CN109145170A - 一种道路交通事故数据挖掘服务器、方法和系统 - Google Patents
一种道路交通事故数据挖掘服务器、方法和系统 Download PDFInfo
- Publication number
- CN109145170A CN109145170A CN201810681069.3A CN201810681069A CN109145170A CN 109145170 A CN109145170 A CN 109145170A CN 201810681069 A CN201810681069 A CN 201810681069A CN 109145170 A CN109145170 A CN 109145170A
- Authority
- CN
- China
- Prior art keywords
- accident
- data
- road traffic
- traffic accident
- analysis
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路交通事故数据挖掘服务器,方法和系统,服务器包括:数据预处理模块,用于对获取的道路交通事故数据进行预处理;分析模块,用于对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;挖掘模块,用于根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;可视化模块,用于将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。实现了事故可视化精准定位,挖掘事故数据中隐藏的事故发生的原因和机理,为开展道路交通事故预防和交通安全管理工作提供参考。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种道路交通事故数据挖掘服务器、方法和系统。
背景技术
目前,我国正处于机动车、驾驶人及道路里程高速增长期,道路交通事故甚至重特大交通事故时有发生。以2015年我国道路交通事故统计数据为例,2015年我国道路交通事故起数约18.7万起,死亡人数约5.8万人,万车死亡率为2.08,远高于美国(万车死亡率为1.25)、日本(万车死亡率为0.53)、德国(万车死亡率为0.62)等发达国家,我国道路交通安全形势依然十分严峻。开展道路交通事故统计分析工作是预防道路交通事故的有效手段之一。
伴随着信息技术步入大数据时代,道路交通事故数据也逐步呈现出数据量庞大、更新速度快、价值丰富等大数据特征,传统以“四项指数”为统计内容,以描述性统计为主要方法的分析手段已难以满足大数据时代道路交通事故统计分析需要,具体表现在:(1)数据项缺失。在实际获取道路交通事故数据过程中,由于多种原因导致数据采集项信息不完整、不准确,致使后续统计分析结果可信度低。(2)方法单一。目前事故统计方法以描述性统计为主,难以挖掘事故背后深层次的原因和机理,不能定量化地甄别事故特征因子及建立事故风险预警评价机制。(3)结果不实用。国内目前对于事故数据的挖掘分析多注重方法理论研究,但受数据采集限制,无法获取全项事故数据,因此研究结果一般实用性较单一,没有针对性,也不利于指导基层开展道路交通事故预防工作。
发明内容
本发明提供了一种道路交通事故数据挖掘服务器、方法和系统,以改变道路交通事故数据分析仅靠四项指标和描述性统计的现状,实现事故可视化精准定位,并挖掘事故数据中隐藏的事故发生的原因和机理,为开展道路交通事故预防和交通安全管理工作提供参考。
根据本发明的一个方面,提供了一种道路交通事故数据挖掘服务器,包括:
数据预处理模块,用于对获取的道路交通事故数据进行预处理;
分析模块,用于对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;
挖掘模块,用于根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;
可视化模块,用于将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。
根据本发明的另一个方面,提供了一种道路交通事故数据挖掘方法,包括:
对获取的道路交通事故数据进行预处理;
对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;
根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;
将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。
根据本发明的又一个方面,提供了一种道路交通事故数据挖掘系统,所述道路交通事故数据挖掘系统包括:服务器以及至少一个与所述服务器通信的客户端;
所述服务器包括:处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器,用于执行存储器中所存储的对应于本发明一个方面所述道路交通事故数据挖掘方法的指令,
所述客户端包括处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器接收用户通过交互界面输入的指令,控制将指令发送至所述服务器,控制接收所述服务器返回的分析结果或挖掘结果信息并控制输出给用户。
有益效果:本发明实施例的道路交通事故数据挖掘方案,对获取的道路交通事故数据进行预处理,保障了数据的完整性、准确性和规范性。对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果。以及,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,显示分析结果和挖掘结果,为道路交通管理部门开展交通事故统计分析和交通安全管理工作提供帮助,提高了伤亡事故特征因子甄别结果准确性以及量化交通事故危险度评价,便于科学分析研判和预防道路交通事故,采取针对性措施,有效预防和减少道路交通事故发生。
附图说明
图1是本发明实施例中的道路交通事故数据挖掘服务器的框图;
图2是图1所示数据预处理模块的功能示意图;
