CN107845262A - 一种交通事故预测方法和装置 - Google Patents
一种交通事故预测方法和装置 Download PDFInfo
- Publication number
- CN107845262A CN107845262A CN201711097770.2A CN201711097770A CN107845262A CN 107845262 A CN107845262 A CN 107845262A CN 201711097770 A CN201711097770 A CN 201711097770A CN 107845262 A CN107845262 A CN 107845262A
- Authority
- CN
- China
- Prior art keywords
- predicted
- region
- accident
- data
- traffic
- 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.)
- Pending
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通事故预测方法和装置,其中,该方法包括:获取待预测区域内的历史交通事故数据和历史交通违章数据;根据所述历史交通事故数据和所述历史交通违章数据,创建事故预测模型;获取所述待预测区域的实时交通数据;根据所述待预测区域的实时交通数据和所述事故预测模型,预测发生交通事故的概率。本发明提供的方案能够提高交通事故预测的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种交通事故预测方法和装置。
背景技术
交通运输业的突飞猛进在促进社会经济繁荣的同时,也使得道路交通事故不断增加,严重威胁人民的生命及财产安全。如何减少和预防交通事故,降低事故损失,改善交通安全状况,已成为全社会的迫切要求。
现有技术中,一般仅通过历史交通事故数据对交通事故进行预测。
但是,该方法预测的准确性较低。
发明内容
本发明实施例提供了一种交通事故预测方法和装置,能够提高交通事故预测的准确性。
第一方面,本发明实施例提供了一种交通事故预测方法,包括:
获取待预测区域内的历史交通事故数据和历史交通违章数据;
根据所述历史交通事故数据和所述历史交通违章数据,创建事故预测模型;
获取所述待预测区域的实时交通数据;
根据所述待预测区域的实时交通数据和所述事故预测模型,预测发生交通事故的概率。
优选地,
所述历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
优选地,
所述历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
优选地,
所述实时交通数据,包括:当前天气信息、所述待预测区域内的车流量、所述待预测区域内的行人数量、所述待预测区域内的平均车速、道路等级中任意一种或多种的组合。
第二方面,本发明实施例提供了一种交通事故预测装置,包括:
第一获取单元,用于获取待预测区域内的历史交通事故数据和历史交通违章数据;
创建单元,用于根据所述第一获取单元获取的所述历史交通事故数据和所述历史交通违章数据,创建事故预测模型;
第二获取单元,用于获取所述待预测区域的实时交通数据;
预测单元,用于根据所述第二获取单元获取的所述待预测区域的实时交通数据和所述创建单元创建的所述事故预测模型,预测发生交通事故的概率。
优选地,
所述历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
优选地,
所述历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
优选地,
所述实时交通数据,包括:当前天气信息、所述待预测区域内的车流量、所述待预测区域内的行人数量、所述待预测区域内的平均车速、道路等级中任意一种或多种的组合。
第三方面,本发明实施例提供了一种可读介质,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行上述任一实施例所述的方法。
第四方面,本发明实施例提供了一种存储控制器,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行上述任一实施例所述的方法。
本发明实施例提供了一种交通事故预测方法和装置,其中,该方法利用历史交通事故数据和历史交通违章数据,创建事故预测模型,利用该事故预测模型,预测实时交通数据对应的实际场景下,发生交通事故的概率。该方法将历史交通事故数据和历史交通违章数据相结合进行预测,能够提高交通事故预测的准确性。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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。
图1是本发明一个实施例提供的一种交通事故预测方法的流程图;
图2是本发明另一个实施例提供的一种交通事故预测方法的流程图;
图3是本发明一个实施例提供的一种交通事故预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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的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。
如图1所示,本发明实施例提供了一种交通事故预测方法,该方法可以包括以下步骤:
步骤101:获取待预测区域内的历史交通事故数据和历史交通违章数据;
步骤102:根据历史交通事故数据和历史交通违章数据,创建事故预测模型;
步骤103:获取待预测区域的实时交通数据;
步骤104:根据待预测区域的实时交通数据和事故预测模型,预测发生交通事故的概率。
该方法利用历史交通事故数据和历史交通违章数据,创建事故预测模型,利用该事故预测模型,预测实时交通数据对应的实际场景下,发生交通事故的概率。该方法将历史交通事故数据和历史交通违章数据相结合进行预测,能够提高交通事故预测的准确性。
在本发明的一个实施例中,历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
其中,上述历史交通事故数据可以概括为事故的基本数据、车辆数据和行人数据,以及天气、道路等基本信息。
例如,在9月1日,待预测区域共发生两起交通事故,以其中一起交通事故为例,事故类型为追尾事故、事故发生时为阴天、待预测区域内的平均车速为40km/h。
在本发明的一个实施例中,历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
历史交通违章数据与历史交通事故数据的内容相似,此处不再赘述。
在本发明的一个实施例中,实时交通数据,包括:当前天气信息、待预测区域内的车流量、待预测区域内的行人数量、待预测区域内的平均车速、道路等级中任意一种或多种的组合。
如图2所示,本发明实施例以待预测区域X在一个月内的历史交通事故数据和历史交通违章数据为例,对交通事故预测方法进行详细地说明,该方法包括以下步骤:
