CN118378901B - 一种高速公路交通事故影响程度动态评价方法及设备 - Google Patents
一种高速公路交通事故影响程度动态评价方法及设备 Download PDFInfo
- Publication number
- CN118378901B CN118378901B CN202410822196.6A CN202410822196A CN118378901B CN 118378901 B CN118378901 B CN 118378901B CN 202410822196 A CN202410822196 A CN 202410822196A CN 118378901 B CN118378901 B CN 118378901B
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- expressway
- network
- highway
- 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
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 168
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000035772 mutation Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000010485 coping Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速公路交通事故影响程度动态评价方法及设备，属于高速公路交通控制技术领域，用于解决现有高速公路发生交通事故后，难以对高速公路交通事故的影响程度进行动态预测，不利于有效开展事故严重程度的估计，容易使交通运输效能产生严重的负面影响的技术问题。方法包括：确定出事故点位局部高速路网；将预设的结构性指标以及功能性指标进行指标融合，并根据融合后的综合指标，对高速公路交通事故的严重程度进行连续均衡化处理，得到高速公路交通事故的事故严重程度评价体系；将交通流自然演化规律信息与事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到高速公路交通事故的事故影响因素体系。
Description
技术领域
本申请涉及高速公路交通控制领域，尤其涉及一种高速公路交通事故影响程度动态评价方法及设备。
背景技术
近年来，我国高速公路迅速发展，高速总里程稳居世界第一，有效地促进了经济和社会的发展，同时给人民群众的出行带来了极大的便利。但是随着居民出行需求的不断增加以及高速路网结构的复杂化，伴随而来的是愈加频繁的高速公路交通事故。当高速公路路段发生交通事故后，部分车道被事故车辆占据，整个路段的通行能力急剧下降，很容易产生事故发生地点上游的大规模交通拥堵和二次交通事故，进而对整个高速公路路网的交通运输效能产生严重的负面影响。
高速公路交通事故发生后，很难在极短时间内完成事故责任鉴定和交通疏通。因此，交通事故对高速公路的影响时间相对城市道路而言更长。这种情况下，如何有效评价事故对高速公路交通运输的中长期影响对交警和高速路政人员开展应急管理具有重要的参考价值。
发明内容
本申请实施例提供了一种高速公路交通事故影响程度动态评价方法及设备，用于解决如下技术问题：现有高速公路发生交通事故后，难以对高速公路交通事故的影响程度进行动态预测，不利于有效开展事故严重程度的估计，容易使交通运输效能产生严重的负面影响。
本申请实施例采用下述技术方案：
一方面，本申请实施例提供了一种高速公路交通事故影响程度动态评价方法，包括：根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网；基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标；将预设的结构性指标以及所述功能性指标进行指标融合，并根据融合后的综合指标，对所述高速公路交通事故的严重程度进行连续均衡化处理，得到所述高速公路交通事故的事故严重程度评价体系；将所述高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息；将所述交通流自然演化规律信息与所述事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到所述高速公路交通事故的事故影响因素体系；根据所述事故严重程度评价体系以及所述事故影响因素体系，对所述高速公路交通事故进行交通事故影响程度动态预测，得到基于所述高速公路交通事故的动态影响评价信息。
本申请实施例通过对事故点位局部高速路网的划分和功能性指标的评估，可以更准确地评价高速公路交通事故的严重程度。这有助于相关部门及时采取适当的救援和应对措施，提高事故处理的效率和安全性。这有助于更好地理解事故的原因和影响，为制定改进措施提供依据。还能更客观地比较不同事故的严重程度，为决策提供更有价值的信息。以及助于深入了解事故的发生机制和影响范围，为预防和减少事故提供指导。同时可以及时了解事故对交通的影响，并采取相应的交通管理措施，以减少事故对交通的影响，提高交通运行的效率和安全性。有利于根据预测结果制定合理的应急预案、资源调配和交通管理策略，以最大程度地减少事故的损失和影响。
在一种可行的实施方式中，在根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网之前，所述方法还包括：基于高速公路网节点集合以及高速公路网节点之间的连线集合，确定出所述高速公路交通路网；其中，所述高速公路网节点集合至少包括：高速收费站以及互通立交桥；对所述连线集合中任意两个高速公路网节点之间的最短距离进行相似度评价，得到所述高速公路网节点的静态相似度；识别出所述连线集合中与单一高速公路网节点相连的所有路段集合，并采集处于相连下所有路段集合中历史时间段上的相连路段流量序列；根据，得到高速公路网节点i的流量序列特征；其中，为所述相连路段流量序列；为与所述高速公路网节点i相连的所有路段；K为与所述高速公路网节点i相连的其他高速公路网节点的数量，k为所述其他高速公路网节点；根据，得到所述高速公路网节点的动态相似度；其中，表示所述高速公路网节点i的流量序列特征和高速公路网节点j的流量序列特征的协方差；和分别表示所述高速公路网节点i的流量序列特征和所述高速公路网节点j的流量序列特征的标准差；根据，得到所述高速公路网节点i与所述高速公路网节点j之间的节点相似度；其中，为所述静态相似度的权重；为所述动态相似度的权重；基于所述高速公路交通路网，对节点相似度进行矩阵构建，得到节点相似度矩阵。
在一种可行的实施方式中，根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网，具体包括：基于所述点相似度矩阵，并通过预设的Louvain算法，将所述高速公路交通路网进行子网划分，确定出若干高速公路子网；提取所述高速公路交通事故的位置信息；根据所述位置信息，对若干所述高速公路子网进行位置匹配，确定出所述高速公路交通事故所在的所述事故点位局部高速路网；其中，所述事故点位局部高速路网包括：局部高速公路网节点集合、局部高速公路网节点之间的路段集合以及局域高速公路网节点数量。
在一种可行的实施方式中，在基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标之前，所述方法还包括：根据，得到所述事故点位局部高速路网的交通效率；其中，表示所述事故点位局部高速路网中第个节点和第个节点之间的最短路径上的边数；G为所述事故点位局部高速路网的节点数量；根据所述高速公路交通事故的事故发生时刻，将所述交通效率划分为事故发生时刻前的第一交通效率以及事故发生时刻后的第二交通效率；基于所述第一交通效率以及所述第二交通效率，构建出所述结构性指标。
在一种可行的实施方式中，基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标，具体包括：根据，得到所述事故发生时刻后的功能性指标；其中，M为所述事故点位局部高速路网中的高速门架数量；m为高速门架；为所述高速门架m在所述事故发生时刻后，以t时刻为中心的时间间隙内所有途径车辆的瞬时速度的均值；为事故发生时刻前所述高速门架m的平均速度。
在一种可行的实施方式中，将预设的结构性指标以及所述功能性指标进行指标融合，并根据融合后的综合指标，对所述高速公路交通事故的严重程度进行连续均衡化处理，得到所述高速公路交通事故的事故严重程度评价体系，具体包括：根据，得到所述综合指标；其中，为所述结构性指标；为所述功能性指标；为所述结构性指标的权重；为所述功能性指标的权重；根据，得到所述事故严重程度评价体系；其中，为事故影响时间；且，；且，；为事故发生时刻前的第一交通效率；为事故发生时刻后的第二交通效率。
在一种可行的实施方式中，将所述高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息，具体包括：通过所述高速门架，并基于所述高速公路交通事故的事故未发生时刻，获取所述事故点位局部高速路网中与所述高速公路交通事故相连路段的第一交通流量序列集合；基于所述第一交通流量序列集合，确定出第一交通流量序列长度；通过预设的时间卷积网络，对所述第一交通流量序列长度进行多层次的序列特征提取，输出交通流量特征信息；并将所述交通流量特征信息确定为所述交通流自然演化规律信息。
在一种可行的实施方式中，将所述交通流自然演化规律信息与所述事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到所述高速公路交通事故的事故影响因素体系，具体包括：通过无人机，并基于所述高速公路交通事故的事故发生时刻，获取所述事故点位局部高速路网中与所述高速公路交通事故相连路段的第二交通流量序列集合；通过预设的时间卷积网络，对所述第二交通流量序列集合进行多层次的序列特征提取，确定出所述事故诱发交通流突变信息；采集所述高速公路交通事故中的事故本身严重程度信息；其中，所述事故本身严重程度信息包括：事故受伤人数、事故当场死亡人数、涉事车辆数以及事故车道占用率；将所述交通流自然演化规律信息与所述事故本身严重程度信息以及所述事故诱发交通流突变信息进行信息集合化处理，得到事故影响因素集合；基于所述事故影响因素集合，构建出所述事故影响因素体系。
在一种可行的实施方式中，根据所述事故严重程度评价体系以及所述事故影响因素体系，对所述高速公路交通事故进行交通事故影响程度动态预测，得到基于所述高速公路交通事故的动态影响评价信息，具体包括：基于神经网络技术以及通道注意力模型，构建交通事故影响程度动态预测模型；其中，所述交通事故影响程度动态预测模型的输入为所述事故影响因素体系，输出为所述事故严重程度评价体系；通过所述事故影响因素体系中的历史事故影响因素集合以及所述事故严重程度评价体系中的历史事故严重程度评价集合，完成对所述交通事故影响程度动态预测模型的模型训练；将当前高速公路交通事故信息输入到所述交通事故影响程度动态预测模型中，得到所述动态影响评价信息。
另一方面，本申请实施例还提供了一种高速公路交通事故影响程度动态评价设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施例所述的一种高速公路交通事故影响程度动态评价方法。
本申请提供了一种高速公路交通事故影响程度动态评价方法及设备，与现有技术相比，本申请实施例具有以下有益的技术效果：
1. 事故严重程度评价：通过对事故点位局部高速路网的划分和功能性指标的评估，可以更准确地评价高速公路交通事故的严重程度。这有助于相关部门及时采取适当的救援和应对措施，提高事故处理的效率和安全性。
2. 综合指标融合：将结构性指标和功能性指标进行融合，能够综合考虑高速公路的物理结构和交通运行情况，提供更全面的评价体系。这有助于更好地理解事故的原因和影响，为制定改进措施提供依据。
3. 连续均衡化处理：对事故严重程度进行连续均衡化处理，可以减少评价结果的离散性，提高评价的准确性和可靠性。这有助于更客观地比较不同事故的严重程度，为决策提供更有价值的信息。
4. 事故影响因素分析：通过提取交通流自然演化规律信息，并将其与事故本身严重程度信息和事故诱发交通流突变信息进行融合，可以更全面地分析高速公路交通事故的影响因素。这有助于深入了解事故的发生机制和影响范围，为预防和减少事故提供指导。
5. 动态预测：基于事故严重程度评价体系和事故影响因素体系，进行交通事故影响程度的动态预测，可以及时了解事故对交通的影响，并采取相应的交通管理措施，以减少事故对交通的影响，提高交通运行的效率和安全性。
6. 决策支持：提供的动态影响评价信息可以为交通管理部门、救援机构和相关决策者提供有力的支持。他们可以根据预测结果制定合理的应急预案、资源调配和交通管理策略，以最大程度地减少事故的损失和影响。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请中记载的一些实施例，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。在附图中：
图1为本申请实施例提供的一种高速公路交通事故影响程度动态评价方法流程图；
图2为本申请实施例提供的一种交通事故影响程度动态预测模型的输入端；
图3为本申请实施例提供的一种交通事故影响程度动态预测模型的输出端；
图4为本申请实施例提供的一种高速公路交通事故影响程度动态评价设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，目前的高速公路交通事故严重程度分析和预测方法均以事故本身属性作为分析依据，部分研究者将事故发生之前的交通状态纳入到分析依据。但是事故的发生将导致高速公路交通状态的突变，仅仅基于交通事故时刻和交通事故之前的交通信息很难有效的刻画未来交通状态的变化和运输效能的变化。
另外，现有的研究人员大多数使用轻微事故、一般事故、严重事故等有限离散的等级来衡量交通事故严重程度，但在实际的交通场景中，绝大多数高速公路交通事故都属于轻微交通事故，这就导致开展交通事故严重程度分析时，面临严重的交通事故样本不均衡问题，不利于有效地开展事故严重程度预测建模。
针对以上两个问题，本申请提出了一种高速公路交通事故影响程度动态评价方法：
（1）本申请摒弃了传统的事故严重程度分级方法，而是使用重新建立新的交通事故影响程度评价指标，并形成连续化的交通事故严重程度值。有效克服事故严重程度分析中的样本不均衡问题。
（2）本申请认为交通事故的严重程度包括两个层面，第一层面是交通事故本身的严重程度，如受伤人数、死亡人数、占用车道数量等。第二层面是对交通的影响程度，但从本质上来说，交通事故发生后的交通状态又受到两个方面的影响，分别是交通流的自然演化规律和交通事故诱发的交通流突变。本申请将“交通事故本身的严重程度信息”、“交通流的自然演化规律信息”和“事故诱发的交通流突变信息”进行融合，并将融合结果作为交通事故严重程度的影响因素。
具体而言，在本申请中，交通流的自然演化规律信息基于交通事故发生前的交通流序列来提取，这一结果是不受事故影响的。交通事故诱发的交通流突变信息则通过交通事故发生后短期内的交通流量来提取。
需要说明的是，交通事故发生后短期内的交通流量是基于高速公路巡检无人机来获取的。高速公路交通事故发生后，无人机利用其灵活性，可在短时间内抵达事故发生地点周边，开展事故路段及相关路段的道路图像信息采集，并使用计算机视觉算法实现车辆检测和流量分析，这为交通事故严重程度的中长期评价提供了新的数据来源。
本申请实施例提供了一种高速公路交通事故影响程度动态评价方法，如图1所示，高速公路交通事故影响程度动态评价方法具体包括步骤S101-S106：
S101、根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网。
具体地，首先基于高速公路网节点集合以及高速公路网节点之间的连线集合，确定出高速公路交通路网。其中，高速公路网节点集合至少包括：高速收费站以及互通立交桥。
在一个实施例中，基于高速公路路网构建复杂网络拓扑结构，即高速公路交通路网：。其中，表示高速公路网节点（包括收费站、互通立交桥等）的集合，H为高速公路网节点的数量；为高速公路节点之间的连线集合，如果高速公路网节点i和高速公路网节点j之间存在路段，则，否则，则。
进一步地，再对连线集合中任意两个高速公路网节点之间的最短距离进行相似度评价，得到高速公路网节点的静态相似度。即，针对节点i和节点j，将两者之间的最短距离作为静态相似度的衡量依据。
进一步地，识别出连线集合中与单一高速公路网节点相连的所有路段集合，并采集处于相连下所有路段集合中历史时间段上的相连路段流量序列。
进一步地，根据，得到高速公路网节点i的流量序列特征。其中，为相连路段流量序列；为与高速公路网节点i相连的所有路段；K为与高速公路网节点i相连的其他高速公路网节点的数量，k为其他高速公路网节点。也就是，需要将与节点i相连的所有路段的流量序列的均值作为节点i的流量序列特征。
在一个实施例中，针对节点i，中与该节点相连的其余路段集合为，其中表示节点i与其余节点k之间的路段。进一步，时间段内路段上的相连路段流量序列为。
进一步地，根据，得到高速公路网节点的动态相似度。其中，表示高速公路网节点i的流量序列特征和高速公路网节点j的流量序列特征的协方差；和分别表示高速公路网节点i的流量序列特征和高速公路网节点j的流量序列特征的标准差。
进一步地，根据，得到高速公路网节点i与高速公路网节点j之间的节点相似度。其中，为静态相似度的权重；为动态相似度的权重；基于高速公路交通路网，对节点相似度进行矩阵构建，得到节点相似度矩阵。
进一步地，基于节点相似度矩阵，并通过预设的Louvain算法，将高速公路交通路网进行子网划分，确定出若干高速公路子网。
进一步地，再提取高速公路交通事故的位置信息。然后根据位置信息，对若干高速公路子网进行位置匹配，确定出高速公路交通事故所在的事故点位局部高速路网。其中，事故点位局部高速路网包括：局部高速公路网节点集合、局部高速公路网节点之间的路段集合以及局域高速公路网节点数量。
在一个实施例中，基于SIM节点相似度矩阵，使用Louvain算法来进行局部路网的划分，形成若干个高速公路子网，并将交通事故发生点位所在的子网称为事故点位局部高速路网，记为，其中，表示事故点位局部高速路网节点（包括收费站、互通立交桥等）的集合，G为事故点位局部高速路网节点的数量；为事故点位局部高速路网节点之间的路段，如果节点i和节点j之间存在路段，则，否则，则；且发生交通事故的路段。
S102、基于事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标。
具体地，先根据，得到事故点位局部高速路网的交通效率。其中，表示事故点位局部高速路网中第个节点和第个节点之间的最短路径上的边数；G为事故点位局部高速路网的节点数量。
进一步地，根据高速公路交通事故的事故发生时刻，将交通效率划分为事故发生时刻前的第一交通效率以及事故发生时刻后的第二交通效率。基于第一交通效率以及第二交通效率，构建出结构性指标。
进一步地，若故点位局部高速路网内共计门架个，事故发生时刻前个门架的平均速度为。事故发生时刻t时间后，个门架检测的平均速度为，那么t时刻：根据，得到事故发生时刻后的功能性指标。其中，M为事故点位局部高速路网中的高速门架数量。m为高速门架。为高速门架m在事故发生时刻后，以t时刻为中心的时间间隙内所有途径车辆的瞬时速度的均值；为事故发生时刻前高速门架m的平均速度。
S103、将预设的结构性指标以及功能性指标进行指标融合，并根据融合后的综合指标，对高速公路交通事故的严重程度进行连续均衡化处理，得到高速公路交通事故的事故严重程度评价体系。
具体地，首先根据，得到综合指标。其中，为结构性指标；为功能性指标；为结构性指标的权重；为功能性指标的权重。
进一步地，接着根据，得到事故严重程度评价体系。其中，为事故影响时间；且，；且，；为事故发生时刻前的第一交通效率；为事故发生时刻后的第二交通效率。
作为一种可行的实施方式，将综合指标的变换率与事故影响时间的乘积的累计作为衡量高速公路交通事故严重程度的衡量依据，也就是构建出高速公路交通事故的事故严重程度评价体系。
S104、将高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息。
具体地，先通过高速门架，并基于高速公路交通事故的事故未发生时刻，获取事故点位局部高速路网中与高速公路交通事故相连路段的第一交通流量序列集合。
进一步地，再基于第一交通流量序列集合，确定出第一交通流量序列长度。
进一步地，利用预设的时间卷积网络，对第一交通流量序列长度进行多层次的序列特征提取，输出交通流量特征信息。并将交通流量特征信息确定为交通流自然演化规律信息。其中，多层次包括：输入层、隐藏层以及输出层。
在一个实施例中，基于高速公路路侧设备（如ETC门架）收集交通事故发生前分钟内局部高速公路G条路段的第一交通流量序列集合，记为，其中表示第g条路段的交通流量序列，第一交通流量序列长度为，该数值满足，其中，是交通流量统计的时间间隔。
在一个实施例中，本申请使用TCN（时间卷积网络）来提取事故时刻的交通特性。TCN具有对时间序列数据进行特征提取的功能。以第g条路段为例，将序列作为TCN的输入，那么TCN的输出即为交通流自然演化规律信息，记为。那么对于事故点位局部高速路网来说，G条路段可形成自然演化规律信息的特征集合为。
S105、将交通流自然演化规律信息与事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到高速公路交通事故的事故影响因素体系。
具体地，需要通过无人机，并基于高速公路交通事故的事故发生时刻，获取事故点位局部高速路网中与高速公路交通事故相连路段的第二交通流量序列集合。
进一步地，再通过预设的时间卷积网络，对第二交通流量序列集合进行多层次的序列特征提取，确定出事故诱发交通流突变信息。
在一个实施例中，事故发生后，即基于高速公路交通事故的事故发生时刻，利用高速公路路侧设备（如ETC门架）收集，共计分钟局部高速公路G条路段的交通流量序列集合,记为，其中表示第g条路段的交通流量序列，第二交通流量序列集合为，可表示为，且满足；其中，是交通流量统计的时间间隔。
在一个实施中，本申请使用TCN来提取事故时刻的交通特性。TCN具有对时间序列数据进行特征提取的功能。以第g条路段为例，将序列作为TCN的输入，那么TCN的输出即为事故诱发交通流突变信息，记为。此时，对于事故点位局部高速路网来说，G条路段可形成事故诱发交通流突变信息的特征集合为。
进一步地，采集高速公路交通事故中的事故本身严重程度信息。其中，事故本身严重程度信息包括：事故受伤人数、事故当场死亡人数、涉事车辆数以及事故车道占用率。
在一个实施例中，本申请使用事故诱发交通流突变、事故当场死亡人数、涉事车辆数、事故车道占用率。计算公式为：；其中，是指交通事故占用的车道数量，是指道路车道总数。
进一步地，将交通流自然演化规律信息与事故本身严重程度信息以及事故诱发交通流突变信息进行信息集合化处理，得到事故影响因素集合。基于事故影响因素集合，构建出事故影响因素体系。
在一个实施例中，将“事故本身严重程度信息”、“交通流自然演化规律信息”和“事故诱发交通流突变信息”进行信息融合，科形成高速公路交通事故的事故影响因素集合X： 。然后基于事故影响因素集合X，以便于构建出事故影响因素体系。
S106、根据事故严重程度评价体系以及事故影响因素体系，对高速公路交通事故进行交通事故影响程度动态预测，得到基于高速公路交通事故的动态影响评价信息。
具体地，需要利用神经网络技术以及通道注意力模型，构建交通事故影响程度动态预测模型。其中，交通事故影响程度动态预测模型的输入为事故影响因素体系，输出为事故严重程度评价体系。
进一步地，通过事故影响因素体系中的历史事故影响因素集合以及事故严重程度评价体系中的历史事故严重程度评价集合，完成对交通事故影响程度动态预测模型的模型训练。
进一步地，将当前高速公路交通事故信息输入到交通事故影响程度动态预测模型中，得到动态影响评价信息。
在一个实施例中，图2为本申请实施例提供的一种交通事故影响程度动态预测模型的输入端以及图3为本申请实施例提供的一种交通事故影响程度动态预测模型的输出端，本申请将基于CNN+通道注意力模型，构建交通事故影响程度动态预测模型Model。Model模型的基本框架如图2以及图3所示。其中，模型的输入为事故影响因素体系中的历史事故影响因素集合X，模型的输出为事故严重程度评价体系中的历史事故影响因素集合。注意力通道的目的是针对不同的通道（即不同的影响因素）赋予不同的权重。
在一个实施例中，关于交通事故影响程度动态预测模型的训练：先收集高速公路历史交通事故数据，假定共计收集起交通事故，针对第起交通事故，根据上述具体实施步骤，获得历史交通事故的历史事故影响因素集合和历史事故影响因素集合，最终得到模型的训练样本集合。基于可完成交通事故影响程度动态预测模型Model的训练。然后，针对当前高速公路交通事故，根据上述具体实施步骤，可以得到该起高速公路交通事故的事故影响因素集合，使用训练好的Model可推理得到事故影响因素集合。进而形成可以反映出高速公路交通事故影响程度动态评价结果的动态影响评价信息。
另外，本申请实施例还提供了一种高速公路交通事故影响程度动态评价设备，如图4所示，高速公路交通事故影响程度动态评价设备400具体包括：
至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存储器402存储有能够被至少一个处理器401执行的指令，以使至少一个处理器401能够执行：
根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网；
基于事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标；
将预设的结构性指标以及功能性指标进行指标融合，并根据融合后的综合指标，对高速公路交通事故的严重程度进行连续均衡化处理，得到高速公路交通事故的事故严重程度评价体系；
将高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息；
将交通流自然演化规律信息与事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到高速公路交通事故的事故影响因素体系；
根据事故严重程度评价体系以及事故影响因素体系，对高速公路交通事故进行交通事故影响程度动态预测，得到基于高速公路交通事故的动态影响评价信息。
本申请实施例通过对事故点位局部高速路网的划分和功能性指标的评估，可以更准确地评价高速公路交通事故的严重程度。这有助于相关部门及时采取适当的救援和应对措施，提高事故处理的效率和安全性。这有助于更好地理解事故的原因和影响，为制定改进措施提供依据。还能更客观地比较不同事故的严重程度，为决策提供更有价值的信息。以及助于深入了解事故的发生机制和影响范围，为预防和减少事故提供指导。同时可以及时了解事故对交通的影响，并采取相应的交通管理措施，以减少事故对交通的影响，提高交通运行的效率和安全性。有利于根据预测结果制定合理的应急预案、资源调配和交通管理策略，以最大程度地减少事故的损失和影响。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种高速公路交通事故影响程度动态评价方法，其特征在于，所述方法包括：
根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网；
其中，在根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网之前，所述方法还包括：
基于高速公路网节点集合以及高速公路网节点之间的连线集合，确定出所述高速公路交通路网；其中，所述高速公路网节点集合至少包括：高速收费站以及互通立交桥；
对所述连线集合中任意两个高速公路网节点之间的最短距离进行相似度评价，得到所述高速公路网节点的静态相似度；
识别出所述连线集合中与单一高速公路网节点相连的所有路段集合，并采集处于相连下所有路段集合中历史时间段上的相连路段流量序列；
根据，得到高速公路网节点i的流量序列特征；其中，为所述相连路段流量序列；为与所述高速公路网节点i相连的所有路段；K为与所述高速公路网节点i相连的其他高速公路网节点的数量，k为所述其他高速公路网节点；
根据，得到所述高速公路网节点的动态相似度；其中，表示所述高速公路网节点i的流量序列特征和高速公路网节点j的流量序列特征的协方差；和分别表示所述高速公路网节点i的流量序列特征和所述高速公路网节点j的流量序列特征的标准差；
根据，得到所述高速公路网节点i与所述高速公路网节点j之间的节点相似度；其中，为所述静态相似度的权重；为所述动态相似度的权重；
基于所述高速公路交通路网，对节点相似度进行矩阵构建，得到节点相似度矩阵；
其中，根据高速公路交通事故的位置信息，对高速公路交通路网进行局部子网划分，确定出事故点位局部高速路网，具体包括：
基于所述点相似度矩阵，并通过预设的Louvain算法，将所述高速公路交通路网进行子网划分，确定出若干高速公路子网；
提取所述高速公路交通事故的位置信息；
根据所述位置信息，对若干所述高速公路子网进行位置匹配，确定出所述高速公路交通事故所在的所述事故点位局部高速路网；其中，所述事故点位局部高速路网包括：局部高速公路网节点集合、局部高速公路网节点之间的路段集合以及局域高速公路网节点数量；
基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标；
其中，在基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标之前，所述方法还包括：
根据，得到所述事故点位局部高速路网的交通效率；其中，表示所述事故点位局部高速路网中第个节点和第个节点之间的最短路径上的边数；G为所述事故点位局部高速路网的节点数量；
根据所述高速公路交通事故的事故发生时刻，将所述交通效率划分为事故发生时刻前的第一交通效率以及事故发生时刻后的第二交通效率；
基于所述第一交通效率以及所述第二交通效率，构建出结构性指标；
其中，基于所述事故点位局部高速路网中的事故发生时刻以及高速门架数量，评估出功能性指标，具体包括：
根据，得到所述事故发生时刻后的功能性指标；其中，M为所述事故点位局部高速路网中的高速门架数量；m为高速门架；为所述高速门架m在所述事故发生时刻后，以t时刻为中心的时间间隙内所有途径车辆的瞬时速度的均值；为事故发生时刻前所述高速门架m的平均速度；
将预设的结构性指标以及所述功能性指标进行指标融合，并根据融合后的综合指标，对所述高速公路交通事故的严重程度进行连续均衡化处理，得到所述高速公路交通事故的事故严重程度评价体系；
其中，将预设的结构性指标以及所述功能性指标进行指标融合，并根据融合后的综合指标，对所述高速公路交通事故的严重程度进行连续均衡化处理，得到所述高速公路交通事故的事故严重程度评价体系，具体包括：
根据，得到所述综合指标；其中，为所述结构性指标；为所述功能性指标；为所述结构性指标的权重；为所述功能性指标的权重；
根据，得到所述事故严重程度评价体系；其中，为事故影响时间；且，；且，；为事故发生时刻前的第一交通效率；为事故发生时刻后的第二交通效率；
将所述高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息；
将所述交通流自然演化规律信息与所述事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到所述高速公路交通事故的事故影响因素体系；
根据所述事故严重程度评价体系以及所述事故影响因素体系，对所述高速公路交通事故进行交通事故影响程度动态预测，得到基于所述高速公路交通事故的动态影响评价信息。
2.根据权利要求1所述的一种高速公路交通事故影响程度动态评价方法，其特征在于，将所述高速公路交通事故中在事故未发生时刻下的交通流量序列集合进行交通特性特征的提取处理，得到交通流自然演化规律信息，具体包括：
通过所述高速门架，并基于所述高速公路交通事故的事故未发生时刻，获取所述事故点位局部高速路网中与所述高速公路交通事故相连路段的第一交通流量序列集合；
基于所述第一交通流量序列集合，确定出第一交通流量序列长度；
通过预设的时间卷积网络，对所述第一交通流量序列长度进行多层次的序列特征提取，输出交通流量特征信息；并将所述交通流量特征信息确定为所述交通流自然演化规律信息。
3.根据权利要求1所述的一种高速公路交通事故影响程度动态评价方法，其特征在于，将所述交通流自然演化规律信息与所述事故发生时刻下的事故本身严重程度信息以及事故诱发交通流突变信息进行数据融合，得到所述高速公路交通事故的事故影响因素体系，具体包括：
通过无人机，并基于所述高速公路交通事故的事故发生时刻，获取所述事故点位局部高速路网中与所述高速公路交通事故相连路段的第二交通流量序列集合；
通过预设的时间卷积网络，对所述第二交通流量序列集合进行多层次的序列特征提取，确定出所述事故诱发交通流突变信息；
采集所述高速公路交通事故中的事故本身严重程度信息；其中，所述事故本身严重程度信息包括：事故受伤人数、事故当场死亡人数、涉事车辆数以及事故车道占用率；
将所述交通流自然演化规律信息与所述事故本身严重程度信息以及所述事故诱发交通流突变信息进行信息集合化处理，得到事故影响因素集合；
基于所述事故影响因素集合，构建出所述事故影响因素体系。
4.根据权利要求1所述的一种高速公路交通事故影响程度动态评价方法，其特征在于，根据所述事故严重程度评价体系以及所述事故影响因素体系，对所述高速公路交通事故进行交通事故影响程度动态预测，得到基于所述高速公路交通事故的动态影响评价信息，具体包括：
基于神经网络技术以及通道注意力模型，构建交通事故影响程度动态预测模型；其中，所述交通事故影响程度动态预测模型的输入为所述事故影响因素体系，输出为所述事故严重程度评价体系；
通过所述事故影响因素体系中的历史事故影响因素集合以及所述事故严重程度评价体系中的历史事故严重程度评价集合，完成对所述交通事故影响程度动态预测模型的模型训练；
将当前高速公路交通事故信息输入到所述交通事故影响程度动态预测模型中，得到所述动态影响评价信息。
5.一种高速公路交通事故影响程度动态评价设备，其特征在于，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-4任一项所述的一种高速公路交通事故影响程度动态评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410822196.6A CN118378901B (zh) | 2024-06-25 | 2024-06-25 | 一种高速公路交通事故影响程度动态评价方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410822196.6A CN118378901B (zh) | 2024-06-25 | 2024-06-25 | 一种高速公路交通事故影响程度动态评价方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118378901A CN118378901A (zh) | 2024-07-23 |
| CN118378901B true CN118378901B (zh) | 2024-08-23 |
Family
ID=91912699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410822196.6A Active CN118378901B (zh) | 2024-06-25 | 2024-06-25 | 一种高速公路交通事故影响程度动态评价方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118378901B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310294A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 交通管理与控制服务指数的评价指标体系建立及发布方法 |
| CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220194426A1 (en) * | 2020-12-17 | 2022-06-23 | Here Global B.V. | Method and apparatus for increasing passenger safety based on accident/road link correlation |
| US11587441B1 (en) * | 2021-09-30 | 2023-02-21 | Lytx, Inc. | Location risk determination and ranking based on vehicle events and/or an accident database |
| 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 |
| CN117455237A (zh) * | 2023-11-07 | 2024-01-26 | 四川警察学院 | 一种基于多源数据的道路交通事故风险预测方法 |
| CN118211176A (zh) * | 2024-03-12 | 2024-06-18 | 大连理工大学 | 一种基于多模型融合的高速公路交通事故风险评估方法 |
-
2024
- 2024-06-25 CN CN202410822196.6A patent/CN118378901B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310294A (zh) * | 2018-12-11 | 2020-06-19 | 深圳先进技术研究院 | 交通管理与控制服务指数的评价指标体系建立及发布方法 |
| CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118378901A (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104298881B (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN110843870B (zh) | 一种非正常事件下高铁路网图定能力保持方法 | |
| CN102081846A (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
| CN112949999A (zh) | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 | |
| CN104240030B (zh) | 一种轨道交通路网动态安全风险评价方法 | |
| CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
| CN103824450B (zh) | 基于交通状态规则的大型活动专用行车线路规划方法 | |
| CN106898142A (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
| CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
| CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
| CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
| CN111275482A (zh) | 基于机器学习的轨道交通实时动态清分方法 | |
| CN118378901B (zh) | 一种高速公路交通事故影响程度动态评价方法及设备 | |
| Dong et al. | An identification model of urban critical links with macroscopic fundamental diagram theory | |
| CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
| CN112508225B (zh) | 基于谱聚类算法的多细节交通小区划分方法及系统 | |
| CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及系统 | |
| Jin et al. | Route planning of rescue vehicles in the process of dynamic change of traffic volume under emergency conditions | |
| Juhász et al. | Analysing the speed-flow relationship in urban road traffic | |
| Mangata et al. | Road traffic analysis on the congestion problem using the Ford-Fulkerson algorithm | |
| CN103927434A (zh) | 一种综合客运枢纽人-车冲突实时分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |