两两一对的交通风险事故影响因素;
对所述两两一对的交通风险事故影响因素进行同比例放大或缩小并利用交通风险事故风险预测模型计算相应的事故风险值;
根据所述事故风险值构建各个交通风险事故影响因素两两交互的事故风险热力图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903318.XA CN116959248B (zh) | 2023-07-22 | 2023-07-22 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903318.XA CN116959248B (zh) | 2023-07-22 | 2023-07-22 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116959248A true CN116959248A (zh) | 2023-10-27 |
CN116959248B CN116959248B (zh) | 2024-04-05 |
Family
ID=88454248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903318.XA Active CN116959248B (zh) | 2023-07-22 | 2023-07-22 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959248B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826258A (zh) * | 2010-04-09 | 2010-09-08 | 北京工业大学 | 高速公路简约事故预测方法 |
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 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN110120151A (zh) * | 2019-04-24 | 2019-08-13 | 华南理工大学 | 一种高速公路入口匝道合流区车辆冲突概率预测方法 |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
-
2023
- 2023-07-22 CN CN202310903318.XA patent/CN116959248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826258A (zh) * | 2010-04-09 | 2010-09-08 | 北京工业大学 | 高速公路简约事故预测方法 |
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 |
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN110120151A (zh) * | 2019-04-24 | 2019-08-13 | 华南理工大学 | 一种高速公路入口匝道合流区车辆冲突概率预测方法 |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN116959248B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN108764137A (zh) | 基于语义分割的车辆行驶车道定位方法 | |
DE102018108947A1 (de) | Vorrichtung zum Korrigieren eines Äußerungsfehlers eines Benutzers und Verfahren davon | |
CN111353505B (zh) | 基于可联合实现语义分割和景深估计的网络模型的装置 | |
EP4145345A1 (en) | Data annotation method and device, and fine granularity identification method and device | |
CN101964063A (zh) | 一种改进的AdaBoost分类器构造方法 | |
CN105825241A (zh) | 基于模糊神经网络的驾驶员制动意图辨识方法 | |
CN111767790B (zh) | 一种基于卷积神经网络的色谱峰识别方法 | |
DE112013002654T5 (de) | Verfahren zum Klassifizieren von Text | |
CN110929762B (zh) | 一种基于深度学习的肢体语言检测与行为分析方法及*** | |
CN112966709B (zh) | 一种基于深度学习的精细车型识别方法及*** | |
CN109145529A (zh) | 一种用于版权认证的文本相似性分析方法与*** | |
CN114913493A (zh) | 一种基于深度学习的车道线检测方法 | |
CN116630932A (zh) | 一种基于改进yolov5的道路遮挡目标检测方法 | |
CN114528646B (zh) | 一种基于在线地图数据的车辆行驶工况构建方法 | |
CN113886562A (zh) | 一种ai简历筛选方法、***、设备和存储介质 | |
CN115761834A (zh) | 人脸识别的多任务混合模型和人脸识别方法 | |
CN116959248B (zh) | 一种基于交互式自解释模型的高速公路事故风险优化方法 | |
CN114565605A (zh) | 一种病理图像的分割方法及装置 | |
CN117765480A (zh) | 一种道路沿线野生动物迁徙预警方法及*** | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN111414511A (zh) | 自动声纹建模入库方法、装置以及设备 | |
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 | |
CN115049991A (zh) | 共享设备位姿整齐度判断方法、装置、终端及介质 | |
Flores et al. | TinyML for Safe Driving: The Use of Embedded Machine Learning for Detecting Driver Distraction |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Song Hao Inventor after: Wang Junhua Inventor after: ShangGuan Qiangqiang Inventor before: Song Hao Inventor before: Wang Junhua |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |