CN110491121A - 一种异质性交通事故致因分析方法及设备 - Google Patents
一种异质性交通事故致因分析方法及设备 Download PDFInfo
- Publication number
- CN110491121A CN110491121A CN201910682345.2A CN201910682345A CN110491121A CN 110491121 A CN110491121 A CN 110491121A CN 201910682345 A CN201910682345 A CN 201910682345A CN 110491121 A CN110491121 A CN 110491121A
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic accident
- analysis method
- influence factor
- factor
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种异质性交通事故致因分析方法及设备,方法包括以下步骤:步骤S1:获取事故相关数据,提取交通事故潜在影响因素;步骤S2:基于交通事故潜在影响因素,通过随机森林方法筛选交通事故关键影响因素;步骤S3:基于交通事故关键影响因素,通过潜类别分析方法获得影响因素均质的多个子集;步骤S4:基于影响因素均质的多个子集,通过路径分析方法获得异质性交通事故致因。与现有技术相比,可以较好地处理事故致因异质和同质的矛盾关系,帮助理解事故致因的多样化。
Description
技术领域
本发明涉及交通安全分析和主动交通管理领域,尤其是涉及一种异质性交通事故致因分析方法及设备。
背景技术
道路交通安全形势依然严峻。《2018年全球道路安全状况报告》中的数据显示,每年全世界约有135万人死于道路交通,另有2000万至5000万人因道路交通事故引发的碰撞而受伤或致残。《道路交通运输安全发展报告2017》中数据显示,2016年我国共接报道路交通事故864.3万起,同比增加65.9万起,上升16.5%。因此,提高道路交通安全水平,需求迫切、刻不容缓。
可获取的交通数据日趋多元。随着全息交通的发展,各种数据探测技术的日渐成熟,这为交通系统中人、车、路、环境等数据的来源提供了保证,使得综合利用各种交通相关的数据进行交通安全研究成为可能。
事故致因的研究至关重要。传统的事故影响因素与事故的关联关系研究,无法满足道路交通安全针对性改善和管理的需求。越来越多的学者开始深入事故发生机理,从不同的角度、运用多样的方法,开展事故致因分析方法的研究。
事故的异质性问题亟待解决。道路交通事故具有影响因素异质性问题;在交通安全分析与预测的研究中,如果不能处理事故的异质性,将无法对事故进行准确的影响因素分析和致因推断,也就不能指导制定有针对性的高效的道路交通安全改善策略。
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异质性交通事故致因分析方法及设备。
本发明的目的可以通过以下技术方案来实现:
一种异质性交通事故致因分析方法,该方法包括以下步骤:
步骤S1:获取事故相关数据,提取交通事故潜在影响因素;
步骤S2:基于交通事故潜在影响因素,通过随机森林方法筛选交通事故关键影响因素;
步骤S3:基于交通事故关键影响因素,通过潜类别分析方法获得影响因素均质的多个子集;
步骤S4:基于影响因素均质的多个子集,通过路径分析方法获得异质性交通事故致因。
所述的事故相关数据包括事故数据、交通流数据和道路几何数据。
所述的事故潜在影响因素包括事故相关数据的统计量。
所述的随机森林方法袋外错误率OOB error rate为:
其中,X为袋外数据中分类结果错误的数目,N为袋外数据数目。
所述的随机森林方法平均精度下降VIi为:
其中,ntree为森林里树的数目,OEAti为变化变量i的值后模型的袋外错误率,OEBti为变化变量i的值后模型的袋外错误率。
所述的步骤S3包括:
步骤S31:获得影响因素均质的潜类别数目;
步骤S32:基于分类数目和事故关键影响因素,得到各潜类别显著影响因素;
步骤S33:基于各潜类别显著影响因素,构建影响因素均质的多个子集。
所述的步骤S4包括:
步骤S41:基于影响因素均质的多个子集,获得路径分析方法预测结构;
步骤S42:基于路径分析方法预测结构,得到异质性交通事故致因。
所述的步骤S42通过计算路径分析方法预测结构的拟合度指标近似误差均方根和显著程度得到异质性交通事故致因。
与现有技术相比,本发明具有以下优点:
(1)综合考虑人、车、路、环境等多种事故影响因素,考虑全面。
(2)深入分析事故影响因素与事故的直接或间接作用关系。这对研究事故致因大有帮助,可以帮助交通管控决策者进一步理解事故发生机理,进而制定有针对性的交通安全改善策略。
(3)考虑了事故发生的异质性。事故致因是绝对异质、相对同质的。通过将事故数据分为相对同质的几类,可以较好地处理事故致因异质和同质的矛盾关系,帮助理解事故致因的多样化。
(4)采用随机森林方法,不仅可以评估变量的重要性,同时准确度高。
(5)采用路径分析方法,不仅能说明变量间的直接效应,而且能说明变量间的间接效应。
附图说明
图1为本发明的流程图;
图2为本发明实施例中事故影响因素命名示意图;
图3为本发明实施例中事故影响因素命名示意图;
图4为本发明实施例中异质性交通事故致因结果示意图;
图5为本发明实施例中一个基本的路径分析结构。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例提出了一种基于路径分析模型的异质性交通事故致因分析方法,基于微观交通流数据,研究异质性事故致因,解析事故影响因素与事故的直接、间接作用关系,为实施针对性的交通安全改善措施、主动交通管理等提供了理论支持。
一种异质性交通事故致因分析方法,该方法包括以下步骤:
步骤S1:获取事故相关数据,提取交通事故潜在影响因素;
步骤S2:基于交通事故潜在影响因素,通过随机森林方法筛选交通事故关键影响因素;
步骤S3:基于交通事故关键影响因素,通过潜类别分析方法获得影响因素均质的多个子集;
步骤S4:基于影响因素均质的多个子集,通过路径分析方法获得异质性交通事故致因。
进一步地,步骤S1中事故相关数据包括事故数据、交通流数据和道路几何数据,事故潜在影响因素包括事故相关数据的统计量。
进一步地,步骤S2中通过随机森林方法筛选交通事故的关键影响因素,具体为:
(2.1)随机森林模型调参:在建立随机森林模型过程中,为了保证模型的预测准确性,需要调节参数ntree和mtry的取值,这两个参数的调节可以依据袋外错误率OOB errorrate:
其中,X为袋外数据中模型分类结果错误的数目,N为袋外数据数目。
(2.2)关键影响因素筛选:随机森林模型被广泛用于变量的重要性排序,平均精度下降VIi可以作为变量重要性的测量,定义如下:
其中,ntree表示森林里树的数目,OEAti表示变化变量i的值后模型的袋外错误率,OEBti表示变化变量i的值前模型的袋外错误率。
如果变量值变化前后模型的袋外错误率变化越大,说明该变量对模型越重要。据此,对事故影响因素进行重要度排序,筛选得到关键的事故影响因素。
进一步地,步骤S3中通过潜类别分析方法获取影响因素均质的多个子集,具体为:
(3.1)最优子集数确定:在进行潜类别分析方法过程中,根据性能评价指标AIC和AUC,调节潜类别分析方法参数nclass的取值,nclass即潜类别数,也就是将数据分为事故致因同质子集的数目;
(3.2)各个潜类别显著影响因素确定:根据分析结果中同一变量在不同潜类别中的显著性(P值<0.05),确定不同潜类别间差异化的显著影响因素组合,得到影响因素均质的多个子集。
进一步地,步骤S4中基于影响因素均质的多个子集分别建立路径分析方法预测结构并分析异质性的事故致因,具体为:
(4.1)路径分析方法可能结构确定:根据先验知识,确定可能的中介自变量,再遍历测试所有路径分析方法预测结构,一个基本的路径分析结构如图5所示。
其中,自变量包括一般自变量和中介自变量两种,即自变量对因变量的作用包括三种:①仅直接影响,②仅通过中介自变量间接影响,③既有直接影响又有通过中介自变量的间接影响;
(4.2)最优路径分析结构确定:根据路径分析方法预测结构的拟合指标近似误差均方根(Root Mean Square Error of Approximation,RMSEA)(RMSEA≤0.05,即认为拟合精确)和显著程度(P值<0.05),确定最优的结构,据此可以分析事故影响因素与事故的直接和间接作用关系,进而理解事故致因。
下面结合一个具体的可选实施例进行说明:
(一)基于事故相关数据,提取交通事故潜在影响因素。事故相关数据包括事故数据、交通流数据、道路几何数据。在本例中,由于数据采集的局限,仅基于微观交通流数据进行事故致因研究,但是这个框架是普适性的,可以用于分析人、车、路、环境等多种事故影响因素。具体步骤如下:
(1)原始数据介绍:
a.事故数据:基于事故记录,获取了2485起事故的时间(精确到分钟)、地点(定位到路段)信息;
b.交通流数据:基于环形线圈检测器采集的交通流数据,包括速度、流量、占有率,采集间隔为20秒;
c.道路几何数据:基于开源地图对路段编码,通过编码可知某一路段的上下游路段。
(2)事故潜在影响因素计算:
a.两种交通情况:为了对比事故与非事故情况下交通流的差异,本例采用病例对照的实验设计方法,按照病例组:对照组=1:4的比例,提取交通流数据;
b.病例组:事故发生前的30分钟,事故发生路段(crash section,C)以及事故发生路段上游(adjacent upstream section,U)、下游(adjacent downstream section,D)的交通流数据,由原来的20秒集聚成5分钟,记作一个时间片段,30分钟即6个5分钟长的时间片段,并按与事故发生时间的距离,由近及远依次命名为时间片段1、时间片段2、时间片段3、时间片段4、时间片段5、时间片段6。例如,一起事故发生在路段C,2014年4月21日(周一)上午9:30,则这一天上午9:00-9:30,路段C、上游路段U和下游路段D的交通流数据被提取作为研究对象,9:25-9:30为时间片段1,事故发生路段和时间片段的定义如图2;
c.对照组:对照组数据的选取考虑了5个条件:①对照组日期与病例组日期不同;②与病例组事故发生时间相同;③与病例组事故发生地点相同;④对照组与病例组对应一周中的同一天;⑤对照组对应事故时间前后各1小时内同地点无交通事故发生。例如,上述例子中的对照组为2014年4月7日、14日、28日、5月5日,上午9:00-9:30,路段C、上游路段U和下游路段D的交通流数据。对应病例组2485个事故情况,对照组提取了7204个非事故情况(不是严格的1:4,是因为数据缺失以及对照组选取的第5个条件);
d.影响因素计算和命名:对于病例组和对照组的每一条数据,针对不同路段、不同时间片段计算描述性统计指标(均值和标准差),即为事故潜在影响因素。这些影响因素的命名如图3。因此,在本例中一共涉及了108个事故潜在影响因素(2个描述性统计指标×3个交通流参数×3个路段×6个时间片段)。
(二)基于随机森林模型,筛选交通事故的关键影响因素,具体步骤如下:
(1)随机森林模型调参:在建立随机森林模型过程中,依据袋外错误率OOB errorrate,确定两个参数ntree和mtry取值分别为500和10。
(2)关键影响因素筛选:基于随机森林模型筛选出5个关键影响因素:ASC2、SOC2、AOD2、ASU2、SSC2,如表1:
表1事故关键影响因素
(三)基于潜类别分析方法,获取影响因素均质的多个子集,具体步骤如下:
(1)最优子集数确定:在进行潜类别分析过程中,根据性能评价指标AIC和AUC,确定潜类别分析方法参数nclass的取值为4,即将数据分为事故致因同质的4个子集;
(2)各个潜类别显著影响因素确定:根据结果中同一变量在不同潜类别中的显著性(P值<0.05),确定不同潜类别间差异化的显著影响因素组合,如表2。在95%置信水平下,潜类别1中显著影响因素组合为ASC2、AOD2、SSC2,潜类别2中显著影响因素组合为ASC2、ASU2、SSC2,潜类别3中显著影响因素组合为ASC2、SOC2、AOD2,潜类别4中显著影响因素组合为ASC2、ASU2(99%置信水平下)。
表2潜类别分析结果
(四)基于影响因素均质的多个子集分别建立路径分析方法预测结构,并分析异质性的事故致因:
表3路径分析方法可能结构
(1)路径分析方法可能结构确定:在基于影响因素均质的多个子集分别建立路径分析方法预测结构过程中,先根据先验知识,确定可能的中介自变量,再遍历测试所有结构,如表3:
(2)最优路径分析结构确定:根据路径分析方法预测结构的拟合指标近似误差均方根(Root Mean Square Error of Approximation,RMSEA)(RMSEA≤0.05,即认为拟合精确)和显著程度(P值<0.05),确定最优的结构,如图4,据此可以分析事故影响因素与事故的直接和间接作用关系,进而理解事故致因。
本实施例还提供一种实现异质性交通事故致因分析方法的设备,包括控制器,控制器包括数据获取模块和计算模块,数据获取模块事故相关数据,计算模块计算得到异质性交通事故致因。
计算模块包括随机森林计算模块、潜类别分析模块和路径分析模块,随机森林计算模块计算得到事故关键影响因素,潜类别分析模块计算得到影响因素均质的多个子集,路径分析模块计算得到异质性交通事故致因。
以上数据获取模块、森林计算模块、潜类别分析模块和路径分析模块分别通过程序获取相关数据、事故关键影响因素、影响因素均质的多个子集和异质性交通事故致因。
Claims (9)
1.一种异质性交通事故致因分析方法,其特征在于,该方法包括以下步骤:
步骤S1:获取事故相关数据,提取交通事故潜在影响因素;
步骤S2:基于交通事故潜在影响因素,通过随机森林方法筛选交通事故关键影响因素;
步骤S3:基于交通事故关键影响因素,通过潜类别分析方法获得影响因素均质的多个子集;
步骤S4:基于影响因素均质的多个子集,通过路径分析方法获得异质性交通事故致因。
2.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的事故相关数据包括事故数据、交通流数据和道路几何数据。
3.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的事故潜在影响因素包括事故相关数据的统计量。
4.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的随机森林方法袋外错误率OOB error rate为:
其中,X为袋外数据中分类结果错误的数目,N为袋外数据数目。
5.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的随机森林方法平均精度下降VIi为:
其中,ntree为森林里树的数目,OEAti为变化变量i的值后模型的袋外错误率,OEBti为变化变量i的值后模型的袋外错误率。
6.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的步骤S3包括:
步骤S31:获得影响因素均质的潜类别数目;
步骤S32:基于分类数目和事故关键影响因素,得到各潜类别显著影响因素;
步骤S33:基于各潜类别显著影响因素,构建影响因素均质的多个子集。
7.根据权利要求1所述的一种异质性交通事故致因分析方法,其特征在于,所述的步骤S4包括:
步骤S41:基于影响因素均质的多个子集,获得路径分析方法预测结构;
步骤S42:基于路径分析方法预测结构,得到异质性交通事故致因。
8.根据权利要求7所述的一种异质性交通事故致因分析方法,其特征在于,所述的步骤S42通过计算路径分析方法预测结构的拟合度指标近似误差均方根和显著程度得到异质性交通事故致因。
9.一种实现权利要求1-8任一所述的异质性交通事故致因分析方法的设备,包括控制器,所述控制器包括数据获取模块和计算模块,所述数据获取模块事故相关数据,计算模块包括随机森林计算模块、潜类别分析模块和路径分析模块,所述随机森林计算模块计算得到事故关键影响因素,所述潜类别分析模块计算得到影响因素均质的多个子集,所述路径分析模块计算得到异质性交通事故致因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682345.2A CN110491121B (zh) | 2019-07-26 | 2019-07-26 | 一种异质性交通事故致因分析方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682345.2A CN110491121B (zh) | 2019-07-26 | 2019-07-26 | 一种异质性交通事故致因分析方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110491121A true CN110491121A (zh) | 2019-11-22 |
CN110491121B CN110491121B (zh) | 2022-04-05 |
Family
ID=68548327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682345.2A Active CN110491121B (zh) | 2019-07-26 | 2019-07-26 | 一种异质性交通事故致因分析方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110491121B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN106997669A (zh) * | 2017-05-31 | 2017-08-01 | 青岛大学 | 一种基于特征重要性的判断交通拥堵成因的方法 |
CN107331166A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种基于路径分析的动态限行方法 |
US20180007003A1 (en) * | 2016-07-01 | 2018-01-04 | Rapid7, Inc. | Classifying locator generation kits |
CN108280236A (zh) * | 2018-02-28 | 2018-07-13 | 福州大学 | 一种基于LargeVis的随机森林可视化数据分析方法 |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN109409430A (zh) * | 2018-10-26 | 2019-03-01 | 江苏智通交通科技有限公司 | 交通事故数据智能分析与综合应用系统 |
CN110276370A (zh) * | 2019-05-05 | 2019-09-24 | 南京理工大学 | 一种基于随机森林的道路交通事故风险因素分析方法 |
AU2020101738A4 (en) * | 2020-08-10 | 2020-09-17 | Annapu Reddy, Brahmananda Reddy DR | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining |
-
2019
- 2019-07-26 CN CN201910682345.2A patent/CN110491121B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
US20180007003A1 (en) * | 2016-07-01 | 2018-01-04 | Rapid7, Inc. | Classifying locator generation kits |
CN106997669A (zh) * | 2017-05-31 | 2017-08-01 | 青岛大学 | 一种基于特征重要性的判断交通拥堵成因的方法 |
CN107331166A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种基于路径分析的动态限行方法 |
CN108280236A (zh) * | 2018-02-28 | 2018-07-13 | 福州大学 | 一种基于LargeVis的随机森林可视化数据分析方法 |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN109409430A (zh) * | 2018-10-26 | 2019-03-01 | 江苏智通交通科技有限公司 | 交通事故数据智能分析与综合应用系统 |
CN110276370A (zh) * | 2019-05-05 | 2019-09-24 | 南京理工大学 | 一种基于随机森林的道路交通事故风险因素分析方法 |
AU2020101738A4 (en) * | 2020-08-10 | 2020-09-17 | Annapu Reddy, Brahmananda Reddy DR | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining |
Non-Patent Citations (4)
Title |
---|
奥韦格布兹 等: "《图书馆焦虑——理论、研究和应用》", 31 December 2015 * |
李俊卿 等: "基于随机森林重要性分析的LSTM网络风电功率缺失数据补齐", 《电器与能效管理技术》 * |
沈记全: "《数据库系统原理》", 31 January 2018, 中国矿业大学出版社 * |
陈妤婕 等: "基于潜类别模型和关联规则的交通事故原因分析", 《现代计算机》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110491121B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A Bayesian dynamic updating approach for urban expressway real-time crash risk evaluation | |
CN106355883A (zh) | 基于风险评估模型的交通事故发生概率获取方法及系统 | |
CN109716414A (zh) | 一种多模态道路交通异常检测方法 | |
CN100454354C (zh) | 道路交通事故多发路段鉴别方法 | |
Zheng | Empirical analysis on relationship between traffic conditions and crash occurrences | |
Pham et al. | Random forest models for identifying motorway rear-end crash risks using disaggregate data | |
Sheikh et al. | A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN114970943B (zh) | 一种高速公路事故类型与严重程度预测方法 | |
Young et al. | Comparing the highway safety manual’s safety performance functions with jurisdiction-specific functions for intersections in Regina | |
Yang et al. | Developing a new real-time traffic safety management framework for urban expressways utilizing reinforcement learning tree | |
Kodi et al. | Estimating the mobility benefits of adaptive signal control technology using a Bayesian switch-point regression model | |
Simandl et al. | Making use of big data to evaluate the effectiveness of selective law enforcement in reducing crashes | |
CN110491121A (zh) | 一种异质性交通事故致因分析方法及设备 | |
Nihan et al. | Evaluation of dual-loop data accuracy using video ground truth data | |
Corey et al. | Detection and correction of inductive loop detector sensitivity errors by using Gaussian Mixture Models | |
Cunto et al. | Comparison of simulated freeway safety performance with observed crashes | |
CN110060370A (zh) | 车辆急加速急减速次数等效统计方法 | |
Dhindsa | Evaluating ramp metering and variable speed limits to reduce crash potential on congested freeways using micro-simulation | |
Pankaj | A comprehensive study on the estimation of freeway travel time index and the effect of traffic data quality | |
Chen et al. | Automatic freeway bottleneck identification and visualization using image processing techniques | |
Azizi | Freeway Performance Measurement in a Connected Vehicle Environment Utilizing Traffic Disturbance Metrics | |
CN101968768A (zh) | 一种基于缺陷的软件安全性测试需求的获取与分级方法 | |
Moin et al. | Sensing drunken drivers using data science | |
Li et al. | Research on abnormal monitoring of vehicle traffic network data based on support vector machine |
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 |