CN114331019A - 一种基于致险因素的城市交通安全风险实时评估方法及装置 - Google Patents
一种基于致险因素的城市交通安全风险实时评估方法及装置 Download PDFInfo
- Publication number
- CN114331019A CN114331019A CN202111451889.1A CN202111451889A CN114331019A CN 114331019 A CN114331019 A CN 114331019A CN 202111451889 A CN202111451889 A CN 202111451889A CN 114331019 A CN114331019 A CN 114331019A
- Authority
- CN
- China
- Prior art keywords
- risk
- real
- factors
- time
- traffic safety
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012502 risk assessment Methods 0.000 claims abstract description 26
- 206010039203 Road traffic accident Diseases 0.000 claims description 51
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 14
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 208000012260 Accidental injury Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 230000034994 death Effects 0.000 claims description 3
- 231100000517 death Toxicity 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于致险因素的城市交通安全风险实时评估方法及装置，其中的方法首先，进行致险因素辨识，得到包含辨识得到的所有致险因素的致险因素清单；然后，进行致险因素风险值计算，通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值；接着，通过构建个体风险源风险值评估模型，分别对人、车、路、企个体风险源的实时风险值进行评估，再进行群体风险值等级评估，最后通过构建城市综合交通安全风险值评估模型，得到城市综合交通安全风险值，本发明可以实现城市交通安全风险评估的实时精确预测。
Description
技术领域
本发明涉及交通安全管理领域，尤其涉及一种基于致险因素的城市交通安全风险实时评估方法及装置。
背景技术
随着社会经济的发展与进步，汽车保有量也不断增加，与之相应的交通安全事故也随着增加，一方面造成了人员和财产的损失，另一方面还造成了交通拥堵，因此对交通安全进行评估和预测十分有必要。
现有技术中，、关于交通安全风险评估的方案，大致可以分为三类。
(1)基于事故链路分析的事故风险评估方法。该类方法通过文本挖掘技术、数据关联性挖掘技术以及多层网络理论等，建立风险源和风险类型的事故风险链路，对交通运输过程中的事故风险进行评估；
(2)基于深度学习、神经网络等机器学习算法的交通安全风险评估方法。有的基于卷积神经网络算法，根据当前时刻交通流量及环境数据，预测城市区域下一时刻交通安全风险；有的基于全连接神经网络模型，将车辆类型、行程数据、环境数据、行程中多类警报的数量等作为输入，通过训练神经网络，输出车辆的行程风险值。
(3)基于关键指标分析的单个风险源或城市综合的交通安全风险评估方法。该类方法通过分析路段、驾驶人、环境和城市单个风险源的在交通运输领域的关键指标，对单个风险源进行安全风险评估。
本申请发明人在实施本发明的过程中，发现现有技术中的方法至少存在如下技术问题：
基于事故链路分析的事故风险评估的技术方案，虽然能在一定程度上建立风险源和风险类型的关联，对交通安全风险事件进行及时溯源和管控，但对于风险本身难以做量化分析，无法对风险进行分层分级，从而无法保证交通安全风险管控的精确性。现有的基于深度学习、神经网络等机器学习算法的交通安全风险评估技术方案，由于输入是全局性指标，因此输出的风险预测结果为粗粒度的风险值，实际上无法根据预测结果制定具体的策略实现事前预防的作用。而基于关键指标分析的单个风险源或者城市综合交通安全风险评估的技术方案，仅考虑了单个风险源的致险因素，不利于进行系统的安全风险控制。
发明内容
本发明提供一种基于致险因素的城市交通安全风险实时评估方法及装置，用以解决或者至少部分解决现有技术中评估结果不够精确的技术问题。
为了解决上述技术问题，本发明第一方面提供了一种基于致险因素的城市交通安全风险实时评估方法，包括：
S1：结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
S2：通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
S3：构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
S4：根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
S5：构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型。
在一种实施方式中，步骤S1中人、车、路、企风险源致险因素的分类包括多级，其中，一级分类都划分为静态因素和动态因素，静态因素表示短期内不会发生变化的静态信息，动态因素表示实时的动态变化的信息。
在一种实施方式中，致险因素风险值为每种致险因素S作为主导因素，导致交通事故发生的风险值，S2包括：
S2.1：计算致险因素导致交通事故发生可能性等级；
S2.2：计算致险因素导致事故严重程度等级；
S2.3：将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级进行组合得到致险因素风险值。
在一种实施方式中，S2.1包括：
S2.1.1：计算致险因素导致交通事故发生概率，其中，致险因素S作为致害的主要原因导致的道路交通事故发生的频率为fS，概率为PS，
其中，nS表示为一段时间内致险因素S作为主要原因导致道路交通事故发生的次数；n为一段时间内所有交通事故发生的总次数。依据概率论中贝努利定理，当n很大时，事故发生的频率与概率有较大偏差的可能性很小，可以将fS作为致险因素导致交通事故发生概率PS；
S2.1.2计算致险因素导致交通事故发生可能性等级，
其中，<>表示四舍五入取整。
在一种实施方式中，S2.2包括：
S2.2.1：根据交通事故严重程度的衡量指标计算致险因素导致交通事故后果严重程度，其中，交通事故严重程度的衡量指标包括事故死亡人数，事故受伤人数和事故经济损失：
其中，VS为致险因素导致事故后果严重程度，DS为致险因素导致事故死亡人数，SS为致险因素导致事故受伤人数，ES为致险因素导致事故经济损失；
S2.2.2：对致险因素导致交通事故后果严重程度VS进行归一化处理，
其中，
为归一化处理后的结果，min(VS)为致险因素导致事故后果严重程度的最小值，max(VS)为致险因素导致事故后果严重程度的最大值；
S2.2.3：对归一化处理的结果进行倍数取值，得到致险因素导致交通事故后果严重程度等级：
其中，<>表示四舍五入取整，
表示致险因素导致交通事故后果严重程度等级，为(0，10)的整数。
在一种实施方式中，S2.3将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级按照乘法进行合成，得到致险因素风险值：
RS表示致险因素风险值，为(0，100)的数。
在一种实施方式中，步骤S3中，个体风险源风险值评估模型包括输入层、隐藏层和输出层，
其中，输入层用向量X表示，则隐藏层的输出为S(W1X+b1)，其中W1是输入层到隐藏层的权重，b1是输入层到隐藏层的偏置，函数S表示激活函数sigmoid函数，表示为：
sigmoid(a)＝1/(1+e-a)
其中a表示sigmod函数的输入；
隐藏层的输出用X1表示，隐藏层到输出层表示一个多类别的逻辑回归，即softmax回归，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；输出层的输出表示为：
Y＝G(b2+W2(S(b1+W1X)))
X表示神经网络的输入，Y表示神经网络的输出,G表示softmax函数，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；
通过个体风险源风险值评估模型进行个体风险值评估时为在线预测阶段，输入数据集为个体风险源标识信息和个体风险源实时发生的致险因素风险值，表示为向量RS，输出为个体风险源的实时交通安全风险值R，表示为：
R＝G(b2 *+W2 *(S(b1 *+W1 *RS)))
其中，R为人个体风险源的实时交通安全风险值、车个体风险源的实时交通安全风险值、路个体风险源的实时交通安全风险值、企个体风险源的实时交通安全风险值。
在一种实施方式中，S4中，群体的实时交通安全风险值按照个体风险源实时交通安全风险值R加权计算得到：
Rg＝∑Ri*ri
其中，Ri表示同一时间人或车或路或企业群体中的某个安全风险值，ri表示同一时间人或车或路或企业群体中的某个安全风险值的数量占比。
在一种实施方式中，步骤S5中城市综合交通安全风险值评估模型包括输入层、隐藏层和输出层，通过离线训练得到。
基于同样的发明构思，本发明第二方面公开了一种基于致险因素的城市交通安全风险实时评估装置，包括：
致险因素辨识模块，用于结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
致险因素风险值计算模块，用于通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
个体风险源风险值评估模块，用于构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
群体风险值等级评估模块，用于根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
城市综合交通安全风险值评估模块，用于构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的基于致险因素的城市交通安全风险实时评估方法，首先，进行致险因素辨识，得到包含辨识得到的所有致险因素的致险因素清单；然后，进行致险因素风险值计算，通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值；接着，通过构建个体风险源风险值评估模型，分别对人、车、路、企个体风险源的实时风险值进行评估，再进行群体风险值等级评估，最后通过构建城市综合交通安全风险值评估模型，得到城市综合交通安全风险值。
个体风险源风险值评估模型和城市综合交通安全风险值评估模型采用全连接的MLP神经网络模型，因此是一种基于MLP神经网络算法的城市交通安全风险实时评估方法，相较其他的安全风险评估方法，具有高精度实时预测、评价对象更加全面更加细粒度的特点，并且，本发明输入的致险因素进行了分级分类，将输入落实到人、车、路、企的实时的精细化指标，输出人、车、路、企的个体、群体实时动态安全风险值和城市综合实时动态安全风险值；同时可根据实际需要灵活调整和组合模型及相应参数，更有利于根据预测结果和具体的致险因素制定及时的管控策略，实现实时的交通安全风险防控。
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，下面描述中的附图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为本发明实施例中基于致险因素的城市交通安全风险实时评估方法的流程图；
图2为本发明实施例中个体风险源动态安全风险值评估MLP神经网络模型的结构示意图；
图3为本发明实施例中MLP神经网络模型构建流程图；
图4为本发明实施例中城市交通安全风险实时评估的整体框架图；
图5为本发明实施例中MLP神经网络模型训练阶段收敛曲线。
具体实施方式
本申请发明人通过大量的研究与实践发现：
(1)基于事故链路分析的事故风险评估的技术方案，虽然能在一定程度上建立风险源和风险类型的关联，对交通安全风险事件进行及时溯源和管控，但对于风险本身难以做量化分析，无法对风险进行分层分级，从而无法保证交通安全风险管控的精确性；
(2)现有的基于深度学习、神经网络等机器学习算法的交通安全风险评估技术方案中，现有采用的深度学习的方法，建立了神经网络模型，但是其输入和输出与本申请均不相同，目的与本申请也不相同，现有方法也没有对致险因素进行分级分类，其输入的是全局指标，没有将输入落实到人、车、路、企的实时的精细化指标。本发明与现有的方法相比，基于全连接神经网络模型，构建了车辆交通安全风险评价网络、驾驶人交通安全风险评价网络、路段交通安全风险评价网络、企业交通安全风险评价网络和城市综合交通安全风险评价网络模型，输入为车-人-路-企的静态和动态实时致险因素，通过训练好的多层全连接神经网络，输出车-人-路-企个体及群体交通安全风险等级和城市综合交通安全风险等级，并进行实时预警推送。并且，对输入的致险因素进行了分级分类，将输入落实到人、车、路、企的实时的精细化指标，输出人、车、路、企的个体、群体实时动态安全风险值和城市综合实时动态安全风险值；同时可根据实际需要灵活调整和组合模型及相应参数，更有利于根据预测结果和具体的致险因素制定及时的管控策略，实现实时的交通安全风险防控；
(3)基于关键指标分析的单个风险源或者城市综合交通安全风险评估的技术方案，仅考虑了单个风险源的致险因素，没有针对直接致险因素进行全面地分析，不利于进行系统的安全风险控制。
本发明提出的是一种基于MLP神经网络算法的城市交通安全风险实时评估方法，相较其他的安全风险评估方法，该发明能够实时地评估城市交通运输过程中车-人-路-企个体及群体的风险值，具有高精度实时预测、评价对象更加全面更加细粒度的特点，有利于为相关部门进行交通安全管控提供更好的数据决策支撑。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例一
本发明实施例提供了一种基于致险因素的城市交通安全风险实时评估方法，包括：
S1：结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
S2：通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
S3：构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
S4：根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
S5：构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型。
请参见图1，为本发明实施例中基于致险因素的城市交通安全风险实时评估方法的流程图。
步骤S1是致险因素辨识和梳理，生成致险因素清单，S2是致险因素风险值计算，结合历史事故数据，通过计算关键指标，得到致险因素的风险值；S3是个体风险源风险值评估，将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，S4是群体风险值等级评估，用于实时评估驾驶人群体、车辆群体，路网以及车企群体的交通安全风险值；S5是城市综合交通安全风险值评估，综合分析人-车-路-企风险评价网络，构建城市交通安全风险评价网络，得到城市的动态实时风险值。
相对于现有技术，本发明的创新点和有益效果包括：
(1)致险因素采集及辨识：该发明针对车辆运输环节中的人-车-路-企-环，采集并整理出致险因素清单，除了对于驾驶人基本信息、车辆基本信息的获取，还包括驾驶人行为、车辆运行状态等实时信息的采集；根据不同的风险源和静态动态属性，对清单进行分层分级管理，便于进行更全面细粒度的动态分析。
(2)实时动态评估人-车-路-企交通安全风险：该发明基于MLP神经网络算法，分别构建驾驶人、车辆、路段、企业和城市风险评价网络，通过离线训练和在线预测，得到风险源个体、群体及城市整体实时动态的交通安全风险值。
(3)实时风险预警推送：该发明制定交通安全风险等级判定表，得到交通安全风险等级，对高风险的风险源及其风险等级值较高的致险因素进行实时预警推送，便于进行及时的决策和交通安全管控。
该发明的风险评估技术方案，有利于降低安全事故率，营造行业安全环境，具有较好的应用前景，不仅可以应用到同行业其他业务系统，也可以推广到其他行业，具有较好的实践意义。
在一种实施方式中，步骤S1中人、车、路、企风险源致险因素的分类包括多级，其中，一级分类都划分为静态因素和动态因素，静态因素表示短期内不会发生变化的静态信息，动态因素表示实时的动态变化的信息。
具体实施过程中，本实施例围绕人、车、路、企4种风险源进行主要致险因素分析。
其中，人-车-路-企风险源致险因素的一级分类均可划分为静态因素和动态因素，静态因素是指短期内不会发生变化的静态信息，如驾驶人年龄、驾龄、车龄、道路类型、企业资质等，动态因素是指实时的动态变化的信息，如驾驶行为、车辆速度、道路流量、企业安全管理等；另外，在实际交通运输过程中，环境致险因素对驾驶人/车辆/道路/企业的安全风险评估都会产生影响，所以在评估人/车/路/企的安全风险等级时，不仅要考虑人/车/路/企本身的致险因素，还需要考虑环境致险因素；具体表现在模型中：人/车/路/企风险评价网络的输入，都需当时所处环境的致险因素风险值。环境致险因素，包括时间、天气、温度等，从而可以提高预测的准确性。
根据致险因素一级分类，梳理二级分类及具体的致险因素，参考相关行业标准和规范，整理得到致险因素清单，见表1。
表1致险因素清单
在一种实施方式中，致险因素风险值为每种致险因素S作为主导因素，导致交通事故发生的风险值，S2包括：
S2.1：计算致险因素导致交通事故发生可能性等级；
S2.2：计算致险因素导致事故严重程度等级；
S2.3：将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级进行组合得到致险因素风险值。
具体来说，本发明发明定义的致险因素风险值，是每种致险因素S作为主导因素，导致交通事故发生的风险值。致险因素风险值的计算，需要计算致险因素导致交通事故发生可能性等级
和致险因素导致事故严重程度等级
将二者按照一定的合成法则进行组合得到致险因素风险值RS，
在一种实施方式中，S2.1包括：
S2.1.1：计算致险因素导致交通事故发生概率，其中，致险因素S作为致害的主要原因导致的道路交通事故发生的频率为fS，概率为PS，
其中，nS表示为一段时间内致险因素S作为主要原因导致道路交通事故发生的次数；n为一段时间内所有交通事故发生的总次数。依据概率论中贝努利定理，当n很大时，事故发生的频率与概率有较大偏差的可能性很小，可以将fS作为致险因素导致交通事故发生概率PS；
S2.1.2计算致险因素导致交通事故发生可能性等级，
其中，<>表示四舍五入取整。
具体来说，由概率论中贝努利定理可得：
当n很大时，事故发生的频率与概率有较大偏差的可能性很小，因此将fS作为致险因素导致交通事故发生概率，即：
致险因素导致事故发生概率是(0，1)的小数，对该结果进行倍数取整即可得到致险因素导致事故发生可能性等级。
在一种实施方式中，S2.2包括：
S2.2.1：根据交通事故严重程度的衡量指标计算致险因素导致交通事故后果严重程度，其中，交通事故严重程度的衡量指标包括事故死亡人数，事故受伤人数和事故经济损失：
其中，VS为致险因素导致事故后果严重程度，DS为致险因素导致事故死亡人数，SS为致险因素导致事故受伤人数，ES为致险因素导致事故经济损失；
S2.2.2：对致险因素导致交通事故后果严重程度VS进行归一化处理，
其中，
为归一化处理后的结果，min(VS)为致险因素导致事故后果严重程度的最小值，max(VS)为致险因素导致事故后果严重程度的最大值；
S2.2.3：对归一化处理的结果进行倍数取值，得到致险因素导致交通事故后果严重程度等级：
其中，<>表示四舍五入取整，
表示致险因素导致交通事故后果严重程度等级，为(0，10)的整数。
在一种实施方式中，S2.3将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级按照乘法进行合成，得到致险因素风险值：
RS表示致险因素风险值，为(0，100)的数。
致险因素风险值是
和
按照一定的合成法则得到的，由于
表示概率指标，
表示严重性指标，因此该发明合成法则可以取乘法。
通过以上方法，可计算得出致险清单中所有致险因素的交通安全风险值，整理可得到致险因素风险值库。
在一种实施方式中，步骤S3中，个体风险源风险值评估模型包括输入层、隐藏层和输出层，
其中，输入层用向量X表示，则隐藏层的输出为S(W1X+b1)，其中W1是输入层到隐藏层的权重，b1是输入层到隐藏层的偏置，函数S表示激活函数sigmoid函数，表示为：
sigmoid(a)＝1/(1+e-a)
其中a表示sigmod函数的输入；
隐藏层的输出用X1表示，隐藏层到输出层表示一个多类别的逻辑回归，即softmax回归，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；
输出层的输出表示为：
Y＝G(b2+W2(S(b1+W1X)))
X表示神经网络的输入，Y表示神经网络的输出,G表示softmax函数，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；
通过个体风险源风险值评估模型进行个体风险值评估时为在线预测阶段，输入数据集为个体风险源标识信息和个体风险源实时发生的致险因素风险值，表示为向量RS，输出为个体风险源的实时交通安全风险值R，表示为：
R＝G(b2 *+W2 *(S(b1 *+W1 *RS)))
其中，R为人个体风险源的实时交通安全风险值、车个体风险源的实时交通安全风险值、路个体风险源的实时交通安全风险值、企个体风险源的实时交通安全风险值。
具体来说，本发明定义的个体风险源风险值，是指分别评估人、车、路、企风险源个体的交通安全风险值。采用MLP多层感知神经网络算法，对个体风险源进行动态安全风险值评估，同时得到风险源的致险因素相应权重，算法模型见图2，算法步骤如下：
步骤一：输入数据集
输入数据集包括个体风险源标识信息和实时致险因素风险值。其中，驾驶人的标识信息是身份证号码，车辆的标识信息是车牌号，路段的标识信息是路段编号，运营企业标识信息是企业编号；实时致险因素风险值是实际交通运输过程中，风险源发生的致险因素，关联致险因素风险库，得到致险因素风险值。
步骤二：训练阶段
1)输入层用向量X表示，则隐藏层的输出为S(W1X+b1)，
2)隐藏层的输出用X1表示，隐藏层到输出层可以看成是一个多类别的逻辑回归，即softmax回归，因此输出层的输出可表示为softmax(W2X1+b2)。
3)输出层的输出可表示为：
Y＝G(b2+W2(S(b1+W1X)))
其中，X表示神经网络的输入，Y表示神经网络的输出,G表示softmax函数。训练阶段的输出值可以将人为设定的风险值经验值作为输出，利用梯度下降法(SGD)进行迭代训练，使误差足够小，得到训练好的神经网络的参数W1 *，b1 *，W2 *，b2 *，W1 *是输入层到隐藏层的权重，b1 *是输入层到隐藏层的偏置，W2 *是隐藏层到输出的权重，b2 *是隐藏层到输出层的偏置。
将训练好的模型保存下来，供应用程序后端调用，模型构建流程如图3所示。
步骤三：在线预测阶段
在线预测阶段的输入数据集为个体风险源标识信息和个体风险源实时发生的致险因素风险值，表示为向量RS，输出为个体风险源的实时交通安全风险值。
步骤四：交通安全风险预警
进一步地，根据交通安全风险等级判定表，将得到的人-车-路-企个体风险源的风险值映射为风险等级。系统按照一定规则，推送高风险个体风险源预警及导致其被判为高风险的致险因素，便于指导后续的决策和调度。交通安全风险等级判定表如表2所示。
表2交通安全风险等级判定表
| 序号 | 风险等级值范围 | 风险等级 |
| 1 | [0,10] | 低风险 |
| 2 | (10,50] | 中风险 |
| 3 | (50,80] | 高风险 |
| 4 | (80,100] | 极高风险 |
需要说明的是，上表中的风险等级值包括个体风险等级值，群体风险等级值和城市综合风险等级值。该表的作用是将风险等级值映射为风险等级，落在相应风险等级值范围的风险等级值被判定为相应的风险等级。风险等级主要用于风险预警推送。
在一种实施方式中，S4中，群体的实时交通安全风险值按照个体风险源实时交通安全风险值R加权计算得到：
Rg＝∑Ri*ri
其中，Ri表示同一时间人或车或路或企业群体中的某个安全风险值，ri表示同一时间人或车或路或企业群体中的某个安全风险值的数量占比。
具体来说，本发明定义的群体风险值，用Rg表示，是指分别评估人、车、路、企风险源群体的交通安全风险值。群体安全风险值按照个体风险源实时交通安全风险值R加权得到，同一时间人或车或路或企业群体中的某个安全风险值的数量占比ri，按照以下公式进行计算：
其中，count(Ri)表示人或车或路或企业群体中安全风险值Ri的个数，count(R)表示人或车或路或企业群体中所有安全风险值的个数。
在一种实施方式中，步骤S5中城市综合交通安全风险值评估模型包括输入层、隐藏层和输出层，通过离线训练得到。
其中，城市综合交通安全风险值由人、车、路、企综合分析得到，同样采用MLP算法进行模型构建，整体的算法模型图如图4所示。
其中，车、人、路、企个体风险评价网络的输出值分别为车、人、路、企个体实时安全风险值；按照群体风险值评估模型方法计算得到车、人、路、企业群体实时安全风险值，作为城市交通安全风险评价网络的输入值，重复与个体风险源风险值评估模型类似的训练和预测步骤，经过离线训练和在线验证过程得到实时的城市综合交通安全风险值。
下面通过具体实验数据对本发明提供的方法进行说明。
选取50万条事故数据，对该发明提出的算法模型进行验证。对于人、车、路、企均取top10的致险因素风险值作为输入，该输入属于一般简单的数据集，为了防止过拟合，将隐藏层设为1；一般情况下，隐藏层节点数＝(输入个数+输出个数)*2/3，因此隐藏层节点数设为8，迭代次数设置为100，得到训练模型的误差收敛曲线，如图5所示。将平均绝对百分比误差(MAPE)作为评估指标，进行在线预测，验证表明，该发明的算法模型平均绝对百分比误差可以稳定在5.1％左右，能够满足实际应用需求。通过以上步骤，能够得到个体、群体以及城市综合的实时交通安全风险值，根据安全风险等级，推送高风险预警及相应的致险因素，有利于后续以此为依据有的放矢地进行交通安全管控。
该发明结合MLP神经网络模型进行实时的交通安全风险评估，一方面，该发明能够能细粒度地评估人、车、路、企个体风险源的风险值，更有利于相关部门进行更精准更全面的交通安全管控；另一方面，由于神经网络可以有多个非线性的层和参数，在数据量大，计算复杂度高的情况下，该发明调整参数的方式更灵活，误差更容易收敛。
实施例二
基于同样的发明构思，本实施例提供了一种基于致险因素的城市交通安全风险实时评估装置，包括：
致险因素辨识模块，用于结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
致险因素风险值计算模块，用于通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
个体风险源风险值评估模块，用于构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
群体风险值等级评估模块，用于根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
城市综合交通安全风险值评估模块，用于构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型。
由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于致险因素的城市交通安全风险实时评估方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属技术人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于致险因素的城市交通安全风险实时评估方法，其特征在于，包括：
S1：结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
S2：通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
S3：构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
S4：根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
S5：构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型。
2.如权利要求1所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，步骤S1中人、车、路、企风险源致险因素的分类包括多级，其中，一级分类都划分为静态因素和动态因素，静态因素表示短期内不会发生变化的静态信息，动态因素表示实时的动态变化的信息。
3.如权利要求1所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，致险因素风险值为每种致险因素S作为主导因素，导致交通事故发生的风险值，S2包括：
S2.1：计算致险因素导致交通事故发生可能性等级；
S2.2：计算致险因素导致事故严重程度等级；
S2.3：将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级进行组合得到致险因素风险值。
4.如权利要求3所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，S2.1包括：
S2.1.1：计算致险因素导致交通事故发生概率，其中，致险因素S作为致害的主要原因导致的道路交通事故发生的频率为fS，概率为PS，
其中，nS表示为一段时间内致险因素S作为主要原因导致道路交通事故发生的次数；n为一段时间内所有交通事故发生的总次数；依据概率论中贝努利定理，当n很大时，事故发生的频率与概率有较大偏差的可能性很小，将fS作为致险因素导致交通事故发生概率PS；
S2.1.2计算致险因素导致交通事故发生可能性等级，
其中，<>表示四舍五入取整。
5.如权利要求4所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，S2.2包括：
S2.2.1：根据交通事故严重程度的衡量指标计算致险因素导致交通事故后果严重程度，其中，交通事故严重程度的衡量指标包括事故死亡人数，事故受伤人数和事故经济损失：
其中，VS为致险因素导致事故后果严重程度，DS为致险因素导致事故死亡人数，SS为致险因素导致事故受伤人数，ES为致险因素导致事故经济损失；
S2.2.2：对致险因素导致交通事故后果严重程度VS进行归一化处理，
其中，
为归一化处理后的结果，min(VS)为致险因素导致事故后果严重程度的最小值，max(VS)为致险因素导致事故后果严重程度的最大值；
S2.2.3：对归一化处理的结果进行倍数取值，得到致险因素导致交通事故后果严重程度等级：
其中，<>表示四舍五入取整，
表示致险因素导致交通事故后果严重程度等级，为(0，10)的整数。
6.如权利要求5所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，S2.3将致险因素导致交通事故发生可能性等级和致险因素导致事故严重程度等级按照乘法进行合成，得到致险因素风险值：
RS表示致险因素风险值，为(0，100)的数。
7.如权利要求1所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，步骤S3中，个体风险源风险值评估模型包括输入层、隐藏层和输出层，
其中，输入层用向量X表示，则隐藏层的输出为S(W1X+b1)，其中W1是输入层到隐藏层的权重，b1是输入层到隐藏层的偏置，函数S表示激活函数sigmoid函数，表示为：
sigmoid(a)＝1/(1+e-a)
其中a表示sigmod函数的输入；
隐藏层的输出用X1表示，隐藏层到输出层表示一个多类别的逻辑回归，即softmax回归，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；
输出层的输出表示为：
Y＝G(b2+W2(S(b1+W1X)))
X表示神经网络的输入，Y表示神经网络的输出,G表示softmax函数，W2是隐藏层到输出的权重，b2是隐藏层到输出层的偏置；
通过个体风险源风险值评估模型进行个体风险值评估时为在线预测阶段，输入数据集为个体风险源标识信息和个体风险源实时发生的致险因素风险值，表示为向量RS，输出为个体风险源的实时交通安全风险值R，表示为：
R＝G(b2 *+W2 *(S(b1 *+W1 *RS)))
其中，R为驾驶人个体风险源的实时交通安全风险值、车个体风险源的实时交通安全风险值、路个体风险源的实时交通安全风险值、企个体风险源的实时交通安全风险值。
8.如权利要求1所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，S4中，群体的实时交通安全风险值按照个体风险源实时交通安全风险值R加权计算得到：
Rg＝∑Ri*ri
其中，Ri表示同一时间人或车或路或企业群体中的某个安全风险值，ri表示同一时间人或车或路或企业群体中的某个安全风险值的数量占比。
9.如权利要求1所述的基于致险因素的城市交通安全风险实时评估方法，其特征在于，步骤S5中城市综合交通安全风险值评估模型包括输入层、隐藏层和输出层，通过离线训练得到。
10.一种基于致险因素的城市交通安全风险实时评估装置，其特征在于，包括：
致险因素辨识模块，用于结合人、车、路、企风险源，进行致险因素辨识，生成致险因素清单，其中致险因素清单中包含辨识得到的所有致险因素；
致险因素风险值计算模块，用于通过分析历史事故数据，对致险因素清单中的致险因素进行关键指标计算，得到致险因素的风险值，所有致险因素的风险值构成致险因素风险值库；
个体风险源风险值评估模块，用于构建个体风险源风险值评估模型，个体风险源风险值评估模型包括人、车、路、企个体风险源风险值评估模型，用于分别将人、车、路、企个体实时的致险因素作为特征输入，分别得到人、车、路、企个体风险源的实时风险值，每个个体风险源风险值评估模型为全连接MLP神经网络模型；
群体风险值等级评估模块，用于根据得到的人、车、路、企个体风险源的实时风险值，实时评估驾驶人群体、车辆群体，路网以及车企群体的实时交通安全风险值；
城市综合交通安全风险值评估模块，用于构建城市综合交通安全风险值评估模型，用于将驾驶人群体、车辆群体、路网群体、车企群体的实时交通安全风险值作为输入，得到城市综合交通安全风险值，城市综合交通安全风险值评估模型为全连接MLP神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111451889.1A CN114331019A (zh) | 2021-12-01 | 2021-12-01 | 一种基于致险因素的城市交通安全风险实时评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111451889.1A CN114331019A (zh) | 2021-12-01 | 2021-12-01 | 一种基于致险因素的城市交通安全风险实时评估方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114331019A true CN114331019A (zh) | 2022-04-12 |
Family
ID=81048075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111451889.1A Pending CN114331019A (zh) | 2021-12-01 | 2021-12-01 | 一种基于致险因素的城市交通安全风险实时评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331019A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522097A (zh) * | 2023-11-03 | 2024-02-06 | 中铁一局集团市政环保工程有限公司 | 一种基于三维gis与bim集成的施工方法及系统 |
| CN117952413A (zh) * | 2023-11-16 | 2024-04-30 | 北京智城联合科技发展有限公司 | 一种城市安全风险评估方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177302A (zh) * | 2013-03-28 | 2013-06-26 | 深圳市环境科学研究院 | 一种城区水库型水源地风险源评估方法 |
| 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 |
| CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及系统 |
| CN109034549A (zh) * | 2018-06-29 | 2018-12-18 | 广东电网有限责任公司 | 一种电力运营风险评价建模方法 |
| CN109409683A (zh) * | 2018-09-28 | 2019-03-01 | 北京图安世纪科技股份有限公司 | 快速动态的城市安全风险等级评估方法 |
| WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
| CN110826905A (zh) * | 2019-11-06 | 2020-02-21 | 苏交科集团股份有限公司 | 一种长大桥梁运营安全风险评估方法 |
| CN111144772A (zh) * | 2019-12-30 | 2020-05-12 | 交通运输部公路科学研究所 | 一种基于数据挖掘的道路运输安全风险实时评估方法 |
| CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
| CN112801541A (zh) * | 2021-02-25 | 2021-05-14 | 交通运输部天津水运工程科学研究所 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
| CN112991743A (zh) * | 2021-04-22 | 2021-06-18 | 泰瑞数创科技(北京)有限公司 | 基于行驶路径的实时交通风险ai预测方法及其系统 |
| CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
| CN113361665A (zh) * | 2021-08-11 | 2021-09-07 | 成都理工大学 | 一种基于强化学习的高原山地旅游安全风险预警方法 |
| CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
-
2021
- 2021-12-01 CN CN202111451889.1A patent/CN114331019A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103177302A (zh) * | 2013-03-28 | 2013-06-26 | 深圳市环境科学研究院 | 一种城区水库型水源地风险源评估方法 |
| 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 |
| CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及系统 |
| WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
| CN109034549A (zh) * | 2018-06-29 | 2018-12-18 | 广东电网有限责任公司 | 一种电力运营风险评价建模方法 |
| CN109409683A (zh) * | 2018-09-28 | 2019-03-01 | 北京图安世纪科技股份有限公司 | 快速动态的城市安全风险等级评估方法 |
| CN110826905A (zh) * | 2019-11-06 | 2020-02-21 | 苏交科集团股份有限公司 | 一种长大桥梁运营安全风险评估方法 |
| CN111144772A (zh) * | 2019-12-30 | 2020-05-12 | 交通运输部公路科学研究所 | 一种基于数据挖掘的道路运输安全风险实时评估方法 |
| CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
| CN113160593A (zh) * | 2021-01-18 | 2021-07-23 | 重庆交通大学 | 一种基于边云协同的山区公路行车安全预警方法 |
| CN112801541A (zh) * | 2021-02-25 | 2021-05-14 | 交通运输部天津水运工程科学研究所 | 一种危险化学品道路运输风险动态评估及风险导航方法 |
| CN112991743A (zh) * | 2021-04-22 | 2021-06-18 | 泰瑞数创科技(北京)有限公司 | 基于行驶路径的实时交通风险ai预测方法及其系统 |
| CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
| CN113361665A (zh) * | 2021-08-11 | 2021-09-07 | 成都理工大学 | 一种基于强化学习的高原山地旅游安全风险预警方法 |
Non-Patent Citations (3)
| Title |
|---|
| 殷志浩主编: "《机器学习原理及应用》", 31 August 2021, 上海财经大学出版社, pages: 129 - 134 * |
| 胡立伟;凌浩晗;杨锦青;赵雪亭;尹宇;田海龙;: "基于模糊小波神经网络的营运客车运行风险评估模型研究", 安全与环境学报, no. 03, 25 June 2020 (2020-06-25), pages 862 - 870 * |
| 赵学刚;魏朗;: "道路交通安全风险预警模糊评判模型", 太原理工大学学报, no. 04, 15 July 2009 (2009-07-15), pages 365 - 368 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522097A (zh) * | 2023-11-03 | 2024-02-06 | 中铁一局集团市政环保工程有限公司 | 一种基于三维gis与bim集成的施工方法及系统 |
| CN117952413A (zh) * | 2023-11-16 | 2024-04-30 | 北京智城联合科技发展有限公司 | 一种城市安全风险评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Traffic Accident Prediction Based on LSTM‐GBRT Model | |
| Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
| CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
| Takale et al. | Road accident prediction model using data mining techniques | |
| Dimitriou et al. | Fuzzy modeling of freeway accident duration with rainfall and traffic flow interactions | |
| Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
| Ai et al. | Short-term road speed forecasting based on hybrid RBF neural network with the aid of fuzzy system-based techniques in urban traffic flow | |
| CN104376716A (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
| CN114331019A (zh) | 一种基于致险因素的城市交通安全风险实时评估方法及装置 | |
| Sarkar et al. | An integrated approach using rough set theory, ANFIS, and Z-number in occupational risk prediction | |
| CN116663742B (zh) | 基于多因素和模型融合的区域运力预测方法 | |
| Li et al. | New model of travel-time prediction considering weather conditions: case study of urban expressway | |
| JABBAR et al. | Predictive intelligence: A neural network learning system for traffic condition prediction and monitoring on freeways | |
| Zheng et al. | Modeling stochastic service time for complex on-demand food delivery | |
| CN113344257B (zh) | 一种国土空间云平台中图层分析响应时间的预测方法 | |
| Zhao et al. | A mining algorithm to improve LSTM for predicting customer churn in railway freight traffic | |
| Gürbüz et al. | Classification rule discovery for the aviation incidents resulted in fatality | |
| CN117275220B (zh) | 基于非完备数据的山区高速公路实时事故风险预测方法 | |
| Wang et al. | Using deep neural network to analyze travel mode choice with interpretable economic information: An empirical example | |
| Zhang et al. | Spatial-temporal dynamic semantic graph neural network | |
| Гавриленко et al. | Тhe task of analyzing publications to build a forecast for changes in cryptocurrency rates | |
| CN114492967A (zh) | 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质 | |
| CN112232607B (zh) | 一种地铁客流量预测方法及装置 | |
| Borisov et al. | The System of Fuzzy Cognitive Analysis and Modeling of System Dynamics | |
| CN113723660A (zh) | 一种基于dnn-lstm融合模型的特定行为类型预测方法及系统 |
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 |