CN109063751B - 基于梯度提升决策树算法的交通高危人员识别方法 - Google Patents
基于梯度提升决策树算法的交通高危人员识别方法 Download PDFInfo
- Publication number
- CN109063751B CN109063751B CN201810783106.1A CN201810783106A CN109063751B CN 109063751 B CN109063751 B CN 109063751B CN 201810783106 A CN201810783106 A CN 201810783106A CN 109063751 B CN109063751 B CN 109063751B
- Authority
- CN
- China
- Prior art keywords
- data
- personnel
- illegal
- traffic
- risk
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于梯度提升决策树算法的交通高危人员识别方法,基于原始的交通违法数据与事故数据,采用梯度提升决策树算法进行高危人员识别模型训练与校正,将人员违法属性信息输入模型,则能够实现高危人员的识别与预测,对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。
Description
技术领域
本发明涉及一种基于梯度提升决策树算法的交通高危人员识别方法。
背景技术
在道路交通安全领域的研究大多集中于环境、道路基础设施、交通流运行状态等外部因素与交通事故的关联规律分析,例如中国专利CN201710400521.X、CN201580075213.3、CN201611051192.4等或从事故时空分布特征,或从环境、交通管制措施等特征角度出发分析交通事故规律特征。交通参与者(机动车、非机动车驾驶人、行人)本身的行为习惯等内部因素,由于其信息维度广、信息感知手段有限等问题,目前尚缺乏深入的研究和探析,但人为因素对交通事故的影响是交通安全研究不可避免的内容,对交通安全治理具有极大的现实性指导意义。
数据调查显示,交通事故发生的主要原因是交通违法引起,考虑到当前交通管控行业内积累有海量的违法数据,能够为事故的特征挖掘提供可靠的数据支撑。
梯度提升决策树(GDBT)算法,通过采用加法模型以及不断减小训练过程产生的残差来达到将数据分类或者回归的目的,是在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一,将其应用于交通违法数据的处理,能够挖掘出有价值的交通安全信息,但当前还缺乏此类应用。
本发明以交通参与者行为特征挖掘为核心,提取事故相关人员的交通违法行为属性,辅助交通参与者安全风险的评价,识别交通高危人员,实现数据驱动的主动交通安全预防。
发明内容
本发明的目的是基于梯度提升决策树实现数据挖掘,从而在存在交通违法记录的交通参与者中识别可能发生交通事故的危险人员,达到人员的交通安全风险预测评价的效果,在交通安全治理应用中的源头管理、现场检查等工作中提供辅助决策的科学指标依据。
本发明基于原始的交通违法数据与事故数据,采用梯度提升决策树算法进行高危人员分类模型训练与校正,将违法属性信息输入模型,则能够实现高危人员的识别与预测,对于提升交通安全治理工作效率、辅助交警日常安全管理工作更具针对性和主动性等方面具有现实意义。
本发明的技术解决方案是:
一种基于梯度提升决策树算法的交通高危人员识别方法,包括以下步骤,
S1、基于原始的交通违法数据与事故数据,构建违法数据集、严重事故数据集、轻微事故数据集;
S2、将违法数据集二分类,即高危人员、一般人员,根据分类规则确定数据标记值label,据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U;
S3、对违法数据集中的一般人员数据子集N进行抽样,与高危人员数据子集D组合并拆分获得训练集与测试集;
S4、基于梯度提升决策树算法,以训练集数据训练高危人员识别模型,确定模型参数;其中,模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、最大特征数、行抽样比例;
S5、以测试集数据进行高危人员识别模型评估,并确定分类概率临界阈值,校正模型,获得最终的交通高危人员识别模型;
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型,获得高危人员识别结果。
进一步地,步骤S3中所述的抽样方法具体为,
S31、对一般人员数据子集进行随机抽样,获得压缩后的一般人员样本N’;
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选;
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集;
S34、对训练集进行SMOTE抽样,确定高危人员数据子集以及一般人员数据子集扩样、缩样比例,得到最终的样本数量,处理后获得训练集样本。
进一步地,步骤S32中所述的样本数据变量处理与筛选方法,具体为:
S321、设置因变量target,其数值在高危、一般中择其一,根据样本数据标签确定;违法数据集的数据字段作为自变量;
S322、删除自变量中的常数自变量与方差极小的自变量;其中方差极小的判断条件为:其中freqcutX=xf/xl,xf为变量X频次最大的样本值,xl为变量X频次次大的样本值,Tf为对应阈值,通常取值19;uniquecutX=mX/nX,mX为样本值去重后的样本数量,nX为样本总量,Tu为uniquecut的检验阈值,通常取值为0.1;
S323、删除与其他自变量共线性大于阈值的自变量;其中阈值通常取值0.75;
S324、检查自变量多重共线性,确定数据自变量。
进一步地,步骤S2中所述的基于分类规则赋予对应数据标记值label的方法具体为:
高危人员:一类为存在违法记录且存在负主要责任或全部责任的严重交通事故记录的交通参与者;另一类为存在违法记录,仅存在轻微事故记录,且事故记录不低于2条的交通参与者;
一般人员:存在违法记录但无事故记录的交通参与者;
不满足上述判别条件的数据构成待识别子集。
进一步地,步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息;对违法记录进行汇集、分类处理操作后获得违法数据集;违法数据集为违法记录全样本数据,违法数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
进一步地,步骤S1中事故相关违法行为发生情况通过对应分析方式获得,并提取交通事故影响程度较高的违法类型,作为违法数据集的数据属性。
进一步地,步骤S1中所述违法发生时段是将时间连续型变量转化为离散变量,根据违法时间特征进行分类。
本发明的有益效果是:
一、本发明基于交通违法与交通事故的相关性,提出基于梯度提升决策树算法的交通高危人员识别方法,依托交通违法记录达到预测交通参与者交通安全风险的效果。该方法采用实施性较强的人员安全风险标签确定方法,可根据实际应用中的地区交通规范性与安全性程度以及模型所需的灵敏性进行灵活调整。
二、本发明采用梯度提升决策树(GDBT)算法对高危人员识别模型进行训练,该算法相较于普通的集成算法具有精度更高、对异常值的鲁棒性强、调参时间短的优势,能够满足基于违法数据的高危人员识别需求,保证识别结果准确性。
三、本发明在SMOTE抽样前预先进行大样本的压缩,能够一定程度上缓解不均衡数据集影响模型精确度的问题。
四、本发明采用特征工程方法对原始数据进行预处理,提高了模型准确度。
附图说明
图1是本发明实施例基于梯度提升决策树算法的交通高危人员识别方法的流程示意图。
图2是实施例中对一般人员数据子集进行抽样的流程示意图。
图3是实施例中样本数据变量处理与筛选方法的流程示意图。
图4是实施例中数据集的说明示意图。
图5是实施例中重要度前20位的属性变量的说明示意图。
图6是实施例绘制的测试集ROC曲线的示意图。
图7是实施例绘制的测试集PR曲线的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于梯度提升决策树算法的交通高危人员识别方法,从交通违法记录提取交通参与者安全行为特征属性并训练模型,实现高危人员识别与安全风险预测;如图1,具体的方法流程为:
S1、基于原始的交通违法数据与事故数据,构建违法数据集、严重事故数据集、轻微事故数据集。
实施例中,步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息;对原始违法记录进行汇集、分类等预处理操作后获得违法数据集;违法数据集为人员的违法记录全样本数据,数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
S1中事故相关违法行为发生情况通过对应分析方式获得,并提取交通事故影响程度较高的违法类型,作为违法数据集的数据属性。
S1中违法发生时段是将时间连续型变量转化为离散变量,根据违法时间特征进行分类。
S2、将违法数据集二分类,即高危人员、一般人员,根据分类规则确定数据标记值label,据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U。
S2中所述的基于分类规则赋予对应数据标记值label的方法具体为,高危人员的分类规则为:(1)存在违法记录且存在负主要责任或全部责任的严重交通事故记录的人员;(2)存在违法记录,仅存在轻微事故记录,且事故记录不低于2条的人员;一般人员为存在违法记录但无事故记录的人员;不满足上述判别条件的数据构成待识别子集。
S3、对违法数据集中的一般人员数据子集N进行抽样,与高危人员数据子集D组合并拆分获得训练集与测试集。
S31、对一般人员数据子集进行随机抽样,获得压缩后的一般人员样本N’。
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选;处理步骤如图3,具体为:
S321、设置因变量target,其数值在高危、一般中择其一,根据样本数据标签确定;违法数据集的数据字段作为自变量;
S322、删除自变量中的常数自变量与方差极小的自变量;其中方差极小的判断条件为:其中freqcutX=xf/xl,xf为变量X频次最大的样本值,xl为变量X频次次大的样本值,Tf为对应阈值,通常取值19;uniquecutX=mX/nX,mX为样本值去重后的样本数量,nX为样本总量,Tu为uniquecut的检验阈值,通常取值为0.1;
S323、删除与其他自变量共线性大于阈值的自变量;其中阈值通常取值0.75;
S324、检查自变量多重共线性,确定数据自变量。
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集;实施例中,拆分比例为9:1。
S34、对训练集进行SMOTE抽样,确定高危人员数据子集以及一般人员数据子集扩样、缩样比例,得到最终的样本数量,处理后获得训练集样本。
S4、基于梯度提升决策树算法,以训练集数据训练高危人员识别模型,确定模型参数;其中,模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、最大特征数、行抽样比例;在实施例中,运用Python调用Sklearn机器学习库中的GradientBoostingClassifier函数执行梯度提升决策树算法。
S5、以测试集数据进行高危人员识别模型评估,并确定分类概率临界阈值,校正模型,获得最终的交通高危人员识别模型。
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型,获得高危人员识别结果。
具体示例
步骤1、通过与数据库对接获取区域内2年的交通违法记录以及事故记录。
本实施例以机动车驾驶人为分析对象。将发生死亡或受伤严重或发生肇事逃逸的交通事故作为严重事故,其他事故作为轻微事故,据此对原始的事故记录进行分类,并将事故类型与人员证件信息作为严重事故数据集与轻微事故数据集的属性特征,获取两数据集样本数据。
进一步地,对违法原始数据进行预处理,对人员的违法信息进行汇集统计,包括累计违法次数、违法种类、累计扣分分值、平均扣分分值(分/次)、单次最大扣分分值、累计罚款金额、平均罚款金额(元/次)。
采用对应分析法对交通事故数据与违法原始数据进行降维处理,根据违法与事故在类型上的相关性对违法种类进行分类,并提取其中相关性最高的五类作为事故风险违法行为字段的数据属性,如表1所示。
表1.事故相关违法类型划分情况
根据实施例所在区域路网的交通流运行以及交通违法事件发生规律特征,将时间进行聚合,并划分分析时段,将连续型变量转化为标称型变量;在另一个实施例中,通过聚类等其他统计方式进行时段划分。
人员特征数据则根据证件号码中提取年龄、性别、所属省市编码;根据上述各环节提取的信息生成违法数据集,如表2所示。
表2.违法数据集部分数据
步骤2、对违法数据集内全样本I进行高危驾驶人与一般驾驶人二分类。如图4,将存在违法记录且存在负主要责任或全部责任的严重交通事故记录的人员作为高危驾驶人的一种情况,符合条件的数据划为数据集D1;将存在违法记录,仅存在轻微事故记录,且事故记录不低于2条的人员作为高危驾驶人的另一种情况,符合条件的数据划为数据集D2;高危驾驶人数据集D=D1+D2。存在违法记录但无事故记录的人员对应数据合成一般驾驶人数据集N。
据此对违法数据集中满足规则的数据确定高危或一般的数据标记值label,另外无法适用于此分类规则的数据子集U=I-N-D=U1+U2,则为待识别数据子集,U1、U2分别为待识别数据子集的两个子集。
步骤3、对违法数据集中的一般驾驶人数据子集N进行抽样,与高危驾驶人数据子集D组合并拆分获得训练集与测试集;具体的抽样方法为:
步骤31、对一般驾驶人数据子集进行随机抽样,获得压缩后的一般驾驶人样本N’,采样率一般取2.5%~25%,本实施例中从84383条数据中抽取4000条。
步骤32、对抽样后的一般驾驶人数据子集的样本数据进行变量处理与筛选;具体步骤包括:
S321、设置因变量target,其数值在高危、一般中择其一,根据样本数据标签确定;违法数据集的数据字段作为自变量;将其中的省级编码与市级编码字段设置为哑变量,自变量增为93个;
S322、删除自变量中的常数自变量与方差极小的自变量;其中方差极小的判断条件为:其中freqcutX=xf/xl,xf为变量X频次最大的样本值,xl为变量X频次次大的样本值,Tf为对应阈值,取值19;uniquecutX=mX/nX,mX为样本值去重后的样本数量,nX为样本总量,Tu为uniquecut的检验阈值,取值0.1;在本实施例中,该环节删除了累计违法次数、type2、type3、type5、19:00~22:00几个自变量;
S323、删除与其他自变量共线性大于阈值的自变量;其中阈值通常取值0.75;在本实施例中,该环节删除了累计扣分分值、平均扣分分值、其他违法行为合计三个自变量;
S324、经检查,剩余自变量不存在多重共线性,由此确定数据自变量。
S33、将高危驾驶人数据子集D与N’的合集G拆分为训练集和测试集;实施例中,训练集与测试集的样本量比例为9:1。
S34、对训练集进行SMOTE抽样,确定高危驾驶人数据子集以及一般驾驶人数据子集扩样、缩样比例,得到最终的样本数量,处理后获得训练集样本。实施例中,高危驾驶人数据子集的过采样样本数为原来的2倍,一般驾驶人数据子集欠抽样样本数为原高危驾驶人样本数的2倍。
步骤4、运用梯度提升决策树算法,对训练集数据采用5折交叉验证方法,进行分类模型的训练。模型参数具体为:学习率learning_rate_value=0.1,弱分类器个数n_estimators_value=200,最大树深max_depth_value=2,节点最小分裂值min_samples_split_value=2,叶节点最小样本数min_samples_leaf_value=2,最大特征数max_features_value=5,行抽样比例subsample_value=0.75。模型内部节点选择属性个数mtry为47,即从93个属性变量中筛选年龄、平均罚款金额、累计罚款金额、性别等47个特征变量,重要度前20位的属性变量,如图5所示。
步骤5、以测试集数据进行模型评估,并确定分类概率临界阈值,校正模型。
具体地,首先,将测试集数据输入步骤4训练的模型,由模型处理获得测试样本分类类别Fit_class及其概率Fit_probs;其次,绘制测试集的ROC曲线(图6)、PR曲线(图7),确定精确度与召回率;根据召回率确定分类概率阈值,本实施例中,模型精确度为0.8,召回率为0.508,对应的高危人员与一般人员的判定概率阈值为0.647。
步骤6、基于上述步骤训练的高危人员识别模型,将步骤2获得的待识别子集U的数据输入模型,经过模型预测target数值,部分判断结果如表3所示。
表3.运用本发明方法的高危驾驶人识别结果
Claims (4)
1.一种基于梯度提升决策树算法的交通高危人员识别方法,其特征在于:根据道路交通参与者的违法属性判断其交通事故风险,包括以下步骤,
S1、基于原始的交通违法数据与事故数据,构建违法数据集、严重事故数据集、轻微事故数据集;
S2、将违法数据集二分类,即高危人员、一般人员,根据分类规则确定数据标记值label,据此将违法数据集分为高危人员数据子集D、一般人员数据子集N以及待识别子集U;步骤S2中基于分类规则赋予对应数据标记值label的方法具体为:
高危人员:一类为存在违法记录且存在负主要责任或全部责任的严重交通事故记录的交通参与者;另一类为存在违法记录,仅存在轻微事故记录,且事故记录不低于2条的交通参与者;
一般人员:存在违法记录但无事故记录的交通参与者;
不满足上述判别条件的数据构成待识别子集;
S3、对违法数据集中的一般人员数据子集N进行抽样,与高危人员数据子集D组合并拆分获得训练集与测试集;步骤S3中所述的一般人员数据子集进行抽样具体为,
S31、对一般人员数据子集进行随机抽样,获得压缩后的一般人员样本N’;
S32、对压缩后的一般人员数据子集N’的样本数据进行变量处理与筛选;
S321、设置因变量target,其数值在高危、一般中择其一,根据样本数据标签确定;违法数据集的数据字段作为自变量;
S322、删除自变量中的常数自变量与方差极小的自变量;其中方差极小的判断条件为:其中freqcutX=xf/xl,xf为变量X频次最大的样本值,xl为变量X频次次大的样本值,Tf为对应阈值,取值19;uniquecutX=mX/nX,mX为样本值去重后的样本数量,nX为样本总量,Tu为uniquecut的检验阈值,取值为0.1;
S323、删除与其他自变量共线性大于阈值的自变量;其中阈值取值0.75;
S324、检查自变量多重共线性,确定数据自变量;
S33、将高危人员数据子集D与N’的合集G拆分为训练集和测试集;
S34、对训练集进行SMOTE抽样,确定高危人员数据子集以及一般人员数据子集扩样、缩样比例,得到最终的样本数量,处理后获得训练集样本;
S4、基于梯度提升决策树算法,以训练集数据训练高危人员识别模型,确定模型参数;其中,模型参数包括学习率、弱分类器个数、最大树深、节点最小分裂值、叶节点最小样本数、最大特征数、行抽样比例;
S5、以测试集数据进行高危人员识别模型评估,并确定分类概率临界阈值,校正模型,获得最终的交通高危人员识别模型;
S6、将步骤S2中待识别子集数据输入步骤S5得到的交通高危人员识别模型,获得高危人员识别结果。
2.如权利要求1所述的基于梯度提升决策树算法的交通高危人员识别方法,其特征在于:步骤S1中原始的交通违法数据与事故数据包含相关人员证件信息;对违法记录进行汇集、分类处理操作后获得违法数据集;违法数据集为违法记录全样本数据,违法数据集信息包含人员证件号码、违法次数、违法种类、扣分罚款情况、事故相关违法行为发生情况、违法发生时段。
3.如权利要求2所述的基于梯度提升决策树算法的交通高危人员识别方法,其特征在于:步骤S1中事故相关违法行为发生情况通过对应分析方式获得,并提取交通事故影响程度较高的违法类型,作为违法数据集的数据属性。
4.如权利要求2所述的基于梯度提升决策树算法的交通高危人员识别方法,其特征在于:步骤S1中所述违法发生时段是将时间连续型变量转化为离散变量,根据违法时间特征进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783106.1A CN109063751B (zh) | 2018-07-16 | 2018-07-16 | 基于梯度提升决策树算法的交通高危人员识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783106.1A CN109063751B (zh) | 2018-07-16 | 2018-07-16 | 基于梯度提升决策树算法的交通高危人员识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063751A CN109063751A (zh) | 2018-12-21 |
CN109063751B true CN109063751B (zh) | 2021-09-17 |
Family
ID=64816803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810783106.1A Active CN109063751B (zh) | 2018-07-16 | 2018-07-16 | 基于梯度提升决策树算法的交通高危人员识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063751B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555565A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于决策树模型的高速路出口匝道事故严重程度预测方法 |
CN110570655B (zh) * | 2019-09-19 | 2021-03-05 | 安徽百诚慧通科技有限公司 | 基于层次聚类和决策树的车辆特征评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473923A (zh) * | 2013-09-18 | 2013-12-25 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
CN103971523A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种山区道路交通安全动态预警系统 |
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 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN107103101A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种建立交通意外高危人群信息库的方法及装置 |
CN107103313A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种利用人脸识别高危人群的意外保险缴费方法及装置 |
WO2017177005A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | Multi-modal driving danger prediction system for automobiles |
-
2018
- 2018-07-16 CN CN201810783106.1A patent/CN109063751B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473923A (zh) * | 2013-09-18 | 2013-12-25 | 林诗昊 | 一种机动车交通违法实时告知、确认的系统及方法 |
CN103971523A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种山区道路交通安全动态预警系统 |
WO2017177005A1 (en) * | 2016-04-06 | 2017-10-12 | Nec Laboratories America, Inc | Multi-modal driving danger prediction system for automobiles |
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 |
CN106650644A (zh) * | 2016-12-07 | 2017-05-10 | 上海交通大学 | 驾驶员危险行为识别方法及系统 |
CN107103101A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种建立交通意外高危人群信息库的方法及装置 |
CN107103313A (zh) * | 2017-06-14 | 2017-08-29 | 刘晓龙 | 一种利用人脸识别高危人群的意外保险缴费方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于决策树C4.5算法的个人驾驶行为分析;刘凯利等;《软件》;20160615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063751A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086808B (zh) | 基于随机森林算法的交通高危人员识别方法 | |
CN109101568B (zh) | 基于XgBoost算法的交通高危人员识别方法 | |
CN108596409B (zh) | 提升交通危险人员事故风险预测精度的方法 | |
CN104268599B (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
CN109191828B (zh) | 基于集成学习的交通参与者事故风险预测方法 | |
CN104036360B (zh) | 一种基于磁卡考勤行为的用户数据处理系统及处理方法 | |
CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
CN104933444B (zh) | 一种面向多维属性数据的多层聚类融合机制的设计方法 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN109063751B (zh) | 基于梯度提升决策树算法的交通高危人员识别方法 | |
CN110837523A (zh) | 一种基于级联神经网络的高置信改造质量和减假暂量化评估方法 | |
CN107025468A (zh) | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 | |
CN110851422A (zh) | 一种基于机器学习的数据异常监测模型构建方法 | |
CN112330047A (zh) | 一种基于用户行为特征的信用卡还款概率预测方法 | |
CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
CN115689040A (zh) | 基于卷积神经网络的交通事故严重程度预测方法及系统 | |
CN114926299A (zh) | 一种基于大数据分析的预测车辆事故风险预测方法 | |
CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
CN109145953B (zh) | 基于Adaboost算法的交通高危人员识别方法 | |
CN109285344B (zh) | 交通高危人员重点监测对象识别方法和智能决策系统 | |
CN112967759B (zh) | 基于内存堆栈技术的dna物证鉴定str分型比对方法 | |
CN115721289A (zh) | 一种基于多分类器融合的阿尔兹海默症分类预测方法 | |
CN115618297A (zh) | 识别异常企业的方法及其装置 | |
Solanke et al. | Analysis of roadway traffic using data mining techniques for providing safety measures to avoid fatal accidents | |
CN114036465B (zh) | 一种基于风速监测的风门开闭扰动识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 211100 No. 19 Suyuan Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |