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

CN115565373B - 高速公路隧道事故实时风险预测方法、装置、设备及介质 - Google Patents

高速公路隧道事故实时风险预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115565373B
CN115565373B CN202211170362.6A CN202211170362A CN115565373B CN 115565373 B CN115565373 B CN 115565373B CN 202211170362 A CN202211170362 A CN 202211170362A CN 115565373 B CN115565373 B CN 115565373B
Authority
CN
China
Prior art keywords
accident
data
tunnel
import
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.)
Active
Application number
CN202211170362.6A
Other languages
English (en)
Other versions
CN115565373A (zh
Inventor
黄合来
金杰灵
邹国庆
姚广
李烨
周波
许星伟
李永汉
戴剑军
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.)
Hunan Communications Research Institute Co ltd
Hunan Newfox Technology Co ltd
Central South University
Original Assignee
Hunan Communications Research Institute Co ltd
Hunan Newfox Technology Co ltd
Central South University
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 Hunan Communications Research Institute Co ltd, Hunan Newfox Technology Co ltd, Central South University filed Critical Hunan Communications Research Institute Co ltd
Priority to CN202211170362.6A priority Critical patent/CN115565373B/zh
Publication of CN115565373A publication Critical patent/CN115565373A/zh
Priority to PCT/CN2023/087326 priority patent/WO2024060588A1/zh
Application granted granted Critical
Publication of CN115565373B publication Critical patent/CN115565373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于交通安全技术领域，提供了一种高速公路隧道事故实时风险预测方法、装置、设备及介质，其中该方法包括：获取目标隧道在预设历史时间段内的事故数据、进出口交通流数据以及天气数据；获取目标隧道在预设历史时间段内发生的每次事故对应的进出口交通流数据和天气数据，并获取该进出口交通流数据和天气数据的对照数据；将该进出口交通流数据、天气数据以及对照数据作为实验数据集；基于实验数据集提取影响隧道事故风险的事故先兆特征；基于实验数据集、事故先兆特征训练隧道事故实时风险预测模型；基于训练后的隧道事故实时风险预测模型实时预测隧道事故风险。本申请能对高速公路隧道事故风险进行实时预测。

Description

高速公路隧道事故实时风险预测方法、装置、设备及介质
技术领域
本申请属于交通安全技术领域，尤其涉及一种高速公路隧道事故实时风险预测方法、装置、设备及介质。
背景技术
隧道因其在减少通行时间、保护生态环境、改善高速公路运营等方面的重要作用而被视为高速公路的重要路段。随着基础设施建设的逐步发展，高速公路通车里程不断增加。在过去的几年中，隧道数量显著增加，并且仍在持续增长。
然而，由于隧道通常比开放道路的照明更少并且具有半封闭的空间结构，它们可能会影响驾驶员的行为，从而更容易造成交通冲突，进一步导致碰撞事故的发生。因此，以提升隧道交通安全为目标进行研究对提升高速公路系统的安全水平具有一定意义。
目前关于隧道交通安全的研究大多集中在基于历史的事故记录数据的碰撞数据的碰撞特征、碰撞频率和影响伤害严重程度的因素的统计分析上，缺乏实时性，在实际的应用中有一定的局限性。近几年来，事故实时风险分析预测成为热点，然而，目前高速公路隧道交通事故实时风险预测目前尚处于空白阶段。
发明内容
本申请实施例提供了一种高速公路隧道事故实时风险预测方法、装置、设备及介质，可以解决无法对高速公路隧道事故风险进行实时预测的问题。
第一方面，本申请实施例提供了一种高速公路隧道事故实时风险预测方法，包括：
获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据；
分别针对事故数据中的每个事故，从进出口交通流数据中匹配出事故发生前n分钟内的目标进出口交通流数据，并确定目标隧道所在区域在事故发生前n分钟内的天气数据；n为整数，且5≤n≤15；
分别针对每个事故，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到事故的事故融合数据，并获取事故融合数据的对照数据；
将事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集；
基于实验数据集，确定影响隧道事故风险的事故先兆特征；
基于实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；
每隔n分钟采集目标隧道的进出口交通流数据以及目标隧道所在区域的天气数据；每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据，每次采集的天气数据为采集时刻前n分钟内的天气数据；
针对每次采集到的进出口交通流数据和天气数据，根据隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险。
可选的，基于实验数据集，确定影响隧道事故风险的事故先兆特征，包括：
分别针对实验数据集中的每类数据，为该类数据定义一变量，并将该类数据作为该变量的数据；
使用斯皮尔曼相关系数计算定义的各变量之间的相关性值；
根据计算得到的相关性值，从定义的各变量中选取目标变量；
利用条件Logistic回归模型计算每个目标变量对隧道事故风险的影响值；
根据计算得到的影响值确定影响隧道事故风险的事故先兆特征。
可选的，根据计算得到的相关性值，从定义的各变量中选取目标变量，包括：
若计算得到的相关性值中存在大于预设相关性值的相关性值，则分别计算该相关性值对应的两个变量与事故是否发生之间的相关系数，并将计算得到的相关系数中较小者对应的变量删除；
将定义的所有变量中除被删除变量以外的其他变量作为目标变量。
可选的，根据计算得到的影响值确定影响隧道事故风险的事故先兆特征，包括：
将影响值小于等于预设影响值的目标变量、以及天气数据对应的目标变量作为影响隧道事故风险的事故先兆特征。
可选的，进出口交通流数据包括：进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率以及出口平均车速。
可选的，获取事故融合数据的对照数据，包括：
利用病例对照法，获取事故融合数据的对照数据。
第二方面，本申请实施例提供了一种高速公路隧道事故实时风险预测装置，包括：
第一获取模块，用于获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据；
数据匹配模块，用于分别针对事故数据中的每个事故，从进出口交通流数据中匹配出事故发生前n分钟内的目标进出口交通流数据，并确定目标隧道所在区域在事故发生前n分钟内的天气数据；n为整数，且5≤n≤15；
第二获取模块，用于分别针对每个事故，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到事故的事故融合数据，并获取事故融合数据的对照数据；
第一确定模块，用于将事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集；
第二确定模块，用于基于实验数据集，确定影响隧道事故风险的事故先兆特征；
模型训练模块，用于基于实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；
数据采集模块，用于每隔n分钟采集目标隧道的进出口交通流数据以及目标隧道所在区域的天气数据；每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据，每次采集的天气数据为采集时刻前n分钟内的天气数据；
风险预测模块，用于针对每次采集到的进出口交通流数据和天气数据，根据隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的高速公路隧道事故实时风险预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的高速公路隧道事故实时风险预测方法。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，通过对隧道在预设历史时间段内的事故数据、进出口交通流数据以及相关天气数据进行分析，得到隧道在预设历史时间段内发生的每次事故对应的进出口交通流数据和天气数据，并将每次事故对应的进出口交通流数据和天气数据作为该事故的事故融合数据；然后针对隧道在预设历史时间段内发生的每次事故，获取该事故的事故融合数据对应的对照数据，并将预设历史时间段内发生的所有事故对应的事故融合数据和对照数据作为实验数据集；接着对该实验数据集进行分析，确定出对隧道事故风险有显著影响的事故先兆特征，并基于该实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；最终基于实时采集的进出口交通流数据、天气数据以及训练后的隧道事故实时风险预测模型实时预测隧道事故风险，实现对高速公路隧道事故风险的实时预测，进而为隧道事故预防措施提供参考，以便提前干预提高隧道内车辆的行车安全。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请一实施例提供的高速公路隧道事故实时风险预测方法的流程图；
图2为本申请一测试结果中ROC曲线的示意图；
图3为本申请一实施例提供的高速公路隧道事故实时风险预测装置的结构示意图；
图4为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对目前无法对高速公路隧道事故风险进行实时预测的问题，本申请实施例提供了一种高速公路隧道事故实时风险预测方法，该方法通过对隧道在预设历史时间段内的事故数据、进出口交通流数据以及相关天气数据进行分析，得到隧道在预设历史时间段内发生的每次事故对应的进出口交通流数据和天气数据，并将每次事故对应的进出口交通流数据和天气数据作为该事故的事故融合数据；然后针对隧道在预设历史时间段内发生的每次事故，获取该事故的事故融合数据对应的对照数据，并将预设历史时间段内发生的所有事故对应的事故融合数据和对照数据作为实验数据集；接着对该实验数据集进行分析，确定出对隧道事故风险有显著影响的事故先兆特征，并基于该实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；最终基于实时采集的进出口交通流数据、天气数据以及训练后的隧道事故实时风险预测模型实时预测隧道事故风险，实现对高速公路隧道事故风险的实时预测，进而为隧道事故预防措施提供参考，以便提前干预提高隧道内车辆的行车安全。
下面结合具体实施例对本申请提供的高速公路隧道事故实时风险预测方法进行示例性的说明。
本申请实施例提供了一种高速公路隧道事故实时风险预测方法，该方法可以由终端设备执行，也可以由应用于终端设备中的装置(比如芯片)来执行，下述实施例以该方法由终端设备执行为例。作为一种示例，该终端设备可以是平板，服务器或者笔记本电脑等，本申请实施例对此不做限定。
如图1所示，本申请实施例提供的高速公路隧道事故实时风险预测方法包括如下步骤：
步骤11，获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据。
上述目标隧道为需要进行事故实时风险预测的隧道；上述预设历史时间段可根据实际情况进行设定，例如设定为近一年；上述事故数据包括目标隧道在预设历史时间段内发生的所有事故的记录数据，该记录数据包括事故发生的地点、时间等描述信息；上述进出口交通流数据包括：进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率以及出口平均车速。其中，进口流量指的是单位时间内通过检测器(该检测器为设置于目标隧道进口处的检测器)的车辆数，单位为：辆/小时，例如5分钟内通过该检测器的车辆数为N，进口流量进口平均占有率指的是目标隧道进口处某检测截面或检测区内有车存在的时间Tv与统计总时间T(如5分钟)之比；进口平均车速指的是单位时间内通过检测器(该检测器为设置于目标隧道进口处的检测器)车辆车速的平均值，单位为公里/小时；类似的，出口流量指的是单位时间内通过检测器(该检测器为设置于目标隧道出口处的检测器)的车辆数，单位为：辆/小时，例如5分钟内通过该检测器的车辆数为N，出口流量出口平均占有率指的是目标隧道出口处某检测截面或检测区内有车存在的时间Tv与统计总时间T(如5分钟)之比；出口平均车速指的是单位时间内通过检测器(该检测器为设置于目标隧道出口处的检测器)车辆车速的平均值，单位为公里/小时。
具体的，在本申请的一些实施例中，可以从相关交通部门的网站上获得上述事故数据和进出口交通流数据。可以理解的是，在从相关网站获得事故数据和进出口交通流数据后，可将存在信息缺失以及误判事故的记录数据删除，以确保步骤11中事故数据的完整性。
步骤12，分别针对事故数据中的每个事故，从进出口交通流数据中匹配出事故发生前n分钟内的目标进出口交通流数据，并确定目标隧道所在区域在事故发生前n分钟内的天气数据。
其中，n为整数，且5≤n≤15。需要说明的是，由于交通流监测一般都是5分钟的间隔，因此n的取值一般可以为5、10或者15。
在本申请的一些实施例中，上述目标进出口交通流数据为步骤11中进出口交通流数据的一部分，具体为事故发生前n分钟内的进出口交通流数据。具体的，可以根据记录数据中事故发生的时间，从步骤11得到的进出口交通流数据中匹配到事故发生前n分钟内的进出口交通流数据。
在本申请的一些实施例中，可通过从气象部门的相关网站获取目标隧道所在区域在事故发生前n分钟内的天气数据，该天气数据可以为晴天、阴天、雨天、雪天等天气数据。具体的，可以根据记录数据中事故发生的时间和地点，查询找到目标隧道所在区域在事故发生前n分钟内的天气数据。
步骤13，分别针对每个事故，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到事故的事故融合数据，并获取事故融合数据的对照数据。
在本申请的一些实施例中，在确定出事故对应的目标进出口交通流数据和天气数据后，可根据事故发生的时间和地点，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到事故融合数据，从而便于确定对照数据，丰富后续的实验数据集，进而有助于后续提升隧道事故实时风险预测模型的训练精度。
其中，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到的事故融合数据包括：进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率、出口平均车速、进出口流量差(即进口流量与出口流量的差值)、进出口占有率差(即进口平均占有率与出口平均占有率的差值)、进出口速度差(即进口平均车速与出口平均车速的差值)以及天气数据。
在本申请的一些实施例中，可以通过病例对照法获取事故融合数据的对照数据。具体的，对照数据的获取方式可以为：首先利用病例对照法，获取目标隧道在预设相关时间的进出口交通流数据，并获取目标隧道所在区域在预设相关时间的天气数据；然后将利用病例对照法获取到的进出口交通流数据和天气数据进行融合处理，并将融合处理后的数据作为事故融合数据的对照数据。
需要说明的是，对照数据与事故融合数据所包含的数据类型是一样的，只是二者所包含数据对应的时间不同。即，对照数据包括目标隧道在预设相关时间的进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率、出口平均车速、进出口流量差(即进口流量与出口流量的差值)、进出口占有率差(即进口平均占有率与出口平均占有率的差值)、进出口速度差(即进口平均车速与出口平均车速的差值)以及相应的天气数据。
其中，上述预设相关时间与事故的发生时间相关。一般的，可选取事故发生地点、时段的前7天、14天、后7天以及14天的数据为对照数据。
示例性的，假设事故发生的时间为2018年1月1日上午9:03，地点为A隧道，则提取A隧道在2017年12月18日、12月25日及2018年1月8日、2018年1月15日上午9:00的数据(包括进出口交通流数据和天气数据)作为对照数据。
在本申请的一些可能的实施例中，在确定出事故对应的目标进出口交通流数据和天气数据后，可对事故的记录数据以及事故对应的目标进出口交通流数据和天气数据进行融合。即，上述事故融合数据还包括记录数据。
需要说明的是，若事故融合数据包括记录数据，则获取的对照数据也包括事故的记录数据。
步骤14，将事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集。
在本申请的一些实施例中，可根据事故发生的时间和地点将数据融合，并将事故融合数据和对照数据组合成实验数据集。
步骤15，基于实验数据集，确定影响隧道事故风险的事故先兆特征。
在本申请的一些实施例中，可通过斯皮尔曼(Spearman)相关系数和条件Logistic回归模型，帅选出对隧道事故风险有显著影响的事故先兆特征，从而便于后续实时、准确地进行隧道事故风险预测。
需要说明的是，由于根据高速公路事故实时风险相关研究及隧道的半封闭特性，推测隧道事故风险与进出口交通特性及天气条件相关，因此基于上述实验数据集进行事故先兆特征的确定，能提升事故先兆特征的准确性，进而有助于提升事故风险预测的准确性。
步骤16，基于实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型。
在本申请的一些实施例中，可将上述实验数据集划分为训练集数据和测试集数据，然后利用训练集数据对隧道事故实时风险预测模型进行训练，利用测试集数据对隧道事故实时风险预测模型进行测试，得到训练后的隧道事故实时风险预测模型。
步骤17，每隔n分钟采集目标隧道的进出口交通流数据以及目标隧道所在区域的天气数据。
每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据(该进出口交通流数据包括：进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率以及出口平均车速)，每次采集的天气数据为采集时刻前n分钟内的天气数据(该天气数据可以为晴天、阴天、雨天、雪天等天气数据)。
步骤18，针对每次采集到的进出口交通流数据和天气数据，根据隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险。
在本申请的一些实施例中，上述隧道事故实时风险预测模型可以为常用的基于支持向量机的决策函数。具体的，该决策函数的表达式可以为：
其中，f(x)表示因变量，即事故是否发生，为支持向量，b*为偏置量，/>与b*可由卡罗需-库恩-塔克(Karush-Kuhn-Tucker)条件算出，K为核函数，xi为训练集数据中第i个样本的事故先兆特征的数据，x为需要预测的隧道的事故先兆特征的数据(即步骤18中的事故先兆特征数据)，yi∈γ＝{-1,1}为事故是否发生的输出特征值，n为训练集数据中样本的数量。
值得一提的是，本申请实施例提供的方法通过对隧道在预设历史时间段内的事故数据、进出口交通流数据以及相关天气数据进行分析，得到事故发生前n分钟内的进出口交通流数据和天气数据，并将每次事故对应的进出口交通流数据和天气数据作为该事故的事故融合数据；然后针对隧道在预设历史时间段内发生的每次事故，获取该事故的事故融合数据对应的对照数据，并将预设历史时间段内发生的所有事故对应的事故融合数据和对照数据作为实验数据集；接着对该实验数据集进行分析，确定出对隧道事故风险有显著影响的事故先兆特征，并基于该实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；最终基于实时采集的进出口交通流数据、天气数据以及训练后的隧道事故实时风险预测模型实时预测隧道是否发生交通事故，实现对高速公路隧道事故风险的实时预测，进而为隧道事故预防措施(如流量、车速控制等措施)提供参考，以便提前干预提高隧道内车辆的行车安全。
下面结合具体实施例对上述步骤15得具体实现过程进行示例性说明。
在本申请的一些实施例中，上述步骤15，基于实验数据集，确定影响隧道事故风险的事故先兆特征得具体实现方式包括如下步骤：
步骤一，分别针对实验数据集中的每类数据，为该类数据定义一变量，并将该类数据作为该变量的数据。
上述实验数据集中包括进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率、出口平均车速、进出口流量差、进出口占有率差、进出口速度差以及天气数据这十类数据。在本申请的一些实施例中，需为这十类数据中的每类数据定义一变量，并将该类数据作为对应变量的数据。在此以进口流量进行示例说明，假设为进口流量定义的变量为t，则实验数据集中所有进口流量的数据为变量t的取值。
步骤二，使用斯皮尔曼相关系数计算定义的各变量之间的相关性值。
在本申请的一些实施例中，对于定义的任意两变量，可结合这两个变量的数据，使用斯皮尔曼相关系数计算这两个变量的相关性值。
其中，上述斯皮尔曼相关系数得表达式为：S表示计算得到的相关性值，n表示观测值数量(即事故融合数据和对照数据所包含的数据总条数)，di表示对应两个变量分别排序后成对的变量位置之差。需要说明的是，由于斯皮尔曼相关系数为常用的相关性分析方法，因此在此，不对斯皮尔曼相关系数的原理进行过多赘述。
步骤三，根据计算得到的相关性值，从定义的各变量中选取目标变量。
在本申请的一些实施例中，为了剔除具有强相关性的特征，提高事故先兆特征的准确性，需要在计算得到每两变量之间的相关性值之后，删除与事故是否发生相关性较弱的特征。
具体的，在计算得到任意两变量之间的相关性值(即斯皮尔曼相关系数值)后，若计算得到的相关性值中存在大于预设相关性值(如0.7)的相关性值，则分别计算该相关性值对应的两个变量与事故是否发生之间的相关系数(即斯皮尔曼相关系数值)，并将计算得到的相关系数中较小者对应的变量删除，然后将定义的所有变量中除被删除变量以外的其他变量作为目标变量。
示例性的，若进口流量与出口流量的相关性值为0.85，其中进口流量与事故因素(即事故是否发生)之间的相关系数为0.45，出口流量与事故因素(即事故是否发生)之间的相关性系数为0.3，则删除出口流量对应的变量，保留进口流量对应的变量。
在本申请的一些实施例中，上述变量与事故是否发生之间的相关系数也可以通过斯皮尔曼相关系数进行计算。可以理解的是，为便于计算变量与事故是否发生之间的相关系数，在实际处理时，可以为事故是否发生定义一变量(该变量的取值为0或者1，0表示未发生事故，1表示发生事故)，其中事故融合数据中该变量的值为1，对照数据中该变量的值为1或者0。
步骤四，利用条件Logistic回归模型计算每个目标变量对隧道事故风险的影响值。
步骤五，根据计算得到的影响值确定影响隧道事故风险的事故先兆特征。
在本申请的一些实施例中，可将影响值小于等于预设影响值(如0.05)的目标变量、以及天气数据对应的目标变量作为影响隧道事故风险的事故先兆特征。
需要说明的是，在实际预测过程中，在每采集到一次进出口交通流数据以及目标隧道所在区域的天气数据后，需要对该进出口交通流数据和天气数据进行分析，提取到每个事故先兆特征对应的数据(即事故先兆特征数据)，然后在基于提取到的事故先兆特征数据输入训练后的隧道事故实时风险预测模型进行隧道事故风险预测。
在此以一具体实例对事故先兆特征的确定过程进行示例性说明。
在该实例中，首先收集加利福尼亚洲15个隧道2018年的187条隧道交通事故，删除部分信息缺失以及误判事故，共得到180条有效事故数据，同时收集2018年15个隧道的进出口交通流数据，以及2018年15个隧道所在区域的天气数据(例如，2018年1月1日马林郡的天气为晴天)；然后从180条有效事故数据中筛选出隧道A的15条有效事故数据，并将这15条有效事故数据作为隧道A的事故数据，分别针对15条有效事故数据中的每个事故，查询匹配出该事故发生前n(此处n的取值为5)分钟内的进出口交通流数据和天气数据，再基于匹配出的进出口交通流数据和天气数据，得到隧道A的实验数据集；接着将该实验数据集中的每类数据定义为一变量，这些变量的描述统计情况如表1和表2所示。其中，在实际处理过程中，天气数据对应的变量可以为一个，在此处为便于统计情况的描述，对晴天、阴天、雨天、雪天进行分开说明。
变量 均值 标准差 最小值 最大值
进口流量 313.77 160.67 0.00 905.00
进口平均占有率 0.09 0.09 0.00 0.62
进口平均速度 59.31 11.59 10.00 73.92
出口流量 315.03 159.84 0.00 810.00
出口平均占有率 0.09 0.09 0.00 0.59
出口平均速度 59.16 11.79 5.89 73.20
进出口流量差 72.68 92.91 0.00 627.00
进出口占有率差 0.04 0.07 0.00 0.47
进出口速度差 5.23 7.36 0.00 57.80
表1
变量 无事故(单位：个) 事故(单位：个) 总计(单位：个)
晴天 558 69 627
阴天 76 56 132
雨天 61 49 110
雪天 25 6 31
总计 720 180 900
表2
在定义好变量后，使用斯皮尔曼相关系数计算每两个变量之间的斯皮尔曼相关系数值，并计算定义的每个变量与事故是否发生这个变量之间的斯皮尔曼相关系数值。其中，计算得到的斯皮尔曼相关系数值如表3所示。
表3
结合计算得到斯皮尔曼相关系数值以及目标变量的筛选原则，选定进口平均车速、出口平均占有率、出口平均车速、进出口流量差、进出口占有率差、进出口速度差、天气为目标变量；最终利用条件Logistic回归模型计算每个目标变量对隧道事故风险的影响值，并将影响值小于等于预设影响值(此处预设影响值为0.05)的目标变量(此处为进口平均车速、出口平均占有率、进出口流量差、进出口占有率差)，以及天气数据对应的目标变量作为影响隧道事故风险的事故先兆特征。其中，利用条件Logistic回归模型计算得到的影响值如表4所示，Estimate表示目标变量与隧道事故风险的相关强度，Pr(>|z|)表示目标变量对隧道事故风险的影响值。需要说明的是，表1至表4中的“-”表示该项不存在。
目标变量 Estimate Pr(>|z|)
进口平均车速 0.28 0.15
出口平均占有率 -0.21 0.49
出口平均车速 -0.87 0.00
进出口流量差 -0.36 0.13
进出口占有率差 -0.74 0.05
进出口速度差 0.76 0.00
雪天 0.45 0.47
阴天 2.41 0.00
雨天 1.77 0.00
晴天 - -
表4
下面结合具体测试结果对上述隧道事故实时风险预测模型的效果进行示例性的说明。
通过利用上述测试集数据对上述隧道事故实时风险预测模型进行测试，得到的测试结果如表5所示，ROC曲线如图2所示。其中，F1分数是统计学中用来衡量二分类模型精确度的一种指标，它同时兼顾了分类模型的精确率和召回率，ROC曲线为接受者操作特征曲线。需要说明的是，表5中的“-”表示该项不存在。
预测精度 查全率 F1分数 支持度
无事故 0.91 0.99 0.94 215
有事故 0.92 0.60 0.73 55
准确率 - - 0.91 270
宏平均 0.91 0.79 0.83 270
加权平均 0.91 0.91 0.90 270
表5
从表5可知，隧道事故实时风险预测模型的总精度在91％左右，表明隧道事故实时风险预测模型的预测精度高；从图2可知，AUC值(AUC值指的是ROC曲线下的面积)为0.97，接近于1，表明隧道事故实时风险预测模型的真实性高。
下面结合具体实施例对本申请提供的高速公路隧道事故实时风险预测装置进行示例性的说明。
如图3所示，本申请的实施例提供了一种高速公路隧道事故实时风险预测装置，该高速公路隧道事故实时风险预测装置300包括：
第一获取模块301，用于获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据；
数据匹配模块302，用于分别针对事故数据中的每个事故，从进出口交通流数据中匹配出事故发生前n分钟内的目标进出口交通流数据，并确定目标隧道所在区域在事故发生前n分钟内的天气数据；n为整数，且5≤n≤15；
第二获取模块303，用于分别针对每个事故，对事故对应的目标进出口交通流数据和天气数据进行融合处理，得到事故的事故融合数据，并获取事故融合数据的对照数据；
第一确定模块304，用于将事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集；
第二确定模块305，用于基于实验数据集，确定影响隧道事故风险的事故先兆特征；
模型训练模块306，用于基于实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；
数据采集模块307，用于每隔n分钟采集目标隧道的进出口交通流数据以及目标隧道所在区域的天气数据；每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据，每次采集的天气数据为采集时刻前n分钟内的天气数据；
风险预测模块308，用于针对每次采集到的进出口交通流数据和天气数据，根据隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
如图4所示，本申请的实施例提供了一种终端设备，如图4所示，该实施例的终端设备D10包括：至少一个处理器D100(图4中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，通过对隧道在预设历史时间段内的事故数据、进出口交通流数据以及相关天气数据进行分析，得到隧道在预设历史时间段内发生的每次事故对应的进出口交通流数据和天气数据，并将每次事故对应的进出口交通流数据和天气数据作为该事故的事故融合数据；然后针对隧道在预设历史时间段内发生的每次事故，获取该事故的事故融合数据对应的对照数据，并将预设历史时间段内发生的所有事故对应的事故融合数据和对照数据作为实验数据集；接着对该实验数据集进行分析，确定出对隧道事故风险有显著影响的事故先兆特征，并基于该实验数据集，以事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；最终基于实时采集的进出口交通流数据、天气数据以及训练后的隧道事故实时风险预测模型实时预测隧道事故风险，实现对高速公路隧道事故风险的实时预测，进而为隧道事故预防措施提供参考，以便提前干预提高隧道内车辆的行车安全。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到高速公路隧道事故实时风险预测装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种高速公路隧道事故实时风险预测方法，其特征在于，包括：
获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据；
分别针对所述事故数据中的每个事故，从所述进出口交通流数据中匹配出所述事故发生前n分钟内的目标进出口交通流数据，并确定所述目标隧道所在区域在所述事故发生前n分钟内的天气数据；n为整数，且；
分别针对每个所述事故，对所述事故对应的目标进出口交通流数据和天气数据进行融合处理，得到所述事故的事故融合数据，并获取所述事故融合数据的对照数据；
将所述事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集；
基于所述实验数据集，确定影响隧道事故风险的事故先兆特征；
基于所述实验数据集，以所述事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；
每隔n分钟采集所述目标隧道的进出口交通流数据以及所述目标隧道所在区域的天气数据；每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据，每次采集的天气数据为采集时刻前n分钟内的天气数据；
针对每次采集到的进出口交通流数据和天气数据，根据所述隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于所述事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险；
其中，所述基于所述实验数据集，确定影响隧道事故风险的事故先兆特征，包括：
分别针对所述实验数据集中的每类数据，为该类数据定义一变量，并将该类数据作为该变量的数据；
使用斯皮尔曼相关系数计算定义的各变量之间的相关性值；
根据计算得到的相关性值，从定义的各变量中选取目标变量；
利用条件Logistic回归模型计算每个目标变量对隧道事故风险的影响值；
根据计算得到的影响值确定影响隧道事故风险的事故先兆特征。
2.根据权利要求1所述的方法，其特征在于，所述根据计算得到的相关性值，从定义的各变量中选取目标变量，包括：
若计算得到的相关性值中存在大于预设相关性值的相关性值，则分别计算该相关性值对应的两个变量与事故是否发生之间的相关系数，并将计算得到的相关系数中较小者对应的变量删除；
将定义的所有变量中除被删除变量以外的其他变量作为目标变量。
3.根据权利要求1所述的方法，其特征在于，所述根据计算得到的影响值确定影响隧道事故风险的事故先兆特征，包括：
将影响值小于等于预设影响值的目标变量、以及天气数据对应的目标变量作为影响隧道事故风险的事故先兆特征。
4.根据权利要求1所述的方法，其特征在于，所述进出口交通流数据包括：进口流量、进口平均占有率、进口平均车速、出口流量、出口平均占有率以及出口平均车速。
5.根据权利要求1所述的方法，其特征在于，所述获取所述事故融合数据的对照数据，包括：
利用病例对照法，获取所述事故融合数据的对照数据。
6.一种高速公路隧道事故实时风险预测装置，其特征在于，包括：
第一获取模块，用于获取目标隧道在预设历史时间段内的事故数据和进出口交通流数据；
数据匹配模块，用于分别针对所述事故数据中的每个事故，从所述进出口交通流数据中匹配出所述事故发生前n分钟内的目标进出口交通流数据，并确定所述目标隧道所在区域在所述事故发生前n分钟内的天气数据；n为整数，且；
第二获取模块，用于分别针对每个所述事故，对所述事故对应的目标进出口交通流数据和天气数据进行融合处理，得到所述事故的事故融合数据，并获取所述事故融合数据的对照数据；
第一确定模块，用于将所述事故数据中所有事故对应的事故融合数据和对照数据作为实验数据集；
第二确定模块，用于基于所述实验数据集，确定影响隧道事故风险的事故先兆特征；
模型训练模块，用于基于所述实验数据集，以所述事故先兆特征为自变量、事故是否发生作为因变量，训练隧道事故实时风险预测模型，得到训练后的隧道事故实时风险预测模型；
数据采集模块，用于每隔n分钟采集所述目标隧道的进出口交通流数据以及所述目标隧道所在区域的天气数据；每次采集的进出口交通流数据为采集时刻前n分钟内的进出口交通流数据，每次采集的天气数据为采集时刻前n分钟内的天气数据；
风险预测模块，用于针对每次采集到的进出口交通流数据和天气数据，根据所述隧道事故实时风险预测模型的自变量，从采集到的进出口交通流数据和天气数据中提取事故先兆特征数据，并基于所述事故先兆特征数据和训练后的隧道事故实时风险预测模型预测隧道事故风险；
其中，所述第二确定模块，具体用于执行以下步骤：
分别针对所述实验数据集中的每类数据，为该类数据定义一变量，并将该类数据作为该变量的数据；
使用斯皮尔曼相关系数计算定义的各变量之间的相关性值；
根据计算得到的相关性值，从定义的各变量中选取目标变量；
利用条件Logistic回归模型计算每个目标变量对隧道事故风险的影响值；
根据计算得到的影响值确定影响隧道事故风险的事故先兆特征。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的高速公路隧道事故实时风险预测方法。
8.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的高速公路隧道事故实时风险预测方法。
CN202211170362.6A 2022-09-22 2022-09-22 高速公路隧道事故实时风险预测方法、装置、设备及介质 Active CN115565373B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211170362.6A CN115565373B (zh) 2022-09-22 2022-09-22 高速公路隧道事故实时风险预测方法、装置、设备及介质
PCT/CN2023/087326 WO2024060588A1 (zh) 2022-09-22 2023-04-10 高速公路隧道事故实时风险预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211170362.6A CN115565373B (zh) 2022-09-22 2022-09-22 高速公路隧道事故实时风险预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115565373A CN115565373A (zh) 2023-01-03
CN115565373B true CN115565373B (zh) 2024-04-05

Family

ID=84743550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211170362.6A Active CN115565373B (zh) 2022-09-22 2022-09-22 高速公路隧道事故实时风险预测方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN115565373B (zh)
WO (1) WO2024060588A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115565373B (zh) * 2022-09-22 2024-04-05 中南大学 高速公路隧道事故实时风险预测方法、装置、设备及介质
CN118015839B (zh) * 2024-04-08 2024-07-09 清华大学 一种高速公路路域风险预测方法及装置
CN118365149B (zh) * 2024-06-20 2024-10-11 山东高速股份有限公司 高速路网风险预测方法、装置、设备、存储介质及产品
CN118506555B (zh) * 2024-07-18 2024-09-27 济南城市建设集团有限公司 一种基于多隧道联动的环境预警方法、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170065898A (ko) * 2015-12-04 2017-06-14 한국교통연구원 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
KR20180078029A (ko) * 2016-12-29 2018-07-09 (주) 더아이엠씨 교통 위험도 분석방법 및 이를 포함하는 저장매체
CN111126868A (zh) * 2019-12-30 2020-05-08 中南大学 一种道路交通事故发生风险确定方法及系统
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN113095584A (zh) * 2021-04-23 2021-07-09 中南大学 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质
CN113269960A (zh) * 2021-05-17 2021-08-17 郑州航空工业管理学院 一种高速公路隧道群交通事故风险的分析方法
CN113744526A (zh) * 2021-08-25 2021-12-03 江苏大学 一种基于lstm和bf的高速公路风险预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198713B (zh) * 2013-03-21 2016-01-06 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
KR20210032758A (ko) * 2019-09-17 2021-03-25 주식회사 퀀텀게이트 터널 내 교통 흐름 정보에 기초한 교통 안전 제공 시스템 및 방법
JP7534869B2 (ja) * 2020-05-18 2024-08-15 株式会社オリエンタルコンサルタンツ 事故予測方法、コンピュータプログラム及び事故予測装置
CN112101759A (zh) * 2020-09-03 2020-12-18 交通运输部科学研究院 高速公路隧道的风险评估模型构建、风险评估方法及装置
CN112149922A (zh) * 2020-11-03 2020-12-29 南京信息职业技术学院 高速公路隧道下行线出入口区域事故严重程度预测方法
CN112990545B (zh) * 2021-02-08 2022-11-18 东南大学 一种高速公路交织区交通安全状态预测方法
CN114970943B (zh) * 2022-03-29 2023-04-07 浙江省交通投资集团有限公司智慧交通研究分公司 一种高速公路事故类型与严重程度预测方法
CN115565373B (zh) * 2022-09-22 2024-04-05 中南大学 高速公路隧道事故实时风险预测方法、装置、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170065898A (ko) * 2015-12-04 2017-06-14 한국교통연구원 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
