CN111554087B - 一种高速公路堵塞的预警方法 - Google Patents
一种高速公路堵塞的预警方法 Download PDFInfo
- Publication number
- CN111554087B CN111554087B CN202010238345.6A CN202010238345A CN111554087B CN 111554087 B CN111554087 B CN 111554087B CN 202010238345 A CN202010238345 A CN 202010238345A CN 111554087 B CN111554087 B CN 111554087B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- type
- linear discriminant
- matrix
- 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.)
- Expired - Fee Related
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
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速公路堵塞的预警方法,1.获取高速公路路段L在时间W内的交通流数据,建立矩阵;2.基于Fisher判别分析法对矩阵S建立线性判别函数Z,设定A类为交通流畅通,B类为发生堵塞,分别将与A类和B类结果对应的已知历史交通流数据带入Z中,得到ZA和ZB,计算ZA和ZB的平均数ZAB;3.当车辆距离路段L为距离Q时,获取目前高速公路路段L在前两分钟内的交通流数据,建立矩阵Sv,将矩阵Sv带入线性判别函数Z中,得到结果zv,当Zv≤ZAB,则当前高速公路路段L交通流畅通,当Zv>ZAB,则告知司机当前高速公路路段L存在堵塞,能够对车辆前方路段的堵塞情况进行预估,方便司机提前更换行程。
Description
技术领域
本发明属于道路安全领域,涉及一种高速公路堵塞的预警方法。
背景技术
当发生道路交通事故或发现重大的交通安全隐患以后,传统的交通安全改善方法主要是通过采取被动管理措施进行交通安全改善,近年来,随着道路智能化设备的发展和道路交通数据采集的完善,世界各国交通安全领域的研究重点都在向主动安全防控领域发展,主动安全防控意味着研究者们需要思考如何站在当前的时间点上对未来发生的交通安全事件做出预判并采取措施。目前的高速公路风险评价方法大多基于道路线形展开,根据规范中提到的多种道路线形指标,结合规范中针对该指标的阈值,提出基于上述指标的风险评价模型。
高速公路上影响车辆正常行驶的因素不仅仅是因为交通事故,还经常是车辆数量较多或天气原因引起的,现有的高速公路风险评价方法仅仅是对前方是否有交通事故进行预测,不能实时向司机反映当前交通流状态下前方道路的堵塞状况,同时,对于前方道路的交通流预判精度较低。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种高速公路堵塞的预警方法,能够对车辆前方路段的堵塞情况进行预估,方便司机提前更换行程。
为达到上述目的,本发明采用以下技术方案予以实现:
一种高速公路堵塞的预警方法,包括以下步骤;
步骤一,获取高速公路路段L在时间W内的交通流数据,交通流数据包括所有车辆的行驶速度、车流量、车道占有率、大型汽车比例和车辆行驶时间,建立交通流数据矩阵S={车辆行驶速度,车流量,车道占有率,大型汽车比例,车辆行驶时间};
步骤二,基于Fisher判别分析法对矩阵S建立线性判别函数Z=C1X1+C2X2+C3X3+C4X4+C5X5,C1-C5为函数系数,X1-X5为步骤一中五个交通流数据,设定Z存在两类结果,A类和B类,A类为交通流畅通,B类为发生堵塞,分别将与A类和B类结果对应的已知历史交通流数据带入Z中,得到ZA和ZB,计算ZA和ZB的平均数ZAB,将ZAB作为后续堵塞判断的标准;
步骤三,当车辆距离路段L为距离Q时,获取目前高速公路路段L在至少前两分钟内的交通流数据,建立矩阵Sv,将矩阵Sv带入线性判别函数Z中,得到结果Zv,当Zv≤ZAB,则告知司机当前高速公路路段L交通流畅通,当Zv>ZAB,则告知司机当前高速公路路段L存在堵塞,提醒司机提前更换行程。
优选的,采用交通流检测圈获取交通流数据。
优选的,步骤二中,发生堵塞可分为两种,设定Z存在三类结果,A类、B类和C类,A类为未发生堵塞,B类为120分钟以内的堵塞,C类为120分钟以上的堵塞,分别将A类、B类和C类结果的交通流数据带入Z中,得到ZA、ZB和ZC,计算ZA、ZB和ZC的两类均数ZAB和ZBC;
步骤三中,当Zv<ZAB,则当前高速公路路段L交通流畅通,当ZAB≤Zv<ZBC,则当前高速公路路段L存在120分钟以内的堵塞,当Zv≥ZBC,则当前高速公路路段L存在120分钟以上的堵塞。
优选的,经过时间N后,对模型进行更新,获取最新时段内高速公路全路段的交通流数据,建立旧交通流数据模型的形态发生系统和新交通流数据模型的形态发生系统,得到旧交通流数据模型形态发生系统的输入场和输出场的夹角余弦cosγ0,及总体参数θ0,得到新交通流数据模型形态发生系统的输入场和输出场的夹角余弦cosγn,及总体参数θn和内源值Sn,Sn={β0,β1,β2,β3,β4,β5}={βi,i=0,1,2,3,4,5};
其中,{βui}为更新后新模型的系数,故更新后的函数模型表达式为:
Ru=βu0+βu1X1+βu2X2+βu3X3+βu4X4+βu5X5。
进一步,当cosΥn小于等于0时,则步骤二中的线性判别函数不需要更新,当cosΥn大于0时,则步骤二中的线性判别函数需要更新。
更进一步,建立新交通流数据矩阵Sj,计算矩阵Sj其外源值SE、内源值Sn和cosγn,cosγn为输入场向量X和输出场向量Y的夹角余弦,由内源值计算总体参数θn;
SE=HTX
Sn=(HTH)-1SE
Y=HSn
θn=zθn+(1-z)θ0
其中,HT为H的转置矩阵,(HTH)-1为HTH的逆矩阵,H={1,X1,X2,X3,X4,X5}。
与现有技术相比,本发明具有以下有益效果:
本发明完整考虑了风险源、影响场、作用对象、测度空间及时间空间的风险研究体系中的各要素,将反应和衡量实时交通情况下出现交通事故的堵塞情况发生可能性进行量化,通过先将交通流畅通与堵塞对应的已知历史交通流数据,分别带入线性判别函数中,从而将得到的结果作为堵塞判断标准,从而能够精确的对车辆前方路段的堵塞情况进行预估,方便司机提前更换行程。
进一步,对预测使用的函数进行更新,使函数更适用于最新的交通状况。
附图说明
图1为本发明的流程图;
图2为高速公路各风险要素关系图;
图3为旧数据模型典则判别函数图;
图4为新数据模型典则判别函数图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参见图1所示,本发明所述的高速公路堵塞的预警方法包括以下步骤。
步骤一:利用交通流检测圈获取高速公路一定长度路段L在一定时间内的交通流数据,交通流数据包括所有车辆的行驶速度、车流量、车道占有率、大型汽车比例和VHT,其中VHT指所有车辆的车辆行驶时间,定义道路堵塞评价场景为矩阵S={车辆行驶速度,车流量,车道占有率,大型汽车比例,车辆行驶时间}。
步骤二:基于Fisher判别分析法对上述指标建立线性判别函数。构建函数模型,建立线性判别函数:Z=C1X1+C2X2+C3X3+C4X4+C5X5,Fisher判别会把空间高维数据投影到两条直线上,形成两个未标准化的典则判别函数,如附图所示,需要找到区分度更高、投影重叠面积更少的函数作为Fisher判别式系数Ci,Ci为C1-C5,Fisher判别算法的数据要求变量间不存在多重共线性,样本量应在自变量个数的10~20倍以上时,建立的判别函数比较稳定;而在8~10倍之间时,函数的判别效果比较理想。设定存在三类结果,A类、B类和C类,A类为未发生堵塞,B类为120分钟以内的堵塞,C类为120分钟以上的堵塞,其中X1-X5指{S}中5种堵塞评价指标的数值,根据历史数据,分别将A类、B类和C类结果的交通流数据带入Z中,得到ZA、ZB和ZC,计算ZA、ZB和ZC的两类均数ZAB和ZBC,将ZAB和ZBC作为后续堵塞判断的标准。
步骤三:当车辆距离路段L一定距离时,利用交通流检测圈获取路段L至少两分钟的交通流数据,建立矩阵Sv={车辆行驶速度,车流量,车道占有率,大型汽车比例,车辆行驶时间}。
将矩阵Sv带入步骤二中的线性判别函数中,得到结果Zv,Zv与ZA、ZB和ZC的两类均数ZAB和ZBC进行比较,判断其所属类别。
并将判断结果告知司机,如果存在堵塞,则告知司机当前高速公路路段L存在堵塞,提醒司机提前更换行程。
步骤四:使用预警方法经过一段时间后,对线性判别函数进行更新。
步骤4.1,建立探测器旧交通流数据模型的形态发生系统,计算矩阵S其内源值S0和cosγ0,cosγ0为输入场向量和输出场向量的夹角余弦,由内源值计算总体参数θ0,S0、cosγ0和θ0均为旧探测器原始数据。
步骤4.2,利用交通流检测圈获取最新时段内高速公路全路段的交通流数据,将交通流数据建立矩阵Sj={车辆行驶速度,车流量,车道占有率,大型汽车比例,车辆行驶时间}。
步骤4.3,建立探测器新交通流数据模型的形态发生系统,计算矩阵Sj其外源值SE、内源值Sn和cosγn,cosγn为输入场向量X和输出场向量Y的夹角余弦,由内源值计算总体参数θn。
外源值:SE=HTX
内源值:Sn=(HTH)-1SE
Y=HSn
θn=zθn+(1-z)θ0
其中:X为由交通流数据组成的向量,为输入场,H={1,X1,X2,X3,X4,X5},HT为H的转置矩阵,(HTH)-1为HTH的逆矩阵,Y为输入X数据后的风险场景向量,为输出场,Sn={β0,β1,β2,β3,β4,β5}={βi,i=0,1,2,3,4,5},当cosΥn小于等于0时,则步骤二中的线性判别函数不需要更新,当cosΥn大于0时,则步骤二中的线性判别函数需要更新。
其中,{βui}为更新后新模型的系数,故更新后的函数模型表达式为:
Ru=βu0+βu1X1+βu2X2+βu3X3+βu4X4+βu5X5
下面以美国I80-W高速公路上2019年前半年的风险评估作为实施例,进行该方法的说明,其具体过程如下:
步骤一:
将收集的事故数据和相关交通流参数按下表进行划分,并按照事故持续堵塞时间将上述事故数据进行排序,如附图2:
表1数据收集情况表
步骤二:
利用SPSS中的判别分析功能进行Fisher判别:
表2未标准化典则判别系数表
Fisher判别会把空间高维数据投影到两条直线上,形成两个判别函数,而我们需要找到区分度更高,投影重叠面积更少的函数作为Fisher判别式系数,如附图3为旧数据模型的典则判别函数图,附图4为新数据模型的典则判别函数图。
从附图3和附图4可以看出由旧数据标定的判别模型在函数1的方向上质心间距更大,因此投影在函数1上的重叠面积更少,所以将函数1作为旧数据模型的判别函数;同理也选择函数1作为新数据模型的判别函数。可以得到函数关系式如下:
f1=-5.364+0.001X1+0.059X2-0.073X3+0.065X4+0.082X5 (1)
f2=-2.401-0.014X1+0.565X2-0.029X3-0.034X4+0.086X5 (2)
式中:f1代表1-4月数据的Fisher判别结果,f2代表5月数据的Fisher判别函数;X1、X2、X3、X4、X5分别代表流量、车道占有率、VHT、大车比例、速度。
步骤三:
对由新旧探测器数据构建的判别函数分别进行判别结果正确性检验,检验的过程为将各组检验样本带入到Fisher判别函数中,距离哪一类堵塞后果的质心距离最近,则被归为相应的类别。
表3旧、新数据模型判别准确率检验
由上表可知,利用旧探测器数据建立的风险判别函数准确率高于由新探测器数据建立的风险判别函数,这是因为旧探测器的数据量更大,更能通过数据反映出风险的本质,但是旧探测器数据的样本量几乎为新探测器数据的4倍,在判别准确率上仅比后者高出6.5%,也就是说,随着道路交通环境的不断变化,更新后的数据,更符合目前的道路风险状况。
根据上述构建的交通流参数与堵塞后果之间的线性关系模型,以建立线性背景来估计参数,由旧探测器数据模型建立的形态发生系统为:以6个变换值y为对象,他们构成了7维对象空间:以对应的风险值R为输入场;建立基本属性为:x=1和x=yi(i=1,2,3,4,5,6)的6维空间,得到如下的形态信息表:
表4形态信息表
通过形态计算得到内源值、投影以及夹角余弦,由写运算得:
外源值为:
内源值为:
则内源值参数{Sn}为:
由读运算得:
新探测器数据模型的形态发生过程有两个重要信息要将会被更新模型用到,一是对背景的估计,二是新探测器数据模型的参数θn=(0.443,-0.001,-0.007,0.142,0.210,-0.149)和夹角余弦值cosγn=1
以夹角余弦作为加权依据进行更新,更新过程为:
更新后得参数为:
βu0=-2.843
βu1=0.004
βu2=0.015
βu3=0.028
βu4=0.145
βu5=-0.076
风险表达式为:
Ru=βu0+βu1X1+βu2X2+βu3X3+βu4X4+βu5X5
=-2.843+0.004X1+0.015X2+0.028X3+0.145X4-0.076X5
要利用更新后的风险表达式判别风险类型,还需要利用旧探测器模型和新探测器模型对其组质心进行更新,更新后结果为(α0,α1,α2)=(-0.045,0.709,3.925),α0代表堵塞类型为0的组质心在函数Ru上的投影值;α1代表堵塞类型为1的组质心在函数Ru上的投影值;α2代表堵塞类型为2的组质心在函数Ru上的投影值。
将2019年6月的交通流参数数据代入到Ru中,以距离组质心最近作为堵塞组分类依据得到下表结果。
表5更新后模型预测分类准确率
通过对于旧探测数据判别函数、新探测器数据判别函数、新旧探测器数据判别函数以及利用风险更新得到的判别函数采用统一样本进行精度检验后,检验精度分别为67.5%,61%,66%,74%,这表明,更新后的风险判别模型对于2019年6月份的交通流参数具有更高的预测精度。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种高速公路堵塞的预警方法,其特征在于,包括以下步骤;
步骤一,获取高速公路路段L在时间W内的交通流数据,交通流数据包括所有车辆的行驶速度、车流量、车道占有率、大型汽车比例和车辆行驶时间,建立交通流数据矩阵S={车辆行驶速度,车流量,车道占有率,大型汽车比例,车辆行驶时间};
步骤二,基于Fisher判别分析法对矩阵S建立线性判别函数Z=C1X1+C2X2+C3X3+C4X4+C5X5,C1-C5为函数系数,X1-X5为步骤一中五个交通流数据,设定Z存在两类结果,A类和B类,A类为交通流畅通,B类为发生堵塞,分别将与A类和B类结果对应的已知历史交通流数据带入Z中,得到ZA和ZB,计算ZA和ZB的平均数ZAB,将ZAB作为后续堵塞判断的标准;
步骤三,当车辆距离路段L为距离Q时,获取目前高速公路路段L在至少前两分钟内的交通流数据,建立矩阵Sv,将矩阵Sv带入线性判别函数Z中,得到结果Zv,当Zv≤ZAB,则告知司机当前高速公路路段L交通流畅通,当Zv>ZAB,则告知司机当前高速公路路段L存在堵塞,提醒司机提前更换行程。
2.根据权利要求1所述的高速公路堵塞的预警方法,其特征在于,采用交通流检测圈获取交通流数据。
3.根据权利要求1所述的高速公路堵塞的预警方法,其特征在于,步骤二中,发生堵塞可分为两种,设定Z存在三类结果,A类、B类和C类,A类为未发生堵塞,B类为120分钟以内的堵塞,C类为120分钟以上的堵塞,分别将A类、B类和C类结果的交通流数据带入Z中,得到ZA、ZB和ZC,计算ZA、ZB和ZC的两类均数ZAB和ZBC;
步骤三中,当Zv<ZAB,则当前高速公路路段L交通流畅通,当ZAB≤Zv<ZBC,则当前高速公路路段L存在120分钟以内的堵塞,当Zv≥ZBC,则当前高速公路路段L存在120分钟以上的堵塞。
4.根据权利要求1所述的高速公路堵塞的预警方法,其特征在于,经过时间N后,对线性判别函数进行更新,获取最新时段内高速公路全路段的交通流数据,建立原始线性判别函数的形态发生系统和更新后线性判别函数的形态发生系统,得到原始线性判别函数形态发生系统的输入场和输出场的夹角余弦cosγ0,及总体参数θ0,得到更新后线性判别函数形态发生系统的输入场和输出场的夹角余弦cosγn,及总体参数θn和内源值Sn,Sn={β0,β1,β2,β3,β4,β5}={βi,i=0,1,2,3,4,5};
其中,{βui}为更新后新线性判别函数的系数,故更新后的线性判别函数表达式为:
Ru=βu0+βu1X1+βu2X2+βu3X3+βu4X4+βu5X5。
5.根据权利要求4所述的高速公路堵塞的预警方法,其特征在于,当cosΥn小于等于0时,则步骤二中的线性判别函数不需要更新,当cosΥn大于0时,则步骤二中的线性判别函数需要更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010238345.6A CN111554087B (zh) | 2020-03-30 | 2020-03-30 | 一种高速公路堵塞的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010238345.6A CN111554087B (zh) | 2020-03-30 | 2020-03-30 | 一种高速公路堵塞的预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111554087A CN111554087A (zh) | 2020-08-18 |
CN111554087B true CN111554087B (zh) | 2021-07-23 |
Family
ID=72003794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010238345.6A Expired - Fee Related CN111554087B (zh) | 2020-03-30 | 2020-03-30 | 一种高速公路堵塞的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111554087B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
CN102324182A (zh) * | 2011-08-26 | 2012-01-18 | 西安电子科技大学 | 基于蜂窝网络的交通道路信息检测系统及其检测方法 |
CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
JP2018010506A (ja) * | 2016-07-14 | 2018-01-18 | オムロン株式会社 | 交通情報取得装置、交通情報取得方法、および交通情報取得プログラム |
-
2020
- 2020-03-30 CN CN202010238345.6A patent/CN111554087B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
CN102324182A (zh) * | 2011-08-26 | 2012-01-18 | 西安电子科技大学 | 基于蜂窝网络的交通道路信息检测系统及其检测方法 |
JP2018010506A (ja) * | 2016-07-14 | 2018-01-18 | オムロン株式会社 | 交通情報取得装置、交通情報取得方法、および交通情報取得プログラム |
CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
Non-Patent Citations (1)
Title |
---|
基于车辆构成和特征提取的交通状态预估模型;佘颢,等;《测控技术》;20190518;第38卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111554087A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN108665093B (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN106022561A (zh) | 驾驶行为综合评价方法 | |
CN114970943B (zh) | 一种高速公路事故类型与严重程度预测方法 | |
CN110458244A (zh) | 一种应用于区域路网的交通事故严重度预测方法 | |
CN103679214B (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN109598931A (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
CN110588658A (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
Xu et al. | Utilizing structural equation modeling and segmentation analysis in real-time crash risk assessment on freeways | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN105809193A (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及系统 | |
CN111563468B (zh) | 一种基于神经网络注意力的驾驶员异常行为检测方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN116645646A (zh) | 一种用于停车异常检测预警方法及系统 | |
CN108961748A (zh) | 一种基于当量违法率的交叉口运行安全状态排名方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN111554087B (zh) | 一种高速公路堵塞的预警方法 | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN117033891A (zh) | 基于单车交通事故数据库的交通事故严重程度评估方法 | |
CN117037081A (zh) | 基于机器学习的交通监控方法、装置、设备及介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210723 |