CN106355883B - 一种获取交通事故发生概率的方法、装置及系统 - Google Patents
一种获取交通事故发生概率的方法、装置及系统 Download PDFInfo
- Publication number
- CN106355883B CN106355883B CN201610915180.5A CN201610915180A CN106355883B CN 106355883 B CN106355883 B CN 106355883B CN 201610915180 A CN201610915180 A CN 201610915180A CN 106355883 B CN106355883 B CN 106355883B
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- sample
- probability
- happening
- 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
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明涉及一种获取交通事故发生概率的方法、装置及系统,用以实时获取监测路段的交通事故发生概率,该方法包括以下步骤:1)根据预先设定的多个事故预测指标变量与交通事故发生概率的关系构建交通事故风险评估模型;2)根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;3)实时获取或者每隔设定时间获取监测路段的交通流数据确定各个事故预测指标变量的具体数值;4)根据各个事故预测指标变量的具体数值和标定后的交通事故风险评估模型获取监测路段的实时交通事故发生概率。与现有技术相比,本发明具有实时准确、普遍适用、计算快速等优点。
Description
技术领域
本发明涉及交通安全技术领域,尤其是涉及一种获取交通事故发生概率的方法、装置及系统。
背景技术
随着我国经济的高速增长,高速公路、快速道路等公共交通基础设施也得到了快速发展,在带来高效、快捷、方便的同时,也带来了诸如交通事故增加等负面影响,并且随着经济社会发展、汽车保有量和道路通车里程的增加,这一情况会变得越来越严峻。
传统的道路交通安全研究主要集中在两个方面,一方面从道路安全审计的角度出发基于运营统计数据从道路线形指标、道路环境、运行车速等方面获取高速公路、快速道路等的交通事故发生概率,对其交通安全进行评估并提出改善对策;另一方面利用微观仿真对高速公路、快速道路等的行车状况进行模拟,研究车辆跟驰、变道等行为与交通事故发生概率之间的关系。虽然上述两个方面的道路交通安全研究均有助于提高高速公路、快速道路等的交通安全性能,降低交通事故发生概率,但却不能实时获取高速公路、快速道路等的交通事故发生概率,对其交通安全进行实时评估和预警。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时准确、普遍适用、计算快速的基于风险评估模型的交通事故发生概率获取方法及系统。
本发明的目的可以通过以下技术方案来实现:
本发明实施例提供了一种获取交通事故发生概率的方法,包括:根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,且所述事故预测指标变量随所述监测路段交通流数据的变化而变化;根据所述监测路段在发生交通事故前后的交通流数据对所述交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;根据实时获取或者每隔预设时间获取的所述监测路段的交通流数据确定所述各个事故预测指标变量的当前的具体数值;根据所述当前的具体数值和所述标定后的交通事故风险评估模型获取所述监测路段当前的交通事故发生概率。
优选地,本发明实施例所述的获取交通事故发生概率的方法,所述交通事故风险评估模型用如下公式表述:
其中,r0为一个待标定的常量,ri为待标定的一个事故预测指标变量的参数,Ri为ri所对应的事故预测指标变量,n为预先确定的事故预测指标变量的个数,且事故预测指标变量Ri与交通事故发生概率正相关时,ri为正值,事故预测指标变量Ri与交通事故发生概率负相关时,ri为负值。
优选地,本发明实施例所述的获取交通事故发生概率的方法,所述根据所述监测路段在发生交通事故前后的交通流数据对所述交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型包括:从发生在所述监测路段的交通事故中选取至少一个交通事故作为样本交通事故,以每个所述样本交通事故的事故发生当日为基准,分别选取间隔天数相同的事故发生前和事故发生后的至少一个日期作为对比日期;获取事故发生当日每个所述样本交通事故在事故发生前的预设的多个连续时间段内的交通流数据作为事故样本交通流数据;获取每个对比日期下在所述预设的多个连续时间段内的交通流数据作为事故对照组样本交通流数据;根据每个所述样本交通事故的事故样本交通流数据获取事故发生当日该样本交通事故在事故发生前的所述预设的多个连续时间段内所对应的各个所述事故预测指标变量的具体数值作为事故样本具体值;根据每个所述样本交通事故的事故样本交通流数据所对应的事故对照组样本交通流数据获取每个所述对比日期下在所述预设的多个连续时间段内所对应的各个所述事故预测指标变量的具体数值作为事故对照组样本具体值;根据每个所述样本交通事故的事故样本具体值和事故对照组样本具体值获取所述交通事故风险评估模型的参数的标定值,并根据所述标定值获取标定后的交通事故风险评估模型。
优选地,本发明实施例所述的获取交通事故发生概率的方法,每个所述样本交通事故的事故样本交通流数据和事故对照组样本交通流数据的比例选择为1:4。
优选地,本发明实施例所述的获取交通事故发生概率的方法,以随交通流数据的变化而变化的所述监测路段的各个车道的交通流量、车辆平均速度和车头平均间距为元素分别构建流量矩阵、速度矩阵以及车头间距矩阵,并将所述流量矩阵所对应的流量矩阵特征值、流量平均值、流量均方差,所述速度矩阵所对应的速度矩阵特征值、速度平均值、速度均方差,以及所述车头间距矩阵所对应的车头间距矩阵特征值、车头间距平均值和车头间距均方差设定为预测指标变量;所述各个预测指标变量的具体数值即为根据所述监测路段的交通流数据的具体数值,分别求解所述流量矩阵、所述速度矩阵和所述车头间距矩阵所获取的流量矩阵特征值、流量平均值、流量均方差、速度矩阵特征值、速度平均值、速度均方差、车头间距矩阵特征值、车头间距平均值和车头间距均方差的具体数值。
优选地,本发明实施例所述的获取交通事故发生概率的方法,所述流量矩阵用如下公式表述:
其中Qtmn指tm时间段内监测路段的第n条车道的交通流量;
所述速度矩阵用如下公式表述:
其中Vtmn指tm时间段内监测路段的第n条车道的车辆平均速度;
所述车头间距矩阵用如下公式表述:
其中Stmn指tm时间段内监测路段的第n条车道的车头平均间距。
优选地,本发明实施例所述的获取交通事故发生概率的方法,通过如下解算公式对所述流量矩阵、所述速度矩阵和所述车头间距矩阵分别求解,该解算公式如下所示:
Ax=λx
|A-λE|=0
其中A指待求解的所述流量矩阵、所述速度矩阵或者所述车头间距矩阵,E为单位矩阵,λ为矩阵A的特征值,x为矩阵A的特征向量。
优选地,本发明实施例所述的获取交通事故发生概率的方法,还包括:
若所述当前的交通事故发生概率超出预设交通事故发生概率,发出报警信号。
本发明实施例还提供了一种获取交通事故发生概率的装置,包括:评估模型建立单元,用于根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,且所述事故预测指标变量随所述监测路段交通流数据的变化而变化;标定单元,用于根据所述监测路段在发生交通事故前后的交通流数据对所述交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;当前值确定单元,用于根据实时获取或者每隔预设时间获取的所述监测路段的交通流数据确定所述各个事故预测指标变量的当前的具体数值;概率获取单元,用于根据所述当前的具体数值和所述标定后的交通事故风险评估模型获取所述监测路段当前的交通事故发生概率。
本发明实施例还提供了一种获取交通事故发生概率的系统,包括:多个流量采集装置,分布于各个监测路段,用于采集每个所述监测路段的交通流数据;处理装置,用于执行上述获取交通事故发生概率的方法,根据实时获取或者每隔预设时间获取的所述监测路段的交通流数据获取所述监测路段当前的交通事故发生概率;报警装置,用于在所述当前的交通事故发生概率超出预设交通事故发生概率,发出报警提示。
与现有技术相比,本发明具有以下优点:
一、实时准确:本发明根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,并根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;之后根据实时获取或者每隔预设时间获取的监测路段的交通流数据确定各个事故预测指标变量的当前的具体数值;根据当前的具体数值和标定后的交通事故风险评估模型获取监测路段当前的交通事故发生概率。因为各个事故预测指标变量的当前的具体数据是根据实时获取或者每隔预设时间获取的监测路段的交通流数据来确定的,因此根据当前的具体数值和标定后的交通事故风险评估模型就可以获取监测路段当前的交通事故发生概率,对监测路段的交通安全进行实时准确的评估了。
二、普遍适用:本发明中所获取的交通流数据源于单个检测器,通过获取监测路段中单个检测器的交通流数据便可对交通事故风险评估模型的参数进行标定,继而获取监测路段当前实时的交通事故发生概率,因此本发明更具有普遍性和实际应用价值。
三、计算快速:本发明充分利用监测路段的交通流数据构建时空矩阵,简化了事故发生概率预测指标,采用二元逻辑回归方法构建广义线性模型,缩短了系统计算时间,也便于系统的实际实施处理。
附图说明
图1为本发明实施例1中获取交通事故发生概率的方法的一个具体实例的流程图;
图2为本发明实施例1中获取交通事故发生概率的方法的另一个具体实例的流程图;
图3为本发明实施例2中获取交通事故发生概率的系统中处理装置的一个具体实例的原理框图;
图4为本发明实施例4中获取交通事故发生概率的系统的一个具体实例的原理框图。
其中,11、评估模型建立单元,12、标定单元,13、当前值确定单元,14、概率获取单元,15、报警单元,121、日期选取子单元,122、事故样本交通流数据获取子单元,123、事故对照组样本交通流数据获取子单元,124、事故样本具体值获取子单元,125、事故对照组样本具体值获取子单元,126、标定值获取子单元,21、流量采集装置,22、处理装置,23、报警装置。
具体实施方式
下面将结合附图对本发明实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1:
本实施例提供了一种获取交通事故发生概率的方法,如图1所示,包括:
S11.根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,且事故预测指标变量随监测路段交通流数据的变化而变化。具体地,可以通过设置于各个监测路段(一个入口匝道至下一个出口匝道对应为一个路段)的流量检测器来采集该监测路段的交通流数据,交通流数据包括监测路段各个车道的交通流量、车辆平均速度和车头平均间距等数据。同时因为事故预测指标变量随监测路段交通流数据的变化而变化,因此根据事故预测指标变量与交通事故发生概率的相关关系建立起来的交通事故风险评估模型也会随着监测道路交通流数据的变化而解算出不同的交通事故发生概率,对监测路段的安全性进行实时评估。
S12.根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型。具体地,通过比对监测路段在交通事故临近发生前的一段时间(即将发生交通事故时)以及未发生交通事故的正常情况下的交通流数据,可以获取各个事故预测指标变量与交通事故发生概率之间的相关度,据此确定的交通事故风险评估模型中的参数的标定值,符合该监测路段的实际交通安全状况,确保了根据该标定后的交通事故风险评估模型计算出来的监测路段的交通事故发生概率的准确性。
S13.根据实时获取或者每隔预设时间获取的监测路段的交通流数据确定各个事故预测指标变量的当前的具体数值。具体地,如果监测路段车流量大,安全风险高,可以实时采集监测路段的交通流数据;如果监测路段车流量处于正常水平,也可以每隔预设时间(比如1分钟)再采集一次交通流数据。
S14.根据当前的具体数值和标定后的交通事故风险评估模型获取监测路段当前的交通事故发生概率。
本实施例中的获取交通事故发生概率的方法,根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,并根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;之后根据实时获取或者每隔预设时间获取的监测路段的交通流数据确定各个事故预测指标变量的当前的具体数值;根据当前的具体数值和标定后的交通事故风险评估模型获取监测路段当前的交通事故发生概率。因为各个事故预测指标变量的当前的具体数据是根据实时获取或者每隔预设时间获取的监测路段的交通流数据来确定的,因此根据当前的具体数值和标定后的交通事故风险评估模型就可以获取监测路段当前的交通事故发生概率,对监测路段的交通安全进行实时准确的评估了。
优选地,本实施例中的获取交通事故发生概率的方法,其交通事故风险评估模型用如下公式表述:
其中r0为一个待标定的常量,ri为待标定的一个事故预测指标变量的参数,Ri为ri所对应的事故预测指标变量,n为预先确定的事故预测指标变量的个数,且事故预测指标变量Ri与交通事故发生概率正相关时,ri为正值,事故预测指标变量Ri与交通事故发生概率负相关时,ri为负值。
优选地,本实施例中的获取交通事故发生概率的方法,其步骤S12进一步包括:
S121.从发生在监测路段的交通事故中选取至少一个交通事故作为样本交通事故,以每个样本交通事故的事故发生当日为基准,分别选取间隔天数相同的事故发生前和事故发生后的至少一个日期作为对比日期。
S122.获取事故发生当日每个样本交通事故在事故发生前的预设的多个连续时间段内的交通流数据作为事故样本交通流数据。
S123.获取每个对比日期下在预设的多个连续时间段内的交通流数据作为事故对照组样本交通流数据。
S124.根据每个样本交通事故的事故样本交通流数据获取事故发生当日该样本交通事故在事故发生前的预设的多个连续时间段内所对应的各个事故预测指标变量的具体数值作为事故样本具体值。
S125.根据每个样本交通事故的事故样本交通流数据所对应的事故对照组样本交通流数据获取每个对比日期下在预设的多个连续时间段内所对应的各个事故预测指标变量的具体数值作为事故对照组样本具体值。
S126.根据每个样本交通事故的事故样本具体值和事故对照组样本具体值获取交通事故风险评估模型的参数的标定值,并根据标定值获取标定后的交通事故风险评估模型。
优选地,本实施例中的获取交通事故发生概率的方法,每个样本交通事故的事故样本交通流数据和事故对照组样本交通流数据的比例选择为1:4。
优选地,本实施例中的获取交通事故发生概率的方法,以随交通流数据的变化而变化的监测路段的各个车道的交通流量、车辆平均速度和车头平均间距为元素分别构建流量矩阵、速度矩阵以及车头间距矩阵,并将流量矩阵所对应的流量矩阵特征值、流量平均值、流量均方差,速度矩阵所对应的速度矩阵特征值、速度平均值、速度均方差,以及车头间距矩阵所对应的车头间距矩阵特征值、车头间距平均值和车头间距均方差设定为预测指标变量;各个预测指标变量的具体数值即为根据监测路段的交通流数据的具体数值,分别求解流量矩阵、速度矩阵和车头间距矩阵所获取的流量矩阵特征值、流量平均值、流量均方差、速度矩阵特征值、速度平均值、速度均方差、车头间距矩阵特征值、车头间距平均值和车头间距均方差的具体数值。
优选地,本实施例中的获取交通事故发生概率的方法,流量矩阵用如下公式表述:
其中Qtmn指tm时间段内监测路段的第n条车道的交通流量。
速度矩阵用如下公式表述:
其中Vtmn指tm时间段内监测路段的第n条车道的车辆平均速度。
车头间距矩阵用如下公式表述:
其中Stmn指tm时间段内监测路段的第n条车道的车头平均间距。
优选地,本实施例中的获取交通事故发生概率的方法,通过如下解算公式对流量矩阵、速度矩阵和车头间距矩阵分别求解,该解算公式如下所示:
Ax=λx
|A-λE|=0
其中A指待求解的流量矩阵、速度矩阵或者车头间距矩阵,E为单位矩阵,λ为矩阵A的特征值,x为矩阵A的特征向量。
下面以监测路段包括三个车道,该监测路段的每个样本交通事故的事故样本交通流数据和事故对照组样本交通流数据的比例选择为1:4,预设的多个连续时间段为事故发生前5-20分钟,共三个5分钟时间段为例,对步骤S121-步骤S126的方案进行详细说明,应当理解的是,上述举例并非意在限定本发明。
1)以发生于2015-03-01日15:30分的样本交通事故为例,则以事故发生日2015-03-01日为基准,选取2015-02-15日、2015-02-22日、2015-03-08日和2015-03-15日这四个日期作为对比日期。
2)获取该监测路段在2015-03-01日15:10分-15:15分、15:15分-15:20分、15:20分-15:25分这三个时间段内的交通流数据作为事故样本交通流数据。
3)分别获取同一监测路段在2015-02-15日、2015-02-22日、2015-03-08日和2015-03-15日的15:10分-15:15分、15:15分-15:20分、15:20分-15:25分这三个时间段内的交通流数据作为事故对照组样本交通流数据。
4)根据上述事故样本交流流数据分别获取该监测路段的每个车道在2015-03-01日15:10分-15:15分、15:15分-15:20分、15:20分-15:25分这三个时间段的交通流量、车辆平均速度和车头平均间距,并将上述时间段内各个车道的交通流量、车辆平均速度和车头平均间距分别代入流量矩阵T流量、速度矩阵T速度和车头间距矩阵T间距,就可以求解出事故发生当日(2015-03-01日)流量矩阵特征值、流量平均值、流量均方差、速度矩阵特征值、速度平均值、速度均方差、车头间距矩阵特征值、车头间距平均值和车头间距均方差的具体数值作为该样本交通事故的事故样本具体值了,因为选取的时间段有三个,车道也有三条,因此该情况下流量矩阵特征值、速度矩阵特征值和车头间距矩阵特征值均为3个,我们用第一特征值、第二特征值和第三特征值予以区分。
5)根据上述事故对照组样本交通流数据分别获取该监测路段的每个车道在2015-02-15日、2015-02-22日、2015-03-08日和2015-03-15日的15:10分-15:15分、15:15分-15:20分、15:20分-15:25分这三个时间段的交通流量、车辆平均速度和车头平均间距,并将上述时间段内各个车道的交通流量、车辆平均速度和车头平均间距分别代入流量矩阵T流量、速度矩阵T速度和车头间距矩阵T间距,就可以求解出每个对比日期(2015-02-15日、2015-02-22日、2015-03-08日和2015-03-15日)流量矩阵特征值、流量平均值、流量均方差、速度矩阵特征值、速度平均值、速度均方差、车头间距矩阵特征值、车头间距平均值和车头间距均方差的具体数值作为该样本交通事故的事故对照组样本具体值了。
6)采用“统计产品与服务解决方案”软件,也即SPSS(Statistical Product andService Solutions)软件,利用向后步进似然比方法,根据输入的该样本交通事故的上述事故样本具体值和事故对照组样本具体值对交通事故风险评估模型中的参数进行优化选择及标定,具体过程如表1和表2所示:
表1事故预测指标变量符号与说明
符号 | 说明 |
EigenQ1 | 流量矩阵第一特征值 |
EigenQ2 | 流量矩阵第二特征值 |
EigenQ3 | 流量矩阵第三特征值 |
MeanQ | 流量平均值 |
StdQ | 流量均方差 |
EigenV1 | 速度矩阵第一特征值 |
EigenV2 | 速度矩阵第二特征值 |
EigenV3 | 速度矩阵第三特征值 |
MeanV | 速度平均值 |
StdV | 速度均方差 |
EigenS1 | 车头间距矩阵第一特征值 |
EigenS2 | 车头间距矩阵第二特征值 |
EigenS3 | 车头间距矩阵第三特征值 |
MeanS | 车头间距平均值 |
StdS | 车头间距均方差 |
表2模型分类结果表
从表2可以看到,交通事故风险评估模型建模后采用向后步进似然比方法对事故预测指标变量进行筛选,由原始第一步至最后一步的第七步迭代终止,由于篇幅限制,中间的迭代过程予以省略。可以看到,在最终模型稳定后,原始样本中366起非事故有359起成功被预测为非事故,仅有7起被错误判断为事故,误报率仅为1.9%;原始样本中87起事故有29起成功被预测为事故,事故预测精度为33.3%,总体预测精度为85.7%。
采用向后步进似然比方法进行迭代,迭代过程通过对各事故预测指标变量的显著性进行评价从而决定是否保留该事故预测指标变量,在本次迭代过程中,保留p值低于0.05的事故预测指标变量,剔除p值大于0.1的事故预测指标变量,经过迭代计算以后,在第七步中交通事故风险评估模型中的参数趋于稳定,均有着较高的显著性。
表3方程中的变量描述
从表3可以看到,从各个分类下的事故预测指标变量中通过p值的评价筛选出与交通事故发生概率显著相关的前几位事故预测指标变量并对其具体值进行优化,筛除的事故预测指标变量的参数均设置为0,筛选出的事故预测指标变量分别为流量矩阵第一特征值(EigenQ1)、流量平均值(MeanQ)、速度矩阵第一特征值(EigenV1)、速度平均值(MeanV)、速度均方差(StdV)和车头间距平均值(MeanS),对应的优化后的具体值分别为-0.037、0.16、0.06、-0.208、-0.043、0.005,将上述优化后的具体值作为筛选出的上述各个事故预测指标变量对应参数的标定值,将常量的优化后的具体值(表3中为0.108)作为其标定值,就可以得到标定后的交通事故风险评估模型,如下所示:
之后根据实时获取或者每隔预设时间获取的监测路段的交通流数据获取该监测路段各个车道当前的交通流量、车辆平均速度和车头平均间距,分别代入流量矩阵T流量、速度矩阵T速度和车头间距矩阵T间距,就可以求解出流量矩阵第一特征值(EigenQ1)、流量平均值(MeanQ)、速度矩阵第一特征值(EigenV1)、速度平均值(MeanV)、速度均方差(StdV)和车头间距平均值(MeanS)的当前的具体数值了,将上述当前的具体数值代入标定后的交通事故风险评估模型就可以求得该监测路段当前的交通事故发生概率了。
优选地,如图2所示,本实施例还提供了另一种获取交通事故发生概率的方法,除了包括上述步骤S11-S14之外,还包括:
S15.若当前的交通事故发生概率超出预设交通事故发生概率,发出报警信号。具体地,预设交通事故发生概率可以通过多次测试来确定,若计算出来的当前的交通事故发生概率超出预设交通事故发生概率,发出报警提示,可以在存在交通安全隐患时及时提醒采取防护措施,有助于降低交通事故发生的风险。
实施例2:
获取交通事故发生概率系统中处理装置,如图3所示,包括:
评估模型建立单元11,用于根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,且事故预测指标变量随监测路段交通流数据的变化而变化。
标定单元12,用于根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型。
当前值确定单元13,用于根据实时获取或者每隔预设时间获取的监测路段的交通流数据确定各个事故预测指标变量的当前的具体数值。
概率获取单元14,用于根据当前的具体数值和标定后的交通事故风险评估模型获取监测路段当前的交通事故发生概率。
具体地,本实施例中的获取交通事故发生概率的系统,根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,并根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;之后根据实时获取或者每隔预设时间获取的监测路段的交通流数据确定各个事故预测指标变量的当前的具体数值;根据当前的具体数值和标定后的交通事故风险评估模型获取监测路段当前的交通事故发生概率。因为各个事故预测指标变量的当前的具体数据是根据实时获取或者每隔预设时间获取的监测路段的交通流数据来确定的,因此根据当前的具体数值和标定后的交通事故风险评估模型就可以获取监测路段当前的交通事故发生概率,对监测路段的交通安全进行实时准确的评估了。
优选地,本实施例中的获取交通事故发生概率的系统,其交通事故风险评估模型用如下公式表述:
其中r0为一个待标定的常量,ri为待标定的一个事故预测指标变量的参数,Ri为ri所对应的事故预测指标变量,n为预先确定的事故预测指标变量的个数,且事故预测指标变量Ri与交通事故发生概率正相关时,ri为正值,事故预测指标变量Ri与交通事故发生概率负相关时,ri为负值。
优选地,本实施例中的获取交通事故发生概率的系统,其标定单元12进一步包括:
日期选取子单元121,用于从发生在监测路段的交通事故中选取至少一个交通事故作为样本交通事故,以每个样本交通事故的事故发生当日为基准,分别选取间隔天数相同的事故发生前和事故发生后的至少一个日期作为对比日期。
事故样本交通流数据获取子单元122,用于获取事故发生当日每个样本交通事故在事故发生前的预设的多个连续时间段内的交通流数据作为事故样本交通流数据。
事故对照组样本交通流数据获取子单元123,用于获取每个对比日期下在预设的多个连续时间段内的交通流数据作为事故对照组样本交通流数据。
事故样本具体值获取子单元124,用于根据每个样本交通事故的事故样本交通流数据获取事故发生当日该样本交通事故在事故发生前的预设的多个连续时间段内所对应的各个事故预测指标变量的具体数值作为事故样本具体值。
事故对照组样本具体值获取子单元125,用于根据每个样本交通事故的事故样本交通流数据所对应的事故对照组样本交通流数据获取每个对比日期下在预设的多个连续时间段内所对应的各个事故预测指标变量的具体数值作为事故对照组样本具体值。
标定值获取子单元126,用于根据每个样本交通事故的事故样本具体值和事故对照组样本具体值获取交通事故风险评估模型的参数的标定值,并根据标定值获取标定后的交通事故风险评估模型。
优选地,本实施例中的获取交通事故发生概率的系统,其每个样本交通事故的事故样本交通流数据和事故对照组样本交通流数据的比例选择为1:4。
优选地,本实施例中的获取交通事故发生概率的系统,以随交通流数据的变化而变化的监测路段的各个车道的交通流量、车辆平均速度和车头平均间距为元素分别构建流量矩阵、速度矩阵以及车头间距矩阵,并将流量矩阵所对应的流量矩阵特征值、流量平均值、流量均方差,速度矩阵所对应的速度矩阵特征值、速度平均值、速度均方差,以及车头间距矩阵所对应的车头间距矩阵特征值、车头间距平均值和车头间距均方差设定为预测指标变量。
各个预测指标变量的具体数值即为根据监测路段的交通流数据的具体数值,分别求解流量矩阵、速度矩阵和车头间距矩阵所获取的流量矩阵特征值、流量平均值、流量均方差、速度矩阵特征值、速度平均值、速度均方差、车头间距矩阵特征值、车头间距平均值和车头间距均方差的具体数值。
优选地,本实施例中的获取交通事故发生概率的系统,流量矩阵用如下公式表述:
其中Qtmn指tm时间段内监测路段的第n条车道的交通流量。
速度矩阵用如下公式表述:
其中Vtmn指tm时间段内监测路段的第n条车道的车辆平均速度。
车头间距矩阵用如下公式表述:
其中Stmn指tm时间段内监测路段的第n条车道的车头平均间距。
优选地,本实施例中的获取交通事故发生概率的方法,通过如下解算公式对流量矩阵、速度矩阵和车头间距矩阵分别求解,该解算公式如下所示:
Ax=λx
|A-λE|=0
其中A指待求解的流量矩阵、速度矩阵或者车头间距矩阵,E为单位矩阵,λ为矩阵A的特征值,x为矩阵A的特征向量。
优选地,本实施例中的获取交通事故发生概率的系统,还包括:
提示单元15,用于在当前的交通事故发生概率超出预设交通事故发生概率时发出报警信号。具体地,预设交通事故发生概率可以通过多次测试来确定,若计算出来的当前的交通事故发生概率超出预设交通事故发生概率,发出报警提示,可以在存在交通安全隐患时及时提醒采取防护措施,有助于降低交通事故发生的风险。
实施例3:
本实施例提供了一种获取交通事故发生概率的系统,如图4所示,包括:
多个流量采集装置21,分布于各个监测路段,用于采集每个监测路段的交通流数据。优选地,流量采集装置21可以为流量检测器。
处理装置22,用于执行权利要求1-8任一项的获取交通事故发生概率的方法,根据实时获取或者每隔预设时间获取的监测路段的交通流数据获取监测路段当前的交通事故发生概率。优选地,处理装置22可以为处理器。
报警装置23,用于在当前的交通事故发生概率超出预设交通事故发生概率,发出报警提示。
本实施例中的获取交通事故发生概率的系统,其处理装置能够根据流量采集装置21实时采集的或者每隔预设时间采集的监测路段的交通流数据获取监测路段当前的交通事故发生概率,实现了对监测路段的交通安全实时准确的评估。其报警装置在在当前的交通事故发生概率超出预设交通事故发生概率时发出报警提示,可以在存在交通安全隐患时及时提醒采取防护措施,有助于降低交通事故发生的风险。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (5)
1.一种交通事故发生概率获取方法,用以实时获取监测路段的交通事故发生概率,其特征在于,该方法包括以下步骤:
1)根据预先设定的多个事故预测指标变量与交通事故发生概率的关系构建用于获取监测路段交通事故发生概率的交通事故风险评估模型,且所述事故预测指标变量随所述监测路段交通流数据的变化而变化,所述预测指标变量包括监测路段各个车道的流量矩阵对应的流量矩阵特征值、流量平均值和流量均方差、速度矩阵对应的速度矩阵特征值、速度平均值和速度均方差以及车头间距矩阵对应的车头间距矩阵特征值、车头间距平均值和车头间距均方差,所述的交通流量矩阵T流量为:
其中,Qtmn为tm时间段内监测路段的第n条车道的交通流量;
所述的车辆速度矩阵T速度为:
其中,Vtmn为tm时间段内监测路段的第n条车道的车辆速度;
所述的车头间距矩阵T间距为:
其中,Stmn为tm时间段内监测路段的第n条车道的车头间距;
通过如下解算公式对流量矩阵、速度矩阵和车头间距矩阵分别求解,该解算公式如下所示:
Ax=λx
|A-λE|=0
其中,A为待求解的流量矩阵、速度矩阵或车头间距矩阵,E为单位矩阵,λ为矩阵A的特征值,x为矩阵A的特征向量;
所述的交通事故风险评估模型为:
其中,P为交通事故发生概率,r0为待标定的常量,ri为待标定的一个事故预测指标变量的参数,Ri为ri所对应的事故预测指标变量,且事故预测指标变量Ri与交通事故发生概率P正相关时,ri为正值,事故预测指标变量Ri与交通事故发生概率P负相关时,ri为负值,n为预先确定的事故预测指标变量的个数;
2)根据监测路段在发生交通事故前后的交通流数据对交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型,具体包括以下步骤:
21)从发生在监测路段的交通事故中选取至少一个交通事故作为样本交通事故,以每个样本交通事故的事故发生当日为基准日,分别在基准日前后选取间隔相同天数的至少一个日期作为对比日;
22)设定每个样本交通事故在基准日事故发生时刻前的多个连续时间段为测试时间段;
23)获取每个样本交通事故在基准日测试时间段内的交通流数据作为事故样本交通流数据,并将每个事故样本交通流数据的具体数值作为事故样本具体值;
24)获取每个样本交通事故在所有对比日测试时间段内的交通流数据作为事故对照组样本交通流数据,并将每个对照组样本交通流数据的具体数值作为事故对照组样本具体值;
25)根据每个样本交通事故的事故样本具体值和事故对照组样本具体值采用向后步进似然比方法迭代并筛选出交通事故风险评估模型的参数的标定值,并根据标定值获取标定后的交通事故风险评估模型;
3)实时获取或者每隔设定时间获取监测路段的交通流数据确定各个事故预测指标变量的具体数值;
4)根据各个事故预测指标变量的具体数值和标定后的交通事故风险评估模型获取监测路段的实时交通事故发生概率。
2.根据权利要求1所述的方法,其特征在于,事故样本交通流数据和事故对照组样本交通流数据的选择比例为1:4。
3.根据权利要求1-2任一项所述的方法,其特征在于,该方法还包括以下步骤:
5)判断交通事故发生概率是否超出设定的概率阈值,若是,则发出报警信号,若否,则返回步骤4)。
4.一种获取交通事故发生概率的装置,其特征在于,该装置包括:
评估模型建立单元(11),用于根据预先设定的多个事故预测指标变量与交通事故发生概率的相关关系建立用于获取监测路段交通事故发生概率的交通事故风险评估模型,且所述事故预测指标变量随所述监测路段交通流数据的变化而变化,所述预测指标变量包括监测路段各个车道的流量矩阵对应的流量矩阵特征值、流量平均值和流量均方差、速度矩阵对应的速度矩阵特征值、速度平均值和速度均方差以及车头间距矩阵对应的车头间距矩阵特征值、车头间距平均值和车头间距均方差;
标定单元(12),用于根据所述监测路段在发生交通事故前后的交通流数据对所述交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型;
当前值确定单元(13),用于根据实时获取或者每隔预设时间获取的所述监测路段的交通流数据确定所述各个事故预测指标变量的当前的具体数值;
概率获取单元(14),用于根据所述当前的具体数值和所述标定后的交通事故风险评估模型获取所述监测路段当前的交通事故发生概率;
其中,所述根据所述监测路段在发生交通事故前后的交通流数据对所述交通事故风险评估模型的参数进行标定,获取标定后的交通事故风险评估模型包括:
从发生在所述监测路段的交通事故中选取至少一个交通事故作为样本交通事故,以每个所述样本交通事故的事故发生当日为基准,分别选取间隔天数相同的事故发生前和事故发生后的至少一个日期作为对比日期;
获取事故发生当日每个所述样本交通事故在事故发生前的预设的多个连续时间段内的交通流数据作为事故样本交通流数据;
获取每个对比日期下在所述预设的多个连续时间段内的交通流数据作为事故对照组样本交通流数据;
根据每个所述样本交通事故的事故样本交通流数据获取事故发生当日该样本交通事故在事故发生前的所述预设的多个连续时间段内所对应的各个所述事故预测指标变量的具体数值作为事故样本具体值;
根据每个所述样本交通事故的事故样本交通流数据所对应的事故对照组样本交通流数据获取每个所述对比日期下在所述预设的多个连续时间段内所对应的各个所述事故预测指标变量的具体数值作为事故对照组样本具体值;
根据每个所述样本交通事故的事故样本具体值和事故对照组样本具体值获取所述交通事故风险评估模型的参数的标定值,并根据所述标定值获取标定后的交通事故风险评估模型。
5.一种获取交通事故发生概率的系统,其特征在于,包括:
多个流量采集装置(21),分布于各个监测路段,用于采集每个所述监测路段的交通流数据;
处理装置(22),用于执行权利要求1-2任一项所述的交通事故发生概率获取方法,根据实时获取或者每隔预设时间获取的所述监测路段的交通流数据获取所述监测路段当前的交通事故发生概率;
报警装置(23),用于在所述当前的交通事故发生概率超出预设交通事故发生概率,发出报警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610915180.5A CN106355883B (zh) | 2016-10-20 | 2016-10-20 | 一种获取交通事故发生概率的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610915180.5A CN106355883B (zh) | 2016-10-20 | 2016-10-20 | 一种获取交通事故发生概率的方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355883A CN106355883A (zh) | 2017-01-25 |
CN106355883B true CN106355883B (zh) | 2019-11-29 |
Family
ID=57863405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610915180.5A Active CN106355883B (zh) | 2016-10-20 | 2016-10-20 | 一种获取交通事故发生概率的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355883B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389824B (zh) * | 2017-08-04 | 2021-07-09 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
CN109118773B (zh) * | 2018-09-30 | 2019-10-01 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
CN109572694B (zh) * | 2018-11-07 | 2020-04-28 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
CN109671266B (zh) * | 2018-11-26 | 2020-11-06 | 北京交通大学 | 基于加速失效风险模型的驾驶员事故动态预警方法 |
CN109671274B (zh) * | 2019-01-24 | 2020-09-25 | 交通运输部公路科学研究所 | 一种基于特征构造和融合的公路风险自动评估方法 |
CN111784017B (zh) * | 2019-04-03 | 2023-10-17 | 交通运输部公路科学研究所 | 一种基于路况因素回归分析的公路交通事故数量预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110543615A (zh) * | 2019-09-05 | 2019-12-06 | 国网湖南省电力有限公司 | 基于spss解释结构模型的风险因子交互作用分析方法 |
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 一种基于神经网络的高速公路交通运行实时风险评估方法 |
CN111222790B (zh) * | 2020-01-06 | 2022-07-26 | 深圳前海微众银行股份有限公司 | 风险事件发生概率的预测方法、装置、设备及存储介质 |
CN111489552B (zh) * | 2020-04-24 | 2022-04-22 | 科大讯飞股份有限公司 | 一种车头时距预测方法、装置、设备及存储介质 |
CN111950603B (zh) * | 2020-07-24 | 2023-11-07 | 中南大学 | 一种路段交通事故率的预测方法、装置及计算机存储介质 |
CN112150801A (zh) * | 2020-08-21 | 2020-12-29 | 同济大学 | 一种基于准车辆轨迹的快速路实时事故风险预测方法 |
CN112419709B (zh) * | 2020-10-16 | 2021-11-09 | 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 |
CN112562337B (zh) * | 2020-12-10 | 2022-05-13 | 之江实验室 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
CN112861356B (zh) * | 2021-02-10 | 2022-09-27 | 清华大学 | 道路交通系统风险辨识的方法、设备及存储介质 |
CN113283634B (zh) * | 2021-04-15 | 2024-03-26 | 招商新智科技有限公司 | 一种基于梯度提升树模型的高速公路事故预测方法及系统 |
CN113744526B (zh) * | 2021-08-25 | 2022-12-23 | 贵州黔通智联科技股份有限公司 | 一种基于lstm和bf的高速公路风险预测方法 |
CN114944055B (zh) * | 2022-03-29 | 2023-04-18 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
CN115206088B (zh) * | 2022-06-06 | 2023-05-02 | 合肥工业大学 | 考虑动态交通流的城市快速路交通事故风险量化评估方法 |
CN115148026A (zh) * | 2022-06-28 | 2022-10-04 | 云控智行(上海)汽车科技有限公司 | 一种数据驱动的交通安全风险评估与可变限速管控算法及系统 |
CN115148029B (zh) * | 2022-06-29 | 2023-09-19 | 交通运输部公路科学研究所 | 一种用于预测行人交通事故的方法、介质以及电子设备 |
CN115938128B (zh) * | 2023-03-15 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 交通事故预测方法、装置、终端及存储介质 |
CN116128311B (zh) * | 2023-04-13 | 2023-08-04 | 深圳市明源云科技有限公司 | 工地交通安全风险预警方法、装置、设备及可读存储介质 |
CN116959248B (zh) * | 2023-07-22 | 2024-04-05 | 同济大学 | 一种基于交互式自解释模型的高速公路事故风险优化方法 |
CN117009831B (zh) * | 2023-10-07 | 2023-12-08 | 山东世纪阳光科技有限公司 | 一种精细化工事故风险预测评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN103198710A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种基于减小车辆追尾事故数量的车辆调控方法 |
JP2016042298A (ja) * | 2014-08-18 | 2016-03-31 | 株式会社豊田中央研究所 | 事故情報算出装置、及びプログラム |
CN105913666A (zh) * | 2016-07-11 | 2016-08-31 | 东南大学 | 一种快速道路主线可变限速标志优化布设方法 |
-
2016
- 2016-10-20 CN CN201610915180.5A patent/CN106355883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN103198711A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
CN103198710A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 一种基于减小车辆追尾事故数量的车辆调控方法 |
JP2016042298A (ja) * | 2014-08-18 | 2016-03-31 | 株式会社豊田中央研究所 | 事故情報算出装置、及びプログラム |
CN105913666A (zh) * | 2016-07-11 | 2016-08-31 | 东南大学 | 一种快速道路主线可变限速标志优化布设方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106355883A (zh) | 2017-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355883B (zh) | 一种获取交通事故发生概率的方法、装置及系统 | |
Debnath et al. | Navigational traffic conflict technique: a proactive approach to quantitative measurement of collision risks in port waters | |
Park et al. | Application of microscopic simulation model calibration and validation procedure: Case study of coordinated actuated signal system | |
CN104268658B (zh) | 一种桥梁结构安全监测数据的预测方法 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
Ghanim et al. | A case study for surrogate safety assessment model in predicting real-life conflicts | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
CN102129776B (zh) | 行人异常交通状态自动检测方法及系统 | |
Ban et al. | Bottleneck identification and calibration for corridor management planning | |
CN109783967A (zh) | 一种滑坡预测方法及系统 | |
CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
CN106780266B (zh) | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 | |
CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
Ragland et al. | Gap acceptance for vehicles turning left across on-coming traffic: Implications for | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
Hou et al. | Data-driven analytical load rating method of bridges using integrated bridge structural response and weigh-in-motion truck data | |
CN113033840A (zh) | 一种公路养护的判断方法和装置 | |
Russo et al. | Data Envelopment Analysis (DEA) for evacuation planning | |
Bachmann et al. | Improved time-to-collision definition for simulating traffic conflicts on truck-only infrastructure | |
Moutari et al. | Modelling road traffic accidents using macroscopic second-order models of traffic flow | |
Rizvi et al. | Real-time incident detection and capacity estimation using loop detector data | |
Ben-Akiva et al. | Calibration and evaluation of MITSIMLab in Stockholm | |
CN117151513A (zh) | 评价交通安全的方法、装置、设备及存储介质 | |
CN115691084A (zh) | 一种多源异构传感器数据融合的边坡安全监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |