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

CN114627643B - 一种高速公路事故风险预测方法、装置、设备及介质 - Google Patents

一种高速公路事故风险预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114627643B
CN114627643B CN202210186125.2A CN202210186125A CN114627643B CN 114627643 B CN114627643 B CN 114627643B CN 202210186125 A CN202210186125 A CN 202210186125A CN 114627643 B CN114627643 B CN 114627643B
Authority
CN
China
Prior art keywords
accident
road section
information
prone
road
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.)
Active
Application number
CN202210186125.2A
Other languages
English (en)
Other versions
CN114627643A (zh
Inventor
姜东昕
王雯雯
赵建龙
臧海洋
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech Co Ltd
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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202210186125.2A priority Critical patent/CN114627643B/zh
Publication of CN114627643A publication Critical patent/CN114627643A/zh
Application granted granted Critical
Publication of CN114627643B publication Critical patent/CN114627643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

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

Abstract

本申请提供了一种高速公路事故风险预测方法、装置、设备及介质，由于本申请实例中可以基于事故高发路段的路况信息、属性信息，确定事故高发路段在事故高发时间段发生事故的目标风险值。因此，及时地预测了高速公路上可能出现的风险隐患，能够有效避免高速公路事故的发生。

Description

一种高速公路事故风险预测方法、装置、设备及介质
技术领域
本申请涉及高速公路安全预防技术领域，具体涉及一种高速公路事故风险预测方法、装置、设备及介质。
背景技术
随着道路交通的快速发展，汽车保有量快速增长，但道路等基础设施的增速远低于汽车保有量的增长，由于这种供需发展不平衡的问题，导致道路交通事故日益增多。其中高速公路作为城际交通运输的主要手段，且由于高速公路特性导致，在高速公路上发生的交通事故多为严重事故，因此，提前预测高速公路的交通事故的可能出现的风险隐患至关重要。
目前高速公路上的事故隐患发现手段以事件监测器监测、团雾检测和静态事故隐患点人工巡查为主，偏向于事后处置，也就是一般是在事故发生后，基于已经发生的事故进行监测，且目前行业内对于交通事故的分析仍然停留在简单的数据统计，分析事故历史高发路段，将事故历史高发路段作为隐患点，进行人工分析，获得隐患原因并进行专业治理。因此可知现有技术中的交通事故的分析方案大多偏向事后处置，不能及时地预测高速公路上可能出现的风险隐患。
发明内容
本申请提供了一种高速公路事故风险预测方法、装置、设备及介质，用以解决不能及时地预测高速公路上可能出现的风险隐患问题。
第一方面，本申请提供了一种高速公路事故风险预测方法，所述方法包括：
根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；
根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述路况信息包括以下信息中的至少一种：
车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息；
所述属性信息包括以下信息中的至少一种：
所述事故高发路段距离预设位置的距离信息，天气信息和路面形态信息。
进一步地，确定所述路况信息中包括的大车占比信息包括：
获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；
根据所述第一数量及所述总数量的比值确定所述大车占比信息。
进一步地，所述确定所述路况信息中包括的长期占用超车道的车辆数量信息包括：
针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
进一步地，确定所述事故高发路段以及所述事故高发时段包括：
针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
进一步地，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
第二方面，本申请还提供了一种高速公路事故风险预测装置，所述装置包括：
获取模块，用于根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；
确定模块，用于根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述获取模块，还用于获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；根据所述第一数量及所述总数量的比值确定所述大车占比信息。
进一步地，所述获取模块，还用于针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
进一步地，所述获取模块，还用于针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
进一步地，所述确定模块，具体用于将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述确定模块，具体用于基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
第三方面，本申请还提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时执行上述任一所述高速公路事故风险预测方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时执行上述任一所述高速公路事故风险预测方法的步骤。
本申请提供了一种高速公路事故风险预测方法、装置、设备及介质，根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内该事故高发路段的路况信息及该事故高发路段的属性信息，根据该路况信息以及该属性信息，确定该事故高发路段在该当前事故高发时段发生事故的目标风险值。由于本申请实例中可以基于事故高发路段的路况信息以及属性信息，确定事故高发路段在事故高发时间段发生事故的目标风险值。因此，及时地预测了高速公路上可能出现的风险隐患，能够有效避免高速公路事故的发生。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为本申请提供的一种高速公路事故风险预测过程示意图；
图2为本申请提供的部分路段在部分时段发送事故的次数的统计结果示意图；
图3为本申请提供的基于全连接神经网络构建的该风险分析的模型的结构示意图；
图4为本申请提供的softmax算法分析逻辑示意图；
图5为本申请提供的一种高速公路事故风险预测装置结构示意图；
图6为本申请提供的一种电子设备结构示意图。
具体实施方式
下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
本申请提供了一种高速公路事故风险预测方法、装置、设备及介质，根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内该事故高发路段的路况信息及该事故高发路段的属性信息，根据该路况信息以及该属性信息，确定该事故高发路段在该当前事故高发时段发生事故的目标风险值。由于本申请实例中可以基于事故高发路段的路况信息以及属性信息，确定事故高发路段在事故高发时间段发生事故的目标风险值。因此，及时地预测了高速公路上可能出现的风险隐患，能够有效避免高速公路事故的发生。
为了及时地预测高速公路发生事故的风险，本申请提供了一种高速公路事故风险预测方法、装置、设备及介质。
实施例1：
图1为本申请提供的一种高速公路事故风险预测过程示意图，该过程包括以下步骤：
S101：根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息。
本申请提供的一种高速公路事故风险预测方法应用于电子设备，该电子设备可以是终端、服务器等设备。
在本申请中为了对高速公路上出现的风险进行预测，可以将高速公路进行划分得到每个路段，为了对高速公路上每个路段是否发生事故的风险进行预测，可以将每个路段作为事故高发路段进行预测。但一般事故发生的位置比较固定，因此可以预先确定并保存事故高发路段，仅对事故高发路段进行预测。其中该事故高发路段可以是统计的高速公路上发生事故频率比较高的路段。
为了对高速公路上出现的风险进行预测，可以将全天按照预先设置的时间间隔进行划分，划分得到每个时段，为了全天候的对高速公路是否发生事故的风险进行预测，可以将每个时段作为事故高发时段进行预测。但是高速公路的事故一般发生的时间也比较固定，例如晚上一般是高速公路事故的多发时段，因此为了减少预测的工作量，可以预先统计并保存事故高发时段，对于事故高发路段的高发时段进行事故风险预测。
为了预测事故高发路段发生事故的风险，在本申请中预先设置有路况信息和属性信息。当需要对高速公路的事故高发路段的事故风险进行预测时，获取当前事故高发时段之前的设定时长内该事故高发路段的路况信息及该事故高发路段的属性信息。
高速公路上的出现事故是有一定的原因的，也就是说前一时段的路况信息和属性信息对接下来是否会发生事故是有影响的。因此在本申请中在对事故高发路段的事故风险进行预测时，如果要对当前事故高发时段的事故风险进行预测，则获取当前事故高发时段之前的设定时长内该事故高发路段的路况信息及该事故高发路段的属性信息，基于该当前事故高发时段之前的设定时长内的路况信息及属性信息，对该当前事故高发时段出现事故风险的可能性进行预测。
S102：根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
在本申请中，在获取到该当前事故高发时段之前的设定时长内的路况信息及属性信息之后，可以基于预先保存的路况信息、属性信息以及风险值的对应关系，确定该当前事故高发时段之前的设定时长内的路况信息以及属性信息对应的风险值，将该风险值确定为该事故高发路段在该当前事故高发时段发生事故的目标风险值。
由于本申请中可以基于事故高发路段的路况信息以及属性信息，事故高发路段在事故高发时间段发生事故的目标风险值。因此，及时地预测了高速公路上可能出现的风险隐患，能够有效避免高速公路事故的发生。
实施例2：
为了进一步提高事故预测的准确性，在上述实施例的基础上，在本申请中，所述路况信息包括以下信息中的至少一种：
车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息；
所述属性信息包括以下信息中的至少一种：
所述事故高发路段距离预设位置的距离信息，天气信息和路面形态信息。
其中，事故高发路段的车流量信息是单位时间内通过该事故高发路段的车辆数的信息。一般在高速公路上设置有车辆检测设备，车辆检测设备可以采集到车辆通过的时间，因此可以统计该车辆检测设备采集到的该当前事故高发时段之前的设定时长内通过该事故高发路段的车辆数，根据该车辆数以及该设定时长的长度，确定单位时间长度内该事故高发路段的车辆数，将该车辆数作为该事故高发路段的车流量。
平均速度信息是指在当前事故高发时段之前的设定时长内通过该事故高发路段的所有车辆的速度的平均值的信息。一般在高速公路上设有电警、时速检测等检测设备，这些检测设备可以采集到通过该事故高发路段车辆的速度以及车辆数。因此可以统计这些检测设备采集到的该当前事故高发时段之前设定时长内通过该事故高发路段的所有车辆的速度以及车辆数，根据所有车辆的速度与车辆数，确定该设定时长内的速度的平均值，将该平均值作为该事故高发路段在当前事故高发时段之前的设定时长内的平均速度。
平均车距信息是指在当前事故高发时段之前的设定时长内通过该事故高发路段的所有车辆之间的车距的平均值的信息。一般在高速公路上会设置有电警、时速检测等检测设备，这些检测设备可以采集到车辆通过时间、车牌信息以及速度。若该事故高发路段包含一个检测设备，可以基于该检测设备记录的相邻两个时间点的车辆的信息，确定车辆的间距。具体的因为检测设备可以采集车辆通过该检测设备的时间、车牌信息以及速度，因此可以根据相邻两个车辆通过该检测设备的速度，以及该相邻两个车辆通过该检测设备的时间差，确定相邻两个车辆的车距。根据在该当前事故高发时段之前的设定时长内统计的每两个相邻车辆的车距，确定车距的平均值，将该平均值作为平均车距。
若该事故高发路段包含多个检测设备，因为每个检测设备的安装位置固定，因此任意两个检测设备之间的距离可以预先确定，获取两个检测设备在同一时间记录的车辆的信息，因为每个检测设备会采集到车牌信息，车辆通过两个检测设备的先后顺序已知，因此根据每个检测设备采集到的车牌信息，可以确定位于两个检测设备之间的车辆的车牌信息，根据车牌信息可以确定车辆的车型，从而确定每个车辆的长度，根据该两个检测设备之间的距离，每个车辆的长度以及车辆的数量，可以确定车辆的间距。根据在该当前事故高发时段之前的设定时长内统计的车辆的间距，可以确定车辆的车距的平均值，将该平均值作为平均车距。
其中，事故高发路段距离预设位置的距离信息是指所需预测的事故高发路段的位置信息。一般在高速公路上会设有公里标识数，采集到所需预测的事故高发路段所处的公里数，将该公里数作为事故高发路段距离预设位置的距离信息。
天气信息指的是事故高发路段在当前事故高发时段之前的设定时长内的天气情况的信息。因为网络上发布有每个城市在每个时间的天气情况，因此可以预先确定每个事故高发路段所归属的城市，当需要获取天气情况，登录网站根据网站中记录的对应城市在每个时间的天气情况，获取当前事故高发时段之前的设定时长内的天气情况。为了将天气情况进行量化，方便进行后续的计算，在本申请中，对于不同的天气情况可以预先设置不同的数值，将该数值作为对应的天气情况,只要不同的天气情况对应的数值不同即可。例如大雨对应的数值为1，中雨对应的数值为2，小雨对应的数值为3，雪对应的数值为4，结冰对应的数值为5，结霜对应的数值为6，雾对应的数值为7，大风对应的数值为8等等。
路面形态信息指的是事故高发路段的路面形态。其中，高速公路的路面形态一般包括弯道、上坡、下坡，根据路基路面检测设备可以获取到所述事故高发路段的路面形态。对于不同的路面形态可以预先设置不同的数值，将该数值作为对应的路面形态信息，只要不同的路面形态对应的数值不同即可。例如弯道对应的数值为1，上坡对应的数值为2，弯道对应的数值为3。
为了确定路况信息中的大车占比信息，在上述各实施例的基础上，在本申请中，确定所述路况信息中包括的大车占比信息包括：
获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；
根据所述第一数量及所述总数量的比值确定所述大车占比信息。
其中，大车占比指的是该当前事故高发时段之前的设定时长内通过该事故高发路段的所有车辆中大车所占的比值。一般在高速公路上会设置有电警、时速检测等检测设备，这些检测设备可以采集到车辆的车牌信息，因此可以统计该当前事故高发时段之前的设定时长内通过该事故高发路段的车辆的总数量以及所有车辆的车型信息，具体的可以确定该车辆是大车还是小车，从而确定该当前事故高发时段之前的设定时长内通过该事故高发路段的大车的第一数量。根据该第一数量以及总数量，确定该第一数量与总数量的比值，将该比值作为该事故高发路段的当前事故高发时段之前的设定时长内的大车占比信息。
为了确定路况信息中的长期占用超车道的车辆数量，在上述各实施例的基础上，在本申请中，确定所述路况信息中包括的长期占用超车道的车辆数量信息包括：
针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
其中，长期占用超车道的车辆数量信息指的以较低的速度较长时间内在超车道行驶的车辆数量。一般在高速公路上设置有电警、时速检测等检测设备，这些检测设备可以采集到车辆的车牌信息、速度信息以及车辆所在车道信息。
因为每个检测设备的安装位置固定，可以在确定车辆是否为长期占用超车道的车辆，可以基于距离较远的两个检测设备采集到的车辆的信息进行判断。因为检测设备可以采集到车辆的车牌信息、速度信息以及车辆所在车道信息，因此可以统计出同一车辆通过不同检测设备的速度以及车道，将通过每个检测设备的速度与预先设置的速度阈值作比较，如果该两个速度均小于预先设置的速度阈值，且该车辆通过该两个检测设备时均位于超车道，则认定该车辆是长期占用超车道的车辆，统计获取事故高发路段的当前事故高发时段之前的设定时长内长期占用超车道的车辆数量。
实施例3：
为了进一步提高事故预测的准确性，在上述各实施例的基础上，在本申请中，确定所述事故高发路段以及所述事故高发时段包括：
针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
为了减小预测的工作量，在本申请中，可以预先划分得到的高速公路的每个路段，并对每天进行划分得到每个时段，对预设时间长度内的历史数据进行统计，该设定时间长度可以是一个较长的时间长度，例如可以是一年，三年等等。具体的，根据预设时间长度内的历史数据，统计每个路段在每个时段发生事故的次数。因为每天都包含相同的时段，比如，若预设时间长度为2天在，则这两天中的每天都包含8:00-9:00时间段，因此在统计每个路段在每个时段发生事故的次数时，将预设时间长度内相同时段发生的事故的次数进行叠加，从而得到预设时间长度内每个路段在每个时段发生事故的次数。
为了确定出事故高发路段以及事故高发时段，可以预先设定次数阈值，当统计了预设时间长度内每个路段在每个时段发生事故的次数后，将该每个路段在每个时段发生事故的次数与该设定的次数阈值进行比较，若该次数不小于该设定的次数阈值，则认为该路段和该时段分别为事故高发路段和事故高发时段。
图2为本申请提供的部分路段在部分时段发送事故的次数的统计结果示意图，现针对图2进行说明：
具体的，在图2是显示出了标识为580的路段至标识为700的路段，在过去三年内在时段0至时段14发生的事故的次数。若设定的次数阈值为10，则标识为600的路段、标识为630的路段、标识为650的路段、标识为670的路段、标识为680的路段以及标识为690的路段为事故高发路段。事故高发路段600的事故高发时段为时段8，事故高发路段630的事故高发时段为时段12，事故高发路段650的事故高发时段为时段9、时段10、时段11、时段12，事故高发路段670的事故高发时段为时段10、时段11、时段12、时段14，事故高发路段680的事故高发时段为时段10、时段11、时段14，事故高发路段690的事故高发时段为时段10。
实施例4：
为了准确的确定发生事故的目标风险值，在上述各实施例的基础上，在本申请中，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
除了根据预先保存的路况信息、属性信息以及风险值的对应关系，确定该当前事故高发时段之前的设定时长内的路况信息以及属性信息对应的目标风险值以外，在本申请中，还可以基于该路况信息、该属性信息以及预先训练完成的风险分析模型，确定该事故高发路段在该当前事故高发时段发生事故的目标风险值。
为了获得该风险分析模型，便于对高速公路事故发生概率进行预测，在本申请中，利用历史数据对原始的风险分析模型进行训练。具体的，先获得样本集，该样本集中包含很多的样本数据，为了便于区分，将模型训练过程中的路段称为样本路段，将样本路段在设定时间长度内的路况信息称为样本路况信息，将样本路段的属性信息称为样本属性信息，该样本数据中包含了样本路段在设定时间长度内的样本路况信息及样本属性信息，且该样本数据中预先标注有样本路段对应样本风险值。
由于样本集中包含的样本数据中存在事故高发路段的事故高发时段的数据，也存在不是事故高发路段的事故高发时段的数据，包括事故高发路段的非事故高发时段的数据以及非事故高发路段的各个时段的数据等等，在本申请中，可以将统计的事故高发路段的事故高发时段对应的样本数据标记为正样本，具体的该正样本中包含有事故高发路段在事故高发时段之前设定时长内的样本路况信息以及样本属性信息，具体的样本路况信息以及样本属性信息的确定过程已经在之前的实施例中描述，在此不再赘述。并且该正样本对应的发生事故的样本风险值为1，也就是正样本被标注的样本风险值为1。另外，可以将不是事故高发路段对应的样本数据标记为负样本，同样的该负样本也包含有不是事故高发路段在对应时段之前设定时长内的样本路况信息以及样本属性信息，以及该负样本对应的被标注的样本风险值，可以根据统计的该路段在该时段发生事故的次数确定该样本风险值，具体的将该不是事故高发路段在该时段发生事故的次数与设定的次数阈值进行比较确定该样本风险值，也可以将该样本风险值标注为0，具体使用时可以根据需要灵活选择。
在具体实施例中，针对样本集中的任一样本数据，当获取了该样本数据后，将该样本集输入到原始的风险分析模型，也就是说，将每个样本数据都输入到原始的风险分析模型中，获取该原始的风险分析模型输出的预测风险值后，根据该预测风险值与标注的样本风险值的误差，调整该原始的风险分析模型中的各参数，当满足收敛条件时，则停止对该风险分析模型的训练，此时可以认为训练完成。其中满足收敛条件可以是训练的次数到收敛次数阈值，也可以是误差小于预设的阈值等常见的收敛条件。
具体的，针对事故影响因素，也就是获取到的样本路况信息以及样板属性信息，每个影响因素之间存在关联关系，因此在本申请中选择全连接神经网络模型，从而解决卷积神经网络神经元建立不联通的问题，有效减少局部最优解问题的发生。因为被标注的样本风险值可以是根据事故发生的概率来确定的，因此可以解决人为定义的事故隐患分级风险评价不均衡的问题。
当获取了某一高速公路事故高发路段在当前事故高发时段之前的设定时长内的路况信息以及事故高发路段的属性信息后，将该路况信息与该属性信息输入到预先训练完成的风险分析模型，预先训练完成的风险分析模型基于该输入的路况信息和该属性信息，输出目标风险值。其中，输入的路况信息及属性信息可以是将路况信息及属性信息拼接得到的一个向量，向量中的每个分量是路况信息以及属性信息对应的数据信息，预先训练完成的风险分析模型基于输入的该拼接得到的向量，输出目标风险值。
该预先训练完成的风险分析模型输出的目标风险值是不大于1的正数，根据目标风险值的大小可以确定事故高发路段发生事故的概率。为了提高预测的准确性，可以预先设置风险值阈值，当获取到预先训练完成的风险分析模型输出的目标风险值后，将该目标风险值与预先设置的风险值阈值进行比较，如果该目标风险值不小于风险值阈值，则确定该事故高发路段在当前事故高发时段发生事故，否则，确定该事故高发路段在当前事故高发时段不会发生事故。
图3为本申请提供的基于全连接神经网络构建的该风险分析的模型的结构示意图，现针对图3进行说明。
本申请中的风险分析模型包含输入层、隐藏层和输出层，输入层的各神经元与隐藏层的各神经元连接，并且隐藏层的各神经元与输出层的各神经元连接。各层之间采用softmax算法将隐患分类转换为事故隐患风险概率。
图4为本申请提供的softmax算法分析逻辑示意图，现针对图4进行说明。
本申请中，对于风险分析模型输出的结果集采用softmax算法，将隐患分类转换为事故隐患风险概率。其中，softmax算法根据来自上一层的第i个神经元的输入xi，第i个神经元的连接权重wi以及预设的阈值θ，确定当前神经元的输出y。
实施例6：
为了准确的确定发生风险的目标风险值，在上述各实施例的基础上，在本申请中，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
为了确定事故高发路段在当前事故高发时段发生事故的目标风险值，在本申请实施例中，还可以基于路况信息、属性信息以及预设的函数，确定事故高发路段在当前事故高发时段发生事故的目标高风险值，其中，该预设的函数可以为线性函数，具体的，若该预设函数为线性函数，则可以根据y＝a1x1+a2x2+a3x3＝a4x4+a5x5+a6x6+a7x7+a8x8，确定事故高发路段在当前事故高发时段发生事故的目标风险值，其中，该x1为车流量信息，a1为车流量信息对应的权重，x2为大车占比信息，a2为大车占比信息对应的权重，x3为平均速度信息，a3为平均速度信息对应的权重，x4为平均车距信息，a4为平均车距信息对应的权重，x5为长期占用超车道的车辆数量信息，a5为长期占用超车道的车辆数量信息对应的权重，x6为事故高发路段距离预设位置的距离信息，a6为事故高发路段距离预设位置的距离信息对应的权重，x7为天气信息，a7为天气信息对应的权重，x8为路面形态信息，a8为路面形态信息对应的权重，由于影响目标风险值大小的因素很多，且每种因素对于目标风险值的影响程度不相同，因此对应的权重也不同，其中，该影响目标风险值的因素包括路况信息中的车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息，以及属性信息中的事故高发路段距离预设位置的距离信息，天气信息和路面形态信息，也就是说，a1、a2、a3、a4、a5、a6、a7以及a8的大小根据其对应的因素对应目标风险值大小的影响程度来确定，具体的，该a1、a2、a3、a4、a5、a6、a7以及a8的大小可以根据需求进行设置。
此外，在本申请实施例中，该预设函数还可以为指数函数、对数函数、泊松分布概率函数等等，具体，该预设函数在此不做限制。
实施例6：
图5为本申请提供的一种高速公路事故风险预测装置结构示意图，该高速公路事故风险预测装置包括：
获取模块501，用于根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；
确定模块402，用于根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
在一种可能的实施方式中，所述获取模块501，还用于获取通过所述事故高发路段的车辆的总数量以及通过的大车的第一数量；根据所述第一数量及所述总数量的比值确定所述大车占比信息。
在一种可能的实施方式中，所述获取模块501，还用于针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
在一种可能的实施方式中，所述获取模块501，还用于针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
在一种可能的实施方式中，所述确定模块502，具体用于将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
在一种可能的实施方式中，所述确定模块502，具体用于基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
实施例7：
图6为本申请提供的一种电子设备结构示意图，在上述各实施例的基础上，本申请还提供了一种电子设备，如图6所示，包括：处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
所述存储器603中存储有计算机程序，当所述程序被所述处理器601执行时，使得所述处理器601执行如下步骤：
根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；
根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述处理器601，还用于获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；根据所述第一数量及所述总数量的比值确定所述大车占比信息。
进一步地，所述处理器601，还用于针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
进一步地，所述处理器601，还用于针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
进一步地，所述处理器601，还用于将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
进一步地，所述处理器601，还用于基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口602用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列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。
实施例8：
在上述各实施例的基础上，本申请还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内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；
根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
在一种可能的实施方式中，所述路况信息包括以下信息中的至少一种：
车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息；
所述属性信息包括以下信息中的至少一种：
所述事故高发路段距离预设位置的距离信息，天气信息和路面形态信息。
在一种可能的实施方式中，确定所述路况信息中包括的大车占比信息包括：
获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；
根据所述第一数量及所述总数量的比值确定所述大车占比信息。
在一种可能的实施方式中，确定所述路况信息中包括的长期占用超车道的车辆数量信息包括：
针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
在一种可能的实施方式中，确定所述事故高发路段以及所述事故高发时段包括：
针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在任一时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
在一种可能的实施方式中，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
在一种可能的实施方式中，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
由于本申请实例中可以基于事故高发路段的路况信息以及属性信息，确定事故高发路段在事故高发时间段发生事故的目标风险值。因此，及时地预测了高速公路上可能出现的风险隐患，能够有效避免高速公路事故的发生。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种高速公路事故风险预测方法，其特征在于，所述方法包括：
根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；所述路况信息包括以下信息中的至少一种：车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息；
根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值；
确定所述路况信息中包括的长期占用超车道的车辆数量信息包括：
针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
2.根据权利要求1所述的方法，其特征在于，所述属性信息包括以下信息中的至少一种：
所述事故高发路段距离预设位置的距离信息，天气信息和路面形态信息。
3.根据权利要求1或2所述的方法，其特征在于，确定所述路况信息中包括的大车占比信息包括：
获取通过所述事故高发路段的车辆的总数量以及通过所述事故高发路段的大车的第一数量；
根据所述第一数量及所述总数量的比值确定所述大车占比信息。
4.根据权利要求1或2所述的方法，其特征在于，确定所述事故高发路段以及所述事故高发时段包括：
针对预先划分的每个路段，统计预设时间长度内该路段在每个时间段发生事故的次数；若该路段在某个时间段内发生事故的次数大于设定的次数阈值，则将该路段确定为事故高发路段，将该时间段确定为事故高发时间段。
5.根据权利要求1所述的方法，其特征在于，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
将所述路况信息以及所述属性信息输入到预先训练完成的风险分析模型中，获得所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值包括：
基于所述路况信息、所述属性信息以及预设的函数，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值。
7.一种高速公路事故风险预测装置，其特征在于，所述装置包括：
获取模块，用于根据预先保存的事故高发路段的事故高发时段，获取当前事故高发时段之前的设定时长内所述事故高发路段的路况信息及所述事故高发路段的属性信息；所述路况信息包括以下信息中的至少一种：车流量信息、大车占比信息、平均速度信息、平均车距信息以及长期占用超车道的车辆数量信息；
确定模块，用于根据所述路况信息及所述属性信息，确定所述事故高发路段在所述当前事故高发时段发生事故的目标风险值；
所述获取模块，还用于针对通过所述事故高发路段的每个车辆，获取设置在所述事故高发路段的两个检测设备采集的该车辆的速度以及该车辆所占的车道；若该车辆所在的车道为超车道，且采集的该车辆的速度均低于预设的速度阈值，则确定该车辆长期占用超车道。
8.一种电子设备，所述电子设备至少包括处理器和存储器，其特征在于，所述处理器用于执行存储器中存储的计算机程序时执行上述权利要求1-6中任一所述高速公路事故风险预测方法的步骤。
9.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行上述权利要求1-6中任一所述高速公路事故风险预测方法的步骤。
CN202210186125.2A 2022-02-28 2022-02-28 一种高速公路事故风险预测方法、装置、设备及介质 Active CN114627643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210186125.2A CN114627643B (zh) 2022-02-28 2022-02-28 一种高速公路事故风险预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210186125.2A CN114627643B (zh) 2022-02-28 2022-02-28 一种高速公路事故风险预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114627643A CN114627643A (zh) 2022-06-14
CN114627643B true CN114627643B (zh) 2023-07-14

Family

ID=81901055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210186125.2A Active CN114627643B (zh) 2022-02-28 2022-02-28 一种高速公路事故风险预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114627643B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995005644A1 (de) * 1993-08-14 1995-02-23 Baehring Horst Anlage zur erfassung der von einem kraftfahrzeug zurückgelegten wegstrecke
CN106205134A (zh) * 2015-04-29 2016-12-07 上海宝康电子控制工程有限公司 高速公路全方位车辆检测系统
CN108109396A (zh) * 2017-12-14 2018-06-01 北京电联宇科技股份有限公司 确定车辆状态方法及车辆收费系统
CN108154696A (zh) * 2017-12-25 2018-06-12 重庆冀繁科技发展有限公司 车辆事故管理系统及方法
CN110264711A (zh) * 2019-05-29 2019-09-20 北京世纪高通科技有限公司 一种交通事故概率的确定方法及装置
CN113257002A (zh) * 2021-05-11 2021-08-13 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5215078B2 (ja) * 2008-08-08 2013-06-19 株式会社豊田中央研究所 運転支援装置及びプログラム
CN101826258B (zh) * 2010-04-09 2011-12-07 北京工业大学 高速公路简约事故预测方法
CN104751642B (zh) * 2015-03-11 2016-10-26 同济大学 一种高等级道路交通流运行风险实时预估方法
WO2018186625A1 (ko) * 2017-04-06 2018-10-11 삼성전자주식회사 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
CN110634316A (zh) * 2018-06-25 2019-12-31 李贺清 高速公路雾天放行及减少事故的管控方法
CN109493600B (zh) * 2018-11-21 2021-02-05 合肥工业大学 基于事故危险度的交通事故多发路段识别方法
CN109360421B (zh) * 2018-11-28 2022-03-25 平安科技（深圳）有限公司 一种基于机器学习的交通信息预测方法及装置、电子终端
CN109658694A (zh) * 2018-12-28 2019-04-19 中交信息技术国家工程实验室有限公司 一种卷积神经网络高危车辆交通流预测方法和系统
CN111009127B (zh) * 2019-12-24 2021-06-01 安徽虹湾信息技术有限公司 一种基于事故风险的城市动态预警系统及方法
KR102332527B1 (ko) * 2020-02-24 2021-11-29 삼성전자주식회사 차량 사고의 판단 방법, 그를 수행하는 서버 장치, 차량용 전자 장치 및 그의 동작 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995005644A1 (de) * 1993-08-14 1995-02-23 Baehring Horst Anlage zur erfassung der von einem kraftfahrzeug zurückgelegten wegstrecke
CN106205134A (zh) * 2015-04-29 2016-12-07 上海宝康电子控制工程有限公司 高速公路全方位车辆检测系统
CN108109396A (zh) * 2017-12-14 2018-06-01 北京电联宇科技股份有限公司 确定车辆状态方法及车辆收费系统
CN108154696A (zh) * 2017-12-25 2018-06-12 重庆冀繁科技发展有限公司 车辆事故管理系统及方法
CN110264711A (zh) * 2019-05-29 2019-09-20 北京世纪高通科技有限公司 一种交通事故概率的确定方法及装置
CN113257002A (zh) * 2021-05-11 2021-08-13 青岛海信网络科技股份有限公司 一种高峰开始时间预测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于K-最近邻的交通事件持续时间预测模型;向红艳;易英杰;范宝文;;昆明理工大学学报(自然科学版)(第06期);51-56 *

Also Published As

Publication number Publication date
CN114627643A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN107742418B (zh) 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN105225500B (zh) 一种交通控制辅助决策方法及装置
CN104809878B (zh) 利用公交车gps数据检测城市道路交通异常状态的方法
CN103839409B (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
US9111442B2 (en) Estimating incident duration
CN104933860B (zh) 基于gps数据的公交车堵车延误时间预测方法
CN106710215B (zh) 瓶颈上游车道级交通状态预测系统及实现方法
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN103150930A (zh) 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN103258430A (zh) 路段旅行时间统计、以及交通路况判定方法和装置
CN106971540B (zh) 高速公路隧道环境下驾驶人的行为风险量化方法
CN112634614B (zh) 一种长下坡交通事件实时检测方法、装置及存储介质
CN112687099B (zh) 一种超载嫌疑车辆判定方法和装置
CN104751642A (zh) 一种高等级道路交通流运行风险实时预估方法
CN109448384B (zh) 一种高速公路危险交通行为识别方法
CN106781460A (zh) 一种路段交通状态确定方法及装置
CN113421434B (zh) 用于公路治超非现场执法的超限超载率计算方法
CN116564079A (zh) 路段交通拥堵识别方法、装置、设备及可读存储介质
CN114627643B (zh) 一种高速公路事故风险预测方法、装置、设备及介质
CN113112789B (zh) 城市快速路突发事件的影响预测及管控方法
CN107730882B (zh) 基于人工智能的道路拥堵预测系统及方法
CN118097968A (zh) 一种道路交通安全评估方法
CN115273468B (zh) 一种交通拥堵控制策略生成方法及装置
CN117975712A (zh) 基于拥堵时长预测的高速公路服务区协同控制方法及系统
CN113297294B (zh) 一种基于大数据和云计算的高速公路监控管理方法及云监控管理平台

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