步骤201:获取待预测区域X内的历史交通事故数据和历史交通违章数据。
历史交通事故共三起,每一起交通事故对应的历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、事故车辆类型、道路等级。
历史交通违章共十起,每一起交通违章对应的历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、违章车辆类型、道路等级。
步骤202:根据历史交通事故数据和历史交通违章数据,创建事故预测模型。
通过历史交通事故数据和历史交通违章数据的交叉、关联、比对、碰撞计算,建立事故预测模型。
步骤203:获取待预测区域X的实时交通数据。
实时交通数据,包括:当前天气信息、待预测区域内的车流量、待预测区域内的行人数量、待预测区域内的平均车速、道路等级。
步骤204:根据待预测区域X的实时交通数据和事故预测模型,预测发生交通事故的概率。
如图3所示,本发明提供了一种交通事故预测装置,包括:
第一获取单元301,用于获取待预测区域内的历史交通事故数据和历史交通违章数据;
创建单元302,用于根据第一获取单元301获取的历史交通事故数据和历史交通违章数据,创建事故预测模型;
第二获取单元303,用于获取待预测区域的实时交通数据;
预测单元304,用于根据第二获取单元303获取的待预测区域的实时交通数据和创建单元302创建的事故预测模型,预测发生交通事故的概率。
在本发明的一个实施例中,历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
在本发明的一个实施例中,历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、待预测区域内的车流量、待预测区域内的平均车速、待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
在本发明的一个实施例中,实时交通数据,包括:当前天气信息、待预测区域内的车流量、待预测区域内的行人数量、待预测区域内的平均车速、道路等级中任意一种或多种的组合。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例提供了一种可读介质,包括执行指令,当存储控制器的处理器执行执行指令时,存储控制器执行上述任一实施例的方法。
本发明实施例提供了一种存储控制器,包括:处理器、存储器和总线;
存储器用于存储执行指令,处理器与存储器通过总线连接,当存储控制器运行时,处理器执行存储器存储的执行指令,以使存储控制器执行上述任一实施例的方法。
综上,本发明各个实施例至少具有如下效果:
1、在本发明实施例中,该方法利用历史交通事故数据和历史交通违章数据,创建事故预测模型,利用该事故预测模型,预测实时交通数据对应的实际场景下,发生交通事故的概率。该方法将历史交通事故数据和历史交通违章数据相结合进行预测,能够提高交通事故预测的准确性。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种交通事故预测方法,其特征在于,包括:
获取待预测区域内的历史交通事故数据和历史交通违章数据;
根据所述历史交通事故数据和所述历史交通违章数据,创建事故预测模型;
获取所述待预测区域的实时交通数据;
根据所述待预测区域的实时交通数据和所述事故预测模型,预测发生交通事故的概率。
2.根据权利要求1所述的交通事故预测方法,其特征在于,
所述历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
3.根据权利要求1所述的交通事故预测方法,其特征在于,
所述历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
4.根据权利要求1所述的方法,其特征在于,
所述实时交通数据,包括:当前天气信息、所述待预测区域内的车流量、所述待预测区域内的行人数量、所述待预测区域内的平均车速、道路等级中任意一种或多种的组合。
5.一种交通事故预测装置,其特征在于,包括:
第一获取单元,用于获取待预测区域内的历史交通事故数据和历史交通违章数据;
创建单元,用于根据所述第一获取单元获取的所述历史交通事故数据和所述历史交通违章数据,创建事故预测模型;
第二获取单元,用于获取所述待预测区域的实时交通数据;
预测单元,用于根据所述第二获取单元获取的所述待预测区域的实时交通数据和所述创建单元创建的所述事故预测模型,预测发生交通事故的概率。
6.根据权利要求5所述的交通事故预测装置,其特征在于,
所述历史交通事故数据,包括:事故发生时刻、事故发生位置、事故类型、事故发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、事故车辆类型、道路等级中任意一种或多种的组合。
7.根据权利要求5所述的交通事故预测装置,其特征在于,
所述历史交通违章数据,包括:违章发生时刻、违章发生位置、违章类型、违章发生时的天气信息、所述待预测区域内的车流量、所述待预测区域内的平均车速、所述待预测区域内的行人数量、违章车辆类型、道路等级中任意一种或多种的组合。
8.根据权利要求5所述的交通事故预测装置,其特征在于,
所述实时交通数据,包括:当前天气信息、所述待预测区域内的车流量、所述待预测区域内的行人数量、所述待预测区域内的平均车速、道路等级中任意一种或多种的组合。
9.一种可读介质,其特征在于,包括执行指令,当存储控制器的处理器执行所述执行指令时,所述存储控制器执行权利要求1-4中任一所述的方法。
10.一种存储控制器,其特征在于,包括:处理器、存储器和总线;
所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述存储控制器运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述存储控制器执行权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097770.2A CN107845262A (zh) | 2017-11-09 | 2017-11-09 | 一种交通事故预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097770.2A CN107845262A (zh) | 2017-11-09 | 2017-11-09 | 一种交通事故预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107845262A true CN107845262A (zh) | 2018-03-27 |
Family
ID=61681900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711097770.2A Pending CN107845262A (zh) | 2017-11-09 | 2017-11-09 | 一种交通事故预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107845262A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922170A (zh) * | 2018-06-13 | 2018-11-30 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN109598929A (zh) * | 2018-11-26 | 2019-04-09 | 北京交通大学 | 一种多类别交通事故起数预测方法 |
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 |
CN110322682A (zh) * | 2019-04-30 | 2019-10-11 | 四川省气象服务中心 | 交通事故的位置计算方法、分析方法、预警方法及其系统 |
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
CN111859291A (zh) * | 2020-06-23 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN112652168A (zh) * | 2020-12-15 | 2021-04-13 | 安徽百诚慧通科技有限公司 | 一种重大交通事故预警方法、系统及存储介质 |
CN112966888A (zh) * | 2019-12-13 | 2021-06-15 | 深圳云天励飞技术有限公司 | 交通管理方法及相关产品 |
CN114189829A (zh) * | 2021-11-02 | 2022-03-15 | 南京中创智元科技有限公司 | 一种基于5g无线通信的智慧交通数据处理方法 |
CN114880408A (zh) * | 2022-05-31 | 2022-08-09 | 小米汽车科技有限公司 | 场景构建方法、装置、介质以及芯片 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN103035140A (zh) * | 2012-12-24 | 2013-04-10 | 吉林大学 | 汽车驾驶员危险驾驶行为矫正及评价系统 |
CN103116825A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 智慧城市管理系统 |
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别系统及方法 |
CN105989748A (zh) * | 2015-03-20 | 2016-10-05 | 现代自动车株式会社 | 事故信息管理装置和方法及包括事故信息管理装置的车辆 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106448158A (zh) * | 2016-09-06 | 2017-02-22 | 江苏智通交通科技有限公司 | 基于对应分析模型的交通事故成因分析方法 |
CN107045786A (zh) * | 2017-04-12 | 2017-08-15 | 江苏智通交通科技有限公司 | 基于Kaplan‑Meier法的驾驶者发生交通事故间隔时间的计算方法 |
-
2017
- 2017-11-09 CN CN201711097770.2A patent/CN107845262A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN103035140A (zh) * | 2012-12-24 | 2013-04-10 | 吉林大学 | 汽车驾驶员危险驾驶行为矫正及评价系统 |
CN103116825A (zh) * | 2013-01-29 | 2013-05-22 | 江苏省邮电规划设计院有限责任公司 | 智慧城市管理系统 |
CN105989748A (zh) * | 2015-03-20 | 2016-10-05 | 现代自动车株式会社 | 事故信息管理装置和方法及包括事故信息管理装置的车辆 |
CN105608902A (zh) * | 2016-03-28 | 2016-05-25 | 辽宁省交通科学研究院 | 一种高速公路事故多发点鉴别系统及方法 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106448158A (zh) * | 2016-09-06 | 2017-02-22 | 江苏智通交通科技有限公司 | 基于对应分析模型的交通事故成因分析方法 |
CN107045786A (zh) * | 2017-04-12 | 2017-08-15 | 江苏智通交通科技有限公司 | 基于Kaplan‑Meier法的驾驶者发生交通事故间隔时间的计算方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108922170A (zh) * | 2018-06-13 | 2018-11-30 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN108922170B (zh) * | 2018-06-13 | 2020-11-27 | 同济大学 | 一种基于电子警察抓拍数据的交叉口安全评价方法 |
CN109598929A (zh) * | 2018-11-26 | 2019-04-09 | 北京交通大学 | 一种多类别交通事故起数预测方法 |
CN109598929B (zh) * | 2018-11-26 | 2020-06-16 | 北京交通大学 | 一种多类别交通事故起数预测方法 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN110322682A (zh) * | 2019-04-30 | 2019-10-11 | 四川省气象服务中心 | 交通事故的位置计算方法、分析方法、预警方法及其系统 |
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 |
CN110497905A (zh) * | 2019-08-29 | 2019-11-26 | 三星电子(中国)研发中心 | 用于控制车辆的方法和装置 |
CN111210604B (zh) * | 2019-10-22 | 2021-06-15 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN111210604A (zh) * | 2019-10-22 | 2020-05-29 | 高新兴创联科技有限公司 | 基于轨道车运行事件关联模型的异常事件预警方法 |
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
CN112966888B (zh) * | 2019-12-13 | 2024-05-07 | 深圳云天励飞技术有限公司 | 交通管理方法及相关产品 |