图3是图1所示分析模块的功能示意图;
图4是图1所示挖掘模块的功能示意图;
图5是图1所示可视化模块的结果显示示意图;
图6是图1所示挖掘模块提取事故影响因子的结果示意图;
图7是图1所示挖掘模块甄别出的事故伤亡因子的结果示意图;
图8是图1所示挖掘模块对事故危险度挖掘的示意图;
图9是本发明实施例中道路交通事故数据挖掘方法的流程图。
具体实施方式
本发明的设计构思是:针对道路交通事故数据的特点对数据进行预处理并基于处理后的数据进行基本分析和深度挖掘,最后可视化展示输出,从而提供了一个综合全面的道路交通事故数据综合分析深度挖掘系统,科学、精准、深度、高效地为道路交通管理部门开展交通事故统计分析和交通安全管理工作提供技术支持。
图1是本发明实施例中的道路交通事故数据挖掘服务器的框图,参见图1,本发明实施例的道路交通事故数据挖掘服务器包括:数据预处理模块,分析模块,挖掘模块和可视化模块。
图1所示的数据预处理模块包括数据融合子模块,数据清洗子模块,数据编码子模块和数据填补子模块。具体的,数据融合子模块,用于以事故编号,事故发生时间和地点信息的组合为主键,将事故记录信息,涉事人员信息,路网矢量图像信息,行政区划信息以及天气信息进行关联融合,并保存到建立的道路交通事故数据库表中。
数据清洗子模块,用于计算道路交通事故数据库表中各数据项的缺失率,将缺失率大于预定阈值的数据项删除。数据编码子模块,用于按照道路交通管理信息代码对各数据项以及各数据项的属性进行数字编码化处理。数据填补子模块,用于通过关联分析算法将道路交通事故数据与关联规则集进行类比,确定道路交通事故数据各数据项中缺失数据的取值,并利用确定出的取值对缺失数据进行填补。
也就是说,参见图1,本实施例的数据预处理模块主要是对数据进行预处理,这些处理包括:数据融合、数据清洗、编码化处理、缺失率分析和数据填补。
结合图2,实际应用中,数据预处理模块可以采用Python语言来开发,以实现数据融合、清洗、编码化处理、数据项缺失率分析、数据填补等流程一键化处理。首先,以事故编号和发生时间和地点信息为主键,将事故数据表(事故数据表字段主要包括事故编号、行政区划、事故发生时间、道路编号、道路名等)和人员表、地图信息表和天气信息表等数据表中的事故记录信息、涉事人员信息、路网shp数据以及天气数据进行关联融合,对事故数据与人员数据汇聚并建立事故信息多维度矩阵。其次,计算各数据项缺失率,删除缺失率较高(例如100%)的数据项,清除部分无效数据项。再次,进行编码化处理。参照《道路交通管理信息代码(GA/T 16.1-2012)》对各数据项、分类型的中文属性值进行数字编码化处理,建立统一字典表,若发现数据项值不属于道路交通管理信息代码规范所规定的范围,则置为空。最后,进行可用性分析。分析数据的缺失比、特殊字段可用性分析以及数据缺陷。采用基于Apriori关联分析对部分缺失的事故数据进行填补,按照最大事故信息量原则与最小数据缺失项原则,将具体的事故信息与关联规则集进行类比,获得各项缺失数据的最可能值,对缺失的事故数据进行弥补,进而提高道路交通事故数据的完整性。
分析模块,具体用于按照交通主管部门所辖行政区域范围划分不同行政层级对应的统计对象及范围,针对不同行政层级,将辖区内的道路交通事故的事故起数、死亡人数、受伤人数、直接经济损失四项指定统计指标与道路交通事故数据的时间特征、空间特征、驾驶人特征、车辆特征、道路特征、10万人口死亡率、万车死亡率、死亡分布变化趋势、受伤分布变化趋势进行关联统计分析。
参见图1,分析模块可以具体进行四项指标分析、时空特征分析、人车路特征分析、死亡率指标分析和行政区划分析。也就是说,分析模块是将传统交通事故统计分析使用的四项指标(事故起数、死亡人数、受伤人数、直接经济损失)与道路交通交通事故的时空特征、人车路特征、死亡率指标、行政区划等相关联,实现多层级多维度的统计分析。具体的,第一步是,面向交通主管部门,按照所辖行政区域范围(例如省、市、区县、乡镇等)划分不同行政层级的统计对象及范围,服务不同行政主管部门。其次,以10万人口死亡率和万车死亡率为统计指标,分析一定时间范围内事故死亡率变化情况及趋势。第二步是,针对不同行政区划的主管单位,将辖区内的道路交通事故四项指标与其时间特征(年、月、日、24小时、重要节假日等)、空间特征(行政区划、地理环境、城乡区域等)、驾驶人特征(性别、年龄、驾龄)、车辆特征(交通方式、事故形态、车辆类型等)、道路特征(道路类型、道路等级、道路环境等)关联统计分析,得到多层级多维度的交叉统计分析结果。
参见图3,图3示意了三个行政层级,分别为支队、大队和中队。根据支队采集的交通事故数据和事故死亡数,可以进行多种指标的交叉分析。以支队的交通事故数为基础,交叉分析得到10万人口死亡率,万车死亡率、时间分布、车辆类型、涉及驾驶人以及事故分布变化趋势。一般而言,大队比支队掌握的交通事故数据更多,如图3所示,大队掌握的数据包括交通事故数、事故死亡数和事故受伤数,大队对应的分析指标相对于支队也更多。参见图3,除了能够进行支队对应的指标分析之外,大队还可以进行交通事故死亡数据的空间分布分析以及死亡分布变化趋势的分析。参见图3,中队和大队相比,也可以进行基于交通事故数、事故死亡数和事故受伤数的交叉分析,以事故受伤数据为例,可以分析事故受伤数据的空间分布,以及事故受伤数据的受伤分布变化趋势。由此通过获取全项事故数据,保证了分析结果的实用性和针对性,有利于指导基层开展道路交通事故预防工作。
挖掘模块是采用大数据挖掘方法,由表及里探求存在的隐藏关系,发现交通事故背后潜规律和诱因特征。结合图1和图4,本实施例的掘模块具体包括事前致因挖掘子模块,事中伤亡因子挖掘子模块以及事后危险度挖掘子模块。
所述事前致因挖掘子模块,用于通过关联分析从事故数据中挖掘出支持度大于第一支持度阈值的频繁项集;以置信度大于第二置信度阈值且提升度大于第三提升度阈值为筛选条件,从频繁项集中筛选多条规则并形成事故数据的关联规则集。所述事中伤亡因子挖掘子模块,用于按照指定伤亡率计算公式重新计算道路交通事故的伤亡率,并将伤亡率大于指定伤亡率阈值的特征因子确定为事故伤亡特征因子;所述事后危险度挖掘子模块,用于以道路交通事故数据中认定的主要违法行为为对象,以事故数、伤亡率,受伤人数、死亡人数为危险度分析指标,采用聚类算法对道路交通事故数据进行聚类,形成事故频次高伤亡率低,频次低伤亡率高,频次高伤亡率高的三个类簇。
实际应用中,首先将全样本纳入数据池,采用基于灰色关联度的挖掘方法,发现事故数据内部所有可能存在的关联关系,提取出人、车、路、环境等交通事故特征因子及其潜在的关联规则,从事前的角度(即哪些因素能够导致事故发生)进行事故发生致因分析。
一个实施例中,事前致因挖掘子模块采用基于关联规则来提取事故影响因素,步骤是:第一步,从数据集中找出所有的频繁项集,均满足s≥min_sup,当提升度大于1时,表明所挖掘出的规则是有意义。第二步,由这些频繁项集产生关联规则,计算这些关联规则的置信度c,然后保留那些满足c≥min_conf的关联规则,具体过程为:(1)设定支持度>3%,采用Apriori算法从事故数据挖掘出频繁项集,(2)设定置信度>60%、提升度>1为筛选依据,从频繁项集中形成事故数据关联规则集。
图6是图1所示挖掘模块提取事故影响因子的结果示意图;如图6所示,本实施例中提取了多个规则,这些规则是根据支持度大于3%的条件选取出频繁项集,再根据置信度和提升度条件从频繁项集中筛选出若干规则得到关联规则集。以编号为1的规则为例,该规则包括两条信息,第一条信息是天气,值为“雨天”;第二条信息为路表情况,值为“潮湿”。也就是说,编号为1的这条规则是可能导致交通事故发生的规则。同样的道理,将频繁项集中所有满足条件的这些规则筛选出来即可得到关联规则集,从而得到影响事故的因素。
本实施例事中伤亡因子挖掘子模块利用新的事故伤亡率计算公式,构建基于朴素贝叶斯的交通事故伤亡特征因子甄别方法,从事中的角度(事故发生过程中哪些因子会导致伤亡)进行事故伤亡致因分析。
本实施例中采用基于朴素贝叶斯的事故伤亡特征因子甄别方法。第一步是按照下列事故伤亡率计算公式计算事故伤亡率:
在该公式中,P(S|Fi)表示出现特征Fi时,发生伤亡事故的概率,其中S代表伤亡事故,Q代表非伤亡事故,Fi代表第i个特征因子。死亡人数为原始数据中死亡人数与抢救致死人数之和,伤亡率为事故死伤人数/事故涉及当事人数。
第二步是采用朴素贝叶斯方法进行挖掘分析,找出当事故发生后,造成伤亡率超过指定伤亡率阈值比率(例如80%)的伤亡特征因子确定为事故伤亡特征因子,通常包括事故认定原因以及人、车、路、环境等方面的特征因子。
参见图7,图7示意了本实施例中甄别出的事故伤亡因子,包括:事故认定原因,人,车,路和环境。以事故认定原因为例,其中,驾驶电动自行车超速行驶造成的伤亡率为96.30%,机动车人行道不减速造成的伤亡率为87.76%,由此可知,机动车人行道不减速造成的伤亡率要远低于驾驶电动自行车超速行驶的伤亡率,这也为道路交通管理部门开展执法检查和交通劝导工作提供了参考。
本实施例中事后危险度挖掘子模块,以事故认定的主要违法行为为对象,以事故数、伤亡率,受伤人数、死亡人数为危险度分析指标,采用K-means聚类对事故数据进行聚类,形成了事故频次高伤亡率低、频次低伤亡率高、频次高伤亡率高的三大类簇,从事后的角度(事故伤亡已经发生进行总结)为事故分类管控提供了决策依据。
实际应用中,K均值聚类的实现过程是:(1)给定大小为n的待聚类事故对象集,选取k个初始聚类中心。(2)确定相似性距离度量函数。本文基于编码化后的事故数据,在进行比较时,若属性值相同记为1;若不同则记为0。然后对所用属性项的比较值求和,即为两条事故数据的相似性距离。(3)开始迭代更新运算。计算每个样本数据与每个聚类中心的相似性距离,将样本归到距离最短的类中。(4)更新聚类中心位置。利用均值方法,更新每类的中心点位置。重复(3)运算,直至每个聚类中心值保持不变。
图8是图1所示挖掘模块对事故危险度挖掘示意图,参见图8,通过基于聚类算法的事故危险度挖掘分析得出的事故危险性特征类簇示例如下:类别1(或称类簇1)代表的是事故频次高,伤亡率较低的主要违法行为;类别2代表的是事故频次较高,伤亡率较高的主要违法行为,类别3代表的是事故频次较低伤亡率高的主要违法行为。图8还示意了,类别1的事故平均伤亡率为4.78%,类别2的事故平均伤亡率为24.07%,类别3的事故平均伤亡率为46.55%。由图8可知,类别3对应的主要违法行为的危险度大于类别2和类别1分别对应的主要违法行为的危险度。
在本发明的一个实施例中,为了挺高本发明实施例的实用性,本实施例的挖掘模块还包括:第一专题挖掘子模块和第二专题挖掘子模块,所述第一专题挖掘子模块,用于将道路交通事故数据的关键数据项与事故起数、死亡人数、受伤人数、直接经济损失四项指定统计指标进行矩阵交叉分析,挖掘出两两之间相关性满足指定阈值的事故因素;所述第二专题挖掘子模块,用于按照道路交通事故数据中涉事人员属性信息,将道路交通事故涉及的人群按照指定标准划分为多种群体,针对每种群体对应的道路交通事故数据进行挖掘。
具体的,结合图4,第一专题挖掘子模块将交通事故形态、主要违法行为(违法类型)以及交通方式等关键数据项与交通事故四项指标(事故起数、受伤人数、死亡人数、直接经济损失)进行矩阵交叉分析,找出两两之间相关性较为显著的事故因素。
第二专题挖掘子模块是按照涉事人员属性信息这一标准,将交通事故涉及的人群分为少年、老年人、行人、骑行人、乘车人、低驾龄驾驶人、职业驾驶人、酒驾群体等重点群体分别进行统计分析和深度挖掘分析。为针对性地开展重点群体事故预防工作提供参考。比如,按照涉事人员属性信息中的年龄信息,将交通事故中的人员分为,少年,中年和老年人。按照按照涉事人员属性信息中的职业信息,将涉事人员分为职业驾驶人和非职业驾驶人,针对非职业驾驶人又可以根据具体职业进行细分。从而能够得到不同群体的道路交通事故规律。
参见图1,本实施例的道路交通事故挖掘服务器还包括地图可视化展示模块(Mapping and Visualization)。可视化展示模块用于通过构建ArcGIS地理信息系统(ArcGIS是一个全面的地理信息系统构建和应用平台,用户可用其来收集、组织、管理、分析、交流和发布地理信息)将分析结果和挖掘结果进行可视化展示。具体的,通过语义分析提取交通事故发生地点文字描述中的关键信息,采用空间模糊度搜索方法,调用数字地图应用接口API提取事故发生点位的经纬度信息,并转换成ArcGIS的火星坐标,实现点位级的事故可视化展示;采用累计频率法分析法进行事故多发路段鉴别分析,实现路线级的事故可视化展示;通过ArcGIS空间聚类分析,实现区域级的事故可视化展示。
也就是说,可视化模块通过构建ArcGIS地理信息系统将分析结果和挖掘结果进行可视化展示,包括根据分析结果或挖掘结果进行事故点位提取,坐标系转换、事故多发点段ArcGIS地图展示以及地理空间分布。参见图5,本实施例中,可以在数字地图上针对某个事故地点,显示事故现场图片,在属性中显示死亡事故起数(比如7起)等。可视化展示事故黑点、隐患路段、风险路线、事故分布区域的点、线、面空间分析,从而能够科学分析和研判事故形势,深入挖掘事故发生的原因,掌握事故发生的规律,采取针对性措施,实现有效预防和减少道路交通事故的目标。
采用本发明实施例的道路交通事故挖掘服务器后,首先,当辖区内积累了一定时长的事故数据后,事故预处理模块将事故记录信息等进行关联融合并建立数据库,清洗数据缺失率较高或与深度挖掘关联不大的字段,并进行编码化操作,建立数据字典表,实现缺失数据项的填补,保障了数据的完整性、准确性和规范性。
然后,分析模块将传统使用的四项指标与事故时间特征、空间特征、驾驶人特征、车辆特征、道路特征等因素关联统计分析,为事故数据研判分析提供了基础性的统计分析结果,也为后续的深度挖掘分析提供了对照和参考;之后,深度挖掘模块从事前、事中、事后的不同角度提出了一系列的挖掘分析:一是,采用基于灰色关联度的关联规则挖掘方法,发现事故数据内部所有可能存在的关联关系,提取出人、车、路、环境等交通事故特征因子及其潜在的关联规则,从事前的角度进行事故发生致因分析。二是,定义新的事故伤亡率计算公式,构建基于朴素贝叶斯的交通事故伤亡特征因子甄别方法,从事中的角度进行事故伤亡致因分析。三是,以事故认定的主要违法行为为对象,以事故数、伤亡率,受伤人数、死亡人数为危险度分析指标,采用K均值聚类算法对事故数据进行聚类,形成三大类簇,从事后的角度为事故分类预测、分级管控提供了决策依据。四是,进行矩阵交叉分析,找出两两之间相关性较为显著的事故因素。
最后,按照涉事人员属性信息,将交通事故涉及的人群分为多个重点群体,分别进行深度挖掘,为针对性地开展重点群体事故预防工作提供参考。最后,地图可视化展示模块通过构建ArcGIS地理信息系统平台将事故数据基本统计及深度挖掘分析结果进行可视化展示,深入挖掘事故发生的原因,掌握事故发生的规律,采取针对性措施,有效预防和减少了道路交通事故。
本发明实施例还提供了一种道路交通事故数据挖掘方法,图9是本发明实施例中道路交通事故数据挖掘方法的流程图,参见图9,本实施例的道路交通事故数据挖掘方法包括下列步骤:
步骤S901,对获取的道路交通事故数据进行预处理;
步骤S902,对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;
步骤S903,根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;
步骤S904,将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。
在本发明的一个实施例中,步骤S901对获取的道路交通事故数据进行预处理包括执行下列预处理中的一种或多种:以事故编号,事故发生时间和地点信息的组合为主键,将事故记录信息,涉事人员信息,路网矢量图像信息,行政区划信息以及天气信息进行关联融合,并保存到建立的道路交通事故数据库表中;计算道路交通事故数据库表中各数据项的缺失率,将缺失率大于预定阈值的数据项删除;按照道路交通管理信息代码对各数据项以及各数据项的属性进行数字编码化处理;通过关联分析算法将道路交通事故数据与关联规则集进行类比,确定道路交通事故数据各数据项中缺失数据的取值,并利用确定出的取值对缺失数据进行填补。
在本发明的一个实施例中,根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果包括:基于关联规则提取事故影响因素,具体的,通过关联分析从事故数据中挖掘出支持度大于第一支持度阈值的频繁项集;以置信度大于第二置信度阈值且提升度大于第三提升度阈值为筛选条件,从频繁项集中筛选多条规则并形成事故数据的关联规则集;按照指定伤亡率计算公式重新计算道路交通事故的伤亡率,并将伤亡率大于指定伤亡率阈值的特征因子确定为事故伤亡特征因子;以道路交通事故数据中认定的主要违法行为为对象,以事故数、伤亡率、受伤人数、死亡人数为危险度分析指标,采用聚类算法对道路交通事故数据进行聚类,形成事故频次高伤亡率低,频次低伤亡率高,频次高伤亡率高的三个类簇。
本发明实施例提供的道路交通事故数据挖掘系统,包括:服务器以及至少一个与所述服务器通信的客户端;所述服务器包括:处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器,用于执行存储器中所存储的对应于前述道路交通事故数据挖掘方法实施例中道路交通事故数据挖掘方法的指令,所述客户端包括处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器接收用户通过交互界面输入的指令,控制将指令发送至所述服务器,控制接收所述服务器返回的分析结果或挖掘结果信息并控制输出给用户。
应用本发明实施例的道路交通事故数据挖掘系统,客户端发送指令给服务器,服务器返回分析结果或挖掘结果,客户端输出收到的结果,比如通过可视化模块输出给用户,从而提高了伤亡事故特征因子甄别结果准确性以及量化交通事故危险度评价,便于科学分析研判和预防道路交通事故,把握事故发生的规律更好的指导实践。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令使所述计算机执行上述的方法。
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的一个流程或多个流程和/或方框图的一个方框或多个方框中指定的功能的装置。
需要说明的是术语“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要素。
本发明的说明书中,说明了大量具体细节。然而能够理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
以上所述,仅为本发明的具体实施方式,在本发明的上述教导下,本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白,上述的具体描述只是更好的解释本发明的目的,本发明的保护范围以权利要求的保护范围为准。
Claims (10)
1.一种道路交通事故数据挖掘服务器,其特征在于,包括:
数据预处理模块,用于对获取的道路交通事故数据进行预处理;
分析模块,用于对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;
挖掘模块,用于根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;
可视化模块,用于将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。
2.根据权利要求1所述的服务器,其特征在于,所述数据预处理模块包括:
数据融合子模块,用于以事故编号,事故发生时间和地点信息的组合为主键,将事故记录信息,涉事人员信息,路网矢量图像信息,行政区划信息以及天气信息进行关联融合,并保存到建立的道路交通事故数据库表中;
数据清洗子模块,用于计算道路交通事故数据库表中各数据项的缺失率,将缺失率大于预定阈值的数据项删除;
数据编码子模块,用于按照道路交通管理信息代码对各数据项以及各数据项的属性进行数字编码化处理;
数据填补子模块,用于通过关联分析将道路交通事故数据与关联规则集进行类比,确定道路交通事故数据各数据项中缺失数据的取值,并利用确定出的取值对缺失数据进行填补。
3.根据权利要求1所述的服务器,其特征在于,所述分析模块,具体用于按照交通主管部门所辖行政区域范围划分不同行政层级对应的统计对象及范围,
针对不同行政层级,将辖区内的道路交通事故的事故起数、死亡人数、受伤人数、直接经济损失四项指定统计指标与道路交通事故数据的时间特征、空间特征、驾驶人特征、车辆特征、道路特征、10万人口死亡率、万车死亡率、死亡分布变化趋势、受伤分布变化趋势进行关联统计分析。
4.根据权利要求1所述的服务器,其特征在于,所述挖掘模块具体包括事前致因挖掘子模块,事中伤亡因子挖掘子模块以及事后危险度挖掘子模块,
所述事前致因挖掘子模块,用于基于关联规则提取事故影响因素,具体的,通过关联分析从事故数据中挖掘出支持度大于第一支持度阈值的频繁项集;以置信度大于第二置信度阈值且提升度大于第三提升度阈值为筛选条件,从频繁项集中筛选多条规则并形成事故数据的关联规则集;
所述事中伤亡因子挖掘子模块,用于按照指定伤亡率计算公式重新计算道路交通事故的伤亡率,并将伤亡率大于指定伤亡率阈值的特征因子确定为事故伤亡特征因子;
所述事后危险度挖掘子模块,用于以道路交通事故数据中认定的主要违法行为为对象,以事故数、伤亡率、受伤人数、死亡人数为危险度分析指标,采用聚类算法对道路交通事故数据进行聚类,形成事故频次高伤亡率低,频次低伤亡率高,频次高伤亡率高的三个类簇。
5.根据权利要求4所述的服务器,其特征在于,所述挖掘模块还包括:第一专题挖掘子模块和第二专题挖掘子模块,
所述第一专题挖掘子模块,用于将道路交通事故数据的关键数据项与事故起数、死亡人数、受伤人数、直接经济损失四项指定统计指标进行矩阵交叉分析,挖掘出两两之间相关性满足指定阈值的事故因素;
所述第二专题挖掘子模块,用于按照道路交通事故数据中涉事人员属性信息,将道路交通事故涉及的人群按照指定标准划分为多种群体,针对每种群体对应的道路交通事故数据进行挖掘。
6.根据权利要求1所述的服务器,其特征在于,所述可视化展示模块用于通过构建ArcGIS地理信息系统将分析结果和挖掘结果进行可视化展示,具体的,通过语义分析提取交通事故发生地点文字描述中的关键信息,采用空间模糊度搜索,调用数字地图应用接口提取事故发生点位的经纬度信息并转换成ArcGIS的火星坐标,实现点位级的事故可视化展示;采用累计频率分析进行事故多发路段鉴别分析,实现路线级的事故可视化展示;通过ArcGIS空间聚类分析,实现区域级的事故可视化展示。
7.一种道路交通事故数据挖掘方法,其特征在于,包括:
对获取的道路交通事故数据进行预处理;
对预处理后的道路交通事故数据,按照指定统计指标进行交叉关联分析,得到多层级多维度的分析结果;
根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果;
将所述分析结果和所述挖掘结果输出至地理信息系统以使在所述地理信息系统上显示。
8.如权利要求7所述的方法,其特征在于,所述对获取的道路交通事故数据进行预处理包括执行下列预处理中的一种或多种:
以事故编号,事故发生时间和地点信息的组合为主键,将事故记录信息,涉事人员信息,路网矢量图像信息,行政区划信息以及天气信息进行关联融合,并保存到建立的道路交通事故数据库表中;
计算道路交通事故数据库表中各数据项的缺失率,将缺失率大于预定阈值的数据项删除;
按照道路交通管理信息代码对各数据项以及各数据项的属性进行数字编码化处理;
通过关联分析算法将道路交通事故数据与关联规则集进行类比,确定道路交通事故数据各数据项中缺失数据的取值,并利用确定出的取值对缺失数据进行填补。
9.如权利要求7所述的方法,其特征在于,所述根据预处理后的道路交通事故数据,挖掘道路交通事故各阶段分别对应的事故影响因子,事故伤亡特征因子以及事故危险度,得到挖掘结果包括:
通过关联分析从事故数据中挖掘出支持度大于第一支持度阈值的频繁项集;以置信度大于第二置信度阈值且提升度大于第三提升度阈值为筛选条件,从频繁项集中筛选多条规则并形成事故数据的关联规则集,得到事故影响因子;
按照指定伤亡率计算公式重新计算道路交通事故的伤亡率,并将伤亡率大于指定伤亡率阈值的特征因子确定为事故伤亡特征因子;
以道路交通事故数据中认定的主要违法行为为对象,以事故数、伤亡率,受伤人数、死亡人数为危险度分析指标,采用聚类算法对道路交通事故数据进行聚类,形成事故频次高伤亡率低,频次低伤亡率高,频次高伤亡率高的三个类簇确定出事故危险度。
10.一种道路交通事故数据挖掘系统,其特征在于,所述道路交通事故数据挖掘系统包括:服务器以及至少一个与所述服务器通信的客户端;
所述服务器包括:处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器,用于执行存储器中所存储的对应于权利要求7至9任一项所述道路交通事故数据挖掘方法的指令,
所述客户端包括处理器,以及用于存储所述处理器可执行指令的存储器,所述处理器接收用户通过交互界面输入的指令,控制将指令发送至所述服务器,控制接收所述服务器返回的分析结果或挖掘结果信息并控制输出给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810681069.3A CN109145170B (zh) | 2018-06-27 | 2018-06-27 | 一种道路交通事故数据挖掘服务器、方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810681069.3A CN109145170B (zh) | 2018-06-27 | 2018-06-27 | 一种道路交通事故数据挖掘服务器、方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145170A true CN109145170A (zh) | 2019-01-04 |
CN109145170B CN109145170B (zh) | 2022-12-20 |
Family
ID=64802395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810681069.3A Active CN109145170B (zh) | 2018-06-27 | 2018-06-27 | 一种道路交通事故数据挖掘服务器、方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145170B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222247A (zh) * | 2019-06-10 | 2019-09-10 | 交通运输部公路科学研究所 | 一种公路工程施工安全事故分析系统 |
CN110532298A (zh) * | 2019-08-07 | 2019-12-03 | 北京交通大学 | 多属性铁路事故致因权重分析方法 |
CN111009122A (zh) * | 2019-11-13 | 2020-04-14 | 青岛国信城市信息科技有限公司 | 隧道交通运行风险评估方法 |
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 |
CN111369792A (zh) * | 2019-11-22 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种交通事件的分析方法、装置及电子设备 |
CN112329106A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 道路安全设计方法、系统、计算机设备和可读存储介质 |
CN112396839A (zh) * | 2020-11-17 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
CN112579849A (zh) * | 2021-01-11 | 2021-03-30 | 上海勘察设计研究院(集团)有限公司 | 基于全量数据的结构安全影响因素关联分析方法 |
CN112732744A (zh) * | 2021-01-12 | 2021-04-30 | 重庆长安汽车股份有限公司 | 一种基于Tcl/Tk和R语言的高效处理CIDAS数据库的方法 |
CN112862646A (zh) * | 2020-12-31 | 2021-05-28 | 广州智能科技发展有限公司 | 一种基于多模型集成的安全事故的分析方法和系统 |
CN113341894A (zh) * | 2021-05-27 | 2021-09-03 | 河钢股份有限公司承德分公司 | 事故规律数据的生成方法、装置和终端设备 |
CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及系统 |
CN113470357A (zh) * | 2021-06-30 | 2021-10-01 | 中国汽车工程研究院股份有限公司 | 一种道路交通事故信息处理系统及处理方法 |
CN113627872A (zh) * | 2021-07-21 | 2021-11-09 | 深圳市城市公共安全技术研究院有限公司 | 生产安全事故现场的勘查信息采集系统及方法 |
CN113742413A (zh) * | 2021-09-10 | 2021-12-03 | 湖南强智科技发展有限公司 | 一种准确性高的基于多形式处理的大数据分析系统 |
CN113792193A (zh) * | 2021-08-27 | 2021-12-14 | 武汉理工大学 | 一种面向内河航标的事故数据挖掘方法与系统 |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警系统及方法 |
CN114999181A (zh) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
CN116110227A (zh) * | 2023-03-08 | 2023-05-12 | 交通运输部规划研究院 | 公路交通大数据处理方法和装置 |
CN117079462A (zh) * | 2023-08-24 | 2023-11-17 | 云南省交通投资建设集团有限公司 | 一种基于Apriori算法的路段突发交通事件预测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
CN102982081A (zh) * | 2012-10-31 | 2013-03-20 | 公安部道路交通安全研究中心 | 道路交通安全隐患路段甄别方法和系统 |
CN104063509A (zh) * | 2014-07-09 | 2014-09-24 | 武汉大学 | 一种移动式地理围栏的信息推送系统及其方法 |
US20150094013A1 (en) * | 2013-09-27 | 2015-04-02 | International Business Machines Corporation | System and Method for Participants DATA Retrieval Post Accident or Event |
CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
CN106383920A (zh) * | 2016-11-28 | 2017-02-08 | 东南大学 | 一种基于关联规则的重特大交通事故致因识别方法 |
-
2018
- 2018-06-27 CN CN201810681069.3A patent/CN109145170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
CN102982081A (zh) * | 2012-10-31 | 2013-03-20 | 公安部道路交通安全研究中心 | 道路交通安全隐患路段甄别方法和系统 |
US20150094013A1 (en) * | 2013-09-27 | 2015-04-02 | International Business Machines Corporation | System and Method for Participants DATA Retrieval Post Accident or Event |
CN104063509A (zh) * | 2014-07-09 | 2014-09-24 | 武汉大学 | 一种移动式地理围栏的信息推送系统及其方法 |
CN105741218A (zh) * | 2016-03-04 | 2016-07-06 | 公安部道路交通安全研究中心 | 应急预案生成服务器、方法、系统以及客户端 |
CN106383920A (zh) * | 2016-11-28 | 2017-02-08 | 东南大学 | 一种基于关联规则的重特大交通事故致因识别方法 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222247A (zh) * | 2019-06-10 | 2019-09-10 | 交通运输部公路科学研究所 | 一种公路工程施工安全事故分析系统 |
CN110532298A (zh) * | 2019-08-07 | 2019-12-03 | 北京交通大学 | 多属性铁路事故致因权重分析方法 |
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 |
CN111009122A (zh) * | 2019-11-13 | 2020-04-14 | 青岛国信城市信息科技有限公司 | 隧道交通运行风险评估方法 |
CN111369792A (zh) * | 2019-11-22 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种交通事件的分析方法、装置及电子设备 |
CN112329106A (zh) * | 2020-11-05 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 道路安全设计方法、系统、计算机设备和可读存储介质 |
CN112396839A (zh) * | 2020-11-17 | 2021-02-23 | 珠海大横琴科技发展有限公司 | 一种数据处理的方法和装置 |
CN112862646A (zh) * | 2020-12-31 | 2021-05-28 | 广州智能科技发展有限公司 | 一种基于多模型集成的安全事故的分析方法和系统 |
CN112579849A (zh) * | 2021-01-11 | 2021-03-30 | 上海勘察设计研究院(集团)有限公司 | 基于全量数据的结构安全影响因素关联分析方法 |
CN112732744A (zh) * | 2021-01-12 | 2021-04-30 | 重庆长安汽车股份有限公司 | 一种基于Tcl/Tk和R语言的高效处理CIDAS数据库的方法 |
CN112732744B (zh) * | 2021-01-12 | 2023-03-14 | 重庆长安汽车股份有限公司 | 一种基于Tcl/Tk和R语言的高效处理CIDAS数据库的方法 |
CN113341894A (zh) * | 2021-05-27 | 2021-09-03 | 河钢股份有限公司承德分公司 | 事故规律数据的生成方法、装置和终端设备 |
CN113380033A (zh) * | 2021-06-09 | 2021-09-10 | 山东交通学院 | 基于人机混合增强智能的城市交通安全预警方法及系统 |
CN113470357A (zh) * | 2021-06-30 | 2021-10-01 | 中国汽车工程研究院股份有限公司 | 一种道路交通事故信息处理系统及处理方法 |
CN113627872A (zh) * | 2021-07-21 | 2021-11-09 | 深圳市城市公共安全技术研究院有限公司 | 生产安全事故现场的勘查信息采集系统及方法 |
CN113792193B (zh) * | 2021-08-27 | 2023-02-28 | 武汉理工大学 | 一种面向内河航标的事故数据挖掘方法与系统 |
CN113792193A (zh) * | 2021-08-27 | 2021-12-14 | 武汉理工大学 | 一种面向内河航标的事故数据挖掘方法与系统 |
CN113742413A (zh) * | 2021-09-10 | 2021-12-03 | 湖南强智科技发展有限公司 | 一种准确性高的基于多形式处理的大数据分析系统 |
CN114066288A (zh) * | 2021-11-24 | 2022-02-18 | 广州交投工程检测有限公司 | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警系统及方法 |
CN114999181A (zh) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
CN114999181B (zh) * | 2022-05-11 | 2023-12-19 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
CN116110227A (zh) * | 2023-03-08 | 2023-05-12 | 交通运输部规划研究院 | 公路交通大数据处理方法和装置 |
CN116110227B (zh) * | 2023-03-08 | 2023-09-22 | 交通运输部规划研究院 | 公路交通大数据处理方法和装置 |
CN117079462A (zh) * | 2023-08-24 | 2023-11-17 | 云南省交通投资建设集团有限公司 | 一种基于Apriori算法的路段突发交通事件预测系统及方法 |
CN117079462B (zh) * | 2023-08-24 | 2024-05-07 | 云南省交通投资建设集团有限公司 | 一种基于Apriori算法的路段突发交通事件预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109145170B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145170A (zh) | 一种道路交通事故数据挖掘服务器、方法和系统 | |
CN108959196B (zh) | 一种交通事故时空分析系统 | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN111626162B (zh) | 基于时空大数据分析的水上救援系统及溺水警情预测方法 | |
Garcıa et al. | CrimAnalyzer: Understanding crime patterns in são paulo | |
CN101814076A (zh) | 可视化信息及信息关联分析系统及建立的方法 | |
Yu et al. | iVizTRANS: Interactive visual learning for home and work place detection from massive public transportation data | |
CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
CN115512216A (zh) | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 | |
CN112364627B (zh) | 基于文本挖掘的安全生产事故分析方法、装置、电子设备以及存储介质 | |
Ahmadi | Crime mapping and spatial analysis | |
CN106156747A (zh) | 基于行为特征的监控视频语义对象提取的方法 | |
Lv et al. | Digital twins based VR simulation for accident prevention of intelligent vehicle | |
El Abdallaoui et al. | Decision support system for the analysis of traffic accident Big Data | |
CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
US20180253813A1 (en) | System and method for incident validation and ranking using human and non-human data sources | |
Morshed et al. | Viscrimepredict: a system for crime trajectory prediction and visualisation from heterogeneous data sources | |
Zhang et al. | Street‐level traffic flow and context sensing analysis through semantic integration of multisource geospatial data | |
CN116095602A (zh) | 一种基于电信位置数据的老人安全呵护方法 | |
Silva et al. | Predicting road traffic accident severity using decision trees and time-series calendar heatmaps | |
Sheikh et al. | IST: Role of GIS in crime mapping and analysis | |
Mudgal et al. | Mining of the correlations for fatal road accident using graph-based fuzzified FP-growth algorithm | |
Lai et al. | GIS for road accident analysis in Hong Kong | |
Su et al. | Measuring the Associations between Eye-Level Urban Design Quality and On-Street Crime Density Around Subway Entrances in Manhattan | |
Oki et al. | A method for regional analysis using deep learning based on big data of omnidirectional images of streets |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |