CN105070097B - 一种营运车辆道路交通事故风险识别方法 - Google Patents
一种营运车辆道路交通事故风险识别方法 Download PDFInfo
- Publication number
- CN105070097B CN105070097B CN201510418117.6A CN201510418117A CN105070097B CN 105070097 B CN105070097 B CN 105070097B CN 201510418117 A CN201510418117 A CN 201510418117A CN 105070097 B CN105070097 B CN 105070097B
- Authority
- CN
- China
- Prior art keywords
- accident
- chain
- risk
- probability
- petri network
- 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.)
- Expired - Fee Related
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001939 inductive effect Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013278 delphi method Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 101100460710 Aspergillus sp. (strain MF297-2) notL gene Proteins 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001479482 Datisca glomerata Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种营运车辆道路交通事故风险识别方法，所述方法包含建立营运车辆交通事故数据库，提取事故连锁反应的风险序列，构建事故连锁反应随机Petri网模型；利用同构的马尔科夫链进行系统性能分析；以道路运输企业交通事故统计数据和运营管理数据为起始数据，利用模糊德尔菲和贝叶斯推理法计算风险事件的发生概率，从逻辑和计算精度两个方面保证了本专利计算结果的正确性；通过路径风险度对比，识别需重点监控的事故链。本发明专利能够在揭示事故耦合转化特性的基础上，对营运车辆道路交通事故的关键风险路径进行甄别，并给出相应的风险序列及风险度，对营运车辆道路交通事故风险辨识与预警具有较强的实践指导价值。
Description
技术领域
本发明涉及道路交通安全防范技术领域，具体涉及一种营运车辆道路交通事故风险识别方法。
背景技术
尽管我国的人均汽车保有量仅为0.09，但随着道路里程的不断增加和运行环境的持续改善，过去20年民用汽车保有量增加了12.5倍。急剧增长的道路出行需求与缺乏经验的交通安全保障体系之间的矛盾，使得中国道路交通安全形势非常严峻，带来了诸如交通事故数量增加及其严重程度加剧等负面影响。2013年我国道路交通事故伤亡人数27万余人，仅次于印度。以万车死亡率衡量，2012年我国万车死亡率为3.7，而同期美国为1.3，日本为0.6，法国为0.9，英国仅为0.5。由此可见，我国道路交通安全状况十分严峻。交通事故数据统计显示，营运车辆发生群死群伤事故的比例远远高于其它用途的车辆。而道路运输企业的安全管理是一个系统工程，牵涉的内容较多，故在运营、管理过程中易造成管理疏漏，安全隐患多。因此，对我国营运车辆道路交通事故致因机理进行深入研究就显得十分重要，对减少营运车辆道路交通事故的发生率、提高我国预防道路交通事故的能力和水平具有重要的应用价值。
目前，交通事故致因机理的研究正朝系统论的方向发展，即由最初单纯寻找事故的致因因素向阐述事故演变过程的方向延伸，将事故的致因因素集看作一个系统，建立具有一般性的数学模型或图模型描述事故的因果逻辑关系及风险转化路径，输入容易观测的因素值即可对事故演变过程中的不稳定因素的影响进行评估。已有的研究建立了事故发生与人员行为、车辆特性、道路环境、管理条件等事件间的线性因果关系，但是，对于事件间的复杂交互性、动态性及实时性的解释远远不够，许多事故影响因子可能被隐藏。
营运车辆道路交通事故的发生极少是单一原因诱发的，而是事故影响因素序列连锁反应的结果。如果能及时抽掉事故风险链中的一个或多个环节，许多重大伤亡事故是完全可以避免的。然而，长期以来，由于事故的复杂性与不确定性以及过去认知手段的缺乏，我国在营运车辆道路交通事故连锁反应机理的研究上仍处于起步阶段，不能有效解析营运车辆道路交通事故的因果性和潜伏性，极大地削弱了我国对道路交通事故的防治能力。
发明内容
本发明的目的在于克服现有技术的上述不足，提出一种适用于营运车辆道路交通事故关键风险路径甄别的方法，分析诱发营运车辆道路交通事故的事件序列和风险度。本发明的主要研究内容为：首先，建立典型营运车辆道路交通事故数据库，构建事故连锁反应的有向图模型，解析事故上下游信息与道路交通事故的关联性；然后，将有向图模型转换成随机Petri网模型，验证模型结构的合理性和进行系统性能分析，并计算风险事件的发生概率；最后，设计关键事故链识别算法，甄别需重点监控的事故链。
本发明所采用的技术方案为：
（1）获取和处理事故数据，构建营运车辆道路交通事故连锁反应的有向图模型。
以营运车辆道路交通事故案例为样本，建立营运车辆道路交通事故数据库S=(S 1 ,S 2 ,…,S n )。以有向图的相关知识为基础，构建单起事故演变的有向图模型，表达事故诱发因素之间的耦合关系及其状态变化。对比梳理单车事故与多车事故从安全风险到事故发生的风险演变轨迹，系统提取事故连锁反应的差异序列L=(L 1 ,L 2 ,…,L n )，并根据序列间事故诱发因素的连接关系，建立营运车辆道路交通事故连锁反应的综合有向图模型。
（2）综合有向图模型向随机Petri网模型的转换。
基于有向图与Petri网的转化原则，构建营运车辆道路交通事故连锁反应的随机Petri网模型。所述Petri网模型中，库所集P=(P 1 ,P 2 ,…,P n )表示事故诱发因素的集合，如应急反应P 1 、驾驶员休息情况P 2 、车辆运行速度P 3 、车辆技术状况P 4 等。变迁集T=(T 1 ,T 2 ,…,T n )表示改变事故风险因素状态的事件集合，如应急操作不当T 1 、疲劳驾驶T 2 、车辆制动系统故障T 3 、超载监管不到位T 4 等。
（3）利用关联矩阵法验证构建的随机Petri网模型的结构性，通过构造与随机Petri 网模型同构的马尔科夫链，得到系统状态概率表达式，进行系统性能分析。
（4）获取道路运输企业的交通事故数据和安全管理数据，计算事故诱发因素（即随机Petri网中库所和变迁）的发生概率。
a. 获取道路运输企业一定时间段的事故数据（例如3年的事故资料），利用数据挖掘和统计分析得到与事故直接诱因对应的变迁发生概率，如疲劳驾驶、超载、超速等；
b. 获取道路运输企业的安全管理数据，利用模糊德尔菲法得到相应变迁的发生概率，如驾驶员聘用把关不严、车辆维护计划落实不到位等。
所述事故诱发因素中变迁发生概率的计算：首先设定所述随机Petri网模型中底库所的发生概率均为1，后续库所P i 的发生概率根据贝叶斯推理法计算得到。贝叶斯方法对参数的估计是通过后验分布来得到的，其后验分布π(θ|D)可以表示为：
其中，θ为参数向量，D 为观测值的集合，L(θ|D)为似然方程，π(θ)为θ的先验分布，m(D)为D的边缘分布。
（5）设计关键事故链识别算法。
在数据提取的基础上，提出路径风险度的计算方法；依据路径风险度的大小，甄别出需重点监控的事故链，其中路径风险度L(i) =，P 表示库所的发生概率，P i (t j ) 表示库所对应的下一个变迁t j 被激发的发生概率。
所述关键事故链识别算法的步骤为：
a.设定L max 值为0，关键链序号n值为0；
b.设定邻接矩阵Y和矩阵Z，其中邻接矩阵Y存放Petri网模型节点间的连接关系和变迁的触发概率，矩阵Z存放库所的发生概率；
c.对所述Petri网模型的路径数和路径长度进行顺序标记，分记为l和m；
d.从根结点P 1 出发，按照路径号的顺序分别对所述Petri网进行沿着有向弧的逆向搜索；
e. 如果L(i+1)﹥L(i)，用L(i+1)值更替L max 值，并更替关键链序号n；
f. 如果L(i+1)﹤L(i)，继续进行路径遍历，直到所有路径遍历完成为止；
g. 输出L max 即关键事故链的风险度，并按照顺序输出关键事故链的所有事故诱发因素。
本发明的技术优势在于：
（1）本发明在考虑道路交通事故的耦合转化特性的基础上，构建基于随机Petri网的营运车辆道路交通事故连锁反应网络，真实反映了事故发生的动态性和不确定性。
（2）本发明以道路运输企业交通事故统计数据等较易获取且准确的指标为起始数据，利用统计分析法、模糊德尔菲法和贝叶斯推理的组合方法得到事故诱发因素的发生概率，从逻辑和计算精度两个方面保证了本专利计算结果的正确性。
（3）本发明通过路径风险度对比识别关键事故链，对营运车辆道路交通事故防控管理意义重大。
附图说明
图1是本发明提供方法的整体框架图。
图2是关键事故风险链识别算法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细的说明。
本发明的分析方法主要业务流程和模块如图1所示。要完成营运车辆关键事故链的识别，具体涉及如下三个分步骤：数据处理、随机Petri模型的验证分析和算法应用。
（1）数据处理，该步骤主要是完成事故连锁反应差异序列的提取。由于每一样本都有详细的事故调查报告，包含着人员、车辆、道路环境和管理因素诸多与事故发生直接相关的因素，而提取这些因素是数据处理步骤的第一步。然后对这些因素的耦合关系和时序关系进行有向图建模，同理对每个样本案例构建有向图模型。如果新模型与前一模型存在差异序列L=(L 1 ,L 2 ,…,L n )，将差异序列附加到初始样本模型中，直到样本数据处理完毕，此时新建成的初始模型即为综合有向图模型。基于有向图与Petri网理论的转化原则，建立营运车辆道路交通事故连锁反应的随机Petri网模型。
（2）随机Petri模型的验证分析，该步骤主要是完成模型结构的验证和系统性能的分析。利用关联矩阵的S不变量X，验证构建的随机Petri网模型的结构性。其中X由公式A T X=0求得，其中A为随机Petri网模型对应的关联矩阵，A=O－I，O=|a ij ＋| n×m 表示输出矩阵，I =|a ij -| n×m 表示输入矩阵。当X有解时，随机Petri网模型是有界的、活的且可达的；无解时，随机Petri网模型存在冲突或死锁结构。
假定系统变迁的点火服从指数分布函数：，其中为资源时延，x是连续随机变量，。则t i 点火的概率为：
其中，为标识函数。通过构造与随机Petri 网模型同构的马尔科夫链，得到系统状态概率表达式，进而实现系统性能分析。
（3）算法应用，该步骤主要是完成关键事故链的识别。本发明的关键事故链识别算法的流程如图2所示。首先，提取事故诱发因素的发生概率和连接关系，而事故诱发因素的发生概率是对道路运输企业的交通事故数据和安全管理数据进行统计分析、模糊德尔菲计算和贝叶斯推理得到的。其次，从根结点P 1 出发实现路径遍历，标记Petri网模型的路径数和路径长度。然后，按照路径号的顺序分别对每条路径进行沿着有向弧的逆向搜索，进而计算出每条风险路径的风险度L(i)=。最后，依据路径风险度的大小，输出路径风险度最大的事故链所包含的因素。
经由此算法得到的事故链即为道路运输企业需重点监控的关键事故链，事故链中所包含的因素即为营运车辆道路交通事故预防的切入点，此方法为道路运输安全管理提供了重要的技术支持。
最后所应说明的是，以上所述仅为较佳的具体实施方式，但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员对本发明进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利 要求范围当中。
Claims (3)
1.一种营运车辆道路交通事故风险识别方法，其特征是所述方法包括：
(1)获取营运车辆道路交通事故数据S＝(S1,S2,…,Sn)，每一个样本Si包含人员、车辆、道路环境和管理因素，梳理事故从安全状态到事故发生的风险演变轨迹，提取事故连锁反应的差异序列，并根据序列间事故诱发因素的连接关系，构建营运车辆道路交通事故连锁反应的有向图模型；
如果新模型与前一模型存在差异序列L＝(L1,L2,…,Ln)，将差异序列附加到初始样本模型中，直到样本数据处理完毕，此时新建成的初始模型即为有向图模型；(2)基于有向图与随机Petri网的转化原则，构建营运车辆道路交通事故连锁反应的随机Petri网模型；
(3)利用关联矩阵的S不变量验证上述随机Petri网模型的结构性，然后通过构造与此随机Petri网模型同构的马尔科夫链，进行系统性能分析；
(4)获取道路运输企业的交通事故数据和安全管理数据，利用数据挖掘、统计分析和模糊德尔菲法计算变迁的发生概率，利用贝叶斯推理法计算库所的发生概率；
(5)提取事故诱发因素的发生概率和连接关系，标记上述随机Petri网模型的路径数和路径长度，按顺序对此Petri网进行路径搜索，计算并求取风险度最大的路径，即关键事故链；
所述的路径风险度P(pi)表示库所pi的发生概率，Pi(tj)表示库所pi对应的下一个变迁tj被激发的发生概率；
所述关键事故链识别算法的步骤为：
a.设定Lmax值为0，关键链序号n值为0；
b.设定邻接矩阵Y和矩阵Z，其中邻接矩阵Y存放Petri网模型节点间的连接关系和变迁的触发概率，矩阵Z存放库所的发生概率；
c.对所述Petri网模型的路径数和路径长度进行顺序标记，分记为l和m；
d.从根结点P1出发，按照路径号的顺序分别对所述Petri网进行沿着有向弧的逆向搜索；
e.如果L(i+1)﹥L(i)，用L(i+1)值更替Lmax值，并更替关键链序号n；
f.如果L(i+1)﹤L(i)，继续进行路径遍历，直到所有路径遍历完成为止；
g.输出Lmax即关键事故链的风险度，并按照顺序输出关键事故链的所有事故诱发因素。
2.根据权利要求1所述的一种营运车辆道路交通事故风险识别方法，其特征是所述随机Petri网模型是在考虑营运车辆道路交通事故耦合转化特性的基础上，建立营运车辆道路交通事故连锁反应的综合有向图模型，并进行有向图向Petri网的转化得到的。
3.根据权利要求1所述的一种营运车辆道路交通事故风险识别方法，其特征是所述事故直接诱因对应的变迁发生概率是通过对道路运输企业的交通事故数据进行数据挖掘和统计分析得到，利用模糊德尔菲法对道路运输企业的安全管理数据进行分析得到相应变迁的发生概率，库所的发生概率是利用贝叶斯推理法进行计算得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510418117.6A CN105070097B (zh) | 2015-07-16 | 2015-07-16 | 一种营运车辆道路交通事故风险识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510418117.6A CN105070097B (zh) | 2015-07-16 | 2015-07-16 | 一种营运车辆道路交通事故风险识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105070097A CN105070097A (zh) | 2015-11-18 |
| CN105070097B true CN105070097B (zh) | 2017-05-03 |
Family
ID=54499451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510418117.6A Expired - Fee Related CN105070097B (zh) | 2015-07-16 | 2015-07-16 | 一种营运车辆道路交通事故风险识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105070097B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106448267B (zh) * | 2016-11-14 | 2019-05-31 | 江苏大学 | 基于车联网的道路交通事故链阻断系统 |
| CN106897948B (zh) * | 2017-01-04 | 2021-01-01 | 北京工业大学 | 一种骑推行交通事故鉴定方法 |
| CN107832916B (zh) * | 2017-10-13 | 2022-04-08 | 四川大学 | 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法 |
| CN108198421B (zh) * | 2018-01-19 | 2019-06-11 | 同济大学 | 一种区分单车、多车事故的高速公路事故多发路段判别方法 |
| CN108417033B (zh) * | 2018-03-23 | 2020-08-25 | 四川高路交通信息工程有限公司 | 基于多维因素的高速路交通事故分析预测方法 |
| CN109034576B (zh) * | 2018-07-13 | 2021-11-16 | 贵州电网有限责任公司 | 一种电力通信网故障诱因和业务影响的关联分析方法 |
| CN111859031B (zh) * | 2020-07-15 | 2023-06-20 | 中国安全生产科学研究院 | 一种油气管道事故失效因素分析方法 |
| CN112036473B (zh) * | 2020-08-28 | 2023-09-12 | 长安大学 | 一种基于高风险交通行为数据库的交通事故风险评估方法 |
| CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
| CN113256993B (zh) * | 2021-07-15 | 2021-09-21 | 杭州华鲤智能科技有限公司 | 一种模型训练、分析车辆行驶风险的方法 |
| CN114168646B (zh) * | 2021-10-29 | 2024-08-30 | 山东大学 | 基于多数据融合的营运车辆运输监控方法及系统 |
| CN117649143A (zh) * | 2023-11-29 | 2024-03-05 | 山东大学 | 一种基于驾驶员的生态驾驶行为评估方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359347A (zh) * | 2008-10-07 | 2009-02-04 | 北京交通大学 | 基于随机Petri网的铁路应急预案的建模方法 |
| CN103310118A (zh) * | 2013-07-04 | 2013-09-18 | 文超 | 高速铁路列车运行冲突预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5257363A (en) * | 1990-04-09 | 1993-10-26 | Meta Software Corporation | Computer-aided generation of programs modelling complex systems using colored petri nets |
-
2015
- 2015-07-16 CN CN201510418117.6A patent/CN105070097B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359347A (zh) * | 2008-10-07 | 2009-02-04 | 北京交通大学 | 基于随机Petri网的铁路应急预案的建模方法 |
| CN103310118A (zh) * | 2013-07-04 | 2013-09-18 | 文超 | 高速铁路列车运行冲突预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《重特大交通事故致因机理及其风险行为研究》;李方媛;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20141215;正文第40页、第55-77页 * |
| 《随机Petri网模型到马尔科夫链的转换规则与实现》;何炎祥，等;《计算机科学与探索》;20121116;说明书第60页第2栏第13-31行及摘要 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105070097A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105070097B (zh) | 一种营运车辆道路交通事故风险识别方法 | |
| CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
| Park et al. | Real-time prediction and avoidance of secondary crashes under unexpected traffic congestion | |
| Kadiyala et al. | Applications of Python to evaluate environmental data science problems | |
| Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
| Fukuda et al. | Short‐term prediction of traffic flow under incident conditions using graph convolutional recurrent neural network and traffic simulation | |
| Hao et al. | Data‐driven car‐following model based on rough set theory | |
| CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
| CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
| CN105279397A (zh) | 一种识别蛋白质相互作用网络中关键蛋白质的方法 | |
| Kaeeni et al. | Derailment accident risk assessment based on ensemble classification method | |
| CN112100398B (zh) | 一种专利空白预测方法及系统 | |
| CN114138968B (zh) | 一种网络热点的挖掘方法、装置、设备及存储介质 | |
| CN115565038A (zh) | 内容审核、内容审核模型的训练方法及相关装置 | |
| Chelbi et al. | Proposal of a new virtual evaluation approach of preventive safety applications and advanced driver assistance functions–application: AEB system | |
| CN116432810A (zh) | 交通流预测模型确定方法、设备、装置及可读存储介质 | |
| Le Rhun et al. | A stochastic data-based traffic model applied to vehicles energy consumption estimation | |
| Kang et al. | A transfer learning based abnormal can bus message detection system | |
| CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
| Lian et al. | Application and study of artificial intelligence in railway signal interlocking fault | |
| WO2023193196A1 (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
| CN115794548A (zh) | 日志异常的检测方法及装置 | |
| CN113098735B (zh) | 面向推理的应用流量和指标向量化方法及系统 | |
| CN113221984B (zh) | 用户酒驾行为分析预测方法、装置、设备及存储介质 | |
| CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170503 Termination date: 20200716 |