[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114386844A - 一种基于事故前交通状态与事故关系的建模方法 - Google Patents

一种基于事故前交通状态与事故关系的建模方法 Download PDF

Info

Publication number
CN114386844A
CN114386844A CN202210036370.5A CN202210036370A CN114386844A CN 114386844 A CN114386844 A CN 114386844A CN 202210036370 A CN202210036370 A CN 202210036370A CN 114386844 A CN114386844 A CN 114386844A
Authority
CN
China
Prior art keywords
accident
traffic
data
traffic state
model
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
Application number
CN202210036370.5A
Other languages
English (en)
Inventor
陈一锴
王飞
于淑君
王金傲
石琴
董满生
丁建勋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210036370.5A priority Critical patent/CN114386844A/zh
Publication of CN114386844A publication Critical patent/CN114386844A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于事故前交通状态与事故关系的建模方法，其步骤如下：1、采集历史交通事故数据及相关风险因素数据；2、对数据进行整理得到基于条件的数据集；3、建立基于条件的随机参数负二项回归模型；4、采用贝叶斯方法对模型参数进行估计；5、基于模型的参数标定结果，得出各自变量的回归系数；6、对交通状态变量进行弹性分析；7、得出各交通状态变量对事故的影响力。本发明能克服传统建模方法无法反映事故前交通状态对事故影响的问题，准确表征事故前交通状态对事故的影响，从而对预防交通事故的发生有着指导意义。

Description

一种基于事故前交通状态与事故关系的建模方法
技术领域
本发明涉及一种分析事故前交通状态与事故之间关系的建模方法，属于道路交通安全分析技术领域。
背景技术
随着道路交通的快速发展，道路交通事故已成为世界各国关注的焦点。准确识别影响事故发生的主要因素，有利于提出有针对性的交通安全改善对策，从而减少事故伤亡和财产损失。
在众多事故影响因素中，交通参数(如速度、交通量等)是事故发生的重要因素，有必要对其进行深入研究。多数研究采用基于交通单元的事故建模方法来分析交通参数与事故率的关系，该方法以路段或交叉口等作为交通单元，采用计数模型(如泊松、负二项及其拓展模型)来探究两者间的关系。这类研究由于因变量为较长时间范围内的事故总数，因此，对于速度、交通量等交通参数，只能采用相应时间范围内的统计指标(如平均交通量、平均速度)作为自变量，探究其与事故率之间的关系，因此无法反映事故前交通状态与事故率的关系。实际上，事故前的交通状态(事故发生前几分钟的速度、交通量信息)对事故率有重要影响，如在自由流状态下，道路交通量较小，占有率低，驾驶员行车不会受到其他车辆的干扰，事故率较低；在拥堵状态下，道路交通量较高，占有率高，道路呈同步流、阻塞流状态，追尾、换道事故频发，导致事故率较高。
综上所述，传统的基于交通单元的事故建模方法无法反映事故前交通状态对事故的影响，导致其建模不准确。
发明内容
本发明为克服上述现有技术所存在的问题，提出一种分析事故前交通状态与事故之间关系的建模方法，以期能准确表征事故前交通状态对事故的影响，并提高建模的准确度，为道路交通安全改善对策的制定提供可靠的科学依据。
为达到上述目的，本发明采用如下技术方案：
本发明一种基于事故前交通状态与事故关系的建模方法的特点是按如下步骤进行：
步骤1、采集历史交通事故数据及相关风险因素数据；
步骤1.1、在交通事故数据库中，获取研究道路的历史交通事故数据，包括：事故发生的时间以及经纬度信息；
步骤1.2、依据每起历史交通事故的发生时间以及经纬度信息，从道路信息系统数据库中采集每起历史交通事故发生时间的前一次记录的交通状态数据和事故发生时间的下一次记录的交通状态数据；
步骤1.3、依据每起历史交通事故的经纬度信息，获取相应经纬度所处路段的几何特征数据；
步骤1.4、依据每起历史交通事故的发生时间和经纬度信息，在气象站中提取相应的天气数据；
步骤2、构建基于条件的事故数据集；
步骤2.1、交通状态数据的处理；
步骤2.1.1、将每起历史交通事故发生时间的前一次交通状态数据中A个交通状态变量与事故发生时间的下一次交通状态数据中的A个交通状态变量分别按照时间赋予相应权重后对应相加，得到每起事故处理后的A个交通状态变量；
步骤2.1.2、将所有起历史交通事故处理后的第a个交通状态变量进行升序排列，并划分成步长为Na的各个组，从而得到第a个交通状态变量的ka个分组，每个分组的取值用各自的中值表示；a∈[1,A]；
步骤2.2、将所有起历史交通事故所处路段的几何特征数据中B个几何变量按照自身类型分别划分成若干组，从而得到第b个几何变量的lb个分组；b∈[1,B]；
步骤2.3、将所有起历史交通事故路段的天气数据中C个天气变量按照自身类别分别划分成若干组，从而得到第c个天气变量的zc个分组；c∈[1,C]；
步骤2.4、利用式(1)得到所有起历史交通事故的数据量s：
Figure BDA0003464950830000021
步骤3、建立基于条件的随机参数负二项回归模型；
步骤3.1、利用式(2)建立基于条件的随机参数负二项回归模型：
Figure BDA0003464950830000022
式(2)中：λi为第i个条件下的事故数；offseti为第i个条件下的单位长度下的交通量；β0为截距项；xij为第i个条件下第j个自变量；βj为第j个自变量的系数，ui为第i个条件下的随机效应项；
步骤3.2、对于A个交通状态变量中的每一个连续变量，依次选择一次、二次、对数形式并分别代入式(2)进行建模，从而得出A3个待定模型；
步骤4、采用贝叶斯方法对待定模型的参数进行估计；
步骤4.1、对待定模型进行先验假设，对待定模型中自变量的系数和随机效应项设置为先验分布；
步骤4.2、基于历史交通事故数据、交通状态数据、交通状态数据和天气数据、选用吉布斯抽样法分别对待定模型进行抽样，得到后验分布，并将后验分布的均值作为待定模型的参数标定结果；
步骤4.3、利用式(3)计算出任一待定模型的拟合优度DIC：
Figure BDA0003464950830000031
式(3)中：
Figure BDA0003464950830000032
为自变量系数的离差；PD为待定模型中有效参数的数量；
步骤4.4、从A3个待定模型中选择拟合优度最小的模型作为最优模型；
步骤5、基于最优模型的参数标定结果，得出各自变量的回归系数；
步骤6、利用式(4)对交通状态变量进行弹性分析，得到第a个交通状态变量的弹性系数Ea：
Figure BDA0003464950830000033
式(4)中：βa为第a个交通状态变量的回归系数，
Figure BDA0003464950830000034
为第a个交通状态变量在所有起历史交通事故中的均值；
步骤7、对a个交通状态变量的弹性系数进行升序排列，从而得出各交通状态变量对事故的影响力。
与已有技术相比，本发明有益效果体现在：
1、与传统的事故建模方法相比，本发明方法充分考虑到了事故发生前的交通状态数据，将其纳入到模型中，可以有效的反映出其与事故之间的关系，从而提高了建模的准确性。
2、本发明方法利用随机参数负二项回归模型，考虑到了数据之间的异质性，使得模型的拟合程度更好。
附图说明
图1为本发明分析事故前交通状态与事故之间关系的建模方法基本流程图。
具体实施方式
本实施例中，如图1所示，一种分析事故前交通状态与事故之间关系的建模方法，以美国加州I-880公路为例，是按如下步骤进行：
步骤1、采集和处理历史交通事故数据及相关风险因素数据；
步骤1.1、在交通事故数据库中，获取美国I-880公路两年内的交通事故的相关数据，包括：事故发生的时间以及经纬度信息，最终，获取得到I-880公路2016年和2017年事故1650起；
步骤1.2、依据每起历史交通事故的发生时间以及经纬度信息，从道路信息系统数据库中采集每起事故发生时间的前一次记录的速度、交通量数据和事故发生时间的下一次记录的速度、交通量数据，其中速度、交通量数据每隔五分钟记录一次；
步骤1.3、依据每起历史交通事故的经纬度信息，获取相应经纬度所处路段的几何特征数据，包括车道数量、道路的平面线形(直线、曲线)等；
步骤1.4、依据每起历史交通事故的发生时间和经纬度信息，在气象站中提取相应的天气数据，其中，天气数据分为晴天、多云、雨天；
步骤2、构建基于条件的事故数据集：
步骤2.1、速度、交通量的处理；
步骤2.1.1、鉴于道路上的实时速度与交通量是每隔5分钟记录一次，为准确的计算出事故发生前的速度和交通量，将每起事故发生时间前一次的速度、交通量数据与事故发生时间下一次的速度、交通量数据中的各个变量按照时间赋予相应权重后相加，得到每起处理后的速度、交通量数据；速度(SW)和交通量(VW)的计算过程如式(1)和(2)所示：
Figure BDA0003464950830000041
Figure BDA0003464950830000042
式(1)和(2)中：SW表示事故发生时的速度；VW表示事故发生时的交通量；Sfirst表示事故发生时间前一次记录的速度；Vfirdt表示事故发生时间前一次记录的交通量；Ssecond表示事故发生时间下一次记录的速度；Vsecond表示事故发生时间下一次记录的交通量；t表示事故发生时间与事故发生时间下一次记录之间的时间差；
步骤2.1.2、将处理后的速度、交通量按照从小到大排列，按照等步长原则划分为4个相等频率组，每个频率组在数据集中的值由中值表示；
步骤2.2、将所有起历史交通事故路段的几何特征数据(车道数、平面线形)按照其自身类型划分成若干组，车道数分为四车道、五车道、六车道，平面线形分为曲线和直线；
步骤2.3、将所有起历史交通事故路段的天气数据按照不同类别划分成若干组，根据采集的信息，将天气划分为晴天、多云和雨天；
步骤2.4、利用式(3)得到所有起历史交通事故的数据量s：
Figure BDA0003464950830000051
本实施例中，代入数据得到的数据量s为288。
基于条件的数据集的自变量具体分类如表1所示：
表1基于条件的数据集中自变量的分类方法
Figure BDA0003464950830000052
步骤3、建立基于条件的随机参数负二项回归模型；
步骤3.1、利用式(4)建立随机参数负二项回归模型：
Figure BDA0003464950830000053
式(4)中：λi为第i个条件下的事故数；offseti为第i个条件下的暴露变量(即平均每千米小时车辆数)；β0为截距项；xij为第i个条件下第j个自变量；βj为第j个自变量的系数，ui为第i个条件下的随机效应项。
步骤3.2、对于每一个连续变量(速度、交通量)，选择常用的一次、二次、对数形式分别代入式(4)进行建模，从而共有9个待定模型；
步骤4、采用贝叶斯方法对模型参数进行估计；
步骤4.1、模型的先验假设；
对待定模型进行先验假设，对待定模型中自变量的系数和随机效应项设置为先验分布；
本实施例中，假定在随机参数负二项回归模型中，所有的自变量系数和截距项服从正态分布N(0,105)，ui为随机效应项，服从分布N(0,1/τ)，τ服从伽玛分布(10-3,10-3)；
步骤4.2、基于历史交通事故数据、交通状态数据、交通状态数据和天气数据、选用吉布斯抽样法分别对待定模型进行抽样，得到后验分布，并将后验分布的均值作为待定模型的参数标定结果；
本实施例中，利用马尔科夫链算法(Markov Chain Monte Carlo,MCMC)来完成待定模型各系数的标定。贝叶斯方法常通过马尔科夫链算法(Markov Chain Monte Carlo,MCMC)来完成，马尔科夫链的模拟常采用吉布斯取样法。采用WINBUGS软件基于吉布斯取样法来完成模型参数的标定，考虑到系数收敛和迭代时间，设定2条马尔科夫链进行50000次迭代，舍弃前20000个不稳定的样本，取余下样本作为后验分布依据；
步骤4.3、利用式(5)计算出每个待定模型的拟合优度：
Figure BDA0003464950830000061
式(5)中：DIC为离差信息准则，用来衡量待定模型的拟合优度；
Figure BDA0003464950830000062
为后验参数即自变量系数的离差；PD为待定模型中有效参数的数量；
步骤4.4、选择若干待定模型中拟合优度最小的模型作为本文的最优模型。在本文的数据中，速度为一次形式，交通量为一次形式得出的模型拟合优度最好，其DIC值为1579.6；
步骤5、基于最优模型的参数标定结果，得出各自变量的回归系数；
基于条件的随机参数负二项回归模型各系数的标定结果及拟合优度如下表2所示：
表2基于条件的随机参数负二项回归模型标定结果
Figure BDA0003464950830000071
步骤6、利用式(6)对速度、交通量进行弹性分析，得到第a个交通状态变量的弹性系数Ea；
Figure BDA0003464950830000072
式(6)中：βa为第a个交通状态变量的回归系数，
Figure BDA0003464950830000073
为第a个交通状态变量在所有起历史交通事故中的均值；
弹性系数结果如下表3所示：
表3影响因素的弹性分析结果
Figure BDA0003464950830000074
步骤7、对a个交通状态变量的弹性系数进行升序排列，从而得出各交通状态变量对事故的影响力。
由表3可知，速度对事故率的影响比交通量的影响更大；为更直观的反应事故发生前速度、交通量与事故率的关系，取车道数为六车道、平面线形为直线、天气为晴天，在该条件下，事故率与速度、交通量的关系如式(7)所示：
Figure BDA0003464950830000081
式(7)中：λ为事故数，offset为暴露变量，
Figure BDA0003464950830000082
为事故率，S为速度、V为交通量；
由式(7)可以得出：当事故前交通状态处于速度较低、交通量较小时，事故发生率较低；而在速度较高、交通量较大的交通状态下，事故发生率会显著升高。
步骤8、模型比较；
步骤8.1、比较本发明方法与传统事故建模方法的优劣性，采用的传统事故频次模型为基于交通单元的负二项回归模型和基于交通单元的随机参数负二项回归模型。
步骤8.2、对I-880公路进行路段划分，按照同性质的路段划分方法，即具有相同车道数和平面线形的路段划分为同一路段，将道路划分成K个同性质路段；此外，若划分的路段中有小于0.1英里的路段，则将该路段合并至与其相似度最高的相邻路段中，最终，将I-880公路划分为174个同性质路段；
步骤8.3、对于每一个路段，统计其年平均速度、年平均交通量、道路的平面线形、车道数量以及一年中的天气情况作为自变量，以该路段上发生的事故数作为因变量建立基于交通单元的数据集。
步骤8.4、构建基于交通单元的负二项回归模型和基于交通单元的随机参数负二项回归模型
基于交通单元的负二项回归模型，如式(8)和式(9)所示：
Figure BDA0003464950830000083
Figure BDA0003464950830000084
式(8)中，yk表示第k个路段的事故数，λk表示第k个路段事故数期望值，α为离散参数；t＝1,2,…,12；
式(9)中，β0为截距，βr为第r个变量的系数，xkr为第r个变量的值，ε为误差项，服从均值为1，方差为α的伽玛分布；
基于交通单元的随机参数负二项回归模型，如式(10)所示：
Figure BDA0003464950830000085
式(10)中：λk表示第k个路段的事故数；offsetk表示第k个路段的平均每千米小时车辆数，β0为截距项，服从正态分布N(0,105)，βr表示第r个变量的系数，服从正态分布N(0,105)，xkr为自变量，uk为随机效应项，服从分布N(0,1/τ)，τ服从伽玛分布(10-3,10-3)。
依据2016年和2017年的事故数据以及相关自变量数据，在WINBUGS软件中，建立述两种模型，每种模型的最优模型的参数估计结果及拟合优度如表4、表5所示：
表4基于交通单元的负二项回归模型标定结果
Figure BDA0003464950830000091
表5基于交通单元的随机参数负二项回归模型标定结果
Figure BDA0003464950830000101
步骤8.5、为了方法的优劣，本发明将数据代入得出的模型中，计算得出结果进行路段特征集合上的比较，如表6所示：
表6道路特征集合上的对比结果
Figure BDA0003464950830000102
采用平均绝对偏差(MAE)、平均平方误差(MAPE)、均方根误差(PMSE)比较表5的精度，指标值越小，说明模型精度越高，计算公式如式(11)-式(13)所示：
Figure BDA0003464950830000111
Figure BDA0003464950830000112
Figure BDA0003464950830000113
式(11)-式(13)中，
Figure BDA0003464950830000114
表示实际值，yi表示预测值，结果如表7所示：
表7模型精度对比结果
Figure BDA0003464950830000115
由表7可知，本发明方法的模型精度最低，说明本方法在考虑到事故前交通状态的对事故的影响后，提高了事故频次建模方法的精度，较传统的方法有较大的优越性。

Claims (1)

1.一种基于事故前交通状态与事故关系的建模方法，其特征是按如下步骤进行：
步骤1、采集历史交通事故数据及相关风险因素数据；
步骤1.1、在交通事故数据库中，获取研究道路的历史交通事故数据，包括：事故发生的时间以及经纬度信息；
步骤1.2、依据每起历史交通事故的发生时间以及经纬度信息，从道路信息系统数据库中采集每起历史交通事故发生时间的前一次记录的交通状态数据和事故发生时间的下一次记录的交通状态数据；
步骤1.3、依据每起历史交通事故的经纬度信息，获取相应经纬度所处路段的几何特征数据；
步骤1.4、依据每起历史交通事故的发生时间和经纬度信息，在气象站中提取相应的天气数据；
步骤2、构建基于条件的事故数据集；
步骤2.1、交通状态数据的处理；
步骤2.1.1、将每起历史交通事故发生时间的前一次交通状态数据中A个交通状态变量与事故发生时间的下一次交通状态数据中的A个交通状态变量分别按照时间赋予相应权重后对应相加，得到每起事故处理后的A个交通状态变量；
步骤2.1.2、将所有起历史交通事故处理后的第a个交通状态变量进行升序排列，并划分成步长为Na的各个组，从而得到第a个交通状态变量的ka个分组，每个分组的取值用各自的中值表示；a∈[1,A]；
步骤2.2、将所有起历史交通事故所处路段的几何特征数据中B个几何变量按照自身类型分别划分成若干组，从而得到第b个几何变量的lb个分组；b∈[1,B]；
步骤2.3、将所有起历史交通事故路段的天气数据中C个天气变量按照自身类别分别划分成若干组，从而得到第c个天气变量的zc个分组；c∈[1,C]；
步骤2.4、利用式(1)得到所有起历史交通事故的数据量s：
Figure FDA0003464950820000011
步骤3、建立基于条件的随机参数负二项回归模型；
步骤3.1、利用式(2)建立基于条件的随机参数负二项回归模型：
Figure FDA0003464950820000012
式(2)中：λi为第i个条件下的事故数；offseti为第i个条件下的单位长度下的交通量；β0为截距项；xij为第i个条件下第j个自变量；βj为第j个自变量的系数，ui为第i个条件下的随机效应项；
步骤3.2、对于A个交通状态变量中的每一个连续变量，依次选择一次、二次、对数形式并分别代入式(2)进行建模，从而得出A3个待定模型；
步骤4、采用贝叶斯方法对待定模型的参数进行估计；
步骤4.1、对待定模型进行先验假设，对待定模型中自变量的系数和随机效应项设置为先验分布；
步骤4.2、基于历史交通事故数据、交通状态数据、交通状态数据和天气数据、选用吉布斯抽样法分别对待定模型进行抽样，得到后验分布，并将后验分布的均值作为待定模型的参数标定结果；
步骤4.3、利用式(3)计算出任一待定模型的拟合优度DIC：
Figure FDA0003464950820000021
式(3)中：
Figure FDA0003464950820000022
为自变量系数的离差；PD为待定模型中有效参数的数量；
步骤4.4、从A3个待定模型中选择拟合优度最小的模型作为最优模型；
步骤5、基于最优模型的参数标定结果，得出各自变量的回归系数；
步骤6、利用式(4)对交通状态变量进行弹性分析，得到第a个交通状态变量的弹性系数Ea：
Figure FDA0003464950820000023
式(4)中：βa为第a个交通状态变量的回归系数，
Figure FDA0003464950820000024
为第a个交通状态变量在所有起历史交通事故中的均值；
步骤7、对a个交通状态变量的弹性系数进行升序排列，从而得出各交通状态变量对事故的影响力。
CN202210036370.5A 2022-01-11 2022-01-11 一种基于事故前交通状态与事故关系的建模方法 Pending CN114386844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210036370.5A CN114386844A (zh) 2022-01-11 2022-01-11 一种基于事故前交通状态与事故关系的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210036370.5A CN114386844A (zh) 2022-01-11 2022-01-11 一种基于事故前交通状态与事故关系的建模方法

Publications (1)

Publication Number Publication Date
CN114386844A true CN114386844A (zh) 2022-04-22

Family

ID=81202794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210036370.5A Pending CN114386844A (zh) 2022-01-11 2022-01-11 一种基于事故前交通状态与事故关系的建模方法

Country Status (1)

Country Link
CN (1) CN114386844A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762140A (zh) * 2022-11-01 2023-03-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN117829613A (zh) * 2024-03-04 2024-04-05 深圳大学 海运事故影响因素分析方法、系统、智能终端及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762140A (zh) * 2022-11-01 2023-03-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN115762140B (zh) * 2022-11-01 2024-06-07 山东高速集团有限公司 一种考虑变量异质性的高速公路交通事故风险预测方法
CN117829613A (zh) * 2024-03-04 2024-04-05 深圳大学 海运事故影响因素分析方法、系统、智能终端及介质

Similar Documents

Publication Publication Date Title
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN112837533B (zh) 一种考虑风险因素时变特征的公路事故频次预测方法
CN114783183B (zh) 一种基于交通态势算法的监控方法与系统
CN109064748B (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN104217002B (zh) 一种基于高质量数据获取的路况信息填补方法
CN114386844A (zh) 一种基于事故前交通状态与事故关系的建模方法
CN105741549B (zh) 一种基于空间copula理论的交通流量预测方法
CN112668172B (zh) 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型
CN108710623A (zh) 基于时间序列相似性度量的机场离港延误时间预测方法
CN111784017A (zh) 一种基于路况因素回归分析的公路交通事故数量预测方法
CN113313357A (zh) 一种基于高斯过程回归分析的交通道路安全评价方法
CN112820104B (zh) 一种基于时空聚类张量分解的交通数据补全方法
CN105913658B (zh) 一种交通流推测od位置及od矩阵的方法
CN112149922A (zh) 高速公路隧道下行线出入口区域事故严重程度预测方法
CN110428608B (zh) 一种基于交通大数据的道路通行能力提取方法
CN115240418B (zh) 基于因果门控-低通图卷积网络的短时交通流量预测方法
CN111179592B (zh) 基于时空数据流融合分析的城市交通预测方法和系统
CN113570852B (zh) 基于安全替代评价指标的高风险路段风险防控手段评估的方法
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN111815973B (zh) 信号交叉口分析方法及相关设备
CN107331164A (zh) 一种高速公路收费站入口车辆数的预测方法
CN111680888B (zh) 基于rfid数据确定路网容量的方法
CN111915880A (zh) 一种高速公路异常事件事发点有效通行能力估计方法
CN114281808B (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质
CN110991698B (zh) 基于混合处理的季节性交通流灰色预测方法

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