KR20180078029A (ko) * 2016-12-29 2018-07-09 (주) 더아이엠씨 교통 위험도 분석방법 및 이를 포함하는 저장매체
CN111126868A (zh) * 2019-12-30 2020-05-08 中南大学 一种道路交通事故发生风险确定方法及系统
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN113095584A (zh) * 2021-04-23 2021-07-09 中南大学 一种基于交通流特征的交叉口安全水平短时预测方法、系统、终端及可读存储介质
CN113269960A (zh) * 2021-05-17 2021-08-17 郑州航空工业管理学院 一种高速公路隧道群交通事故风险的分析方法
CN113744526A (zh) * 2021-08-25 2021-12-03 江苏大学 一种基于lstm和bf的高速公路风险预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Risk analysis for severe traffic accidents in long road tunnels;Konstantinos Gkoumas et al.;《Int. J. Forensic Engineering》;20161231;第106-126页 *
基于Hankel-DMD的城市交通事故风险时空预测;金杰灵 等;《中国安全生产科学技术》;20220831;第18卷(第8期);第18-23页 *

Also Published As

Publication number Publication date
CN115565373A (zh) 2023-01-03
WO2024060588A1 (zh) 2024-03-28

Similar Documents

Publication Publication Date Title
CN115565373B (zh) 高速公路隧道事故实时风险预测方法、装置、设备及介质
CN105303197B (zh) 一种基于机器学习的车辆跟车安全自动评估方法
CN111815986B (zh) 一种交通事故预警方法、装置、终端设备及存储介质
Yang et al. A Bayesian dynamic updating approach for urban expressway real-time crash risk evaluation
CN111462488B (zh) 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN108847022B (zh) 一种微波交通数据采集设备的异常值检测方法
Jonsson Classification of road conditions: From camera images and weather data
CN103150900A (zh) 一种基于视频的交通拥堵事件自动检测方法
Das et al. Association of reduced visibility with crash outcomes
CN112634614B (zh) 一种长下坡交通事件实时检测方法、装置及存储介质
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
Lestyan et al. Extracting vehicle sensor signals from CAN logs for driver re-identification
CN108764375B (zh) 高速公路货运车辆跨省匹配方法及装置
CN114076631A (zh) 超载车辆识别方法、系统及设备
CN106910334B (zh) 一种基于大数据预测路段状况的方法及装置
CN109598931A (zh) 基于交通安全风险的群体划分与差异性分析方法及系统
CN115080638B (zh) 微观仿真的多源数据融合分析方法、电子设备及存储介质
CN110562261B (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
Wang et al. Real-time safety analysis for expressways considering the heterogeneity of different segment types
Bitar et al. A probabilistic approach to improve the accuracy of axle-based automatic vehicle classifiers
Mo et al. Dynamic short-term crash analysis and prediction at toll plazas for proactive safety management
CN116680514A (zh) 驾驶员风险等级的计算方法、装置、设备及存储介质
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
Ke et al. A hybrid approach for urban expressway traffic incident duration prediction with Cox regression and random survival forests models
Adeel et al. Enhancing work zone crash severity analysis: The role of synthetic minority oversampling technique in balancing minority categories

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