CN110910641A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110910641A
CN110910641A CN201911214275.4A CN201911214275A CN110910641A CN 110910641 A CN110910641 A CN 110910641A CN 201911214275 A CN201911214275 A CN 201911214275A CN 110910641 A CN110910641 A CN 110910641A
Authority
CN
China
Prior art keywords
accident
time
traffic
traffic operation
section
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
Application number
CN201911214275.4A
Other languages
English (en)
Inventor
刘淼淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201911214275.4A priority Critical patent/CN110910641A/zh
Publication of CN110910641A publication Critical patent/CN110910641A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

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，步骤为：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息。对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；计算不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；将实时的交通运行风险评估参数数据代入所选择出的ANFIS模型中，进行并完成交通运行实时风险值的计算。

Description

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
技术领域
本发明涉及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，属于交通运输安全技术领域。
背景技术
通常来讲，道路风险评估是指根据采集到道路行车过程中的现场信息，设定风险的接受标准，并依据所确定的风险发生的概率和后果严重程度形成风险评估结论。国内外有关道路风险评估的研究极为广泛，但是多数研究都针对的是宏观方向上的道路风险，主要利用宏观上的事故数据和规划、设计等数据进行道路静态风险和安全等级的研究，有关道路交通运行实时风险评估的研究相对较少。
交通运行实时风险可以理解为：特定范围内的道路交通系统，在每个时间点或时间间隔内，可能出现的由交通运行造成系统内出现交通事故的可能性。国内外有关交通运行实时风险评估的研究有：Samimi和Hellinga利用Log-linear线性回归方法分析了加拿大安大略某一高速公路上的实时交通流参数和交通事故之间的关系，建立了实时的交通事故预测模型；Lee和Abdel-Aty通过收集美国佛罗里达州奥兰多市4条高速公路匝道处的数据，并利用two-level nested logit逻辑回归模型对影响匝道动态交通风险的主要交通流参数进行了分析；另外，Pande和Abdel-Aty等还分析了奥兰多市多起追尾事故发生前的动态交通流特性，并利用分类分析方法对实时的追尾事故风险进行了评估；东南大学徐铖铖等则利用Logistic回归模型对美国加州I-880N高速公路上恶劣天气下的实时事故风险进行了分析和预测。但上述研究均针对国外的高速公路或城市道路，其所用模型和研究成果很难准确反映出中国的道路交通运行特点。
检索现有技术，未发现有针对我国高速公路实时风险评估方面的相关专利。
发明内容
本发明技术解决问题：克服现有技术的不足，提供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，以我国高速公路作为研究对象，基于交通流特性与事故风险之间的内在关联性，建立高速公路交通运行的实时风险评估模型，进而能够依据风险评估结果，实时监测高速公路交通运行的风险水平，并制定出有效的事故预防策略和交通管控措施，确保道路交通安全。
本发明技术解决方案：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，包括以下步骤：
步骤S01：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息，对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；
步骤S02：选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；
步骤S03：计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；
步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。
在所述步骤S01中，事故样本尽可能避免选取由于天气、线形或者明显的驾驶员、车辆个体等外部因素所导致的交通事故。考虑到车流量较少(服务水平较高)时，单车事故的发生可能受交通流参数变化的影响不大，因此事故样本筛选更偏重于选择在交通量与道路通行能力的比值大于等于0.75时发生的多车事故。
所述步骤S01中，车检器信息来源于每个交通事故发生所在位置最近的上游车检器，并对车检器断面在事故发生前30分钟内每5分钟的交通流参数及其各事故对照组的交通流参数进行算数处理，得到每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个参数，这9个参数即为交通运行风险评估参数。
所述步骤S01中，事故对照组的选择方法如下：为尽量避免周末和工作日不同交通特性对风险评估模型的影响，选择各事故发生前第7天和事故发生前第14天其最近的上游检测器断面相同的30分钟时间段内无事故发生时的交通流数据作为对照组，并计算对照组每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个交通运行风险评估参数。
所述步骤S02中，分别选择事故发生前0～5分钟，事故发生前0～15分钟、事故发生前0～30分钟内以及各对照组相同时间段内的数据进行交通运行风险值的定义，具体风险值的定义与取值如下所示：
(1)对于事故发生前0～5分钟的时间段而言，由于交通运行风险值的大小可以根据事故的发生时刻来衡量，因此定义：对于事故组，事故发生前5分钟内风险值较高，均为1；对于无事故发生的对照组，其前5分钟内的风险值较低，均为0。
(2)对于事故发生前0～15分钟这一时间段，可认为越接近事故的发生时刻，交通运行的风险值越高；越远离事故的发生时刻，风险值越低；且从事故发生前第15分钟到事故发生这个时间段内每5分钟时间间隔上的风险值是线性递增的。因此，对于事故组，事故发生前第1个5分钟时间间隔内风险值可定义为1，事故发生前5到10分钟内的风险值定义为0.5，事故发生前第10到15分钟内的风险值定义为0。对于无事故发生的对照组，各时间间隔的风险值均为0。
(3)对于事故发生前0～30分钟的时间段，可认为从事故发生前第30分钟到事故发生这个时间段内每5分钟时间间隔上的风险值也是线性递增的。对于事故组，事故发生前第1个5分钟时间间隔的风险值定义为1，则事故发生前第2个到第6个5分钟时间间隔内的风险分别定为0.8，0.6，0.4，0.2，0。对于无事故发生的对照组，各时间间隔的风险值均为0。
所述步骤S02中，将不同数据收集时间段下每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个参数作为模型输入参数，将交通运行风险值作为模型输出参数，并将不同数据收集时间段下的模型输入参数和对应的输出参数都分为两类，分别为训练数据和检验数据；利用训练数据中的模型输入参数和输出参数进行ANFIS建模，计算模型训练误差；利用检验数据进行ANFIS模型验证，计算模型检验误差。
本发明与现有技术相比的优点在于：
(1)通过选取不同的数据收集时间段进行风险值的定义和基于自适应神经网络模糊推理系统(ANFIS)的交通运行风险评估建模，之后可通过误差分析确定最优的时间选择条件和最终的风险评估模型，与传统技术相比，能够保证高速公路交通运行实时风险评估的快速响应。
(2)本发明将风险的事后评价转到风险的事前分析上，并突破过去仅利用静态数据和历史数据对道路风险进行分析的传统研究模式，其研究成果可用来实时监测城高速公路上的交通运行风险水平，并能以监测结果为依据，制定出有针对性的事故预警和交通管控措施，从而提高交通安全管理的科技含量和效率，保证道路交通安全。
附图说明
图1为本发明方法实现流程图；
图2为本发明中的神经网络的结构图。
具体实施方式
下面对本方面的实施例做详细说明：本实施例在以本方面技术方案为前提下进行实施，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。
如图1所示：本发明具体实施步骤如下：
步骤S01：对于所获取的事故数据，寻找事故发生地上游车检器的交通流信息，选择事故发生前30分钟内各车检器的数据，利用方差分析法，以“k倍标准差”准则为基础，在数据的每个空间邻域里，采用“k倍标准差”准则判断各时刻的空间异常数据，将明显偏离时空邻域内的数据定义为时空异常，然后，利用Kalman滤波对数据进行去噪处理，并利用线性差值法对数据进行补全和校正，从而选择出数据质量较好的车检器数据。
对车检器数据进行每5分钟间隔的统计和处理，得出断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个交通流参数信息。
选择200组事故对应的车检器交通流数据(每5分钟间隔的)和相对照的400组无事故发生的车检器交通流数据(每5分钟间隔的)作为样本数据，进行下一步建模和验证。
步骤S02:分别选择事故发生前0～5分钟，事故发生前0～15分钟、事故发生前0～30分钟内以及各对照组相同时间段内的车检器交通流数据和定义得出的交通运行风险值数据进行自适应神经网络模糊推理系统(ANFIS)建模，具体建模步骤如下：
(1)确定系统输入、输出参数集。以每5分钟时间间隔内的交通运行风险值作为输出变量，以车检器交通流数据(包括：断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差等9个参数)作为模型输入，对应的输入模糊空间记为：
X＝{x1,x2,x3,……,x9} (式1)
式中，相应的各子模糊空间论域分别设为U1,U2,U3,…,U9。
(2)完成输入变量的模糊化处理。利用模糊语言值[NB，NS，ZO，PS，PB]，即“负大”、“负小”、“零”、“正小”、“正大”对x1,x2,x3,……,x9各个论域进行模糊化子空间划分；输出参数集为交通运行动态风险值，记为：Y＝{YR}。YR的值可以通过分析风险与事故之间的关系获得，越接近事故发生时刻，风险值越高，反之，风险越低。
(3)建立输入、输出模糊集合的映射关系：f:X→Y。该模糊映射能反映动态风险值与x1,x2,x3,……,x9间的作用关系。
如图2所示，本发明可建立9输入1输出的实时风险评估模型，各层之间依据模糊语言变量、if-then规则、反模糊化函数来确定相关关系和各层的节点数量，其中，第1层作为输入层由各个神经元节点向第二层传递输入参数；第2层各节点直接与输入向量连接，实现各输入变量的模糊化处理；第3层各节点对应隶属度函数集，能够实现模糊化运算；第4层各节点对应模糊规则，用来完成对各条规则的归一化处理；第5层各节点对应于每条规则的输出；第6层节点对应于模型的输出。
根据搭建的ANFIS模型结构，选择3个时间条件下的150例事故组及其对应的300例对照组的数据作为训练数据，以50例事故组及其对应的100例对照组数据作为检验数据，利用Matlab工具箱并结合编程完成动态风险评估模型的训练与仿真，具体步骤如下：
1)在ANFIS编辑器中载入训练数据和检验数据；
2)通过对输入输出的隶属度函数进行选择和利用规则编辑器生成规则等，将模糊推理系统(FIS：Fuzzy Inference System)的参数进行初始化；
3)利用anfis函数对步骤2)中已初始化的FIS结构进行训练；
4)利用Matlab内置的evalfis等函数，对步骤3)中训练好的模糊神经推理系统进行验证；
5)根据步骤4)中的验证结果，确定模型仿真结果是否满足要求。若满足，则所建立的模型即为动态风险评估模型；若不满足，则需重新调整隶属度函数参数，直至模型仿真达到理想效果。
步骤S03:计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；
步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。
以上虽然描述了本发明的具体实施方法，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明原理和实现的前提下，可以对这些实施方案做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims (6)

1.一种基于神经网络的高速公路交通运行实时风险评估方法，其特征在于，包括以下步骤：
步骤S01：读取事故样本信息和事故对应的车检器信息，作为事故组信息；同时读取无事故发生时的车检器信息，作为事故对照组信息，对读取的车检器信息进行单位时间统计和处理，获取交通运行风险评估参数数据；
步骤S02：选取不同的数据收集时间段进行交通运行风险值的定义和车检器信息提取，将获取的交通运行风险评估参数数据作为输入，将交通运行风险值作为输出，利用自适应神经网络模糊推理系统(ANFIS)进行交通运行风险评估建模；
步骤S03：计算S02中不同数据收集时间段下ANFIS模型的训练误差和检验误差，选择训练误差和检验误差加和最小的ANFIS模型作为高速公路交通运行实时风险评估模型；
步骤S04:将实时的交通运行风险评估参数数据代入S03中选择出的ANFIS模型中，进行交通运行实时风险值的计算，完成高速公路交通运行实时风险评估。
2.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，事故样本选择在交通量与道路通行能力的比值大于等于0.75时发生的多车事故。
3.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，车检器信息来源于每个交通事故发生所在位置最近的上游车检器，并对车检器断面在事故发生前30分钟内每5分钟的交通流参数及其各事故对照组的交通流参数进行算数处理，得到每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差9个参数，这9个参数即为交通运行风险评估参数。
4.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S01中，事故对照组的选择方法如下：为尽量避免周末和工作日不同交通特性对风险评估模型的影响，选择各事故发生前第7天和事故发生前第14天其最近的上游检测器断面相同的30分钟时间段内无事故发生时的交通流数据作为对照组，并计算对照组每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差9个交通运行风险评估参数。
5.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S02中，不同的数据收集时间段为：分别选取事故发生前0～5分钟，事故发生前0～15分钟、事故发生前0～30分钟内以及各对照组相同时间段内的数据进行交通运行风险值的定义，具体交通运行风险值的定义与取值如下所示：
(1)对于事故发生前0～5分钟的时间段，交通运行风险值的大小根据事故的发生时刻来衡量，因此定义：对于事故组，事故发生前5分钟内风险值较高，均为1；对于无事故发生的对照组，其前5分钟内的风险值较低，均为0；
(2)对于事故发生前0～15分钟这一时间段，认为越接近事故的发生时刻，交通运行的风险值越高；越远离事故的发生时刻，风险值越低；且从事故发生前第15分钟到事故发生这个时间段内每5分钟时间间隔上的风险值是线性递增的；因此，对于事故组，事故发生前第1个5分钟时间间隔内风险值可定义为1，事故发生前5到10分钟内的风险值定义为0.5，事故发生前第10到15分钟内的风险值定义为0；对于无事故发生的对照组，各时间间隔的风险值均为0；
(3)对于事故发生前0～30分钟的时间段，认为从事故发生前第30分钟到事故发生这个时间段内每5分钟时间间隔上的风险值也是线性递增的；对于事故组，事故发生前第1个5分钟时间间隔的风险值定义为1，则事故发生前第2个到第6个5分钟时间间隔内的风险分别定为0.8，0.6，0.4，0.2，0。对于无事故发生的对照组，各时间间隔的风险值均为0。
6.根据权利要求1所述的基于神经网络的高速公路交通运行实时风险评估方法，其特征在于：所述步骤S02中，将不同数据收集时间段下每5分钟内的断面流量均值、断面流量标准差、断面流量变异系数、断面速度均值、断面速度标准差、断面速度变异系数、断面占有率均值、断面占有率标准差9个参数作为模型输入参数，将交通运行风险值作为模型输出参数，并将不同数据收集时间段下的模型输入参数和对应的输出参数都分为两类，分别为训练数据和检验数据；利用训练数据中的模型输入参数和输出参数进行ANFIS建模，计算模型训练误差；利用检验数据进行ANFIS模型验证，计算模型检验误差。
CN201911214275.4A 2019-12-02 2019-12-02 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 Pending CN110910641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911214275.4A CN110910641A (zh) 2019-12-02 2019-12-02 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911214275.4A CN110910641A (zh) 2019-12-02 2019-12-02 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

Publications (1)

Publication Number Publication Date
CN110910641A true CN110910641A (zh) 2020-03-24

Family

ID=69821620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911214275.4A Pending CN110910641A (zh) 2019-12-02 2019-12-02 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

Country Status (1)

Country Link
CN (1) CN110910641A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111815953A (zh) * 2020-08-31 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种面向交通事件的高速公路交通管控效果评价方法
CN111951550A (zh) * 2020-08-06 2020-11-17 华南理工大学 交通安全风险监控方法、装置、存储介质及计算机设备
CN112036473A (zh) * 2020-08-28 2020-12-04 长安大学 一种基于高风险交通行为数据库的交通事故风险评估方法
CN112270355A (zh) * 2020-10-28 2021-01-26 长沙理工大学 基于大数据技术与sae-gru的主动安全预测方法
CN112308434A (zh) * 2020-11-03 2021-02-02 中国交通通信信息中心 一种交通安全风险评估方法及系统
CN112801541A (zh) * 2021-02-25 2021-05-14 交通运输部天津水运工程科学研究所 一种危险化学品道路运输风险动态评估及风险导航方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN102722989A (zh) * 2012-06-29 2012-10-10 山东交通学院 基于模糊神经网络的高速公路微气象交通预警方法
US20140074402A1 (en) * 2012-09-12 2014-03-13 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法
CN108921418A (zh) * 2018-06-26 2018-11-30 成都爱车保信息技术有限公司 一种基于汽车定位及综合信息大数据的驾驶风险评估方法
CN109448369A (zh) * 2018-10-26 2019-03-08 中交第公路勘察设计研究院有限公司 高速公路实时运行风险计算方法
CN109671274A (zh) * 2019-01-24 2019-04-23 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
KR20190103078A (ko) * 2019-07-11 2019-09-04 엘지전자 주식회사 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN102722989A (zh) * 2012-06-29 2012-10-10 山东交通学院 基于模糊神经网络的高速公路微气象交通预警方法
US20140074402A1 (en) * 2012-09-12 2014-03-13 Lexisnexis Risk Solutions Fl Inc. Systems and methods for determining risks associated with driving routes
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
CN108198415A (zh) * 2017-12-28 2018-06-22 同济大学 一种基于深度学习的城市快速路事故预测方法
CN108921418A (zh) * 2018-06-26 2018-11-30 成都爱车保信息技术有限公司 一种基于汽车定位及综合信息大数据的驾驶风险评估方法
CN109448369A (zh) * 2018-10-26 2019-03-08 中交第公路勘察设计研究院有限公司 高速公路实时运行风险计算方法
CN109671274A (zh) * 2019-01-24 2019-04-23 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
KR20190103078A (ko) * 2019-07-11 2019-09-04 엘지전자 주식회사 자율주행시스템에서 차량의 서비스 제공방법 및 이를 위한 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN CHEN，HONGYU XIANG: "A rear-end collision prediction scheme based on deep learning in the Internet of Vehicles", 《J. PARALLEL DISTRIB. COMPUT.》 *
崔航，涂辉招，王晓峰，吴兵: "多因素动态瞬变下高速公路交通安全风险预测", 《交通与运输》 *
陈小会: "基于上游单一检测器数据的高速公路事故影响分析", 《交通工程》 *
饶和根，卢勇，赵娜乐: "城市群内高速公路交通运行动态风险评估模型", 《公路交通科技（应用技术版）》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111951550A (zh) * 2020-08-06 2020-11-17 华南理工大学 交通安全风险监控方法、装置、存储介质及计算机设备
CN111951550B (zh) * 2020-08-06 2021-10-29 华南理工大学 交通安全风险监控方法、装置、存储介质及计算机设备
CN112036473A (zh) * 2020-08-28 2020-12-04 长安大学 一种基于高风险交通行为数据库的交通事故风险评估方法
CN112036473B (zh) * 2020-08-28 2023-09-12 长安大学 一种基于高风险交通行为数据库的交通事故风险评估方法
CN111815953A (zh) * 2020-08-31 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种面向交通事件的高速公路交通管控效果评价方法
CN112270355A (zh) * 2020-10-28 2021-01-26 长沙理工大学 基于大数据技术与sae-gru的主动安全预测方法
CN112270355B (zh) * 2020-10-28 2023-12-05 长沙理工大学 基于大数据技术与sae-gru的主动安全预测方法
CN112308434A (zh) * 2020-11-03 2021-02-02 中国交通通信信息中心 一种交通安全风险评估方法及系统
CN112801541A (zh) * 2021-02-25 2021-05-14 交通运输部天津水运工程科学研究所 一种危险化学品道路运输风险动态评估及风险导航方法
CN112801541B (zh) * 2021-02-25 2023-06-09 交通运输部天津水运工程科学研究所 一种危险化学品道路运输风险动态评估及风险导航方法

Similar Documents

Publication Publication Date Title
CN110910641A (zh) 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
Tang et al. Crash injury severity analysis using a two-layer Stacking framework
Quek et al. POP-TRAFFIC: A novel fuzzy neural approach to road traffic analysis and prediction
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN113553749A (zh) 一种桥梁健康监测方法、系统、计算机及存储介质
CN110796859A (zh) 基于交通流的实时交通状态辨识及事故风险预警方法
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
Zhao et al. A fuzzy system for concrete bridge damage diagnosis
CN114783183A (zh) 一种基于交通态势算法的监控方法与系统
CN112215487A (zh) 一种基于神经网络模型的车辆行驶风险预测方法
CN112466158B (zh) 一种面向平面交叉口的车辆碰撞风险评估及预测方法
Sheikh et al. A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis
Zhao et al. Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots
CN116597642A (zh) 一种交通拥堵状况的预测方法及系统
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
Panwai et al. A reactive agent-based neural network car following model
CN115830855B (zh) 一种基于双状态划分的高速公路路段通行时间预测方法
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
CN113642162B (zh) 一种城市道路交通应急预案仿真综合分析方法
CN112349098A (zh) 高速公路出口匝道区域环境要素对事故严重程度估计方法
Gallo et al. An explainable approach for car driver identification
Žunić et al. Cluster-based analysis and time-series prediction model for reducing the number of traffic accidents
Xiao et al. Special factor adjustment model using fuzzy-neural network in traffic prediction
Jiang et al. Parametric calibration of speed–density relationships in mesoscopic traffic simulator with data mining
Michelaraki et al. Modelling the Safety Tolerance Zone: Recommendations from the i-DREAMS project

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200324

WD01 Invention patent application deemed withdrawn after publication