CN105719510A - 车联网环境下道路交通事故链阻断系统的效率评价方法 - Google Patents
车联网环境下道路交通事故链阻断系统的效率评价方法 Download PDFInfo
- Publication number
- CN105719510A CN105719510A CN201610237111.3A CN201610237111A CN105719510A CN 105719510 A CN105719510 A CN 105719510A CN 201610237111 A CN201610237111 A CN 201610237111A CN 105719510 A CN105719510 A CN 105719510A
- Authority
- CN
- China
- Prior art keywords
- represent
- risk factor
- blocking
- road
- driver
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车联网环境下道路交通事故链阻断系统的效率评价方法,本发明根据对车辆所处的人-车-路-环境的实时监测来检测车辆本身及周围等的危险源,确定事故链被阻断前后的危险源和危险度等级,建立评价函数对CRTI阻断系统进行评价,能够保障阻断系统的效率。以帮助实现有效中断CRTI和进程,能够避免重、特大连环交通事故发生。
Description
技术领域
本发明涉及交通智能管理和控制技术领域尤其是一种车联网环境下道路交通事故链阻断系统的效率评价方法。
背景技术
众所周知,高速公路重特大交通事故很少是由一个交通事件造成,大多是由于一系列不起眼或者看似不严重交通事件综合作用的结果,是人-车-路-环境耦合失调而导致的。根据海因里西(Heinrich)事故法则,把这些引发交通事故的一系列交通事件串起来看就组成道路交通事故链(ChainsofRoadTrafficIncident,CRTI)。
CRTI的演化表现为道路交通状态的变化,当一个不安全的交通状态在时间或空间上引发相邻的另一个不安全交通状态时,则形成了CRTI,并且交通状态是在危险与安全之间不断变化着的。因此,CRTI演化过程实质上是马尔可夫过程。通过建立在马尔可夫随机过程理论之上的马尔可夫链原理,可以研究道路交通系统的非线性、随机性、动态性以及不确定性等特性下的道路交通事故本质,可以将复杂多样的道路交通(连环)事故表征成有序的CRTI形态,将CRTI的演变过程转变成道路交通事件有限状况空间下的马尔可夫链的k步状态转移矩阵。根据交通事件不同状态的初步概率和状态之间转移概率,确定交通事件状态变化趋势,即确定基于马尔可夫链状态空间转换的CRTI演化系统。
如果在发生连环交通事故前就切断事故链中的某个“链”,就能有效阻断CRTI,因此本发明根据实时的CRTI演化状态,并同时考虑当前区域所有车辆车型、相对位置、相对速度、交通事故发生的后果等相关因素,确定交通状态危险度(r)和危险源(e),仅根据危险度和危险源的变化程度建立基于车联网感知的阻断效率的评价方法,保障阻断系统的效率。需要说明的是本文仅考虑的是车联网环境下的城市快速路或高速公路。
发明内容
本发明的目的是弥补交通事故预防技术的不足,提供一种在车联网环境下,设计基于阻断前后危险度和危险源的变化程度的效率评价方法,以便达到有效的交通事故预防和交通事故链阻断。
本发明采用的技术方案是:
车联网环境下道路交通事故链阻断系统的效率评价方法,其特征在于,包括以下步骤:
(1)对车辆可能存在的危险源进行实时监测;
(2)筛选出可能导致事故的危险源个数n1,并计算阻断前的危险度r1;
(3)对危险度进行判断,若危险度等级在3级或3级以上时,转入(4);若危险度在3级以下,则转入(1);
(4)阻断系统根据阻断策略库知识,立即采取控制措施,并采用声、光、电、振动的形式提醒驾驶员;
(5)再次筛选危险源n2,并再次计算阻断后的危险度r2;
(6)构建评价函数f:
Step1:评价函数建模:通过建立CRTI代价函数fcost=argminf(r,e)对阻断效率进行评价,建立CRTI代价函数,如下:
其中:r1表示阻断前检测的危险度;n1表示阻断前检测的危险源个数;r2表示阻断后检测的危险度;n2表示阻断后检测的危险源个数;
f∈[0,+∞],a+b=1,其中b>a,a、b分别为危险度、危险源的权重;
Step2:层次分析法计算权重a、b:
Step2-1:在专家咨询后,e与r的量比值为5,由1-9标度法确定出判断矩阵B;
B | e | r |
e | 1 | 1/5 |
r | 5 | 1 |
判断矩阵B为:
Step2-2:计算判断矩阵B每行的乘积(i=1,2...n);
Step2-3:计算判断矩阵B的方根 式中:n为矩阵的阶数;
Step2-4:将正规化并进一步得到所求的特征向量W;
Step2-5:W=(W1,W2,…,Wn)T即为所求的各指标权重;
经计算所得:a=0.31,b=0.69;
代价函数为:
(7)r1、r2、n1、n2代入评价函数f对阻断效果进行评价,当0≤f<0.5时,说明阻断效率较高,评价结束;当0.5≤f<+∞时,说明阻断效率较差,返回(4)中,更新阻断策略库知识,直至f取值为0≤f<0.5,评价结束。
进一步地,所述步骤(2)中阻断前的危险度r1的计算方法为:
对人、车、路、环境四类危险度分别建模:
阻断前驾驶员的危险度
式(1.1)中:D1表示驾驶员驾龄;D21表示年龄在25岁以下的驾驶员;D22表示年龄在25-50岁之间的驾驶员;D23表示年龄在50-70岁之间的驾驶员;D31表示男性驾驶员;D32表示女性驾驶员;D4表示驾驶员疲劳程度;k1表示驾驶员自身存在的危险度等级系数;b1表示驾驶员在车、路、环境中的耦合数;
阻断前车辆自身危险因素的危险度
式(1.2)中:v1表示车辆间的相对距离;v2表示车辆间的相对速度;v3表示车辆自身故障;k2表示车辆自身存在的危险度等级系数;b2表示车辆在人、路、环境中的耦合数;
阻断前道路存在危险因素的危险度
式(1.3)中:R1表示道路施工;R2道路障碍;R3道路弯曲度;R4表示道路摩擦系数;k表示摩擦因子;k3表示道路自身存在的危险度等级系数;b3表示道路在人、车、环境中的耦合数;
阻断前环境危险因素的危险度
式(1.4)中:s1表示雾;s2表示大雨;s3表示大风;s4表示冰雹;s5表示沙尘;s6表示晴天;s7表示雪;k4表示环境因素的危险度等级;b4表示环境在人、车、路中的耦合系数;
阻断前的危险度
其中:取值在之间。
进一步地,所述步骤(3)中危险度等级分级如表1所示:
表1
进一步地,所述步骤(4)中阻断后的危险度r2的计算方法为:
表示阻断后的驾驶员的危险度;表示阻断后的车辆自身危险因素的危险度;表示阻断后的道路存在危险因素的危险度;表示阻断前环境危险因素的危险度; 和的计算方法类同公式(1.1)…(1.4);ki分别表示人、车、路、环境的危险度等级,bi分别表示人、车、路、环境在其他三种危险源中的耦合数,ki、bi在公式(1)和(2)中是不变的,阻断前后的危险源个数根据发明内容中的技术方案来监测获取,且值得注意的是,危险源是量化的,用个数表示。
进一步地,所述步骤(6)step2中层次分析法比例标度如表3所示:
表3
因素比因素 | 量比值 |
同等重要 | 1 |
稍微重要 | 3 |
较强重要 | 5 |
强烈重要 | 7 |
极端重要 | 9 |
两相邻判断的中间值 | 2,4,6,8 |
从同等到极端所采用的量比值为1-9的奇数,同等重要的因素量比值为1;极端重要量比值为9;两相邻判断的中间值为偶数2、4、6、8。
本发明中,车载单元OBU、GPS/北斗导航、DSRC协议、车内摄像头、身份ID识别器、路侧设备、MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪、气象部门。以上这些设备和技术是用来检测在高速公路或者城市快速路上可能导致事故发生的典型的、常见的危险源。其中,车载单元OBU、GPS/北斗导航、车内摄像头、身份ID识别器、MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪安装在车内。DSRC协议为短程通讯协议。路侧设备安装在高速公路旁的高架上。气象部门为当地的气象部门,通过广播实时播报天气。
其中,车载单元OBU用来检测车辆自身故障;GPS/北斗导航用来实时测算两车的相对距离;DSRC协议分发距离和自身车速等相关数据给周围其他车辆,结合灰色预测模型及动力学模型来预测周围车辆及本身下一时刻的位置和速度,因此可以计出周围车辆的相对距离及相对速度;车内摄像头用来捕捉驾驶员眼睛和动作信息,判断驾驶员的疲劳程度;身份ID识别器用来识别驾驶员的年龄、驾龄及性别;路侧设备用来实时检测道路障碍、道路施工情况及道路弯曲度;MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪用来测得路面摩擦系数;气象部门用来实时获取天气数据。
本发明的有益效果是:本发明根据对车辆所处的人-车-路-环境的实时监测来检测车辆本身及周围等的危险源,确定事故链被阻断前后的危险源和危险度等级,建立评价函数对CRTI阻断系统进行评价,能够保障阻断系统的效率。以帮助实现有效中断CRTI和进程,能够避免重、特大连环交通事故发生。
附图说明
图1为本发明所述评价体系的工作流程图。
图2为危险源分类。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明主要是通过对危险源的实时监测,获取阻断前后的危险度,判断是否需要采取阻断措施或者采取相应的阻断策略,以危险度、危险源为指标参量,建立基于车联网的评价函数,实现对CRTI阻断效果的实时评价。以保障阻断系统的效率。
下面参照附图1对本发明作以下具体的说明。
如图1,具体工作流程如下:
(1)对车辆可能存在的危险源进行实时监测。
本发明中,车载单元OBU、GPS/北斗导航、DSRC协议、车内摄像头、身份ID识别器、路侧设备、MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪、气象部门。以上这些设备和技术是用来检测在高速公路或者城市快速路上可能导致事故发生的典型的、常见的危险源,如图2所示。将检测到的危险源根据人-车-路-环境分别进行分类:基于陈宝智教授提出的两类危险源的理论,根据危险源在事故发生、发展中的作用,把危险源划分为两大类:第一类危险源和第二类危险源。第一类危险源是能量的载体车辆自身故障及与周围车辆的相对关系;第二类危险源包括驾驶员失误、道路的因素和环境因素。
其中,车载单元OBU、GPS/北斗导航、车内摄像头、身份ID识别器、MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪安装在车内。DSRC协议为短程通讯协议。路侧设备安装在高速公路旁的高架上。气象部门为当地的气象部门,通过广播实时播报天气。
其中,车载单元OBU用来检测车辆自身故障;GPS/北斗导航用来实时测算两车的相对距离;DSRC协议分发距离和自身车速等相关数据给周围其他车辆,结合灰色预测模型及动力学模型来预测周围车辆及本身下一时刻的位置和速度,因此可以计出周围车辆的相对距离及相对速度;车内摄像头用来捕捉驾驶员眼睛和动作信息,判断驾驶员的疲劳程度;身份ID识别器用来识别驾驶员的年龄、驾龄及性别;路侧设备用来实时检测道路障碍、道路施工情况及道路弯曲度;MXD-01摩擦系数仪/COF-P01斜面摩擦系数仪用来测得路面摩擦系数;气象部门用来实时获取天气数据。
(2)筛选出可能导致事故的危险源个数n1,并计算阻断前的危险度r1。
对人、车、路、环境四类危险度分别建模:
阻断前驾驶员的危险度
式(1.1)中:D1表示驾驶员驾龄;D21表示年龄在25岁以下的驾驶员;D22表示年龄在25-50岁之间的驾驶员;D23表示年龄在50-70岁之间的驾驶员;D31表示男性驾驶员;D32表示女性驾驶员;D4表示驾驶员疲劳程度;k1表示驾驶员自身存在的危险度等级系数;b1表示驾驶员在车、路、环境中的耦合数。
阻断前车辆自身危险因素的危险度
式(1.2)中:v1表示车辆间的相对距离;v2表示车辆间的相对速度;v3表示车辆自身故障;k2表示车辆自身存在的危险度等级系数;b2表示车辆在人、路、环境中的耦合数。
阻断前道路存在危险因素的危险度
式(1.3)中:R1表示道路施工;R2道路障碍;R3道路弯曲度;R4表示道路摩擦系数;k表示摩擦因子;k3表示道路自身存在的危险度等级系数;b3表示道路在人、车、环境中的耦合数。
阻断前环境危险因素的危险度
式(1.4)中:s1表示雾;s2表示大雨;s3表示大风;s4表示冰雹;s5表示沙尘;s6表示晴天;s7表示雪;k4表示环境因素的危险度等级;b4表示环境在人、车、路中的耦合系数。
阻断前的危险度
其中:取值在之间。
(3)对危险度进行判断,若危险度等级在3级或3级以上时,转入(4);若危险度在3级以下,则转入(1)。
所述步骤(3)中危险度等级分级如表1所示,等级为5时,事故发生概率为80%-100%,风险最高,后果是灾难性的,需立即停止车辆运行;等级为最低1时,事故发生概率为0%-20%,风险最低,不会引起交通事故,可不予以考虑,保持当前风险水平和状态。
表1
(4)阻断系统根据阻断策略库知识,立即采取控制措施,并采用声、光、电、振动的形式提醒驾驶员。
阻断后的危险度r2的计算方法为:
表示阻断后的驾驶员的危险度;表示阻断后的车辆自身危险因素的危险度;表示阻断后的道路存在危险因素的危险度;表示阻断前环境危险因素的危险度; 和的计算方法类同公式(1.1)…(1.4);ki分别表示人、车、路、环境的危险度等级,bi分别表示人、车、路、环境在其他三种危险源中的耦合数,ki、bi在公式(1)和(2)中是不变的,阻断前后的危险源个数根据发明内容中的技术方案来监测获取,且值得注意的是,危险源是量化的,用个数表示。
(5)再次筛选危险源n2,并再次计算阻断后的危险度r2;
(6)构建评价函数f:
Step1:评价函数建模:通过建立CRTI代价函数fcost=argminf(r,e)对阻断效率进行评价,建立CRTI代价函数,如下:
其中:r1表示阻断前检测的危险度;n1表示阻断前检测的危险源个数;r2表示阻断后检测的危险度;n2表示阻断后检测的危险源个数。
f∈[0,+∞],a+b=1,其中b>a,a、b分别为危险度、危险源的权重;
Step2:层次分析法计算权重a、b:
危险源决定了事故链的危险度,危险源只有存在或不存在,在对事故链阻断后,危险度必定降低,某个或某些危险源可能存在,也可能不再存在,但如果消除了危险源,就能够从根本上消除或极大的降低危险度,因此b>a。
层次分析法的一个重要特点就是用两两重要性程度之比的形式表示出两个方案的相应重要性程度等级。如对某一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级。记为某个因素和某个因素的重要性之比,表2列出Saaty给出的9个重要性等级及其赋值。从同等到极端所采用的量比值为1-9的奇数。同等重要的因素量比值为1;极端重要量比值为9;两相邻判断的中间值为偶数2、4、6、8。
表2比例标度
因素比因素 | 量比值 |
同等重要 | 1 |
稍微重要 | 3 |
较强重要 | 5 |
强烈重要 | 7 |
极端重要 | 9 |
两相邻判断的中间值 | 2,4,6,8 |
从同等到极端所采用的量比值为1-9的奇数,同等重要的因素量比值为1;极端重要量比值为9;两相邻判断的中间值为偶数2、4、6、8。
层次分析法计算权重的基本步骤:
Step2-1:在专家咨询后,e与r的量比值为5,由1-9标度法确定出判断矩阵B;
B | e | r |
e | 1 | 1/5 |
r | 5 | 1 |
判断矩阵B为:
Step2-2:计算判断矩阵B每行的乘积(i=1,2...n);
Step2-3:计算判断矩阵B的方根 式中:n为矩阵的阶数;
Step2-4:将正规化并进一步得到所求的特征向量W;
Step2-5:W=(W1,W2,…,Wn)T即为所求的各指标权重;
经计算所得:a=0.31,b=0.69;
代价函数为:
(7)r1、r2、n1、n2代入评价函数f对阻断效果进行评价,当0≤f<0.5时,说明阻断效率较高,评价结束;当0.5≤f<+∞时,说明阻断效率较差,返回(4)中,更新阻断策略库知识,直至f取值为0≤f<0.5,评价结束。
表3所示为阻断效率评价,系统在获取危险源n1、n2和危险度r1、r2后,将这四个参数代入评价函数对阻断效果进行评价,当f取值在0时,阻断等级为1级,阻断效率最高;当f取值大于1.72时,阻断等级为5级,需重新更新阻断策略库知识。
表3阻断效率评价
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (5)
1.车联网环境下道路交通事故链阻断系统的效率评价方法,其特征在于,包括以下步骤:
(1)对车辆可能存在的危险源进行实时监测;
(2)筛选出可能导致事故的危险源个数n1,并计算阻断前的危险度r1;
(3)对危险度进行判断,若危险度等级在3级或3级以上时,转入(4);若危险度在3级以下,则转入(1);
(4)阻断系统根据阻断策略库知识,立即采取控制措施,并采用声、光、电、振动的形式提醒驾驶员;
(5)再次筛选危险源n2,并再次计算阻断后的危险度r2;
(6)构建评价函数f:
Step1:评价函数建模:通过建立CRTI代价函数fcost=argminf(r,e)对阻断效率进行评价,建立CRTI代价函数,如下:
其中:r1表示阻断前检测的危险度;n1表示阻断前检测的危险源个数;r2表示阻断后检测的危险度;n2表示阻断后检测的危险源个数;
f∈[0,+∞],a+b=1,其中b>a,a、b分别为危险度、危险源的权重;
Step2:层次分析法计算权重a、b:
Step2-1:e与r的量比值为5,由1-9标度法确定出判断矩阵B;
判断矩阵B为:
Step2-2:计算判断矩阵B每行的乘积(i=1,2...n);
Step2-3:计算判断矩阵B的方根 式中:n为矩阵的阶数;
Step2-4:将正规化并进一步得到所求的特征向量W;
Step2-5:W=(W1,W2,…,Wn)T即为所求的各指标权重;
经计算所得:a=0.31,b=0.69;
代价函数为:
(7)r1、r2、n1、n2代入评价函数f对阻断效果进行评价,当0≤f<0.5时,说明阻断效率较高,评价结束;当0.5≤f<+∞时,说明阻断效率较差,返回(4)中,更新阻断策略库知识,直至f取值为0≤f<0.5,评价结束。
2.根据权利要求1所述的道路交通事故链阻断系统的效率评价方法,其特征在于,所述步骤(2)中阻断前的危险度r1的计算方法为:
对人、车、路、环境四类危险度分别建模:
阻断前驾驶员的危险度
式(1.1)中:D1表示驾驶员驾龄;D21表示年龄在25岁以下的驾驶员;D22表示年龄在25-50岁之间的驾驶员;D23表示年龄在50-70岁之间的驾驶员;D31表示男性驾驶员;D32表示女性驾驶员;D4表示驾驶员疲劳程度;k1表示驾驶员自身存在的危险度等级系数;b1表示驾驶员在车、路、环境中的耦合数;
阻断前车辆自身危险因素的危险度
式(1.2)中:v1表示车辆间的相对距离;v2表示车辆间的相对速度;v3表示车辆自身故障;k2表示车辆自身存在的危险度等级系数;b2表示车辆在人、路、环境中的耦合数;
阻断前道路存在危险因素的危险度
式(1.3)中:R1表示道路施工;R2道路障碍;R3道路弯曲度;R4表示道路摩擦系数;k表示摩擦因子;k3表示道路自身存在的危险度等级系数;b3表示道路在人、车、环境中的耦合数;
阻断前环境危险因素的危险度
式(1.4)中:s1表示雾;s2表示大雨;s3表示大风;s4表示冰雹;s5表示沙尘;s6表示晴天;s7表示雪;k4表示环境因素的危险度等级;b4表示环境在人、车、路中的耦合系数;
阻断前的危险度
其中:取值在之间。
3.根据权利要求1所述的道路交通事故链阻断系统的效率评价方法,其特征在于,所述步骤(3)中危险度等级分级如表1所示:
表1
4.根据权利要求1所述的道路交通事故链阻断系统的效率评价方法,其特征在于,所述步骤(4)中阻断后的危险度r2的计算方法为:
表示阻断后的驾驶员的危险度;表示阻断后的车辆自身危险因素的危险度;表示阻断后的道路存在危险因素的危险度;表示阻断前环境危险因素的危险度; 和的计算方法类同公式(1.1)…(1.4);ki分别表示人、车、路、环境的危险度等级,bi分别表示人、车、路、环境在其他三种危险源中的耦合数,ki、bi在公式(1)和(2)中是不变的,阻断前后的危险源个数根据发明内容中的技术方案来监测获取,且值得注意的是,危险源是量化的,用个数表示。
5.根据权利要求1所述的道路交通事故链阻断系统的效率评价方法,其特征在于,所述步骤(6)step2中层次分析法比例标度如表2所示:
表2
从同等到极端所采用的量比值为1-9的奇数,同等重要的因素量比值为1;极端重要量比值为9;两相邻判断的中间值为偶数2、4、6、8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610237111.3A CN105719510B (zh) | 2016-04-15 | 2016-04-15 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610237111.3A CN105719510B (zh) | 2016-04-15 | 2016-04-15 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105719510A true CN105719510A (zh) | 2016-06-29 |
CN105719510B CN105719510B (zh) | 2018-07-06 |
Family
ID=56160196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610237111.3A Active CN105719510B (zh) | 2016-04-15 | 2016-04-15 | 车联网环境下道路交通事故链阻断系统的效率评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719510B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448267A (zh) * | 2016-11-14 | 2017-02-22 | 江苏大学 | 基于车联网的道路交通事故链阻断系统 |
CN107273340A (zh) * | 2017-06-01 | 2017-10-20 | 南京邮电大学 | 一种基于Logistic模型的道路交通事故因子分析方法 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN114255526A (zh) * | 2020-09-25 | 2022-03-29 | 丰田自动车株式会社 | 驾驶评价装置、驾驶评价系统以及记录介质 |
CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401027B1 (en) * | 1999-03-19 | 2002-06-04 | Wenking Corp. | Remote road traffic data collection and intelligent vehicle highway system |
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及系统、分级方法及系统 |
CN102289928A (zh) * | 2011-05-19 | 2011-12-21 | 上海市城市建设设计研究院 | 基于模糊层次分析法的枢纽综合交通运行态势评价方法 |
CN104835318A (zh) * | 2015-03-23 | 2015-08-12 | 中南大学 | 一种基于贝叶斯联合模型量化径路安全水平的方法 |
-
2016
- 2016-04-15 CN CN201610237111.3A patent/CN105719510B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401027B1 (en) * | 1999-03-19 | 2002-06-04 | Wenking Corp. | Remote road traffic data collection and intelligent vehicle highway system |
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及系统、分级方法及系统 |
CN102289928A (zh) * | 2011-05-19 | 2011-12-21 | 上海市城市建设设计研究院 | 基于模糊层次分析法的枢纽综合交通运行态势评价方法 |
CN104835318A (zh) * | 2015-03-23 | 2015-08-12 | 中南大学 | 一种基于贝叶斯联合模型量化径路安全水平的方法 |
Non-Patent Citations (1)
Title |
---|
潘丽莎等: "基于层次分析法和熵值法的城市轨道交通车站安全评价", 《城市轨道交通研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448267A (zh) * | 2016-11-14 | 2017-02-22 | 江苏大学 | 基于车联网的道路交通事故链阻断系统 |
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 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN107273340A (zh) * | 2017-06-01 | 2017-10-20 | 南京邮电大学 | 一种基于Logistic模型的道路交通事故因子分析方法 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110579359B (zh) * | 2019-09-10 | 2021-11-09 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN114255526A (zh) * | 2020-09-25 | 2022-03-29 | 丰田自动车株式会社 | 驾驶评价装置、驾驶评价系统以及记录介质 |
CN116484056A (zh) * | 2023-02-20 | 2023-07-25 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
CN116484056B (zh) * | 2023-02-20 | 2023-11-07 | 北京交通大学 | 一种基于知识图谱的轨道交通事故的预防方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105719510B (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719510A (zh) | 车联网环境下道路交通事故链阻断系统的效率评价方法 | |
WO2022227129A1 (zh) | 一种危化品道路运输风险评估方法及系统 | |
Abdel-Aty et al. | Calibrating a real-time traffic crash-prediction model using archived weather and ITS traffic data | |
Holló et al. | Road safety performance indicators and their explanatory value: A critical view based on the experience of Central European countries | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
CN103218513B (zh) | 一种城市轨道交通运行安全的判定方法 | |
CN113066287B (zh) | 一种高速公路交通事故现场风险主动防控方法及系统 | |
CN104616496B (zh) | 基于突变理论的电网大停电交通拥堵度评估方法 | |
Choi et al. | Proactive strategy for variable speed limit operations on freeways under foggy weather conditions | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
Jarju | Drivers' Behavior Analysis under Reduced Visibility Condition Using a Driving Simulator | |
CN106530714A (zh) | 一种基于交通流数据的二次交通事故时间预测方法 | |
CN104575049B (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 | |
Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
Prayudyanto et al. | Designing a model of the early warning system on the road curvature to prevent the traffic accidents | |
Patel et al. | Assessment of network traffic congestion through Traffic Congestability Value (TCV): a new index | |
Chou et al. | Deriving a surrogate safety measure for freeway incidents based on predicted end‐of‐queue properties | |
CN103942950A (zh) | 一种干线公路冰雪环境下交通运行可靠度预测方法 | |
Pirdavani et al. | Spatial analysis of fatal and injury crashes in Flanders, Belgium: application of geographically weighted regression technique | |
Wu et al. | Considering safety impacts of skid resistance in decision-making processes for pavement management | |
CN106600950A (zh) | 一种基于交通流数据的二次交通事故预测方法 | |
Shi et al. | Survival analysis of urban traffic incident duration: a case study at shanghai expressways | |
CN105608315A (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
Shang et al. | Inclement weather impacts on urban traffic conditions | |
Das et al. | Traffic congestion modelling under mixed traffic conditions through fuzzy logic approach: an Indian case study of arterial road |
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 |