CN112966888A (zh) * | 2019-12-13 | 2021-06-15 | 深圳云天励飞技术有限公司 | 交通管理方法及相关产品 |
CN111859291A (zh) * | 2020-06-23 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN111859291B (zh) * | 2020-06-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
US11328600B2 (en) | 2020-06-23 | 2022-05-10 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for identifying traffic accident, device and computer storage medium |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
CN112652168A (zh) * | 2020-12-15 | 2021-04-13 | 安徽百诚慧通科技有限公司 | 一种重大交通事故预警方法、系统及存储介质 |
CN114189829A (zh) * | 2021-11-02 | 2022-03-15 | 南京中创智元科技有限公司 | 一种基于5g无线通信的智慧交通数据处理方法 |
CN114880408A (zh) * | 2022-05-31 | 2022-08-09 | 小米汽车科技有限公司 | 场景构建方法、装置、介质以及芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845262A (zh) | 一种交通事故预测方法和装置 | |
Tajalli et al. | Dynamic speed harmonization in connected urban street networks | |
Liu et al. | Characteristic analysis of mixed traffic flow of regular and autonomous vehicles using cellular automata | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
Song et al. | Emissions and fuel consumption modeling for evaluating environmental effectiveness of ITS strategies | |
CN106971624A (zh) | 超车预警的方法和装置 | |
Metkari et al. | Development of simulation model for heterogeneous traffic with no lane discipline | |
CN112885145A (zh) | 路口风险预警的方法和装置 | |
Pan et al. | Lane-changing risk analysis in undersea tunnels based on fuzzy inference | |
Yang et al. | Automatic generation of optimal road trajectory for the rescue vehicle in case of emergency on mountain freeway using reinforcement learning approach | |
CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
CN104200704A (zh) | 车辆避撞预警方法及设备 | |
CN116129645A (zh) | 一种高速公路施工区的交通流预测方法、装置及存储介质 | |
Durrani et al. | Calibration and validation of psychophysical car-following model using driver’s action points and perception thresholds | |
CN103646533A (zh) | 基于稀疏多输出回归的交通事故建模与控制方法 | |
Li et al. | Optimization model of transit signal priority control for intersection and downstream bus stop | |
Jiang et al. | Developing highway capacity manual capacity adjustment factors for connected and automated traffic on roundabouts | |
Yang et al. | A cooperative merging speed control strategy of CAVs based on virtual platoon in on-ramp merging system | |
Wang et al. | Towards higher efficiency and less consumption: Control Strategy and Simulation for CAV platooning | |
Fonseca et al. | Incident Occurrence Modeling during Hurricane Evacuation Events: The Case of Alabama′ s I‐65 Corridor | |
CN116811854A (zh) | 汽车运行轨迹确定方法、装置、汽车和存储介质 | |
Wang et al. | Multi-lane changing model with coupling driving intention and inclination | |
CN116189478A (zh) | 一种内河航道的船舶安全监测方法、设备及介质 | |
Wang et al. | A Simulation‐Based Comprehensive Analysis for Traffic Efficiency and Spatial Distribution of Risks in Short Weaving Area of Municipal Interchange | |
Ding et al. | Research on safety lane change warning method based on potential angle collision point |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |