CN111243338A - 基于车辆加速度的碰撞风险评价方法 - Google Patents
基于车辆加速度的碰撞风险评价方法 Download PDFInfo
- Publication number
- CN111243338A CN111243338A CN202010088791.3A CN202010088791A CN111243338A CN 111243338 A CN111243338 A CN 111243338A CN 202010088791 A CN202010088791 A CN 202010088791A CN 111243338 A CN111243338 A CN 111243338A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- threshold
- collision
- extreme value
- value distribution
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车辆加速度的碰撞风险评价方法,具体为:基于视频数据,确定目标车辆与相邻车辆的间距;判定相邻车辆与目标车辆是否存在冲突可能性;根据目标车辆与冲突车辆运动状态计算避免碰撞的减速度DRAC;根据避免碰撞的减速度DRAC,构建超阈值极值分布模型,对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数;根据避免碰撞的减速度DRAC和超阈值极值分布模型,构建冲突极值模型对碰撞风险进行预测。本发明所选取的交通冲突指标为避免碰撞的减速度DRAC,冲突过程中的每一刻都对应一个DRAC值,故通过短时间的观测即可获取大量的交通冲突样本。
Description
技术领域
本发明属于道路交通安全分析技术,具体为一种基于车辆加速度的碰撞风险评价方法。
背景技术
传统道路交通安全评价方法主要基于事故统计模型。交通事故是一种小概率随机事件,因此建立科学可靠的事故统计模型需要多年的数据积累,一旦数据质量出现问题,统计学模型的结果将会产生偏差。
与之相反的,交通冲突技术是一种典型的基于非事故数据的交通安全分析与评价方法,以大样本、高时效、低社会成本、定量分析与评价交通安全的特点而异于传统的以事故数据统计分析为基础的方法。目前,学者对于机动车之间冲突的研究较为成熟,已验证交通冲突技术可用于道路交通安全评价方法。
近年来,在交通安全评价方面,有学者使用极值理论对信号交叉口的事故频率以及高速公路的事故频率进行预测,并取得了良好结果。总体来看,现阶段基于交通冲突的安全评价主要利用冲突数(率),且冲突本身的可靠性也缺乏验证,存在可信度低的缺点;而极值统计方法则更多的被应用在建立交通冲突与交通事故的关系方面,没有面向交通安全评价的相关指标。
发明内容
本发明的目的在于提出了一种基于车辆加速度的碰撞风险评价方法。
实现本发明目的的技术解决方案为:一种基于车辆加速度的碰撞风险评价方法,具体步骤为:
基于视频数据,获取目标车辆的速度与相邻车辆的速度,确定目标车辆与相邻车辆的间距;
根据间距阈值D判定相邻车辆与目标车辆是否存在冲突可能性:当目标车辆与相邻车辆的间距小于间距阈值D,相邻车辆与目标车辆存在冲突可能性,否则不存在冲突可能性;
根据目标车辆与冲突车辆运动状态计算避免碰撞的减速度DRAC;
根据避免碰撞的减速度DRAC,构建超阈值极值分布模型,对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数;
根据避免碰撞的减速度DRAC和超阈值极值分布模型,构建冲突极值模型对碰撞风险进行预测。
优选地,所述相邻车辆包括目标车辆的前车、后车、相邻车道变道车辆、相交路口与之垂直方向车辆以及相交路口右侧左转弯车辆。
优选地,间距阈值D具体为:
式中,vg(t)为目标车辆t时刻的速度;vb(t)为相邻车辆t时刻的速度;ag为目标车辆的加速度。
优选地,根据目标车辆与冲突车辆运动状态计算避免碰撞的减速度DRAC分别具体为:
①相邻车道后车变道为跟驰行驶
②相邻车道后车变道超车行驶
③相交路口与之垂直方向车辆冲突行驶
④相交路口右侧车辆左转弯行驶
式中,v1(t)为前车t时刻的速度;v2(t)为后车t时刻的速度;s12(t)为t时刻两车之间的距离,α为车辆行驶方向与路边夹角。
优选地,根据避免碰撞的减速度DRAC,构建超阈值极值分布模型的具体过程为:
利用平均剩余寿命图确定超阈值极值分布模型的阈值,具体为:
式中,u为超阈值极值分布模型的阈值;yj为超出阈值u的样本,j=1,2,3……n,ymax为最大样本;
统计超过阈值的样本组成新的样本集合,具体为:对获得的交通冲突数据进行处理,将超过阈值的数据放入集合X内,组成可用于超阈值极值分布模型的集合:
步骤5-3:构建超阈值极值分布模型,具体为:
式中,H(xi,σ,ξ)为广义Pareto分布函数;xi为超过阈值的样本,i=1,2,3…;X为由xi组成的集合;μ为广义Pareto极值分布函数的位置参数;σ为广义Pareto极值分布函数的尺度参数;ξ为广义Pareto极值分布函数的形状参数。
优选地,对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数的具体方法为:
令位置参数μ=0;
采用极大似然法对超阈值极值分布模型进行估计得到尺度参数,具体为:
P{X=x}=p(x;θ)
优选地,构建的冲突极值模型具体为:
事故风险指标,计算公式为:
R为事故风险;H(u)为广义Pareto分布在阈值u处的取值;
事故数预测指标,计算公式为:
NT为预测期Tp时段内的预测事故次数;Tp为预测期;
事故重现水平指标,计算公式为:
本发明与现有技术相比,其显著优点为:
本发明将交通冲突和交通安全相关联,通过分析交通冲突来评价道路交通安全水平,通过视频采集路段或交叉口高峰时段的运行状况,利用基于多目标追踪算法的图像处理技术可同时提取多辆车辆轨迹,即可得到目标车辆与周围前车、后车、相邻车道变道车辆、相交路口与之垂直方向车辆以及相交路口右侧左转弯车辆的距离;结合极值模型对交通冲突数据进行建模,构建高时效的交通安全分析指标,实现以分钟级别的的道路交通安全分析;
本发明所选取的交通冲突指标为避免碰撞的减速度DRAC,冲突过程中的每一刻都对应一个DRAC值,故通过短时间的观测即可获取大量的交通冲突样本,本发明提出了四种不同车辆行驶情况下的避免碰撞的减速度DRAC的计算方法,可对不同的场景进行应用;
本发明所提出的指标能够反映以分钟为级别的交通安全水平变化情况,并且该安全水平指标能够直接与交通事故风险相联系。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1是本发明的流程图。
图2为跟驰情况DRAC计算示意图。
图3位相邻车道后车变道为跟驰行驶情况DRAC计算示意图。
图4相邻车道后车变道为引领行驶情况DRAC计算示意图。
图5相交路口与之垂直方向车辆冲突行驶情况DRAC计算示意图。
图6相交路口右侧车辆左转弯行驶情况DRAC计算示意图。
具体实施方式
一种基于车辆加速度的碰撞风险评价方法,具体过程为:
步骤1:利用无人机航拍得到目标视频,基于多目标追踪算法对目标视频内的车辆进行轨迹提取,可同时获取目标车辆的速度与相邻车辆的速度,所述相邻车辆包括目标车辆的前车、后车、相邻车道变道车辆、相交路口与之垂直方向车辆以及相交路口右侧左转弯车辆;
步骤2:计算目标车辆与相邻车辆的间距;
步骤3:根据间距阈值D判定相邻车辆与目标车辆是否存在冲突可能性:当目标车辆与相邻车辆的间距小于间距阈值D,相邻车辆与目标车辆存在冲突可能性,否则不存在冲突可能性,其中,间距阈值D的计算公式为:
式中,vg(t)为目标车辆t时刻的速度;vb(t)为相邻车辆t时刻的速度;ag为目标车辆的加速度;在某些实施例中,ag=3.35m/s2,原因为如果给定车辆的DRAC阈值超过3.35m/s2,则该车辆处于交通冲突中。
步骤4:根据目标车辆与冲突车辆运动状态计算避免碰撞的减速度(DecelerationRate to Avoid a Crash,DRAC),具体包括为:
①相邻车道后车变道为跟驰行驶
②相邻车道后车变道超车行驶
③相交路口与之垂直方向车辆冲突行驶
④相交路口右侧车辆左转弯行驶
式中,v1(t)为前车t时刻的速度;v2(t)为后车t时刻的速度;s12(t)为t时刻两车之间的距离,α为车辆行驶方向与路边夹角。
根据上述公式得到目标车辆与相邻冲突车辆的DRAC。
本发明是利用时空接近型交通冲突指标DRAC,DRAC可以考虑到速度差异和减速在潜在的碰撞发生中的作用,碰撞减速度的大小可有用来度量发生追尾事故的风险度,若计算出的碰撞减速度超过了车辆本身可利用的最大减速度,发生追尾事故是难免的,如图2—6所示。
步骤5:根据步骤4获得的DRAC,以目标车辆与相邻冲突车辆计算得到的DRAC为变量构建超阈值极值分布模型,对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数,具体过程为:
步骤5-1:利用平均剩余寿命图确定超阈值极值分布模型的阈值,具体公式为:
式中,u为超阈值极值分布模型的阈值;yj为超出阈值u的样本,j=1,2,3……n,ymax为最大样本。
公式(7)所描述的一系列点所构成的图即为平均剩余寿命图,如果存在一个阈值范围,使得超出该范围内任一阈值的样本均服从广义Pareto分布,那么在该范围内的平均剩余寿命图应该是线性或近似线性的;选取该范围内最大值作为超阈值极值分布模型的合理阈值。
步骤5-2:统计超过阈值的样本组成新的样本集合,具体为:对获得的交通冲突数据进行处理,将超过阈值的数据放入集合X内,组成可用于超阈值极值分布模型的集合:
步骤5-3:构建超阈值极值分布模型,具体为:
式中,H(xi,σ,ξ)为广义Pareto分布函数;xi为超过阈值的样本,i=1,2,3…,满足公式(5);X为由xi组成的集合;μ为广义Pareto极值分布函数的位置参数;σ为广义Pareto极值分布函数的尺度参数;ξ为广义Pareto极值分布函数的形状参数;
超阈值极值分布模型服从广义Pareto极值分布函数,由于位置参数μ的大小不影响广义Pareto极值分布的形状,因此令公式(9)中位置参数μ=0。
步骤5-4:采用极大似然方法对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数,具体过程为:
采用极大似然方法对超阈值极值分布模型进行估计,极大似然法是参数估计的方法之一,在参数θ的可能取值范围内,选取使L(θ)达到最大的参数值θ,作为参数θ的估计值。
公式为:
P{X=x}=p(x;θ) (11)
步骤6:根据避免碰撞的减速度DRAC和超阈值极值分布模型,构建冲突极值模型对碰撞风险进行预测,具体为:
所述冲突极值模型包括事故风险指标,事故数预测指标和事故重现水平指标,分别具体为:
构建事故风险指标,计算公式为:
R为事故风险;H(u)为广义Pareto分布在阈值u处的取值;
构建事故数预测指标,计算公式为:
NT为预测期Tp时段内的预测事故次数;Tp为预测期;
构建事故重现水平指标,计算公式为:
根据所构建的三个安全评价指标对道路设施的交通安全水平进行评价,具体评价标准为:事故风险指标能够直接反映发生交通事故的风险,与交通事故数(率)相关联,当该值为0时意为该时段不会发生交通事故,当该值大于0时即为有发生交通事故的风险;事故数预测指标同样与交通事故数(率)相关联,当其大于0时,则该时段会发生交通事故、安全水平低,并且事故数预测值越大,安全水平越低,否则不会发生交通事故、安全水平高;事故重现水平指标意为该时段发生交通事故的概率,得到的结果越大则意味着发生交通事故的概率越大、安全水平越低,且该指标与交通事故数(率)的直接关联较弱。
Claims (7)
1.一种基于车辆加速度的碰撞风险评价方法,其特征在于,具体步骤为:
基于视频数据,获取目标车辆的速度与相邻车辆的速度,确定目标车辆与相邻车辆的间距;
根据间距阈值D判定相邻车辆与目标车辆是否存在冲突可能性:当目标车辆与相邻车辆的间距小于间距阈值D,相邻车辆与目标车辆存在冲突可能性,否则不存在冲突可能性;
根据目标车辆与冲突车辆运动状态计算避免碰撞的减速度DRAC;
根据避免碰撞的减速度DRAC,构建超阈值极值分布模型,对超阈值极值分布模型进行估计,得到超阈值极值分布模型中广义Pareto极值分布的尺度参数及形状参数;
根据避免碰撞的减速度DRAC和超阈值极值分布模型,构建冲突极值模型对碰撞风险进行预测。
2.根据权利要求1所述的基于车辆加速度的碰撞风险评价方法,其特征在于,所述相邻车辆包括目标车辆的前车、后车、相邻车道变道车辆、相交路口与之垂直方向车辆以及相交路口右侧左转弯车辆。
5.根据权利要求1所述的基于车辆加速度的碰撞风险评价方法,其特征在于,根据避免碰撞的减速度DRAC,构建超阈值极值分布模型的具体过程为:
利用平均剩余寿命图确定超阈值极值分布模型的阈值,具体为:
式中,u为超阈值极值分布模型的阈值;yj为超出阈值u的样本,j=1,2,3……n,ymax为最大样本;
统计超过阈值的样本组成新的样本集合,具体为:对获得的交通冲突数据进行处理,将超过阈值的数据放入集合X内,组成可用于超阈值极值分布模型的集合:
步骤5-3:构建超阈值极值分布模型,具体为:
式中,H(xi,σ,ξ)为广义Pareto分布函数;xi为超过阈值的样本,i=1,2,3…;X为由xi组成的集合;μ为广义Pareto极值分布函数的位置参数;σ为广义Pareto极值分布函数的尺度参数;ξ为广义Pareto极值分布函数的形状参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088791.3A CN111243338A (zh) | 2020-02-12 | 2020-02-12 | 基于车辆加速度的碰撞风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010088791.3A CN111243338A (zh) | 2020-02-12 | 2020-02-12 | 基于车辆加速度的碰撞风险评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111243338A true CN111243338A (zh) | 2020-06-05 |
Family
ID=70865017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010088791.3A Withdrawn CN111243338A (zh) | 2020-02-12 | 2020-02-12 | 基于车辆加速度的碰撞风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243338A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509341A (zh) * | 2020-12-11 | 2021-03-16 | 东南大学 | 一种基于高位视频分析交通冲突的信号控制装置及方法 |
CN113401138A (zh) * | 2021-06-18 | 2021-09-17 | 清华大学 | 一种计算潜在碰撞严重指数的方法、装置和系统 |
CN114882699A (zh) * | 2022-04-08 | 2022-08-09 | 武汉理工大学 | 基于区域内冲突时空关联特征的路段交通风险辨识方法 |
CN115410414A (zh) * | 2022-08-17 | 2022-11-29 | 广西新发展交通集团有限公司 | 基于碰撞风险预测的高速公路分流区车辆提前警示方法 |
CN116246492A (zh) * | 2023-03-16 | 2023-06-09 | 东南大学 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
CN116631221A (zh) * | 2023-05-05 | 2023-08-22 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
CN117094474A (zh) * | 2023-10-18 | 2023-11-21 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469167A (zh) * | 2015-12-30 | 2016-04-06 | 哈尔滨工业大学 | 一种基于时空接近度的交通冲突预测方法 |
CN107766636A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
US10246037B1 (en) * | 2018-07-16 | 2019-04-02 | Cambridge Mobile Telematics Inc. | Vehicle telematics of vehicle crashes |
CN109710892A (zh) * | 2018-12-28 | 2019-05-03 | 哈尔滨工业大学 | 一种基于冲突极值的道路交通安全评价方法 |
-
2020
- 2020-02-12 CN CN202010088791.3A patent/CN111243338A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469167A (zh) * | 2015-12-30 | 2016-04-06 | 哈尔滨工业大学 | 一种基于时空接近度的交通冲突预测方法 |
CN107766636A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
US10246037B1 (en) * | 2018-07-16 | 2019-04-02 | Cambridge Mobile Telematics Inc. | Vehicle telematics of vehicle crashes |
CN109710892A (zh) * | 2018-12-28 | 2019-05-03 | 哈尔滨工业大学 | 一种基于冲突极值的道路交通安全评价方法 |
Non-Patent Citations (4)
Title |
---|
CUNTO 等: "Calibration and validation of simulated vehicle safety performance at signalized intersections", 《ACCIDENT ANALYSIS AND PREVENTION 40》 * |
孟祥海 等: "基于TTC及DRAC的高速公路施工区追尾冲突研究", 《交通信息与安全》 * |
王晨 等: "基于微观仿真与极值理论的城市交叉口安全评价方法", 《中国公路学报》 * |
郑来: "基于交通冲突极值统计的安全分析模型研究", 《中国优秀博硕士学位论文全文数据库(博士)·工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509341A (zh) * | 2020-12-11 | 2021-03-16 | 东南大学 | 一种基于高位视频分析交通冲突的信号控制装置及方法 |
CN113401138A (zh) * | 2021-06-18 | 2021-09-17 | 清华大学 | 一种计算潜在碰撞严重指数的方法、装置和系统 |
CN113401138B (zh) * | 2021-06-18 | 2022-05-03 | 清华大学 | 一种计算潜在碰撞严重指数的方法、装置和系统 |
CN114882699B (zh) * | 2022-04-08 | 2023-07-25 | 武汉理工大学 | 基于区域内冲突时空关联特征的路段交通风险辨识方法 |
CN114882699A (zh) * | 2022-04-08 | 2022-08-09 | 武汉理工大学 | 基于区域内冲突时空关联特征的路段交通风险辨识方法 |
CN115410414A (zh) * | 2022-08-17 | 2022-11-29 | 广西新发展交通集团有限公司 | 基于碰撞风险预测的高速公路分流区车辆提前警示方法 |
CN115410414B (zh) * | 2022-08-17 | 2023-09-26 | 广西新发展交通集团有限公司 | 基于碰撞风险预测的高速公路分流区车辆提前警示方法 |
CN116246492A (zh) * | 2023-03-16 | 2023-06-09 | 东南大学 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
CN116246492B (zh) * | 2023-03-16 | 2024-01-16 | 东南大学 | 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法 |
CN116631221A (zh) * | 2023-05-05 | 2023-08-22 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
CN116631221B (zh) * | 2023-05-05 | 2024-01-23 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
CN117094474A (zh) * | 2023-10-18 | 2023-11-21 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
CN117094474B (zh) * | 2023-10-18 | 2024-02-20 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243338A (zh) | 基于车辆加速度的碰撞风险评价方法 | |
CN106355907B (zh) | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN111640295B (zh) | 基于潜在冲突风险评估的交叉口事故黑点判别方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN104157156A (zh) | 一种高速公路危险路段车速动态管理预警方法 | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN111882858B (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN102568206A (zh) | 一种基于视频监控的违章停车检测方法 | |
CN105469167A (zh) | 一种基于时空接近度的交通冲突预测方法 | |
CN115662113B (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN112330135B (zh) | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 | |
CN109087534A (zh) | 一种基于车辆行驶轨迹的交通冲突检测方法 | |
Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
CN110097571B (zh) | 快速高精度的车辆碰撞预测方法 | |
CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN114446046A (zh) | 一种基于lstm模型的弱势交通参与者轨迹预测方法 | |
CN111722617B (zh) | 一种基于大数据的自动驾驶汽车性能判定系统及方法 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN110610611B (zh) | 面向混行交通流中智能网联车辆的行车安全性评价方法 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
CN113284338A (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
Zhao et al. | Choice of Lane-Changing Point in an Urban Intertunnel Weaving Section Based on Random Forest and 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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200605 |
|
WW01 | Invention patent application withdrawn after publication |