CN111951550B - 交通安全风险监控方法、装置、存储介质及计算机设备 - Google Patents
交通安全风险监控方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN111951550B CN111951550B CN202010785008.9A CN202010785008A CN111951550B CN 111951550 B CN111951550 B CN 111951550B CN 202010785008 A CN202010785008 A CN 202010785008A CN 111951550 B CN111951550 B CN 111951550B
- Authority
- CN
- China
- Prior art keywords
- target
- target vehicle
- acquiring
- driving
- traffic flow
- 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.)
- Active
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本申请涉及一种交通安全风险监控方法、装置、存储介质及计算机设备,该方法包括:获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;根据行驶数据获取危险驾驶行为发生的总频率指标;根据所述行驶数据和/或交通流量数据获取交通流特征指标;根据所述危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取所述目标道路的安全风险级别。本申请综合考虑车辆的行驶数据和目标道路的交通流量数据,从多维度对目标道路进行交通安全风险评估和监控,评价维度全面,评价精度更加准确。
Description
技术领域
本申请涉及道路交通安全技术领域,尤其涉及一种交通安全风险监控方法、装置、存储介质及计算机设备。
背景技术
交通安全一直是交通领域的热点问题。国内外针对道路交通安全相关研究众多,然而在实际应用过程中,由于缺乏相关标准规范的指引,道路交通安全治理常用的方法仍然是基于交通事故数据的统计分析来寻找道路交通事故黑点,属于被动的事后分析,无法做到事前预防。而现有公开技术中对于驾驶行为的危险评价指标体系中对于各位危险行为没有统一的风险评估或监控标准;不同的车辆运行状态,不同的行为风险度存在差异,但是现有技术中未能考虑车辆运行状态与各类危险驾驶行为识别阈值之间的耦合关系,导致评估或监控过于草率;另外,现有技术中都是根据单一的数据来评估道路交通安全风险,评价维度单一,不够全面,导致评价结果不准确甚至片面。
发明内容
为了解决上述道路交通安全风险评估不准确的技术问题,本申请实施例提供了一种交通安全风险监控方法、装置、存储介质及计算机设备。
第一方面,本申请实施例提供了一种交通安全风险监控方法,该方法包括:
获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;
根据行驶数据获取危险驾驶行为发生的总频率指标;
根据行驶数据和/或交通流量数据获取交通流特征指标;
根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
可选地,获取预设采集时长内目标道路上行驶的车辆的行驶数据,包括:
获取在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的行驶数据;
根据行驶数据获取危险驾驶行为发生的总频率指标,包括:
根据行驶数据获取每辆目标车辆发生每种危险驾驶行为的持续时长,
获取每辆目标车辆在目标道路上的驾驶时长,
根据每辆目标车辆发生每种危险驾驶行为的持续时长、每辆目标车辆在目标道路上的驾驶时长获取危险驾驶行为发生的总频率指标。
可选地,根据每辆目标车辆发生每种危险驾驶行为的持续时长、每辆目标车辆在目标道路上的驾驶时长获取危险驾驶行为发生的总频率指标,包括:
根据每辆目标车辆发生每种危险驾驶行为的持续时长获取危险驾驶行为的总持续时长;
根据每辆目标车辆在目标道路上的驾驶时长获取目标道路上所有车辆的总驾驶时长;
获取危险驾驶行为的总持续时长与总驾驶时长的比例得到危险驾驶行为发生的总频率指标。
可选地,危险驾驶行为包括超速、急加速、急减速、急变道、急转弯、不平稳驾驶中的至少一种。
可选地,交通流量数据包括:目标车辆经过目标道路的监测断面时的瞬时速度,交通流特征指标包括:断面车速差指标;
根据行驶数据和/或交通流量数据获取交通流特征指标,包括:
根据目标车辆经过目标道路的监测断面时的瞬时速度获取目标道路的每个监测断面的车速差;
对每个监测断面的车速差求均值得到目标道路的断面车速差指标。
可选地,根据经过目标道路的监测断面的目标车辆的瞬时速度获取目标道路的每个监测断面的车速差,包括:
根据经过目标道路的监测断面的目标车辆的瞬时速度获取每个监测断面经过的目标车辆的平均车速;
对每个监测断面所经过的目标车辆的瞬时速度进行排序,选择预设排序的瞬时速度作为对应监测断面的目标车速;
根据监测断面对应的平均车速和目标车速,获取每个监测断面对应的车速差。
可选地,行驶数据包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时速度,交通流特征指标还包括:速度标准差;
根据行驶数据和/或交通流量数据获取交通流特征指标,还包括:
根据每辆目标车辆的瞬时速度获取每辆目标车辆的速度标准差;
对每辆目标车辆的速度标准差求均值得到目标道路的速度标准差。
可选地,行驶数据还包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时加速度;
根据行驶数据和/或交通流量数据获取交通流特征指标,还包括:
将每辆目标车辆的瞬时速度与瞬时加速度的乘积与预设标准值进行比较,以判断每个瞬时速度所对应的采样时刻是否为危险驾驶时刻,
获取所有目标车辆的危险驾驶时刻的总时长与采集到的所有目标车辆的驾驶时长的比得到目标道路的危险驾驶时间比。
第二方面,本申请实施例提供了一种交通安全风险监控装置,该装置包括:
采集模块,用于获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;
行为分析模块,用于根据行驶数据获取危险驾驶行为发生的总频率指标;
交通流分析模块,用于根据行驶数据和/或交通流量数据获取交通流特征指标;
评判模块,用于根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
第三方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如前面所述任一项的方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时执行如前面所述任一项的方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请通过获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;根据行驶数据获取危险驾驶行为发生的总频率指标;根据行驶数据和/或交通流量数据获取交通流特征指标;根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。本申请综合考虑车辆的行驶数据和目标道路的交通流量数据(即道路交通特征或事故数据),从多维度对目标道路进行交通安全风险评估,评价维度全面,评价精度更加准确。在道路安全管理领域中危险预测、提醒甚至介入或干预车辆运行从而提升道路安全中具有广泛应用。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中交通安全风险监控方法的流程示意图;
图2为一个实施例中决策树评价模型示意图;
图3为一个实施例中交通安全风险监控装置的结构示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例中交通安全风险监控方法的流程示意图。参考图1,该方法包括以下步骤:
S100:获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据。
具体地,目标道路上有很多行驶的车辆,监控经过该目标道路上有哪些车辆,获取这些监控到的车辆的行驶数据。行驶数据可以包括每个在该目标道路上行驶的车辆的速度(例如瞬时速度)、加速度(例如瞬时加速度)、角速度(例如瞬时角速度)、行车轨迹(例如:转弯、变道等)、行驶时长等,但不局限于此。交通流量数据为目标道路上行驶的车辆经过监测断面的数据,可以包括经过监测断面的车辆总数、每个经过监测断面的车辆经过监测断面时的瞬时速度等,但不局限于此。行驶数据可以通过接收行车导航定位设备发送的数据获取到。每辆目标车辆可以安装有行车导航定位设备,也可以安装其他数据采集设备,当然,设备的安装应避免或尽量减少对驾驶员产生物理或心理干扰,保证驾驶员处于正常的驾驶状态。
S200:根据行驶数据获取危险驾驶行为发生的总频率指标。
具体地,根据目标道路上行驶的车辆的行驶数据可以判断每辆车辆是否存在危险驾驶行为,总频率指标用于表征目标道路上发生危险驾驶行为的频率或频繁度或概率。
S300:根据行驶数据和/或交通流量数据获取交通流特征指标。
具体地,交通流特征指标可以包括断面车速差指标、速度标准差、危险驾驶时间比等,但不局限于此。车速绝对值越大、车辆间的速度差越大、车速与平均车速相差越大,则事故发生的概率越高。
S400:根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
具体地,决策树模型是一个有多级判断的判断模型,根据总频率指标、交通流特征指标可以一级一级进行判断,得到最终的判断结果,最终的判断结果为该目标道路的交通安全风险级别。例如,目标道路的交通安全风险级别可以分为危险、较危险、一般、安全。
在一个具体实施例中,步骤S100中获取预设采集时长内目标道路上行驶的车辆的行驶数据,包括:
获取在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的行驶数据。
步骤S200具体包括:根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,
获取每辆目标车辆在目标道路上的驾驶时长,
根据每辆目标车辆发生任意一种危险驾驶行为的持续时长、每辆目标车辆在目标道路上的驾驶时长获取危险驾驶行为发生的总频率指标。
具体地,危险驾驶行为可以包括超速、急加速、急减速、急变道、急转弯、不平稳驾驶中的至少一种。当然还可以包括醉驾、疲劳驾驶等。
每辆目标车辆可能发生任意一种类型的危险驾驶行为,在目标道路上根据采集到的每辆目标车辆的行驶数据可以判断每辆目标车辆在哪些时间段内发生哪种危险驾驶行为,进而可以统计目标道路上所有目标车辆所有危险驾驶行为的总持续时长。
根据每辆目标车辆在目标道路上的驾驶时长可以统计目标道路上所有目标车辆的总驾驶时长。
目标道路上所有目标车辆所有危险驾驶行为的总持续时长与目标道路上所有目标车辆的总驾驶时长的比例即为危险驾驶行为发生的总频率指标。危险驾驶行为发生的总频率指标表征了目标道路上发生危险驾驶行为的频率。
危险驾驶行为发生的总频率指标的计算公式如下:
其中,fq为危险驾驶行为发生的总频率指标,i为目标道路上的第i辆目标车辆,ni为第i辆目标车辆在采集时长内发生的危险驾驶行为的持续时长,为目标道路上所有目标车辆所有危险驾驶行为的总持续时长。Na为目标道路上所有目标车辆的总驾驶时长。i为正整数。
在一个具体实施例中,交通流量数据包括:经过目标道路的监测断面的目标车辆的瞬时速度,交通流特征指标包括:断面车速差指标;
步骤S300具体包括:
根据经过目标道路的监测断面的目标车辆的瞬时速度获取目标道路的每个监测断面的车速差;
对目标道路的监测断面的车速差求均值得到目标道路的断面车速差指标。
具体地,目标道路可以设置有多个道路监测断面,可以选取目标道路的起点、中点、终点中的至少一个作为监测断面,分析监测断面的交通量可以监测目标道路的交通流量和规律。当然监测断面的选择还可以选取除目标道路的起点、中点、终点外其他位置段作为监测断面。
可以在每个监测断面设置道路断面测量仪,从而获取每个经过监测断面的目标车辆在经过的监测断面的瞬时速度。分别对每个监测断面经过的目标车辆进行分析。对经过同一个监测断面的目标车辆的瞬时速度进行排序,选择预设排序的瞬时速度作为对应监测断面的目标车速;对经过同一个监测断面的目标车辆的瞬时速度求平均值得到该监测断面的平均车速;一个监测断面的平均车速和目标车速的差的绝对值为该监测断面的车速差。例如:获取到采集时长内经过某个监测断面的所有目标车辆的瞬时速度,对这些目标车辆的瞬时速度升序排序,从排序中选择排名为第85%位的瞬时速度作为该监测断面的目标车速,其中,第85%位为预设排序。当然预设排序可以根据实际情况设置。
目标道路的断面车速差指标为目标道路的监测断面的车速差的均值。目标道路的断面车速差指标的计算公式如下:
在一个具体实施例中,行驶数据包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时速度,交通流特征指标还包括:速度标准差;
步骤S300还包括:
根据每辆目标车辆的瞬时速度获取每辆目标车辆的速度标准差;
对每辆目标车辆的速度标准差求均值得到目标道路的速度标准差。
具体地,在采集时长内获取到的每辆目标车辆的瞬时速度有多个,根据同一个目标车辆的多个瞬时速度可以获取到该目标车辆的速度标准差。对所有目标车辆的速度标准差求均值得到该目标道路的速度标准差。
在一个具体实施例中,行驶数据还包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时加速度;
根据行驶数据和/或交通流量数据获取交通流特征指标,还包括:
将每辆目标车辆的瞬时速度与瞬时加速度的乘积与预设标准值进行比较,以判断每个瞬时速度所对应的采样时刻是否为危险驾驶时刻,
获取所有目标车辆的危险驾驶时刻的总时长与采集到的所有目标车辆的驾驶时长的比得到目标道路的危险驾驶时间比。
具体地,将目标车辆的瞬时速度与瞬时加速度的乘积的绝对值与预设标准值进行比较,如果瞬时速度与瞬时加速度的乘积的绝对值大于预设标准值,则认为瞬时速度对应的采样时刻为危险驾驶时刻。对所有目标车辆的危险驾驶时刻进行统计得到危险驾驶时刻的总时长。
例如:在某个采样时刻某个目标车辆的瞬时速度为v,加速度为a,若|v*a|>预设标准值,则判定瞬时速度v对应的采样时刻为危险驾驶时刻。其中,速度v以km/h为单位,加速度a以m/s2为单位,预设标准值可以取100,但不局限于此。
在一个具体实施例中,危险驾驶行为包括超速、急加速、急减速、急变道、急转弯、不平稳驾驶中的至少一种。
行驶数据包括瞬时速度,根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,包括:
获取目标道路的道路限速,
根据目标道路的道路限速获取目标道路的超速阈值,
基于目标道路的超速阈值、目标车辆的瞬时速度统计每辆目标车辆超速行为的持续时长。
其中,判断目标车辆是否存在超速行为包括以下步骤:
获取目标车辆所行驶的目标道路的道路限速,
根据道路限速获取目标车辆的超速阈值,
根据目标车辆的瞬时速度和超速阈值判断目标车辆是否存在超速行为。
具体地,将瞬时速度与超速阈值进行比较可以判断目标车辆是否超速。
具体地,每辆目标车辆对应的瞬时速度有多个,需要判断每辆目标车辆的每个瞬时速度是否落在超速范围内。具体地,如果瞬时速度小于等于超速阈值,则判定该目标车辆在该瞬时速度的采样时刻的超速行为安全等级为安全;如果瞬时速度大于超速阈值,则判定该目标车辆在该瞬时速度的采样时刻的超速行为安全等级为危险;将每辆目标车辆的超速行为安全等级判定为危险的采样时刻进行统计得到每辆目标车辆超速行为的持续时长。
当然,超速阈值也可以包括第一超速阈值、第二超速阈值,如果瞬时速度小于等于第一超速阈值,则判定该目标车辆在该瞬时速度的采样时刻的超速行为安全等级为安全;如果瞬时速度大于第一超速阈值小于等于第二超速阈值,则判定为该目标车辆在该瞬时速度的采样时刻的超速行为安全等级为较危险;如果瞬时速度大于第二超速阈值,则判定为该目标车辆在该瞬时速度的采样时刻的超速行为安全等级为危险。较危险和危险都属于危险驾驶行为。将每辆目标车辆的超速行为安全等级判定为较危险和危险的采样时刻进行统计得到每辆目标车辆超速行为的持续时长。
具体地,根据定位信息可以获取到目标车辆在哪个道路上行驶,进而获取到该目标道路的道路限速。根据道路限速可以获取目标车辆的超速阈值,将瞬时速度与超速阈值进行比较可以判断目标车辆是否超速。具体还可以判断超速行为的等级,超速行为的等级包括:安全、较危险、危险。
超速阈值设有2个,并根据以下公式计算得到:
超速阈值1=Vlim
超速阈值2=1.1Vlim
其中,Vlim为目标道路的道路限速。在不同的目标道路上道路限速可以包括:120km/h、100km/h、80km/h、60km/h、40km/h、30km/h、20km/h。
超速行为的等级按照以下方式划分:
其中,R1为超速行为危险等级,取值0、1、2,且分别代表安全、较危险、危险;V为目标车辆的瞬时速度。
和/或,
行驶数据包括:瞬时速度、瞬时加速度,根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,包括:
根据目标车辆的瞬时速度获取目标车辆的急加速阈值或急减速阈值,
基于目标车辆的急加速阈值或急减速阈值、目标车辆的瞬时加速度统计每辆目标车辆急加速行为的持续时长和/或急减速行为的持续时长。
判断目标车辆是否存在急加速行为或急减速行为包括以下步骤:
根据目标车辆的急加速阈值或急减速阈值以及加速度判断所述目标车辆是否存在急加速行为或急减速行为。具体地,将目标车辆的加速度与急加速阈值进行比较可以判断目标车辆是否存在急加速行为;将将目标车辆的加速度与急减速阈值进行比较可以判断目标车辆是否存在急减速行为。
具体地,每辆目标车辆采集到的瞬时加速度有多个,需要根据每个瞬时加速度判断目标车辆在瞬时加速度对应的采样时刻是否存在急加速行为或急减速行为,从而统计每个目标车辆急加速行为的持续时长和/或急减速行为的持续时长。
具体地,如果瞬时加速度小于等于急加速阈值,则判定该目标车辆在该瞬时加速度的采样时刻的急加速行为安全等级为安全;如果瞬时加速度大于急加速阈值,则判定该目标车辆在该瞬时加速度的采样时刻的急加速行为安全等级为危险;将每辆目标车辆的急加速行为安全等级判定为危险的采样时刻进行统计得到每辆目标车辆急加速行为的持续时长。
如果瞬时加速度大于等于急减速阈值,则判定该目标车辆在该瞬时减速度的采样时刻的急减速行为安全等级为安全;如果瞬时加速度小于急减速阈值,则判定该目标车辆在该瞬时加速度的采样时刻的急减速行为安全等级为危险;将每辆目标车辆的急减速行为安全等级判定为危险的采样时刻进行统计得到每辆目标车辆急减速行为的持续时长。
当然,急加速行为和急减速行为的安全等级也可以细分为安全、较安全、较危险、危险。通过更加细分的急加速阈值或急减速阈值进行判断。
具体地,当目标车辆加速行驶时,根据目标车辆的瞬时速度获取目标车辆的急加速阈值。将目标车辆的加速度与急加速阈值进行比较可以判断目标车辆是否存在急加速行为。具体还可以判断急加速行为的等级,急加速行为的等级包括例如:安全、较安全、较危险、危险。
急加速阈值设有3个,并根据以下公式计算得到:
急加速阈值1=-0.0115V+2.58
急加速阈值2=-0.0187V+4.15
急加速阈值3=-0.0232V+5.18
急加速行为的等级按照以下方式划分:
其中,R2为急加速行为危险等级,取值0、1、2、3,且分别代表安全、较安全、较危险、危险;a为目标车辆的加速度。具体地,a是目标车辆的瞬时加速度。
在另外一个具体实施例中,可以根据目标车辆的平均加速度判断目标车辆是否存在急加速行为。此时,急加速行为的等级包括例如:安全、危险。
急加速阈值设有1个,并根据以下公式计算得到:
急加速阈值4=-0.0168V+3.63
急加速行为的等级按照以下方式划分:
具体地,当目标车辆减速行驶时,根据目标车辆的瞬时速度获取目标车辆的急减速阈值。将目标车辆的加速度与急减速阈值进行比较可以判断目标车辆是否存在急减速行为。具体还可以判断急减速行为的等级,急减速行为的等级包括例如:安全、较安全、较危险、危险。
急减速阈值设有3个,并根据以下公式计算得到:
急减速阈值1=0.0115V-2.08
急减速阈值2=0.0187V-3.66
急减速阈值3=0.0232V-4.68
急减速行为的等级按照以下方式划分:
其中,R4为急减速行为危险等级,取值0、1、2、3,且分别代表安全、较安全、较危险、危险;a为目标车辆的加速度。具体地,a是目标车辆的瞬时加速度。
在另外一个具体实施例中,可以根据目标车辆的平均加速度判断目标车辆是否存在急减速行为。此时,急减速行为的等级包括例如:安全、危险。
急减速阈值设有1个,并根据以下公式计算得到:
急减速阈值4=0.0168V-3.13
急减速行为的等级按照以下方式划分:
和/或,
行驶数据包括:瞬时速度、瞬时角速度、车辆行驶轨迹,根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,包括:
根据目标车辆的瞬时速度获取目标车辆的急变道阈值或急转弯阈值,
基于目标车辆的急变道阈值或急转弯阈值、瞬时角速度统计每辆目标车辆急变道行为的持续时长和/或急转弯行为的持续时长。
判断目标车辆是否存在急变道行为或急转弯行为包括以下步骤:
根据车辆行驶轨迹判断目标车辆的驾驶类型,驾驶类型包括变道行为、转弯行为,
当驾驶类型为变道行为,则根据目标车辆的瞬时角速度和急变道阈值判断目标车辆是否存在急变道行为,
当驾驶类型为转弯行为,则根据目标车辆的瞬时角速度和急转弯阈值判断目标车辆是否存在急转弯行为。
具体地,将目标车辆的瞬时角速度与急变道阈值进行比较可以判断目标车辆是否存在急变道行为;将目标车辆的瞬时角速度与急转弯阈值进行比较可以判断目标车辆是否存在急转弯行为。
具体地,如果瞬时角速度小于等于急变道阈值,则判定该目标车辆在该瞬时角速度的采样时刻的急变道行为安全等级为安全;如果瞬时角速度大于急变道阈值,则判定该目标车辆在该瞬时角速度的采样时刻的急变道行为安全等级为危险;将每辆目标车辆的急变道行为安全等级判定为危险的采样时刻进行统计得到每辆目标车辆急变道行为的持续时长。
具体地,如果瞬时角速度小于等于急转弯阈值,则判定该目标车辆在该瞬时角速度的采样时刻的急转弯行为安全等级为安全;如果瞬时角速度大于急转弯阈值,则判定该目标车辆在该瞬时角速度的采样时刻的急转弯行为安全等级为危险;将每辆目标车辆的急转弯行为安全等级判定为危险的采样时刻进行统计得到每辆目标车辆急转弯行为的持续时长。
急转弯和急变道行为的区分可以通过目标车辆的行车轨迹进行区分。
具体地,当目标车辆变道行驶时,根据目标车辆的瞬时速度获取目标车辆的急变道阈值。将目标车辆的瞬时角速度与急变道阈值进行比较可以判断目标车辆是否存在急变道行为。具体还可以判断急变道行为的等级,急变道行为的等级包括例如:安全、较安全、较危险、危险。
急变道阈值设有3个,并根据以下公式计算得到:
急变道阈值1=-0.0352V+7.23
急变道阈值2=-0.0554V+11.76
急变道阈值3=-0.0689V+14.96
急变道行为的等级按照以下方式划分:
其中,R6为急变道行为危险等级,取值0、1、2、3,且分别代表安全、较安全、较危险、危险;W为目标车辆的瞬时角速度。
当目标车辆转弯行驶时,根据目标车辆的瞬时速度获取目标车辆的急转弯阈值。将目标车辆的瞬时角速度与急转弯阈值进行比较可以判断目标车辆是否存在急转弯行为。具体还可以判断急转弯行为的等级,急转弯行为的等级包括例如:安全、较安全、较危险、危险。
急转弯阈值设有3个,并根据以下公式计算得到:
急转弯阈值1=-0.0984V+15.50
急转弯阈值2=-0.1595V+24.95
急转弯阈值3=-0.1947V+31.18
急转弯行为的等级按照以下方式划分:
其中,R7为急转弯行为危险等级,取值0、1、2、3,且分别代表安全、较安全、较危险、危险;W为目标车辆的瞬时角速度。
和/或,
行驶数据包括:预设时间窗内目标车辆每秒的瞬时速度,根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,包括:
根据预设时间窗内目标车辆每个采集时刻的瞬时速度获取目标车辆的不平稳驾驶指数,
不平稳驾驶指数为在预设时间窗内相邻瞬时速度的速度差值的绝对值的平均值,
根据预设的不平稳驾驶行为阈值、目标车辆的不平稳驾驶指数统计每辆目标车辆不平稳驾驶行为的持续时长。
具体地,每辆目标车辆的预设时间窗可以设置多个,时间窗的时长可以设置为20s,时间窗内的采集时刻可以是每间隔1s采集一个瞬时速度。
根据预设的不平稳驾驶行为阈值、目标车辆的不平稳驾驶度指数判断目标车辆在时间窗内是否存在不平稳驾驶行为,进而统计每个目标车辆不平稳驾驶行为的持续时长。
如果目标车辆的不平稳驾驶指数小于等于不平稳驾驶行为阈值,则判定该目标车辆在该预设时间窗内的不平稳驾驶行为安全等级为安全;如果目标车辆的不平稳驾驶指数大于不平稳驾驶行为阈值,则判定该目标车辆在该预设时间窗内的不平稳驾驶行为安全等级为危险;将每辆目标车辆的不平稳驾驶行为安全等级判定为危险的所有预设时间窗进行统计得到每辆目标车辆不平稳驾驶行为的持续时长。
具体地,不平稳驾驶度指数为目标车辆连续行驶过程中,在时间窗内相邻瞬时速度的速度差值的绝对值的平均数。不平稳驾驶度指数的计算公式如下:
其中,φv为不平稳驾驶度指数,为时间窗内第i个采集时刻目标车辆的瞬时速度;i为大于等于2的正整数,N为时间窗内采集时刻的总数量。在一个具体实施例中,时间窗可以设置多个,时间窗的时长可以设置为20s或30s或40s等不局限于此,时间窗内的采集时刻可以是每间隔1s采集一个瞬时速度。
将目标车辆的不平稳驾驶度指数与不平稳驾驶行为阈值进行比较可以判断目标车辆是否存在不平稳驾驶行为。具体还可以判断不平稳驾驶行为的等级,不平稳驾驶行为的等级包括例如:安全、较安全、较危险、危险。
如果目标车辆的不平稳驾驶指数小于等于不平稳驾驶行为阈值,则判定该目标车辆在该预设时间窗内的不平稳驾驶行为安全等级为安全;如果目标车辆的不平稳驾驶指数大于不平稳驾驶行为阈值,则判定该目标车辆在该预设时间窗内的不平稳驾驶行为安全等级为危险;将每辆目标车辆的不平稳驾驶行为安全等级判定为危险的所有预设时间窗进行统计得到每辆目标车辆不平稳驾驶行为的持续时长。
不平稳驾驶行为阈值可以预设。在一个具体实施例中,不平稳驾驶行为阈值可以设有3个,取值分别为3、4、6。当不平稳驾驶度指数在(0,3]区间内,则判定目标车辆不平稳驾驶行为的等级为安全;当不平稳驾驶度指数在(3,4]区间内,则判定目标车辆不平稳驾驶行为的等级为较安全;当不平稳驾驶度指数在(4,6]区间内,则判定目标车辆不平稳驾驶行为的等级为较危险;当不平稳驾驶度指数在(6,+∞]区间内,则判定目标车辆不平稳驾驶行为的等级为危险。
图2为一个实施例中决策树评价模型示意图。参考图2,fq为危险驾驶行为发生的总频率指标,为目标道路的断面车速差指标,vstd为目标道路的速度标准差,Td为目标道路的危险驾驶时间比。在决策树评价模型的第一层判断fq(危险驾驶行为发生的总频率指标)是否大于第一决策值,第一决策值可以为10%;在决策树评价模型的第二层判断(目标道路的断面车速差指标)是否大于第二决策值,第二决策值可以为14;在决策树评价模型的第三层判断vstd(目标道路的速度标准差)是否大于第三决策值,第三决策值可以为6;在决策树评价模型的第四层判断Td(目标道路的危险驾驶时间比)是否大于第四决策值,第四决策值可以为15%。根据决策树评价模型的每一层的判断,决策树评价模型得出目标道路的交通安全风险评估结果。当然,第一决策值、第二决策值、第三决策值、第四决策值的取值不局限于以上的取值。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本申请的交通安全风险监控方法可以应用于交通安全风险监控系统。
图3为一个实施例中交通安全风险监控装置的结构示意图;参考图3,该装置包括:
采集模块100,用于获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;
行为分析模块200,用于根据行驶数据获取危险驾驶行为发生的总频率指标;
交通流分析模块300,用于根据行驶数据和/或交通流量数据获取交通流特征指标;
评判模块400,用于根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
在一个具体实施例中,采集模块100具体用于获取在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的行驶数据。
在一个具体实施例中,行为分析模块200包括:
第一计算单元,用于根据行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,
第二计算单元,用于获取每辆目标车辆在目标道路上的驾驶时长,
第三计算单元,用于根据每辆目标车辆发生任意一种危险驾驶行为的持续时长、每辆目标车辆在目标道路上的驾驶时长获取危险驾驶行为发生的总频率指标。
在一个具体实施例中,交通流量数据包括:经过目标道路的监测断面的目标车辆的瞬时速度,交通流特征指标包括:断面车速差指标。
交通流分析模块300具体包括:
第四计算单元,用于根据经过目标道路的监测断面的目标车辆的瞬时速度获取目标道路的每个监测断面的车速差;
第五计算单元,用于对目标道路的监测断面的车速差求均值得到目标道路的断面车速差指标。
在一个具体实施例中,第四计算单元具体包括:
第一子计算单元,用于根据经过目标道路的监测断面的目标车辆的瞬时速度获取每个监测断面经过的目标车辆的平均车速;
排序单元,用于对每个监测断面所经过的目标车辆的瞬时速度进行排序,选择预设排序的瞬时速度作为对应监测断面的目标车速;
第二子计算单元,用于根据监测断面对应的平均车速和目标车速,获取每个监测断面对应的车速差。
在一个具体实施例中,行驶数据包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时速度,交通流特征指标还包括:速度标准差。
交通流分析模块300具体还包括:
第六计算单元,用于根据每辆目标车辆的瞬时速度获取每辆目标车辆的速度标准差;
第七计算单元,用于对每辆目标车辆的速度标准差求均值得到目标道路的速度标准差。
在一个具体实施例中,行驶数据还包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时加速度。
交通流分析模块300具体还包括:
比较单元,用于将每辆目标车辆的瞬时速度与瞬时加速度的乘积与预设标准值进行比较,以判断每个瞬时速度所对应的采样时刻是否为危险驾驶时刻,
第八计算单元,获取所有目标车辆的危险驾驶时刻的总时长与采集到的所有目标车辆的驾驶时长的比得到目标道路的危险驾驶时间比。
图4为一个实施例中计算机设备的内部结构图。该计算机设备通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现交通安全风险监控方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行交通安全风险监控方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的交通安全风险监控装置可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该交通安全风险监控装置的各个程序模块,比如,图3所示的采集模块100、行为分析模块200、交通流分析模块300、评判模块400。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的交通安全风险监控方法中的步骤。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;根据行驶数据获取危险驾驶行为发生的总频率指标;根据行驶数据和/或交通流量数据获取交通流特征指标;根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取预设采集时长内目标道路上行驶的车辆的行驶数据和目标道路的交通流量数据;根据行驶数据获取危险驾驶行为发生的总频率指标;根据行驶数据和/或交通流量数据获取交通流特征指标;根据危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取目标道路的安全风险级别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种交通安全风险监控方法,其特征在于,所述方法包括:
获取预设采集时长内目标道路上行驶的车辆的行驶数据和所述目标道路的交通流量数据;
根据所述行驶数据获取危险驾驶行为发生的总频率指标;
根据所述行驶数据和/或交通流量数据获取交通流特征指标,其中,所述交通流量数据包括:经过所述目标道路的监测断面的目标车辆的瞬时速度,所述交通流特征指标包括:断面车速差指标;所述根据所述行驶数据和/或交通流量数据获取交通流特征指标,包括:
根据经过所述目标道路的监测断面的目标车辆的瞬时速度获取所述目标道路的每个监测断面的车速差;
对所述目标道路的监测断面的车速差求均值得到所述目标道路的断面车速差指标;其中,
所述根据经过所述目标道路的监测断面的目标车辆的瞬时速度获取所述目标道路的每个监测断面的车速差,包括:根据经过所述目标道路的监测断面的目标车辆的瞬时速度获取每个监测断面经过的目标车辆的平均车速;对每个监测断面所经过的目标车辆的瞬时速度进行排序,选择预设排序的瞬时速度作为对应监测断面的目标车速;根据监测断面对应的平均车速和目标车速,获取每个监测断面对应的车速差;
所述交通流特征指标还包括:速度标准差;其中,根据所述行驶数据和/或交通流量数据获取交通流特征指标,还包括:根据每辆目标车辆的瞬时速度获取每辆目标车辆的速度标准差;对所述每辆目标车辆的速度标准差求均值得到所述目标道路的所述速度标准差;
所述交通流特征指标还包括:危险驾驶时间比;其中,根据所述行驶数据和/或交通流量数据获取交通流特征指标,还包括:将每辆目标车辆的瞬时速度与瞬时加速度的乘积与预设标准值进行比较,以判断每个瞬时速度所对应的采样时刻是否为危险驾驶时刻;获取所有目标车辆的危险驾驶时刻的总时长与采集到的所有目标车辆的驾驶时长的比得到目标道路的所述危险驾驶时间比;
根据所述危险驾驶行为发生的所述总频率指标、所述交通流特征指标基于决策树模型获取所述目标道路的安全风险级别,其中,所述根据所述危险驾驶行为发生的所述总频率指标、所述交通流特征指标基于决策树模型获取所述目标道路的安全风险级别包括:在决策树评价模型的第一层判断所述总频率指标是否大于第一决策值,在决策树评价模型的第二层判断所述车速差是否大于第二决策值,在决策树评价模型的第三层判断所述速度标准差是否大于第三决策值,在决策树评价模型的第四层判断所述危险驾驶时间比是否大于第四决策值,根据决策树评价模型的每一层的判断,获取所述目标道路的安全风险级别。
2.根据权利要求1所述的方法,其特征在于,获取预设采集时长内目标道路上行驶的车辆的行驶数据,包括:
获取在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的行驶数据;
根据所述行驶数据获取危险驾驶行为发生的总频率指标,包括:
根据所述行驶数据获取每辆目标车辆发生任意一种危险驾驶行为的持续时长,
获取每辆目标车辆在所述目标道路上的驾驶时长,
根据每辆目标车辆发生任意一种危险驾驶行为的持续时长、每辆目标车辆在所述目标道路上的驾驶时长获取危险驾驶行为发生的总频率指标。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述危险驾驶行为包括超速、急加速、急减速、急变道、急转弯、不平稳驾驶中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述行驶数据包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时速度。
5.根据权利要求4所述的方法,其特征在于,所述行驶数据还包括:在预设采集时长内采集到的目标道路上行驶的每辆目标车辆的瞬时加速度。
6.一种交通安全风险监控装置,其特征在于,所述装置包括:
采集模块,用于获取预设采集时长内目标道路上行驶的车辆的行驶数据和所述目标道路的交通流量数据;
行为分析模块,用于根据所述行驶数据获取危险驾驶行为发生的总频率指标;
交通流分析模块,用于根据所述行驶数据和/或交通流量数据获取交通流特征指标,其中,所述交通流量数据包括:经过所述目标道路的监测断面的目标车辆的瞬时速度,所述交通流特征指标包括:断面车速差指标;所述交通流分析模块包括:第四计算单元,用于根据经过目标道路的监测断面的目标车辆的瞬时速度获取目标道路的每个监测断面的车速差;
第五计算单元,用于对目标道路的监测断面的车速差求均值得到目标道路的断面车速差指标;其中,第四计算单元具体包括:第一子计算单元,用于根据经过目标道路的监测断面的目标车辆的瞬时速度获取每个监测断面经过的目标车辆的平均车速;排序单元,用于对每个监测断面所经过的目标车辆的瞬时速度进行排序,选择预设排序的瞬时速度作为对应监测断面的目标车速;第二子计算单元,用于根据监测断面对应的平均车速和目标车速,获取每个监测断面对应的车速差;
所述交通流特征指标还包括:速度标准差;其中,所述交通流分析模块还包括:第六计算单元,用于根据每辆目标车辆的瞬时速度获取每辆目标车辆的速度标准差;第七计算单元,用于对每辆目标车辆的速度标准差求均值得到目标道路的速度标准差;
所述交通流特征指标还包括:危险驾驶时间比;其中,所述交通流分析模块还包括:比较单元,用于将每辆目标车辆的瞬时速度与瞬时加速度的乘积与预设标准值进行比较,以判断每个瞬时速度所对应的采样时刻是否为危险驾驶时刻,第八计算单元,获取所有目标车辆的危险驾驶时刻的总时长与采集到的所有目标车辆的驾驶时长的比得到目标道路的危险驾驶时间比;
评判模块,用于根据所述危险驾驶行为发生的总频率指标、交通流特征指标基于决策树模型获取所述目标道路的安全风险级别,其中,所述评判模块包括:在决策树评价模型的第一层判断所述总频率指标是否大于第一决策值,在决策树评价模型的第二层判断所述车速差是否大于第二决策值,在决策树评价模型的第三层判断所述速度标准差是否大于第三决策值,在决策树评价模型的第四层判断所述危险驾驶时间比是否大于第四决策值,根据决策树评价模型的每一层的判断,获取所述目标道路的安全风险级别。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-5任一项所述的方法的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785008.9A CN111951550B (zh) | 2020-08-06 | 2020-08-06 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785008.9A CN111951550B (zh) | 2020-08-06 | 2020-08-06 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951550A CN111951550A (zh) | 2020-11-17 |
CN111951550B true CN111951550B (zh) | 2021-10-29 |
Family
ID=73331714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010785008.9A Active CN111951550B (zh) | 2020-08-06 | 2020-08-06 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951550B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114945959B (zh) * | 2020-11-23 | 2023-06-20 | 深圳元戎启行科技有限公司 | 行驶轨迹确定方法、装置、计算机设备和存储介质 |
CN114596698B (zh) * | 2020-12-03 | 2024-01-23 | 腾讯科技(深圳)有限公司 | 道路监控设备位置判断方法、装置、存储介质及设备 |
CN113140111A (zh) * | 2021-04-30 | 2021-07-20 | 贵州数据宝网络科技有限公司 | 一种交通车辆行为预警装置及方法 |
CN114419892B (zh) * | 2022-01-28 | 2023-03-14 | 公安部交通管理科学研究所 | 一种判定有疲劳驾驶交通违法风险的车辆的方法 |
CN115100868B (zh) * | 2022-07-27 | 2022-11-04 | 沧州市交通运输局 | 一种基于大数据分析的交通运输车流结点风险度判定方法 |
CN116403408A (zh) * | 2023-06-02 | 2023-07-07 | 浪潮通信信息系统有限公司 | 基于5g网络的交通数据处理方法、算力网关及存储介质 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013155582A1 (pt) * | 2012-04-20 | 2013-10-24 | Antonio Garios Wadih | Sistema inteligente para dosar a intensidade luminosa das lanternas dos veículos e alterar a frequência do pisca-pisca |
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | 中国移动通信集团公司 | 一种道路交通安全评估方法及系统 |
DE102016002927A1 (de) * | 2016-03-10 | 2016-10-06 | Daimler Ag | Verfahren zumindest zur Verringerung einer Kollisionsschwere für ein Fahrzeug |
CN106935052A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的变速提示方法及装置 |
CN107067729A (zh) * | 2017-06-30 | 2017-08-18 | 广东工业大学 | 一种城市道路交通安全状态评估方法 |
CN107358678A (zh) * | 2017-06-07 | 2017-11-17 | 北京航空航天大学 | 一种驾驶事件检测和识别方法 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
CN108765956A (zh) * | 2018-06-14 | 2018-11-06 | 广东工业大学 | 一种高速公路交通状态综合评估方法 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
JP6521495B1 (ja) * | 2017-12-27 | 2019-05-29 | マツダ株式会社 | 車両の挙動制御装置 |
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 |
CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
CN110550035A (zh) * | 2019-08-14 | 2019-12-10 | 平安科技(深圳)有限公司 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
CN110648244A (zh) * | 2019-09-05 | 2020-01-03 | 广州亚美信息科技有限公司 | 基于区块链的车险方案生成方法、装置和行车数据处理系统 |
CN110675626A (zh) * | 2019-09-27 | 2020-01-10 | 汉纳森(厦门)数据股份有限公司 | 基于多维数据的交通事故黑点预测方法方法、装置及介质 |
CN110705850A (zh) * | 2019-09-19 | 2020-01-17 | 安徽百诚慧通科技有限公司 | 一种基于层次分析法的道路风险评估方法 |
CN110766258A (zh) * | 2018-07-25 | 2020-02-07 | 高德软件有限公司 | 一种道路风险的评估方法及装置 |
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 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 |
CN110968839A (zh) * | 2019-12-05 | 2020-04-07 | 深圳鼎然信息科技有限公司 | 驾驶风险评估方法、装置、设备及存储介质 |
CN111126672A (zh) * | 2019-12-02 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 |
CN111291916A (zh) * | 2018-12-10 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 驾驶行为安全性预测方法、装置、电子设备及存储介质 |
CN111383465A (zh) * | 2020-03-23 | 2020-07-07 | 中交第一公路勘察设计研究院有限公司 | 一种基于车联网的高速公路危险预警及速度控制系统 |
CN111455787A (zh) * | 2020-04-03 | 2020-07-28 | 商丘市豫东公路勘察设计有限公司 | 一种基于路面三维数字化的路面检测系统 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN111489554A (zh) * | 2020-05-12 | 2020-08-04 | 哈尔滨工业大学 | 一种基于Bow-tie模型的城市道路交通事故防控分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389824B (zh) * | 2017-08-04 | 2021-07-09 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
-
2020
- 2020-08-06 CN CN202010785008.9A patent/CN111951550B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013155582A1 (pt) * | 2012-04-20 | 2013-10-24 | Antonio Garios Wadih | Sistema inteligente para dosar a intensidade luminosa das lanternas dos veículos e alterar a frequência do pisca-pisca |
CN104978853A (zh) * | 2014-04-01 | 2015-10-14 | 中国移动通信集团公司 | 一种道路交通安全评估方法及系统 |
CN106935052A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的变速提示方法及装置 |
DE102016002927A1 (de) * | 2016-03-10 | 2016-10-06 | Daimler Ag | Verfahren zumindest zur Verringerung einer Kollisionsschwere für ein Fahrzeug |
CN107358678A (zh) * | 2017-06-07 | 2017-11-17 | 北京航空航天大学 | 一种驾驶事件检测和识别方法 |
CN107067729A (zh) * | 2017-06-30 | 2017-08-18 | 广东工业大学 | 一种城市道路交通安全状态评估方法 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
JP6521495B1 (ja) * | 2017-12-27 | 2019-05-29 | マツダ株式会社 | 車両の挙動制御装置 |
CN108765956A (zh) * | 2018-06-14 | 2018-11-06 | 广东工业大学 | 一种高速公路交通状态综合评估方法 |
CN110766258A (zh) * | 2018-07-25 | 2020-02-07 | 高德软件有限公司 | 一种道路风险的评估方法及装置 |
CN111291916A (zh) * | 2018-12-10 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 驾驶行为安全性预测方法、装置、电子设备及存储介质 |
CN109801491A (zh) * | 2019-01-18 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于风险评估的智能导航方法、装置、设备及存储介质 |
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 |
CN110550035A (zh) * | 2019-08-14 | 2019-12-10 | 平安科技(深圳)有限公司 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
CN110648244A (zh) * | 2019-09-05 | 2020-01-03 | 广州亚美信息科技有限公司 | 基于区块链的车险方案生成方法、装置和行车数据处理系统 |
CN110705850A (zh) * | 2019-09-19 | 2020-01-17 | 安徽百诚慧通科技有限公司 | 一种基于层次分析法的道路风险评估方法 |
CN110675626A (zh) * | 2019-09-27 | 2020-01-10 | 汉纳森(厦门)数据股份有限公司 | 基于多维数据的交通事故黑点预测方法方法、装置及介质 |
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 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 |
CN111126672A (zh) * | 2019-12-02 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 |
CN110968839A (zh) * | 2019-12-05 | 2020-04-07 | 深圳鼎然信息科技有限公司 | 驾驶风险评估方法、装置、设备及存储介质 |
CN111383465A (zh) * | 2020-03-23 | 2020-07-07 | 中交第一公路勘察设计研究院有限公司 | 一种基于车联网的高速公路危险预警及速度控制系统 |
CN111455787A (zh) * | 2020-04-03 | 2020-07-28 | 商丘市豫东公路勘察设计有限公司 | 一种基于路面三维数字化的路面检测系统 |
CN111489553A (zh) * | 2020-04-26 | 2020-08-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN111489554A (zh) * | 2020-05-12 | 2020-08-04 | 哈尔滨工业大学 | 一种基于Bow-tie模型的城市道路交通事故防控分析方法 |
Non-Patent Citations (3)
Title |
---|
城市轨道交通运营风险辨识方法与应用;袁春强,张炳森,张宁,栾文波,徐文;《都市快轨交通》;20171031;第30卷(第5期);全文 * |
基于决策树的水上交通事故影响因素耦合分析;张丽丽,吕靖;《上海海事大学学报》;20181231;第39卷(第4期);全文 * |
基于决策树的轨道交通安全评估方法及其应用;蔡国强,贾利民,吕晓艳,刘春煌;《自然科学进展》;20071130;第17卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951550A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951550B (zh) | 交通安全风险监控方法、装置、存储介质及计算机设备 | |
CN111942397A (zh) | 危险驾驶行为监控方法、装置、存储介质 | |
Chen et al. | A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data | |
CN103164962B (zh) | 一种山区公路急弯路段实时车速预警方法 | |
CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
Castignani et al. | An evaluation study of driver profiling fuzzy algorithms using smartphones | |
CN109649396B (zh) | 一种营运车辆驾驶员安全性检测方法 | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
Kwigizile et al. | Inconsistencies of ordered and unordered probability models for pedestrian injury severity | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN103617734A (zh) | 基于时程特征的高速公路车辆安全行驶识别方法 | |
CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
Zhang et al. | The driving risk analysis and evaluation in rightward zone of expressway reconstruction and extension engineering | |
Agnoor et al. | Analysis of driving behaviour through instrumented vehicles | |
Bokare et al. | Study of acceleration behaviour of motorized three wheeler in India | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN114495519B (zh) | 一种高速公路智慧可视化展示系统 | |
CN115743143A (zh) | 基于车联网的车辆行驶情况分析方法及系统 | |
CN114565155A (zh) | 一种公路安全测试方法、装置、电子设备及存储介质 | |
CN115565373A (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
CN114756599A (zh) | 一种基于车辆gps数据的驾驶员异常变速辨识方法 | |
CN112150816B (zh) | 一种多车交互风险评估系统 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
Zhang et al. | Exploring relationships between months and different crash types on mountainous freeways using a combined modeling approach |
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 |