CN104978853B - 一种道路交通安全评估方法及系统 - Google Patents
一种道路交通安全评估方法及系统 Download PDFInfo
- Publication number
- CN104978853B CN104978853B CN201410129672.2A CN201410129672A CN104978853B CN 104978853 B CN104978853 B CN 104978853B CN 201410129672 A CN201410129672 A CN 201410129672A CN 104978853 B CN104978853 B CN 104978853B
- Authority
- CN
- China
- Prior art keywords
- attribute
- section
- specified
- traffic safety
- 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
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种道路交通安全评估方法及系统,包括:基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型;采集指定时间段内指定路段对应的道路交通安全属性的属性值;采用道路交通安全评估模型,对指定路段的道路交通安全属性的属性值进行分析,得到对指定路段的道路交通安全评估结果。解决了现有技术中静态的道路交通评估结果无法实时地反映道路交通安全状况的问题。本发明涉及计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种道路交通安全评估方法及系统。
背景技术
汽车已成为人类文明与进步的标志。人类在享受汽车带来的舒适、便捷等优越性的同时,也付出了沉重的代价。据不完全统计,当今世界上每年因交通事故死亡70多万人,伤残2000-2500万人。20世纪,世界上已有3300多万人在车轮下丧生交通事故已成为一场“无休止的战争”。道路交通安全状况已经成为人们越来越关注的问题。
现有技术中存在的道路交通安全的评估方法包括以下几种:
第一种、绝对数法。采用四项指标的绝对数对道路交通安全进行评价,即事故次数、死亡人数,受伤人数、直接经济损失四个绝对数来表示。
第二种、事故率法。表征一定时间内,国家或某地区交通事故次数或伤亡人数与其人口数、在籍车辆数、运行里程的相对关系。事故率法可以分为地点事故率法、路段事故率法(运行事故率法和事故密度法)、地区事故率法(人口事故率法、车辆事故率法等)、综合事故率法(当量死亡率、亿车公里率等)。
第三种、事故强度分析法。事故强度分析法是在一些事故指标的基础上结合道路交通的其他因素,得出一个综合评判指标。以此作为评判的依据进行道路安全性能的评价与研究。常用的指标是万车死亡数、l0万人死亡数、亿车千米事故数等。
但是,现有技术的道路交通安全的评估方法均基于对道路中已发生事故的统计,运用数学方法进行评估,这些评估方法的评估基础单一,而且评估结果是相对静态的,并不能实时地反映道路交通安全状况。
发明内容
本发明实施例提供了一种道路交通安全评估方法及系统,用以解决现有技术中静态的道路交通评估结果无法实时地反映道路交通安全状况的问题。
基于上述问题,本发明实施例提供的一种道路交通安全评估方法,包括:
基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,所述道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;
采集指定时间段内指定路段对应的所述道路交通安全属性的属性值;
采用所述道路交通安全评估模型,对所述指定路段的道路交通安全属性的属性值进行分析,得到对所述指定路段在所述指定时间段内的道路交通安全评估结果。
本发明实施例提供的道路交通安全评估系统,包括:
模型建立模块,用于基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,所述道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;
采集模块,用于采集指定时间段内指定路段对应的所述道路交通安全属性的属性值;
分析模块,用于采用所述道路交通安全评估模型,对所述指定路段的道路交通安全属性的属性值进行分析,得到对所述指定路段在所述指定时间段内的道路交通安全评估结果。
本发明实施例的有益效果包括:
本发明实施例提供的一种道路交通安全评估方法及系统,包括:基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;采集指定时间段内指定路段对应的道路交通安全属性的属性值;采用道路交通安全评估模型,对指定路段的道路交通安全属性的属性值进行分析,得到对指定路段的道路交通安全评估结果。使用建立的道路交通安全评估模型,通过对获取的指定时间段内指定路段对应的道路交通安全属性的属性值进行分析,得到在指定时间段内指定路段的道路交通安全评估结果,实时地针对指定时间段内指定路段的道路交通安全情况进行评估,能够实时地反映道路交通安全状况,解决了现有技术中静态的道路交通评估结果无法实时地反映道路交通安全状况的问题。
附图说明
图1为本发明实施例提供的一种道路交通安全评估方法的流程图;
图2为本发明实施例1提供的一种道路交通安全评估方法的流程图;
图3为本发明实施例提供的道路交通安全属性层次树示意图;
图4为本发明实施例提供的指定路段一段时间内的安全评估值变化趋势示意图;
图5为本发明实施例提供的一种道路交通安全评估系统的结构示意图。
具体实施方式
本发明实施例提供了一种道路交通安全评估方法及系统,以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明实施例提供一种道路交通安全评估方法,如图1所示,包括:
S101、基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性。
S102、采集指定时间段内指定路段对应的道路交通安全属性的属性值。
S103、采用S101中确定的道路交通安全评估模型,对指定路段的道路交通安全属性的属性值进行分析,得到对该指定路段的道路交通安全评估结果。
下面结合附图,用具体实施例对本发明提供的方法及相关设备进行详细描述。
实施例1:
本发明实施例1中,首先对基站确定分别针对各相邻小区的路径损耗补偿因子,并发送给归属其的用户终端的处理流程进行详细描述,如图2所示,具体包括如下步骤:
S201、基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性。
进一步地,道路交通系统可以为由驾驶员、车辆、道路和环境等诸要素构成的动态系统。在这个系统中,任何因素的不可靠、不平衡、不稳定都可能导致交通冲突、与碰撞,从而引发交通事故。下面对交通安全的影响因素(主要包括驾驶员、车辆、道路、环境等因素)具体分析如下:
第一、驾驶员对道路交通安全的影响
驾驶员作为道路交通系统中的主体,起主导控制作用。通常认为,交通事故的直接原因主要是驾驶人员的观察、判断、操作等方面所发生的错误。一般包括以下几个方面:一是思想麻痹大意,车速过快,车与车之间没有保持安全距离等,二是驾驶人员的身体、生理、精神和情绪等状态以及年龄、经验等会导致驾驶员工作能力的下降。另外,从需求的角度讲,人们总是希望尽可能的节省体力、时间和油耗。出于这个动机,经常看到这样的现象:行人不走人行横道、过街天桥或地下通道而翻越交通护栏;遇到排队或堵车时,驾驶员常驶入非机动车道;在瓶颈路段,驾驶员争道行驶,互不相让等等,这些违章现象常常造成人为因素诱发的交通事故。
第二、车辆对道路交通安全的影响
车辆是工具,是道路交通系统的重要组成部分,与交通安全有密切的关系。如果能进一步改善车辆的结构和性能,按规定进行安全检查,使汽车有良好的技术状况,从某种角度讲是可以防止驾驶员失误的,至少也可能减轻事故的损失。为了安全快速行驶,汽车配备有前照灯、制动灯、挡风玻璃,安全带及后视镜等。如果某一设施出现故障,就有可能引发交通事故;汽车的使用性能相对于交通安全也是至关重要的,动力性越好,制动性越可靠,同时拥有良好的操作稳定性,发生事故的可能性就越小;随着汽车使用时间的延长,各部件磨损程度加大,导致使用性能下降,技术状况变坏,如果不及时检查和调整,很容易出现制动跑偏、轮胎爆裂、喇叭不响、汽车摆头等异常现象,从而引发各种各样的交通事故。
第三、道路对道路交通安全的影响
道路作为道路交通系统赖以生存的基础设施,对交通安全起着重要作用。虽然世界上多数国家的统计结果表明事故的责任主要在于人与车,但事实上驾驶员的粗心和失误大部分是由于困难的道路条件引起的,而道路条件与道路设计、施工、养护是分不开的。
具有足够强度的路面在行车和自然因素的作用下,在温度和湿度的影响下,不产生过多的磨损、压碎及变形,同时还要保证一定限度内的抗滑能力和平整性,这样才能为安全行车创造有利条件;在道路线形设计时,应该合理安排曲线的半径和转角,通过弯道超高、弯道加宽的办法防止出现横向翻车或滑移的现象,同时有足够的视距能够在发现障碍物时及时地采取措施;因为汇集在交叉路口的机动车、行人以及自行车行驶方向各不相同,所以交叉口处存在着大量干扰与冲突,在设计时应尽量避免四路以上的交叉路口,同时采用交通信号控制交叉交通流的相对速度,采用分离车道和隔离式道路为左右转弯车辆的运行提供方便,减少车辆在交叉路口区域的冲突。
第四、环境对道路交通安全的影响
交通环境涉及的内容很多,比如气候条件雨、雾、能见度,沿路植被、建筑、城镇,人的交通意识,社会的经济状况,交通立法,医疗条件等。环境对交通安全的影响也是不容忽视的,以典型的交叉路的环境为例:在交叉口处的四周建筑物密集,商店林立,摊点凌乱;各种霓虹灯、广告牌、门面装饰五颜六色,使驾驶员目不暇接;为了招揽顾客,音乐声、叫卖声,使人心烦意乱,这样的环境分散驾驶员的注意力,影响正确判断。此外,刺激会使驾驶员看不清周围的各种现象,这也是十分危险的。
针对上述驾驶员因素、车辆因素、道路因素、以及环境因素对道路交通安全的影响,本发明实施例综合考虑人-车-路-环境的综合立体空间信息,对道路交通安全进行动态评估,能够更加实时、有效、准确地对道路交通安全情况进行评估。
因此,道路交通安全属性可以通过如下几种属性的组合来表征:驾驶员属性、车辆属性、道路属性、以及环境属性。
其中,驾驶员属性可以包括:驾驶员驾驶事故属性(例如:驾驶员的交通事故次数)、驾驶员保险出险属性(例如:驾驶员的保险出险情况)、驾龄属性、驾驶员酒驾状态属性(例如:驾驶员的酒驾状态)、驾驶员疲劳状态属性、以及驾驶员驾驶行为习惯属性(例如:驾驶员驾驶时急加速、急减速等危险驾驶行为出现的频率等);
车辆属性可以包括:车龄属性、车辆行驶速度属性、车辆行驶加速度大小及次数属性(例如:车辆行驶的加速度、车辆的加速度次数、车辆的发动机状态、车辆的轮胎情况、车辆的产地品牌型号等)、车辆超载属性、以及车辆类型属性;
道路(或道路的路段)属性可以包括:道路历史交通事故属性(例如:道路曾经发生的交通事故数量)、道路当前交通事故属性、道路车流速度属性(例如:道路当前的车流速度)、道路车流密度属性(例如:道路的实时车流密度)、道路警察出警属性(例如:道路是否已发生交通事故、道路发生交通事故的数量、道路是否有警察维护秩序)、道路弯道及曲率属性(例如:道路的弯道数量及曲率大小)、以及道路年限属性;
环境属性可以包括:气候属性(例如:影响可见度及路面湿滑度的气候条件)、周边环境属性、以及时间属性(例如:影响光线的时间段)。
进一步地,因子分析数学模型为用少数几个因子来描述许多指标或因素之间的联系,以较少几个因子反映原资料的大部分信息的数学统计模型。本步骤中,基于上述道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型可以为:
式(1);
其中,
Si驾驶员=ai1f1+ai2f2+...+aijfj;
Si车辆=aij+1fj+1+aij+2fj+2+......+aij+hfj+h;
Si道路=aij+h+1fj+h+1+aij+h+2fj+h+2+......+aij+h+kfj+h+k;
Si环境=aij+h+k+1fj+h+k+1+aij+h+k+2fj+h+k+2+......+aimfm;
其中,Si表征指定路段中的第i个路段的路段变量,其中,i大于等于1小于等于p;
f1,f2,...,fj中的fi表征在指定时间段内,指定路段上所有驾驶员的第i个驾驶员属性的属性值的加权平均值,其中,i大于等于1且i小于等于j,j小于等于驾驶员属性的总个数;
fj+1,fj+2,...,fj+h中的fi表征在指定时间段内,指定路段上所有车辆的第i个车辆属性的属性值的加权平均值,其中,i大于等于j+1且i小于等于j+h,h小于等于车辆属性的总个数;
fj+h+1,fj+h+2,...,fj+h+k中的fi表征在指定时间段内,fi所在等式表征的路段的第i个道路属性的属性值的加权平均值,其中,i大于等于j+h+1且i小于等于j+h+k,k小于等于道路属性的总个数;
fj+h+k+1,fj+h+k+2,...,fm中的fi表征在指定时间段内,fi所在等式表征的路段的第i个环境属性的属性值的加权平均值,其中,i大于等于j+h+k+1且i小于等于m,m-j-h-k小于等于环境属性的总个数。
例如,假设j=6,即采用六个驾驶员属性,h=6,即采用六个车辆属性,k=7,即采用七个道路属性,m-j-h-k=3,即采用三个环境属性,m=22。那么,以指定路段S1为例,S1=μ1+a11f1+a12f2+......+a122f22+e1,其中,f1表征指定时间段路段S1上所有驾驶员的驾驶事故的平均数,f2表征指定时间段路段S1上所有驾驶员的保险出险次数的平均数;f3表征指定时间段路段S1上所有驾驶员的驾龄的平均数;f4表征指定时间段路段S1上所有驾驶员的酒驾状态评估值的平均数;f5表征指定时间段路段S1上所有驾驶员的疲劳状态评估值的平均数;f6表征指定时间段路段S1上所有驾驶员的驾驶行为习惯评估值的平均数;f7表征指定时间段路段S1上所有车辆的使用年限的平均数;f8表征指定时间段路段S1上所有车辆的速度的平均数;f9表征指定时间段路段S1上所有车辆的加速度的平均数;f10表征指定时间段路段S1上所有车辆的加速次数的平均数;f11表征指定时间段路段S1上所有车辆的超载程度的平均数;f12表征指定时间段路段S1上所有车辆中大货车的比例;f13表征指定时间段路段S1上历史交通事故数;f14表征指定时间段路段S1上当前已经发生的交通事故数;f15表征指定时间段路段S1上当前的车流速度;f16表征指定时间段路段S1上当前是否有警察出警;f17表征指定时间段路段S1上是否有弯道及其曲率大小;f18表征指定时间段路段S1使用年限;f19表征指定时间段路段S1上当前的车流密度;f20表征指定时间段路段S1上当前的气候适宜度评估值;f21表征指定时间段路段S1上当前的周边环境评估值;f22表征指定时间段路段S1上当前的光线亮度。
进一步地,可以根据评估需要确定需要的道路交通安全属性的一个或多个属性的属性值进行评估。
将式(1)展开,得到:
式(2)
式(2)的矩阵表示:x=μ+Af+e 式(3)
式(3)满足:E(f)=0;
E(e)=0;
V(f)=I;
V(e)=D=diag(σ1 2,σ2 2,...,σp 2);
Cov(f,e)=E(feT)=0;
其中,(S1,S2,...,Sp)T为P维可观测随机变量,即通过道路交通安全评估模型基于上述各影响因素对指定路段评估得到的评估值(进一步地,可以进行归一化处理,使各评估值取值范围可以为0-1,以确保初始数据不存在数量级差异);u=(u1,u2,...,um)T为可观测变量的均值;Σ(σij)为协方差矩阵;f=(f1,f2,...fm)T为公因子向量,使用这些公因子向量在一定程度上预测每一个可观测变量;e=(e1,e2,...,em)T为特殊因子向量;A=(aij)p×m为因子载荷矩阵,即相对应的可观测变量与公因子的相关系数,也可以称作该可观测变量在对应因子上的载荷,它反映了可观测变量与公因子的关系强度,绝对值越大关系强度越强。
S202、采集指定时间段内指定路段对应的道路交通安全属性的属性值。
进一步地,本步骤中,指定时间段内指定路段对应的驾驶员属性包括所述指定时间段内,所述指定路段上所有驾驶员的如下任意一种或多种属性的组合:驾驶员驾驶事故属性、驾驶员保险出险属性、驾龄属性、驾驶员酒驾状态属性、驾驶员疲劳状态属性、以及驾驶员驾驶行为习惯属性;
指定时间段内指定路段对应的车辆属性包括所述指定时间段内,所述指定路段上所有车辆的如下任意一种或多种属性的组合:车龄属性、车辆行驶速度属性、车辆行驶加速度属性、车辆超载属性、以及车辆类型属性;
指定时间段内指定路段对应的道路属性包括所述指定时间段内,所述指定路段的如下任意一种或多种属性的组合:道路历史交通事故属性、道路当前交通事故属性、道路车流速度属性、道路车流密度属性、道路警察出警属性、道路弯道及曲率属性、以及道路年限属性;
指定时间段内指定路段对应的环境属性包括所述指定时间段内,所述指定路段所处环境的如下任意一种或多种属性的组合:气候属性、周边环境属性、以及时间属性。
进一步地,本步骤中,指定时间段内指定路段对应的道路交通安全属性的属性值可以根据各交通安全属性的性质分别通过对应的渠道获取,例如:可以通过渠道采集方式,通过车主车辆商家获取车主信息(例如:驾驶员性别、年龄、驾龄、个人喜好等)、用车信息(例如:违章记录、超速记录、处罚记录等)、保险信息(例如:保险单位、投保险种类、保险金额、出险情况、理赔情况等)、维修信息(例如:维修地点、维修时间、故障类型、解决办法等)、商家信息(经营品牌、业务范围、营业时间、救援服务范围等);
可以通过汽车感知技术、卫星定位技术、移动通信技术等,获取发动机信息(例如:发动机转速、进气温度、冷却液温度、进气压力、曲轴转角、空燃比等)、行驶状态(例如:车内温度、车外温度、车速、油门控制、刹车控制、湿度、轮胎胎压、轮胎转速、档位、水箱温度等)、车辆信息(例如:车龄、行驶总里程、平均车速、平均油耗等)、车载自动诊断系统(OBD,On-Board Diagnostics)信息(例如:引擎传感信号、冷却传感信号、定速控制信号、变速箱传感信号等)、行驶信息(例如:坐标信息、车辆方向、车辆速度、行驶轨迹、行驶加速度等);
可以通过卫星定位技术、路边采集技术、城市地理测绘、气象信息采集、移动通信技术等获取交通信息(例如:浮动车数据、摄像头数据、地感线圈数据、微波数据、信号灯数据、交通路况、车流量、交通事故信息等)、地理信息(例如:城市路网分布、道路拓扑结构等)、气象信息(例如:城市天气、降雨/雪量、温度、湿度、风速等)、地理信息(例如:加油站位置、排队情况、修理厂位置等);
可以通过网页抓取技术、数据挖掘技术等获取商家信息(例如:服务质量、评价、行业口碑、推荐指数等)、车辆信息(例如:品牌车型使用情况、返修记录、召回记录、网友评论、共性问题、推荐商家等)、用户信息(例如:经典路线、驾驶指导、新手指南等);
因此,可以综合上述技术,采集指定时间段内指定路段对应的道路交通安全属性的属性值。
进一步地,也可以通过构造关联数据模型,从关联数据模型中采集指定时间段内指定路段对应的所述道路交通安全属性的属性值,具体包括如下步骤:
步骤1、基于道路交通安全属性所包含的各属性的属性值原始数据,建立属性值集合。
本步骤中,可以采用上述技术获取各属性的基础的属性值原始数据。
步骤2、对属性值原始数据进行数据清理和格式转换的预处理。
本步骤中,检测步骤1中获取的属性值原始数据的有效性,并将数据格式转换为后续处理中需要使用的格式。
步骤3、根据预处理之后的各属性的属性值,以及各属性依据抽象程度不同构成的层次结构,生成道路交通安全属性的多维多层的概念层次树。
图3为道路交通安全属性层次树,如图3所示,D(Driver)表征驾驶员属性,V(Vehicle)表征车辆属性、R(Road)表征道路属性、W(Weather)表征环境属性,可以看出道路交通安全属性数据模型通常是多层的,可以指定某一层次参与关联分析,其他层次不参与。
步骤4、根据预先设置的各属性的置信度和支持度,利用多维多层的关联规则算法确定频繁项目集。
步骤5、基于频繁项目集生成并提取各属性的关联规则。
步骤6、根据关联规则生成道路交通安全属性的关联数据模型。
步骤7、根据关联数据模型,采集指定时间段内指定路段对应的道路交通安全属性的属性值。
S203、采用S201中确定的道路交通安全评估模型,对指定路段的道路交通安全属性的属性值进行分析,得到对该指定路段的道路交通安全评估结果。
进一步地,基于各个路段(S1,S2,...,Sp)分别对应的道路交通安全属性的各属性值(f1,f2,...fm),采用道路交通安全评估模型对p个路段的道路交通安全进行评估的过程可以包括如下步骤:
步骤1、对各个路段的各属性值进行标准化处理,即确保初始数据不存在数量级差异;
步骤2、计算相关系数矩阵A=(aij)p×m;
步骤3、计算相关系数矩阵的特征值和特征向量,确定因子个数,其中,因子个数可能大于1且小于m;
步骤4、根据步骤3得到的因子,计算因子载荷矩阵;
步骤5、根据实际情况进行因子旋转,使得各因子具有更加明确的含义;
步骤6、计算各因子的贡献率,以因子的贡献率为权重,因子权重越大,说明该因子表征的属性对路段的影响越大。根据各因子的含义评估各路段的交通安全情况。
S204、将S203中得到的评估结果发布给应用终端或者指定平台,用于应用终端或者指定平台根据该评估结果对指定路段在指定时间段内的流量信息及拥堵情况进行评估,为用户进行导航。
进一步地,本实施例中,可以将指定时间段指定路段的交通安全情况量化为数值,由于采集到的道路交通安全属性的属性值是动态变化的,那么,不同时间段、不同路段的交通安全量化值也是动态变化的,因此,通过实时采集指定时间段内指定路段的道路交通安全属性的属性值,并带入本发明提出的道路交通安全评估模型进行评估,能够实时得到指定路段的交通安全评估值,因此,可以应用于个人的安全导航,例如:综合各路段的评估值选择最适合的导航路线,或者公安交通管理部门对整个城市进行安全预警,以及安全指示等。公安交通部门可以根据各路段交通安全情况的评估值调整各路段的车流量,例如,若某路段的交通安全情况评估值较低,可以通过控制红绿灯等手段减少该路段上的车流量,从而降低事故发生率。
当对指定时间段内指定路段的道路交通安全评估值用于车主个人的安全导航时,车主会比较关注指定时刻指定路段S路的以下道路交通安全属性:道路历史交通事故属性、道路当前交通事故属性、道路车流速度属性、道路车流密度属性、道路警察出警属性、道路弯道及曲率属性、以及道路年限属性等,因此,可以通过下式确定路段S路的安全评估值:
S路=μ路+a11f历史交通事故+a12f当前交通事故+a13f车流速度+a14f车流密度+a15f警察出警
+a16f道路弯道及曲率+a17f道路年限+e路
当评估结果中,交通事故因子的权重较大时,路段S路的安全评估值较低。车主可以根据评估值确定绕过该指定路段。
当对指定时间段内指定路段的道路交通安全评估值用于公安交管部门城市安全评估预警时,可能比较关注指定路段过去一段时间内的平均安全评估值,同时可以选取任意路段,或某个区域的所有路段来进行评估。图4为指定路段一段时间内的安全评估值变化趋势图。如图4所示,针对指定路段,根据一段时间内的安全评估值变化趋势,确定该指定路段安全情况变化规律,可以设置安全预警阈值,针对安全评估值超过安全预警阈值的时间段,可以发布预警。
基于同一发明构思,本发明实施例还提供了一种道路交通安全评估系统,由于该系统所解决问题的原理与前述道路交通安全评估方法相似,因此该系统的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例提供的一种道路交通安全评估系统,如图5所示,包括:
模型建立模块501,用于基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,所述道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;
采集模块502,用于采集指定时间段内指定路段对应的所述道路交通安全属性的属性值;
分析模块503,用于采用所述道路交通安全评估模型,对所述指定路段的道路交通安全属性的属性值进行分析,得到对所述指定路段在所述指定时间段内的道路交通安全评估结果。
进一步地,所述采集模块502中采集的指定时间段内指定路段对应的驾驶员属性包括所述指定时间段内,所述指定路段上所有驾驶员的如下任意一种或多种属性的组合:驾驶员驾驶事故属性、驾驶员保险出险属性、驾龄属性、驾驶员酒驾状态属性、驾驶员疲劳状态属性、以及驾驶员驾驶行为习惯属性;
指定时间段内指定路段对应的车辆属性包括所述指定时间段内,所述指定路段上所有车辆的如下任意一种或多种属性的组合:车龄属性、车辆行驶速度属性、车辆行驶加速度大小属性、车辆行驶加速度次数属性、车辆超载属性、以及车辆类型属性;
指定时间段内指定路段对应的道路属性包括所述指定时间段内,所述指定路段的如下任意一种或多种属性的组合:道路历史交通事故属性、道路当前交通事故属性、道路车流速度属性、道路车流密度属性、道路警察出警属性、道路弯道及曲率属性、以及道路年限属性;
指定时间段内指定路段对应的环境属性包括所述指定时间段内,所述指定路段所处环境的如下任意一种或多种属性的组合:气候属性、周边环境属性、以及时间属性。
进一步地,所述模型建立模块501基于道路交通安全属性,采用因子分析数学模型建立的道路交通安全评估模型为:
其中,
Si驾驶员=ai1f1+ai2f2+...+aijfj;
Si车辆=aij+1fj+1+aij+2fj+2+......+aij+hfj+h;
Si道路=aij+h+1fj+h+1+aij+h+2fj+h+2+......+aij+h+kfj+h+k;
Si环境=aij+h+k+1fj+h+k+1+aij+h+k+2fj+h+k+2+......+aimfm;
其中,Si表征所述指定路段中的第i个路段的路段变量;Si驾驶员表征所述指定路段中的第i个路段由驾驶员属性确定的路段变量;Si车辆表征所述指定路段中的第i个路段由车辆属性确定的路段变量;Si道路表征所述指定路段中的第i个路段由道路属性确定的路段变量;Si环境表征所述指定路段中的第i个路段由环境属性确定的路段变量,其中,i大于等于1小于等于p;
f1,f2,...,fj中的fi表征在所述指定时间段内,所述指定路段上所有驾驶员的第i个驾驶员属性的属性值的加权平均值,其中,i大于等于1且i小于等于j,j小于等于所述驾驶员属性的总个数;
fj+1,fj+2,...,fj+h中的fi表征在所述指定时间段内,所述指定路段上所有车辆的第i个车辆属性的属性值的加权平均值,其中,i大于等于j+1且i小于等于j+h,h小于等于所述车辆属性的总个数;
fj+h+1,fj+h+2,...,fj+h+k中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个道路属性的属性值的加权平均值,其中,i大于等于j+h+1且i小于等于j+h+k,k小于等于所述道路属性的总个数;
fj+h+k+1,fj+h+k+2,...,fm中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个环境属性的属性值的加权平均值,其中,i大于等于j+h+k+1且i小于等于m,m-j-h-k小于等于所述环境属性的总个数。
进一步地,所述系统,还包括:
发布模块504,用于在得到对所述指定路段的道路交通安全评估结果之后,将得到的所述评估结果发布给应用终端或者指定平台,用于所述应用终端或者指定平台根据所述评估结果对所述指定路段在指定时间段内的流量信息及拥堵情况进行评估,为用户进行导航。
进一步地,所述采集模块502,具体用于基于所述道路交通安全属性所包含的各属性的属性值原始数据,建立属性值集合;对所述属性值原始数据进行数据清理和格式转换的预处理;根据所述预处理之后的各属性的属性值,以及各属性依据抽象程度不同构成的层次结构,生成道路交通安全属性的多维多层的概念层次树;根据预先设置的所述各属性的置信度和支持度,利用多维多层的关联规则算法确定频繁项目集;基于所述频繁项目集生成并提取所述各属性的关联规则;根据所述关联规则生成道路交通安全属性的关联数据模型;根据所述关联数据模型,采集指定时间段内指定路段对应的所述道路交通安全属性的属性值。
上述各单元的功能可对应于图1至图2所示流程中的相应处理步骤,在此不再赘述。
本发明实施例提供的一种道路交通安全评估方法及系统,包括:基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;采集指定时间段内指定路段对应的道路交通安全属性的属性值;采用道路交通安全评估模型,对指定路段的道路交通安全属性的属性值进行分析,得到对指定路段的道路交通安全评估结果。使用建立的道路交通安全评估模型,通过对获取的指定时间段内指定路段对应的道路交通安全属性的属性值进行分析,得到在指定时间段内指定路段的道路交通安全评估结果,实时地针对指定时间段内指定路段的道路交通安全情况进行评估,能够实时地反映道路交通安全状况,解决了现有技术中静态的道路交通评估结果无法实时地反映道路交通安全状况的问题。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明实施例可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种道路交通安全评估方法,其特征在于,包括:
基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,所述道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;
采集指定时间段内指定路段对应的所述道路交通安全属性的属性值;
采用所述道路交通安全评估模型,对所述指定路段的道路交通安全属性的属性值进行分析,得到对所述指定路段在所述指定时间段内的道路交通安全评估结果;
其中,基于道路交通安全属性,采用因子分析数学模型建立的道路交通安全评估模型为:
其中,
Si驾驶员=ai1f1+ai2f2+...+aijfj;
Si车辆=aij+1fj+1+aij+2fj+2+......+aij+hfj+h;
Si道路=aij+h+1fj+h+1+aij+h+2fj+h+2+......+aij+h+kfj+h+k;
Si环境=aij+h+k+1fj+h+k+1+aij+h+k+2fj+h+k+2+......+aimfm;
其中,Si表征所述指定路段中的第i个路段的路段变量;Si驾驶员表征所述指定路段中的第i个路段由驾驶员属性确定的路段变量;Si车辆表征所述指定路段中的第i个路段由车辆属性确定的路段变量;Si道路表征所述指定路段中的第i个路段由道路属性确定的路段变量;Si环境表征所述指定路段中的第i个路段由环境属性确定的路段变量,其中,i大于等于1小于等于p;
f1,f2,...,fj中的fi表征在所述指定时间段内,所述指定路段上所有驾驶员的第i个驾驶员属性的属性值的加权平均值,其中,i大于等于1且i小于等于j,j小于等于所述驾驶员属性的总个数;
fj+1,fj+2,...,fj+h中的fi表征在所述指定时间段内,所述指定路段上所有车辆的第i个车辆属性的属性值的加权平均值,其中,i大于等于j+1且i小于等于j+h,h小于等于所述车辆属性的总个数;
fj+h+1,fj+h+2,...,fj+h+k中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个道路属性的属性值的加权平均值,其中,i大于等于j+h+1且i小于等于j+h+k,k小于等于所述道路属性的总个数;
fj+h+k+1,fj+h+k+2,...,fm中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个环境属性的属性值的加权平均值,其中,i大于等于j+h+k+1且i小于等于m,m-j-h-k小于等于所述环境属性的总个数。
2.如权利要求1所述的方法,其特征在于,指定时间段内指定路段对应的驾驶员属性包括所述指定时间段内,所述指定路段上所有驾驶员的如下任意一种或多种属性的组合:驾驶员驾驶事故属性、驾驶员保险出险属性、驾龄属性、驾驶员酒驾状态属性、驾驶员疲劳状态属性、以及驾驶员驾驶行为习惯属性;
指定时间段内指定路段对应的车辆属性包括所述指定时间段内,所述指定路段上所有车辆的如下任意一种或多种属性的组合:车龄属性、车辆行驶速度属性、车辆行驶加速度大小属性、车辆行驶加速度次数属性、车辆超载属性、以及车辆类型属性;
指定时间段内指定路段对应的道路属性包括所述指定时间段内,所述指定路段的如下任意一种或多种属性的组合:道路历史交通事故属性、道路当前交通事故属性、道路车流速度属性、道路车流密度属性、道路警察出警属性、道路弯道及曲率属性、以及道路年限属性;
指定时间段内指定路段对应的环境属性包括所述指定时间段内,所述指定路段所处环境的如下任意一种或多种属性的组合:气候属性、周边环境属性、以及时间属性。
3.如权利要求1或2所述的方法,其特征在于,在得到对所述指定路段的道路交通安全评估结果之后,还包括:
将得到的所述评估结果发布给应用终端或者指定平台,用于所述应用终端或者指定平台根据所述评估结果对所述指定路段在指定时间段内的流量信息及拥堵情况进行评估,为用户进行导航。
4.如权利要求1或2所述的方法,其特征在于,采集指定时间段内指定路段对应的所述道路交通安全属性的属性值,具体包括:
基于所述道路交通安全属性所包含的各属性的属性值原始数据,建立属性值集合;
对所述属性值原始数据进行数据清理和格式转换的预处理;
根据所述预处理之后的各属性的属性值,以及各属性依据抽象程度不同构成的层次结构,生成道路交通安全属性的多维多层的概念层次树;
根据预先设置的所述各属性的置信度和支持度,利用多维多层的关联规则算法确定频繁项目集;
基于所述频繁项目集生成并提取所述各属性的关联规则;
根据所述关联规则生成道路交通安全属性的关联数据模型;
根据所述关联数据模型,采集指定时间段内指定路段对应的所述道路交通安全属性的属性值。
5.一种道路交通安全评估系统,其特征在于,包括:
模型建立模块,用于基于道路交通安全属性,采用因子分析数学模型建立道路交通安全评估模型,其中,所述道路交通安全属性包括:驾驶员属性、车辆属性、道路属性、以及环境属性;
采集模块,用于采集指定时间段内指定路段对应的所述道路交通安全属性的属性值;
分析模块,用于采用所述道路交通安全评估模型,对所述指定路段的道路交通安全属性的属性值进行分析,得到对所述指定路段在所述指定时间段内的道路交通安全评估结果;
其中,所述模型建立模块基于道路交通安全属性,采用因子分析数学模型建立的道路交通安全评估模型为:
其中,
Si驾驶员=ai1f1+ai2f2+...+aijfj;
Si车辆=aij+1fj+1+aij+2fj+2+......+aij+hfj+h;
Si道路=aij+h+1fj+h+1+aij+h+2fj+h+2+......+aij+h+kfj+h+k;
Si环境=aij+h+k+1fj+h+k+1+aij+h+k+2fj+h+k+2+......+aimfm;
其中,Si表征所述指定路段中的第i个路段的路段变量,其中,i大于等于1小于等于p;
f1,f2,...,fj中的fi表征在所述指定时间段内,所述指定路段上所有驾驶员的第i个驾驶员属性的属性值的加权平均值,其中,i大于等于1且i小于等于j,j小于等于所述驾驶员属性的总个数;
fj+1,fj+2,...,fj+h中的fi表征在所述指定时间段内,所述指定路段上所有车辆的第i个车辆属性的属性值的加权平均值,其中,i大于等于j+1且i小于等于j+h,h小于等于所述车辆属性的总个数;
fj+h+1,fj+h+2,...,fj+h+k中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个道路属性的属性值的加权平均值,其中,i大于等于j+h+1且i小于等于j+h+k,k小于等于所述道路属性的总个数;
fj+h+k+1,fj+h+k+2,...,fm中的fi表征在所述指定时间段内,fi所在等式表征的路段的第i个环境属性的属性值的加权平均值,其中,i大于等于j+h+k+1且i小于等于m,m-j-h-k小于等于所述环境属性的总个数。
6.如权利要求5所述的系统,其特征在于,所述采集模块中采集的指定时间段内指定路段对应的驾驶员属性包括所述指定时间段内,所述指定路段上所有驾驶员的如下任意一种或多种属性的组合:驾驶员驾驶事故属性、驾驶员保险出险属性、驾龄属性、驾驶员酒驾状态属性、驾驶员疲劳状态属性、以及驾驶员驾驶行为习惯属性;
指定时间段内指定路段对应的车辆属性包括所述指定时间段内,所述指定路段上所有车辆的如下任意一种或多种属性的组合:车龄属性、车辆行驶速度属性、车辆行驶加速度大小属性、车辆行驶加速度次数属性、车辆超载属性、以及车辆类型属性;
指定时间段内指定路段对应的道路属性包括所述指定时间段内,所述指定路段的如下任意一种或多种属性的组合:道路历史交通事故属性、道路当前交通事故属性、道路车流速度属性、道路车流密度属性、道路警察出警属性、道路弯道及曲率属性、以及道路年限属性;
指定时间段内指定路段对应的环境属性包括所述指定时间段内,所述指定路段所处环境的如下任意一种或多种属性的组合:气候属性、周边环境属性、以及时间属性。
7.如权利要求5或6所述的系统,其特征在于,还包括:
发布模块,用于在得到对所述指定路段的道路交通安全评估结果之后,将得到的所述评估结果发布给应用终端或者指定平台,用于所述应用终端或者指定平台根据所述评估结果对所述指定路段在指定时间段内的流量信息及拥堵情况进行评估,为用户进行导航。
8.如权利要求5或6所述的系统,其特征在于,所述采集模块,具体用于基于所述道路交通安全属性所包含的各属性的属性值原始数据,建立属性值集合;对所述属性值原始数据进行数据清理和格式转换的预处理;根据所述预处理之后的各属性的属性值,以及各属性依据抽象程度不同构成的层次结构,生成道路交通安全属性的多维多层的概念层次树;根据预先设置的所述各属性的置信度和支持度,利用多维多层的关联规则算法确定频繁项目集;基于所述频繁项目集生成并提取所述各属性的关联规则;根据所述关联规则生成道路交通安全属性的关联数据模型;根据所述关联数据模型,采集指定时间段内指定路段对应的所述道路交通安全属性的属性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410129672.2A CN104978853B (zh) | 2014-04-01 | 2014-04-01 | 一种道路交通安全评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410129672.2A CN104978853B (zh) | 2014-04-01 | 2014-04-01 | 一种道路交通安全评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104978853A CN104978853A (zh) | 2015-10-14 |
CN104978853B true CN104978853B (zh) | 2017-11-21 |
Family
ID=54275326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410129672.2A Active CN104978853B (zh) | 2014-04-01 | 2014-04-01 | 一种道路交通安全评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978853B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9747506B2 (en) * | 2015-10-21 | 2017-08-29 | Ford Global Technologies, Llc | Perception-based speed limit estimation and learning |
DE102015224889A1 (de) * | 2015-12-10 | 2017-06-14 | Robert Bosch Gmbh | Verfahren zur Müdigkeitsermittlung |
CN105822319A (zh) * | 2016-03-21 | 2016-08-03 | 潘燕 | 公路隧道结构的施工方法 |
CN106448149B (zh) * | 2016-05-16 | 2019-08-09 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN108074396A (zh) * | 2016-11-10 | 2018-05-25 | 关晓芙 | 安全行驶评价方法及系统 |
CN106627440A (zh) * | 2016-12-22 | 2017-05-10 | 安徽保腾网络科技有限公司 | 简易的车辆保险系统 |
CN106846812B (zh) * | 2017-03-14 | 2019-01-25 | 北京航空航天大学 | 一种十字路口的交通流量评估方法 |
CN107348964B (zh) * | 2017-06-15 | 2020-06-19 | 长安大学 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
CN107908742A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108182802B (zh) * | 2017-12-26 | 2020-10-16 | 杭州远眺科技有限公司 | 一种基于信息衰减模型且由车牌数据挖掘驱动的交通安全分析方法 |
CN108573357B (zh) * | 2018-05-08 | 2019-02-19 | 清华大学 | 基于等效力的行车风险实时评估方法及其装置 |
CN109285320A (zh) * | 2018-05-28 | 2019-01-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种针对疲劳驾驶的云端处理方法 |
CN108960636A (zh) * | 2018-07-08 | 2018-12-07 | 江苏金海星导航科技有限公司 | 一种基于物元模型的货车交叉口运行安全评价方法 |
CN109145954B (zh) * | 2018-07-24 | 2021-11-09 | 同济大学 | 一种基于多源时空数据的网约车出行安全评价方法及系统 |
CN110766258B (zh) * | 2018-07-25 | 2022-04-01 | 阿里巴巴(中国)有限公司 | 一种道路风险的评估方法及装置 |
CN109243178A (zh) * | 2018-11-14 | 2019-01-18 | 上海应用技术大学 | 一种不良气候条件下城镇公路交通安全分析与评价方法 |
CN111508226B (zh) * | 2019-01-31 | 2022-03-29 | 阿里巴巴集团控股有限公司 | 一种道路机动车通行秩序的评价方法及装置 |
CN110162702A (zh) * | 2019-05-11 | 2019-08-23 | 任明和 | 基于大数据对道路进行安全标记的方法 |
CN110488681A (zh) * | 2019-07-26 | 2019-11-22 | 合肥森弗卡电子科技有限公司 | 一种基于网络的地下通道安全防范系统 |
CN110570657B (zh) * | 2019-10-16 | 2020-11-13 | 海安玺云科技有限公司 | 一种基于大数据的公路救援站点选取系统及方法 |
CN110633558B (zh) * | 2019-11-05 | 2023-01-31 | 贵州财经大学 | 一种城市交通系统建模系统 |
CN112991716B (zh) * | 2019-12-16 | 2023-06-16 | 中信科智联科技有限公司 | 一种路况信息处理方法、装置、云控中心设备及路侧单元 |
CN111951550B (zh) * | 2020-08-06 | 2021-10-29 | 华南理工大学 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
CN112071061B (zh) * | 2020-09-11 | 2021-10-15 | 武汉云上融媒科技有限公司 | 基于云计算和数据分析的车辆服务系统 |
CN112729329A (zh) * | 2020-12-29 | 2021-04-30 | 科大讯飞股份有限公司 | 安全行驶路线推荐方法、装置以及设备 |
CN112927498B (zh) * | 2021-01-20 | 2022-07-29 | 广州新流向电子科技有限公司 | 一种基于智慧交通监控的数据分析方法及装置 |
CN112991743B (zh) * | 2021-04-22 | 2021-10-08 | 泰瑞数创科技(北京)有限公司 | 基于行驶路径的实时交通风险ai预测方法及其系统 |
CN113380033B (zh) * | 2021-06-09 | 2022-08-16 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及系统 |
CN113781773B (zh) * | 2021-08-17 | 2023-01-03 | 深圳市诺龙技术股份有限公司 | 一种交通运行评估方法、装置、系统及电子设备 |
CN114613130B (zh) * | 2022-02-18 | 2023-05-12 | 北京理工大学 | 交通与运载系统中驾驶可信性分析方法 |
CN117273487B (zh) * | 2023-09-18 | 2024-06-25 | 江苏城乡建设职业学院 | 一种基于农村公路的安全设施提升方法及系统 |
CN117014473B (zh) * | 2023-09-28 | 2023-12-19 | 东莞中科智城软件有限公司 | 一种基于端云融合技术的智能网联汽车监控系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366551A (zh) * | 2012-04-05 | 2013-10-23 | 郭海锋 | 一种道路交通安全评价方法 |
-
2014
- 2014-04-01 CN CN201410129672.2A patent/CN104978853B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366551A (zh) * | 2012-04-05 | 2013-10-23 | 郭海锋 | 一种道路交通安全评价方法 |
Non-Patent Citations (4)
Title |
---|
The Evaluation Method of Road Traffic Safety Based on the Combined Principal Component Cluster Analysis;Liying Wei et al.;《Business Management and Electronic Information, 2011 International Conference》;20111231;第5卷;第103-107页 * |
基于因子分析法的道路交通安全评价与决策研究;刘勇等;《安全与环境工程》;20091130;第16卷(第6期);第112-114,118页 * |
基于粒度计算的安全驾驶数据挖掘研究;王利花;《中国优秀硕士学位论文全文库 信息科技辑》;20110815(第8期);正文第17,23,26-28,31,33页 * |
道路安全评价因子分析法;朱顺应;《重庆交通学院学报》;20060831;第25卷(第4期);第99-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104978853A (zh) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978853B (zh) | 一种道路交通安全评估方法及系统 | |
US11068998B1 (en) | Polynomial risk maps | |
US20210164792A1 (en) | Method and system for risk determination of a route | |
US20170241791A1 (en) | Risk Maps | |
CN109872554A (zh) | 一种高速公路雾区提升行车安全的车路预警系统 | |
US20100036599A1 (en) | Safest transportation routing | |
US20130338914A1 (en) | System and method for notifying vehicle driver of localized driving conditions | |
Garrett | Encyclopedia of transportation: Social science and policy | |
Rifaat et al. | Effects of street patterns on injury risks in two-vehicle crashes | |
Schneider et al. | United States fatal pedestrian crash hot spot locations and characteristics | |
CN112950946A (zh) | 一种市政道路施工期交通拥堵原因判别方法 | |
CN114550445B (zh) | 一种城市区域交通安全状态评估方法和装置 | |
Alluri et al. | Comprehensive study to reduce pedestrian crashes in Florida. | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
Trofimenko et al. | Methodology and results of assessing safety of bicycle infrastructure in Russian cities | |
Chin et al. | Safety assessment of taxi drivers in Singapore | |
Ivan et al. | Motor vehicle speeds: Recommendations for urban sustainability | |
Abou-Senna et al. | Categorical principal component analysis (CATPCA) of pedestrian crashes in Central Florida | |
Wang et al. | Multipattern road traffic crashes and injuries: a case study of Xi’an city | |
Manghat et al. | Automobile level of service criteria for two-lane undivided heterogeneous urban corridors | |
JP6997471B2 (ja) | 情報処理システム、情報処理装置、端末装置、サーバ装置、プログラム、又は方法 | |
Razi-Ardakani et al. | Identifying factors affecting severity of urban and rural bus crashes | |
Son et al. | Identifying micro-level hotspots of urban network infrastructures using GIS data | |
FR3093055A1 (fr) | Méthodes et Systèmes de recommandation de vitesse | |
Nyoni | A GIS based approach to identify road traffic fatal accident hotspots in the greater Durban city from 2011-2015. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |