CN111179141A - 一种基于双阶段分类的事故多发路段识别方法 - Google Patents
一种基于双阶段分类的事故多发路段识别方法 Download PDFInfo
- Publication number
- CN111179141A CN111179141A CN201911228989.0A CN201911228989A CN111179141A CN 111179141 A CN111179141 A CN 111179141A CN 201911228989 A CN201911228989 A CN 201911228989A CN 111179141 A CN111179141 A CN 111179141A
- Authority
- CN
- China
- Prior art keywords
- accident
- points
- point
- prone
- breaking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 29
- 230000006378 damage Effects 0.000 claims description 29
- 208000014674 injury Diseases 0.000 claims description 29
- 230000034994 death Effects 0.000 claims description 8
- 231100000517 death Toxicity 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于双阶段分类的事故多发路段识别方法，包括选定要鉴别的总路段，对鉴别年限的事故数据进行统计、计算相邻事故点的距离、第一阶段事故多发路段分类、第二阶段事故隐患点分类、数据处理、在所鉴别的总路段地图上标识出事故多发路段和严重事故隐患点共六个步骤。有益效果：本发明通过将鉴别路段统计年限的历史数据纵向标记于道路上，遍历每个事故点的类别属性，避免了划分固定道路单元容易造成的“削峰”现象；考虑了单个事故点的严重程度，对重大事故隐患点进行预测；通过双阶段不同类别属性分类判别，提高了鉴别精度。
Description
技术领域
本发明涉及事故多发路段的识别方法，特别涉及一种基于双阶段分类的事故多发路段识别方法，属于公路交通安全管理技术领域。
背景技术
近年来，随着国民经济的快速增长，我国汽车保有量持续增加，道路交通安全形势显得尤为严峻，交通事故发生率居高不下。从中国统计年鉴公布的交通事故死亡总人数来看，2011-2018年我国交通事故死亡人数长期保持在6万人左右，位于世界第一。据第16届国际道路会议报告指出，一般情况下多事故路段仅占路网总长度的0.25％，但事故却占事故总数的25％。因此，对多事故路段进行识别，不仅有利于将不良道路指标控制在设计阶段，也能在后期的管理中有针对性的对路段进行排查和整治，从而以最小的投入最大限度地降低道路交通事故，取得较大的社会和经济效益，并改善交通安全状况。
多事故路段识别是预防交通事故发生的主要措施之一，不仅能提高道路安全性能，还能降低经济损失。目前，国内外学术界对多事故路段识别进行了大量的研究，主要从分形理论、非线性学科、概率统计等多个领域对多事故路段交通事故分布规律进行深入研究。
从20世纪40年代开始，国内外学者开始对事故多发路段进行研究，从开始的事故数法；事故率法；质量控制法；事故率系数法；临界率法；矩阵法；泊松分布；贝叶斯(碰撞频率)；回归分析；相对危险度模型；累计频率法；当量事故次数法；移动步长法；滑动窗口法等数理统计法和现在的聚类算法(DBSCAN聚类、K-均值聚类、分层聚类、模糊聚类)神经网络；灰色评价；GIS大数据分析；空间分析等数据挖掘方法，但是鉴于交通事故具有离散性和随机性的特征，这些方法存在的问题也逐渐显露出来，主要表现在：固定的多事故路段分割长度与实际的多事故路段长度不匹配；会遗漏一些多事故路段；识别需要大量的数据和时间；多事故路段识别结果与真正的结果不一致。
发明内容
发明目的：针对现有技术中存在不足，本发明提供了一种能够对重大事故隐患点进行预测并且具有更高鉴别精度的基于双阶段分类的事故多发路段识别方法。
技术方案：一种基于双阶段分类的事故多发路段识别方法，包括以下步骤：
步骤一、选定要鉴别的总路段，对鉴别年限的事故数据中的死亡人数p、重伤人数s、经济损失e进行统计；
步骤二、将统计年限的事故点沿道路纵向标记，并对事故点进行顺序标号，计算相邻事故点的距离；
步骤三、第一阶段事故多发路段分类，将每个事故点根据相邻事故点的距离和距离阈值的大小关系分为右连续点、连续点、左连续点和分断点；
步骤四、第二阶段事故隐患点分类，根据死亡人数p、重伤人数s、经济损失e与其阈值的大小关系将步骤三输出的分断点分为第一类分断点和第二类分断点；
步骤五、数据处理，输出所有事故点所属类别；
步骤六、根据所有事故点的类别属性，在所鉴别的总路段地图上标识出事故多发路段和严重事故隐患点。
所述步骤一中事故数据的统计方法为：对所选定的鉴别的总路段在鉴别年限内的事故次数、受伤级别人数、经济损失数目进行统计，并将受伤级别定为死亡和重伤两个等级，记为死亡人数p、重伤人数s、经济损失e。
所述步骤二中计算相邻事故点的距离(di+1，di-1)的方法为：
将鉴别年限内的事故点按照事故点发生的道路位置纵向依次标于道路，记为i，每个事故点的左邻距离为d左，右邻距离为d右；即：
所述步骤三中第一阶段事故多发路段分类的方法为：
定义每个事故点的数据标签(di+1，di-1，p，s，e)，并根据事故点的左邻距离di+1和右邻距离di-1与距离阈值dt的相对关系将事故点分为四类，即分断点c1、右连续点c2、左连续点c3和连续点c4，四类点的集合为：
所述步骤四中第二阶段事故隐患点分类的方法为：
将步骤三输出的分断点根据事故点的死亡人数p、重伤人数s和经济损失数目e与死亡人数阈值pt、重伤人数阈值st、经济损失数目阈值et的相对关系将分断点分为两类，即第一类分断点为纯断点和第二类分断点为隐连点分别记为k1，k2，两类点的集合为：
所述步骤五中的数据处理方法为：将各事故点的死亡人数p、重伤人数s、经济损失e、相邻事故点的距离(di+1，di-1)作为输入，输出相应的事故点的分类属性。
所述步骤六中标识方法为：由右连续点和左连续点连接的所有闭区间为鉴别路段上的事故多发路段，所有的第二类分断点为严重事故隐患点，其亮度代表经济损失数目的大小，其大小代表受伤等级人数的多少。
有益效果：本发明通过将鉴别路段统计年限的历史数据纵向标记于道路上，遍历每个事故点的类别属性，避免了划分固定道路单元容易造成的“削峰”现象；考虑了单个事故点的严重程度，对重大事故隐患点进行预测；通过双阶段不同类别属性分类判别，提高了鉴别精度。
附图说明
图1为本发明的流程图；
图2为本发明的事故数据位置标记示意图；
图3为本发明的第一阶段分类示意图；
图4为本发明的第二阶段分类示意图；
图5为本发明的双阶段分类算法流程图；
图6为本发明的双阶段分类程序图；
图7为本发明对事故多发路段识别的示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，一种基于双阶段分类的事故多发路段识别方法，包括以下步骤：
步骤一、选定要鉴别的总路段，对鉴别年限的事故数据中的死亡人数p、重伤人数s、经济损失e进行统计；
事故的历史数据是事故多发路段鉴别的基础资料，也是识别事故多发路段的依据。本发明可对鉴别总路段1～3年内的事故数据进行统计，由当地公安交警部门、统计局、医院等相关部门，获取事故次数n、死亡人数p、重伤人数s、经济损失数目e等基础数据。
步骤二、将统计年限的事故点沿道路纵向标记，并对事故点进行顺序标号，计算相邻事故点的距离(di+1，di-1)；
如图2所示，所述步骤二中计算相邻事故点的距离(di+1，di-1)的方法为：
根据步骤一中由相关部门得到的事故历史数据，将所鉴别总路段1～3年内的事故数据点i按事故发生的位置、死亡人数p、重伤人数s、经济损失数目e标记在道路上，通过测距仪直接测量或绘制出事故点的具体位置由AutoCAD绘图软件计算测得相邻事故点的水平距离。
将鉴别年限内的事故点按照事故点发生的道路位置纵向依次标于道路，记为i，每个事故点的左邻距离为d左，右邻距离为d右；即：
步骤三、第一阶段事故多发路段分类，将每个事故点根据相邻事故点的距离和距离阈值的大小关系分为右连续点、连续点、左连续点和分断点；
所述步骤三中第一阶段事故多发路段分类的方法为：
如图3所示，将步骤一得到的事故历史数据和步骤二得到的相邻事故点距离组成事故点的数据标签(di+1，di-1，p，s，e)，本发明首先判别出事故点中的连续点和分断点，其中连续点包括右连续点、左右都连续点、左连续点，即右连续点为事故多发路段的左端点，左连续点为事故多发路段的右端点。由右连续点、中间的左右都连续点、左连续点组成的闭区间即为预先鉴别出的事故多发路段。四类点的判别标准为：
式中c1、c2、c3、c4分别为分断点、右连续点、左连续点和连续点。dt为距离阈值，本发明中统计数据为3年，dt取50m；统计数据为2年，dt取75m；统计数据为1年，dt取150m。由于国内对于事故多发路段的定义未有量化标准，距离阈值应根据不同地区，不同等级、线型的道路进行合理的设置。
步骤四、第二阶段事故隐患点分类，根据死亡人数p、重伤人数s、经济损失e与其阈值的大小关系将步骤三输出的分断点分为第一类分断点和第二类分断点；
所述步骤四中第二阶段事故隐患点分类的方法为：
如图4所示，本发明中将预先判别出的分断点进行二次判别，即判别出第一类分断点(纯断点)和第二类分断点(隐连点)。第一类分断点的事故严重程度较低，暂时排除事故风险；第二类分断点的事故严重程度较高，对其进行标记，为严重事故隐患点。第二阶段对分断点的划分标准为：
将步骤三输出的分断点根据事故点的死亡人数p、重伤人数s和经济损失数目e与死亡人数阈值pt、重伤人数阈值st、经济损失数目阈值et的相对关系将分断点分为两类，即第一类分断点为纯断点和第二类分断点为隐连点分别记为k1，k2，两类点的集合为：
式中，k1为第一类分断点(纯断点)、k2为第二类分断点(隐连点)、pt为死亡人数阈值、st为重伤人数阈值、et为经济损失数目阈值。本发明中按照重大事故标准，pt取1、st取3、et取3(万元)。由于不同区域事故数据差异性较大，因此，在进行判别时应根据实际情况合理调整事故严重程度阈值。
步骤五、数据处理，输出所有事故点所属类别；
所述步骤五中的数据处理方法为：将各事故点的死亡人数p、重伤人数s、经济损失e、相邻事故点的距离(di+1，di-1)作为输入，输出相应的事故点的分类属性。
如图6所示，根据步骤三中的第一阶段分类算法和步骤四中的第二阶段分类算法，编写C语言双阶段分类算法代码，通过使用matlab中的mexfunction函数调用编写的C语言代码，并将Excel文档中的五维数据作为输入，输出所有的事故点分类属性。
步骤六、根据所有事故点的类别属性，在所鉴别的总路段地图上标识出事故多发路段和严重事故隐患点。
所述步骤六中标识方法为：由右连续点和左连续点连接的所有闭区间为鉴别路段上的事故多发路段，所有的第二类分断点为严重事故隐患点，其亮度代表经济损失数目的大小，其大小代表受伤等级人数的多少。
如图7所示，通过第一阶段判断出的连续点、左连续点、右连续点，第二阶段判断出的第一类分断点(纯断点)和第二类分断点(隐连点)，明确道路上所有事故点的属性，则由右连续点和左连续点连接的所有闭区间为鉴别路段上的事故多发路段，所有的第二类分断点为严重事故隐患点，由此识别出路段上所有的事故多发路段。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于双阶段分类的事故多发路段识别方法，其特征在于，包括以下步骤：
步骤一、选定要鉴别的总路段，对鉴别年限的事故数据中的死亡人数p、重伤人数s、经济损失e进行统计；
步骤二、将统计年限的事故点沿道路纵向标记，并对事故点进行顺序标号，计算相邻事故点的距离；
步骤三、第一阶段事故多发路段分类，将每个事故点根据相邻事故点的距离和距离阈值的大小关系分为右连续点、连续点、左连续点和分断点；
步骤四、第二阶段事故隐患点分类，根据死亡人数p、重伤人数s、经济损失e与其阈值的大小关系将步骤三输出的分断点分为第一类分断点和第二类分断点；
步骤五、数据处理，输出所有事故点所属类别；
步骤六、根据所有事故点的类别属性，在所鉴别的总路段地图上标识出事故多发路段和严重事故隐患点。
2.根据权利要求1所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤一中事故数据的统计方法为：对所选定的鉴别的总路段在鉴别年限内的事故次数、受伤级别人数、经济损失数目进行统计，并将受伤级别定为死亡和重伤两个等级，记为死亡人数p、重伤人数s、经济损失e。
3.根据权利要求1所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤二中计算相邻事故点的距离(di+1，di-1)的方法为：
将鉴别年限内的事故点按照事故点发生的道路位置纵向依次标于道路，记为i，每个事故点的左邻距离为d左，右邻距离为d右；即：
4.根据权利要求3所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤三中第一阶段事故多发路段分类的方法为：
定义每个事故点的数据标签(di+1，di-1，p，s，e)，并根据事故点的左邻距离di+1和右邻距离di-1与距离阈值dt的相对关系将事故点分为四类，即分断点c1、右连续点c2、左连续点c3和连续点c4，四类点的集合为：
5.根据权利要求4所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤四中第二阶段事故隐患点分类的方法为：
将步骤三输出的分断点根据事故点的死亡人数p、重伤人数s和经济损失数目e与死亡人数阈值pt、重伤人数阈值st、经济损失数目阈值et的相对关系将分断点分为两类，即第一类分断点为纯断点和第二类分断点为隐连点分别记为k1，k2，两类点的集合为：
6.根据权利要求5所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤五中的数据处理方法为：将各事故点的死亡人数p、重伤人数s、经济损失e、相邻事故点的距离(di+1，di-1)作为输入，输出相应的事故点的分类属性。
7.根据权利要求6所述的基于双阶段分类的事故多发路段识别方法，其特征在于，所述步骤六中标识方法为：由右连续点和左连续点连接的所有闭区间为鉴别路段上的事故多发路段，所有的第二类分断点为严重事故隐患点，其亮度代表经济损失数目的大小，其大小代表受伤等级人数的多少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911228989.0A CN111179141B (zh) | 2019-12-04 | 2019-12-04 | 一种基于双阶段分类的事故多发路段识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911228989.0A CN111179141B (zh) | 2019-12-04 | 2019-12-04 | 一种基于双阶段分类的事故多发路段识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179141A true CN111179141A (zh) | 2020-05-19 |
| CN111179141B CN111179141B (zh) | 2023-05-09 |
Family
ID=70657231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911228989.0A Active CN111179141B (zh) | 2019-12-04 | 2019-12-04 | 一种基于双阶段分类的事故多发路段识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179141B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
| CN113361854A (zh) * | 2021-04-28 | 2021-09-07 | 上海工程技术大学 | 一种基于泰森多边形的事故多发点鉴别方法及其应用 |
| CN115424430A (zh) * | 2022-06-09 | 2022-12-02 | 长沙理工大学 | 高速公路交通事故黑点路段鉴别方法、计算机装置 |
| CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
| TWI810921B (zh) * | 2022-04-29 | 2023-08-01 | 江俊昇 | 交通肇事路段改善規劃方法及系統 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034009A (zh) * | 2010-12-20 | 2011-04-27 | 东南大学 | 基于当量道路事故数法的事故多发路段鉴别设备 |
| CN102750369A (zh) * | 2012-06-18 | 2012-10-24 | 公安部交通管理科学研究所 | 一种基于pgis的交通违法事故地点快速定位方法 |
| CN106991510A (zh) * | 2017-05-31 | 2017-07-28 | 福建江夏学院 | 一种基于时空分布特征预测城市交通事故的方法 |
| WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
-
2019
- 2019-12-04 CN CN201911228989.0A patent/CN111179141B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034009A (zh) * | 2010-12-20 | 2011-04-27 | 东南大学 | 基于当量道路事故数法的事故多发路段鉴别设备 |
| CN102750369A (zh) * | 2012-06-18 | 2012-10-24 | 公安部交通管理科学研究所 | 一种基于pgis的交通违法事故地点快速定位方法 |
| WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
| CN106991510A (zh) * | 2017-05-31 | 2017-07-28 | 福建江夏学院 | 一种基于时空分布特征预测城市交通事故的方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
| CN112966941B (zh) * | 2021-03-09 | 2024-04-19 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
| CN113361854A (zh) * | 2021-04-28 | 2021-09-07 | 上海工程技术大学 | 一种基于泰森多边形的事故多发点鉴别方法及其应用 |
| CN113361854B (zh) * | 2021-04-28 | 2022-10-21 | 上海工程技术大学 | 一种基于泰森多边形的事故多发点鉴别方法及其应用 |
| TWI810921B (zh) * | 2022-04-29 | 2023-08-01 | 江俊昇 | 交通肇事路段改善規劃方法及系統 |
| CN115424430A (zh) * | 2022-06-09 | 2022-12-02 | 长沙理工大学 | 高速公路交通事故黑点路段鉴别方法、计算机装置 |
| CN115424430B (zh) * | 2022-06-09 | 2024-01-23 | 长沙理工大学 | 高速公路交通事故黑点路段鉴别方法、计算机装置 |
| CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
| CN115497293B (zh) * | 2022-09-21 | 2024-05-14 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179141B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179141A (zh) | 一种基于双阶段分类的事故多发路段识别方法 | |
| CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
| Xi et al. | A traffic accident causation analysis method based on AHP-Apriori | |
| Das et al. | Investigating the pattern of traffic crashes under rainy weather by association rules in data mining | |
| CN106383920B (zh) | 一种基于关联规则的重特大交通事故致因识别方法 | |
| CN111462488A (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
| CN108682149B (zh) | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 | |
| CN109859468A (zh) | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 | |
| CN109086808B (zh) | 基于随机森林算法的交通高危人员识别方法 | |
| CN111008223A (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
| CN105809193A (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
| CN108447265A (zh) | 基于topsis法的公路交通事故黑点路段鉴别方法 | |
| CN105426441A (zh) | 一种时间序列自动预处理方法 | |
| CN116090819A (zh) | 一种基于关联规则的配电网风险态势预测方法 | |
| CN112364627A (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 | |
| CN112884179A (zh) | 基于机器故障和文本主题分析的城轨折返故障诊断方法 | |
| Ramiani et al. | Ranking and determining the factors affecting the road freight accidents model | |
| Gao et al. | Research on automated modeling algorithm using association rules for traffic accidents | |
| CN109101568B (zh) | 基于XgBoost算法的交通高危人员识别方法 | |
| CN103778782A (zh) | 一种基于半监督机器学习的交通状态划分方法 | |
| CN110263074B (zh) | 一种基于lle和k均值法挖掘违法事故对应关系的方法 | |
| CN115936541A (zh) | 一种安全道路推荐方法及设备 | |
| Yuan et al. | A gray prediction method for economic loss of road traffic accidents based on Logistic model. | |
| Gong | The road traffic safety risk projection based on improved random forest. | |
| Jain et al. | Analysis of road accidents in India and prediction of accident severity |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Mingqiang Inventor after: Ge Huimin Inventor after: Ma Jinlin Inventor after: Fu Jia Hui Inventor after: Yuan Xin Inventor before: Ge Huimin Inventor before: Zheng Mingqiang Inventor before: Ma Jinlin Inventor before: Fu Jia Hui Inventor before: Yuan Xin |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |