CN112036709B - 基于随机森林的降雨天气高速公路二次事故致因分析方法 - Google Patents
基于随机森林的降雨天气高速公路二次事故致因分析方法 Download PDFInfo
- Publication number
- CN112036709B CN112036709B CN202010805884.3A CN202010805884A CN112036709B CN 112036709 B CN112036709 B CN 112036709B CN 202010805884 A CN202010805884 A CN 202010805884A CN 112036709 B CN112036709 B CN 112036709B
- Authority
- CN
- China
- Prior art keywords
- accident
- rainfall
- secondary accident
- cause
- highway
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 27
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 9
- 238000011002 quantification Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007790 scraping Methods 0.000 claims description 2
- 230000003449 preventive effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于随机森林的降雨天气高速公路二次事故致因分析方法,包括:收集若干条降雨天气高速公路交通事故记录;通过定义时空阈值关联降雨天气高速公路主事故及衍生出的二次事故,建立二次事故数据库;对二次事故数据库的变量因素进行定量化描述,划分二次事故严重程度等级;二次事故的变量因素集合作为输入,二次事故严重程度集合作为输出,构建降雨天气高速公路二次事故随机森林模型,得到降雨天气高速公路二次事故致因排序;计算各致因对降雨天气二次事故严重程度的影响程度。本发明综合考虑与降雨天气二次事故相关的主事故及二次事故方,能够精准识别降雨天气高速公路二次事故重要致因,对高速路交管部门采取预防措施具有指导意义。
Description
技术领域
本发明涉及基于随机森林的降雨天气高速公路二次事故致因分析方法,属于公路交通安全管理技术领域。
背景技术
高速公路作为公路网的主骨架,在我国经济社会持续发展和区域一体化战略不断深化下发展迅速。然而,随着高速公路网密度的增加,高速公路交通事故和因为交通事故发生而间接导致的二次事故数量与严重程度亦不断上升。
降雨天气是高速公路二次事故的高发环境,降雨天气下高速公路二次事故特征分析有助于剖析共性,为预防措施制定提供方向。相对于正常天气,降雨天气下路面抗滑性能下降,车辆的机动性降低,驾驶员对车辆的操纵难度增加,加之大气能见度降低,驾驶员视距减少,对车速以及与前车安全距离的判断受到一定影响,更易导致二次事故。在此背景下,结合高速公路事故数据库对降雨环境高速公路二次事故的分析有助于剖析共性,为预防措施制定提供方向。
致因研究是分析降雨天气下二次事故产生原因的重要手段,对于预防降雨天气下高速公路二次事故发生具有重要作用。致因研究是解析降雨天气下高速公路二次事故产生原因的重要措施及途径,良好的降雨天气下高速公路二次事故致因分析结果可以协助高速公路运营管理方制定针对性的运营措施、改善道路条件、减少降雨天气下高速公路出行风险;帮助高速公路使用方提高安全意识、调整自身行为、降低降雨天气下高速公路行车风险。
随机森林算法具备处理高维数据、避免过度拟合的功能,在提高降雨天气下高速公路二次事故致因模型准确度和可靠性方面具有极大的应用潜力。目前,在高速公路二次事故致因模型的建立中最经常采用的方法是Logistic模型。该方法不需要太大的计算量,容易实现,比较高效,然而存在两个较大的缺点,一是需要事先确定好所有重要的自变量、去掉与输出变量无关的自变量以及相似度高的自变量,二是该方法容易过度拟合,基于此方法的研究结果可能缺乏良好的可转移性。在此背景下,应用善于处理高维数据与有效避免过度拟合的随机森林算法可以实现对众多降雨天气下高速公路二次事故自变量的有效筛选、对二次事故重要致因的精准辨识和对致因权重的合理确定。
发明内容
本发明所要解决的技术问题是:提供基于随机森林的降雨天气高速公路二次事故致因分析方法,综合考虑与降雨天气二次事故相关的主事故及二次事故方的人-车-路-环境指标,能够实现对降雨天气下高速公路二次事故显著致因的精准识别和显著致因影响程度的系统解析,对高速公路交通管理部门采取预防措施具有指导意义。
本发明为解决上述技术问题采用以下技术方案:
一种基于随机森林的降雨天气高速公路二次事故致因分析方法,包括如下步骤:
步骤1:收集N条降雨天气高速公路交通事故记录;
步骤2:定义固定的时空阈值,关联降雨天气高速公路主事故及衍生出的二次事故,建立降雨天气高速公路二次事故数据库;
步骤3:将变量因素进行定量化描述,划分二次事故严重程度等级,由变量因素和二次事故严重程度构建样本集;
步骤4:基于随机森林构建降雨天气高速公路二次事故致因模型;
步骤5:计算各致因对降雨天气二次事故严重程度的影响程度,形成降雨天气二次事故致因变量类别划分表。
作为本发明的一种优选方案,所述步骤2的具体过程如下:
步骤21,定义时间阈值为2小时,空间阈值为2英里;若后一次事故的发生时间在前一次事故发生时间之后的2小时以内,且后一次事故的发生地点距前一次事故发生地点的2英里之内,则将前一次事故划分为主事故,后一次事故划分为二次事故;
步骤22,将发生工作日、发生时间、事故形态、事故严重程度、事故车型、驾驶员性别、驾驶员年龄、驾驶状态、道路分类、车辆类别、碰撞位置、限速以及光照情况中存在缺省值的事故数据删除,同时将二次事故距离主事故发生时间低于5分钟且距离主事故发生地点不超过5米的事故数据删除;
步骤23,将二次事故与主事故相关联,其中,主事故选取发生工作日、发生时间、事故形态、事故严重程度以及事故车型数据,二次事故选取距离主事故发生时间、距离主事故发生距离、驾驶员性别、驾驶员年龄、驾驶状态、道路分类、车辆类别、碰撞位置、限速以及光照情况数据,建立二次事故数据库。
作为本发明的一种优选方案,所述步骤3的具体过程如下:
步骤31,对二次事故数据库中的每条数据进行定量化描述,作为自变量,即:发生工作日按周日~周六来描述,对应的定量化描述为1~7;发生时间按6~12点、12~18点、18~24点、24~6点这四个时间段来描述,对应的定量化描述为1~4;事故形态按追尾、碰撞、刮擦、侧滑、翻车、拥堵和抛锚这七种形态来描述,对应的定量化描述为1~7;事故严重程度对应的定量化描述为0~30;事故车型按小汽车、客车、货车这三种车型来描述,对应的定量化描述为0~2;
距离主事故发生时间对应的定量化描述为0~2;距离主事故发生距离对应的定量化描述为0~2;驾驶员性别按男、女来描述,对应的定量化描述为0~1;驾驶员年龄按16~20岁、21~25岁、26~35岁、36~45岁、46~55岁、56~65岁、66~75岁、75岁以上这八个年龄段来描述,对应的定量化描述为4~11;驾驶状态按直行、左转、右转、变道、越位、减速和停车这六个状态来描述,对应的定量化描述为0~5;道路分类按乡村高速、城市高速这两个类别来描述,对应的定量化描述为0~1;车辆类别按小汽车、客车、货车这三个类别来描述,对应的定量化描述为0~2;碰撞位置按无、车身侧面、车尾、车头这四个位置来描述,对应的定量化描述为0~3;限速对应的定量化描述为60~70mph;光照情况按白天、黑夜有光、黑夜无光这三种情况来描述,对应的定量化描述为0~2;
步骤32,对二次事故严重程度进行定量化描述,作为因变量,即:若2≤涉及车辆数与伤亡人数总和≤6,则取值为0;若7≤涉及车辆数与伤亡人数总和≤14,则取值为1;若15≤涉及车辆数与伤亡人数总和,则取值为2;
步骤33,根据自变量和因变量构建样本集。
作为本发明的一种优选方案,所述步骤4的具体过程如下:
步骤41,确定随机森林构建降雨天气高速公路二次事故致因模型中的决策树个数;
步骤42,将样本集输入上述模型中,以基尼系数作为衡量指标,按从高到低输出降雨天气高速公路二次事故致因的排序以及各致因的基尼系数。
作为本发明的一种优选方案,所述步骤5的具体过程如下:
步骤52,将影响程度大于等于50%的致因划分为重要致因,将影响程度大于等于25%且小于50%的致因划分为较重要致因,将影响程度小于25%的致因划分为不重要致因。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明针对目前趋于严重的高速公路二次事故和降雨天气高发环境,运用随机森林算法分析事故致因,弥补了传统分析方法在过度拟合和可转移性方面存在的缺陷。
2、本发明采用随机森林分类模型能够直观地揭示出影响降雨天气高速公路二次事故严重程度的主要致因,对高速公路管理部门采取预防管控措施具有一定指导意义。
附图说明
图1是本发明基于随机森林的降雨天气高速公路二次事故致因分析方法的流程框图。
图2是时空阈值法识别高速公路二次事故示意图。
图3是本发明实施例生成的不同决策树棵树下的降雨天气下高速公路二次事故致因模型误差。
图4是本发明实施例生成的降雨天气下高速公路二次事故致因变量的重要性排序结果。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本实施例以英国2009-2017年高速公路交通事故数据为例详细阐述本发明所公开的降雨天气高速公路二次事故致因分析方法,流程如图1所示。
步骤1、经统计,2009-2017年间,英国共发生降雨天气下高速公路交通事故765起。
步骤2、定义固定的时空阈值,关联降雨天气高速公路主事故及衍生出的二次事故,建立降雨天气高速公路二次事故数据库。
建立降雨天气高速公路二次事故数据库具体流程为:
步骤21:定义降雨天气高速公路交通事故发生后的时空影响范围,即时空阈值为距主事故发生距离2英里内且距主事故发生时间2小时内。识别原理如图2所示。
步骤22:根据时空阈值识别降雨天气高速公路二次事故数据,与主事故数据相关联,得到135条降雨天气高速公路二次事故数据记录。
步骤23:将整理的降雨天气高速公路二次事故数据进行筛选,剔除环境信息、道路信息、车辆信息、驾驶员信息、事故损失情况五个方面任一字段存在缺省值的数据记录,剔除二次事故距离主事故发生时间低于5分钟且距离主事故发生距离不超过5米的数据记录,得到123条降雨天气高速公路二次事故数据记录,每条记录包含信息见表1。
表1降雨天气高速公路二次事故记录包含信息列表
步骤3、对整理到的123条降雨天气高速公路二次事故数据的变量因素进行定量化描述,由变量因素和二次事故严重程度构建样本集。
进行变量因素定量化描述的具体流程为:
步骤31:对变量因素进行定量化描述,包括分类变量和数值变量的定量化分类描述,描述结果见表2。
表2变量因素定量化描述
步骤32:划分二次事故严重程度等级,具体划分标准为见表3。
表3二次事故严重程度等级划分
事故严重等级描述 | 因变量取值 |
2≤涉及车辆数+伤亡人数≤6 | 0 |
7≤涉及车辆数+伤亡人数≤14 | 1 |
15≤涉及车辆数+伤亡人数 | 2 |
步骤33:由定量化后的变量因素和二次事故严重程度构建样本集。
步骤4、基于随机森林构建降雨天气高速公路二次事故致因模型。
构建降雨天气高速公路二次事故致因模型的具体流程为:
步骤41:确定决策树个数。计算0~1000范围内不同决策树数目取值下的随机森林模型误差,取误差相对较小的决策树棵树500。不同决策树数目取值下的随机森林模型误差,如图3所示。
步骤42:生成特征变量重要性排序。以基尼系数作为衡量指标,输出降雨天气下高速公路二次事故严重程度特征变量的重要性排序结果,如图4所示。各致因变量对降雨天气下高速公路二次事故严重程度的相关系数,见表4。
表4降雨天气下高速公路二次事故不同特征变量的系数
步骤5、计算各致因对降雨天气二次事故严重程度的影响程度,形成降雨天气下高速公路二次事故特征变量类别划分表。
分析致因变量影响程度及解释性的具体流程为:
步骤51:形成致因变量影响程度表。以随机森林模型得到的系数最大变量设置为影响程度100.00%、其他变量同比例换算的方法,形成降雨天气二次事故严重程度致因变量的影响程度表,见表5。
表5降雨天气下高速公路二次事故不同特征变量的影响程度
特征变量 | 影响程度(%) | 特征变量 | 影响程度(%) |
主事故严重程度 | 100.00 | 碰撞位置 | 36.67 |
距离一次事故时间 | 92.61 | 光照情况 | 27.10 |
主事故形态 | 70.31 | 驾驶员性别 | 20.67 |
距离一次事故距离 | 65.49 | 车辆类型 | 20.12 |
驾驶员年龄 | 52.43 | 事故车型 | 19.32 |
主事故发生工作日 | 47.37 | 限速 | 11.65 |
主事故发生时间 | 41.57 | 道路分类 | 10.86 |
驾驶状态 | 39.72 |
步骤52:进行特征变量影响程度分类。采用影响程度≥50%、25%≤影响程度<50%、影响程度<25%的分类标准,将降雨天气下高速公路二次事故致因变量进行类别划分,形成降雨天气下高速公路二次事故特征变量类别划分表,见表6。
表6降雨天气下高速公路二次事故特征变量类别划分表
本发明为降雨天气下高速公路二次事故致因分析构建了致因模型和分析流程,通过分析致因变量对二次事故严重程度的影响程度排序,明晰降雨天气下高速公路二次事故重要致因,便于针对性的提出预防及控制对策,能够为降雨天气下高速公路交通安全提供一定的指导。
以上实施例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,均落入本发明保护范围之内。
Claims (5)
1.基于随机森林的降雨天气高速公路二次事故致因分析方法,其特征在于,包括如下步骤:
步骤1,收集若干条降雨天气高速公路交通事故数据,包括发生工作日、发生时间、事故形态、事故严重程度、事故车型、驾驶员性别、驾驶员年龄、驾驶状态、道路分类、车辆类别、碰撞位置、限速以及光照情况;
步骤2,定义时空阈值,根据时空阈值将步骤1收集的降雨天气高速公路交通事故区分为主事故及衍生出的二次事故,并用一条二次事故关联一条主事故形成一条数据,建立二次事故数据库;
步骤3,对二次事故数据库中的每条数据进行定量化描述,作为自变量,同时划分二次事故严重程度,对二次事故严重程度进行定量化描述,作为因变量,根据自变量和因变量构建样本集;
步骤4,基于随机森林构建降雨天气高速公路二次事故致因模型,将样本集输入模型中,得到降雨天气高速公路二次事故致因的排序以及各致因的基尼系数;
步骤5,根据基尼系数计算各致因对降雨天气高速公路二次事故的影响程度,根据影响程度划分各致因对于降雨天气高速公路二次事故的重要性。
2.根据权利要求1所述基于随机森林的降雨天气高速公路二次事故致因分析方法,其特征在于,所述步骤2的具体过程如下:
步骤21,定义时间阈值为2小时,空间阈值为2英里;若后一次事故的发生时间在前一次事故发生时间之后的2小时以内,且后一次事故的发生地点距前一次事故发生地点的2英里之内,则将前一次事故划分为主事故,后一次事故划分为二次事故;
步骤22,将发生工作日、发生时间、事故形态、事故严重程度、事故车型、驾驶员性别、驾驶员年龄、驾驶状态、道路分类、车辆类别、碰撞位置、限速以及光照情况中存在缺省值的事故数据删除,同时将二次事故距离主事故发生时间低于5分钟且距离主事故发生地点不超过5米的事故数据删除;
步骤23,将二次事故与主事故相关联,其中,主事故选取发生工作日、发生时间、事故形态、事故严重程度以及事故车型数据,二次事故选取距离主事故发生时间、距离主事故发生距离、驾驶员性别、驾驶员年龄、驾驶状态、道路分类、车辆类别、碰撞位置、限速以及光照情况数据,建立二次事故数据库。
3.根据权利要求2所述基于随机森林的降雨天气高速公路二次事故致因分析方法,其特征在于,所述步骤3的具体过程如下:
步骤31,对二次事故数据库中的每条数据进行定量化描述,作为自变量,即:发生工作日按周日~周六来描述,对应的定量化描述为1~7;发生时间按6~12点、12~18点、18~24点、24~6点这四个时间段来描述,对应的定量化描述为1~4;事故形态按追尾、碰撞、刮擦、侧滑、翻车、拥堵和抛锚这七种形态来描述,对应的定量化描述为1~7;事故严重程度对应的定量化描述为0~30;事故车型按小汽车、客车、货车这三种车型来描述,对应的定量化描述为0~2;
距离主事故发生时间对应的定量化描述为0~2;距离主事故发生距离对应的定量化描述为0~2;驾驶员性别按男、女来描述,对应的定量化描述为0~1;驾驶员年龄按16~20岁、21~25岁、26~35岁、36~45岁、46~55岁、56~65岁、66~75岁、75岁以上这八个年龄段来描述,对应的定量化描述为4~11;驾驶状态按直行、左转、右转、变道、越位、减速和停车这六个状态来描述,对应的定量化描述为0~5;道路分类按乡村高速、城市高速这两个类别来描述,对应的定量化描述为0~1;车辆类别按小汽车、客车、货车这三个类别来描述,对应的定量化描述为0~2;碰撞位置按无、车身侧面、车尾、车头这四个位置来描述,对应的定量化描述为0~3;限速对应的定量化描述为60~70mph;光照情况按白天、黑夜有光、黑夜无光这三种情况来描述,对应的定量化描述为0~2;
步骤32,对二次事故严重程度进行定量化描述,作为因变量,即:若2≤涉及车辆数与伤亡人数总和≤6,则取值为0;若7≤涉及车辆数与伤亡人数总和≤14,则取值为1;若15≤涉及车辆数与伤亡人数总和,则取值为2;
步骤33,根据自变量和因变量构建样本集。
4.根据权利要求1所述基于随机森林的降雨天气高速公路二次事故致因分析方法,其特征在于,所述步骤4的具体过程如下:
步骤41,确定随机森林构建降雨天气高速公路二次事故致因模型中的决策树个数;
步骤42,将样本集输入上述模型中,以基尼系数作为衡量指标,按从高到低输出降雨天气高速公路二次事故致因的排序以及各致因的基尼系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805884.3A CN112036709B (zh) | 2020-08-12 | 2020-08-12 | 基于随机森林的降雨天气高速公路二次事故致因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805884.3A CN112036709B (zh) | 2020-08-12 | 2020-08-12 | 基于随机森林的降雨天气高速公路二次事故致因分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036709A CN112036709A (zh) | 2020-12-04 |
CN112036709B true CN112036709B (zh) | 2022-11-18 |
Family
ID=73578627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805884.3A Active CN112036709B (zh) | 2020-08-12 | 2020-08-12 | 基于随机森林的降雨天气高速公路二次事故致因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392885B (zh) * | 2021-05-31 | 2022-06-17 | 东南大学 | 一种基于随机森林理论的交通事故时空热点判别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383920B (zh) * | 2016-11-28 | 2019-11-12 | 东南大学 | 一种基于关联规则的重特大交通事故致因识别方法 |
CN109035763A (zh) * | 2018-07-02 | 2018-12-18 | 东南大学 | 基于c4.5的高速公路事故主次因分析及事故类型判断方法 |
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 |
-
2020
- 2020-08-12 CN CN202010805884.3A patent/CN112036709B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112036709A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Analysis of road traffic fatal accidents using data mining techniques | |
CN110491154B (zh) | 基于安全风险和距离的建议车速制定方法 | |
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN110458244B (zh) | 一种应用于区域路网的交通事故严重度预测方法 | |
Wang et al. | Spatiotemporal instability analysis of injury severities in truck-involved and non-truck-involved crashes | |
CN112201038A (zh) | 一种基于单车不良驾驶行为风险的路网风险评估方法 | |
Park et al. | Analysis of injury severity in traffic crashes: a case study of Korean expressways | |
CN113920732B (zh) | 一种针对特定驾驶人群的道路交通事故风险预警方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
Das et al. | Safety impacts of reduced visibility in inclement weather. | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN114169444A (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
Watanabe et al. | A method for the estimation of coexisting risk-inducing factors in traffic scenarios | |
Ahmed et al. | Driver Performance and Behavior in Adverse Weather Conditions: Microsimulation and Variable Speed Limit Implementation of the SHRP2 Naturalistic Driving Study Results-Phase 3 | |
CN116383678A (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN113011713B (zh) | 一种基于信息熵的驾驶员驾驶稳定性评估方法 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
CN112070419A (zh) | 汽车驾驶潜在危险情景风险度量化方法 | |
Moghaddam et al. | Crash severity modeling in urban highways using backward regression method | |
CN116665456B (zh) | 一种结合高维指标降维处理对交通状态进行评估的方法 | |
CN116091254B (zh) | 商用车风险的分析方法 | |
Mashhadi et al. | Comparing Performance of Different Machine Learning Methods for Predicting Severity of Construction Work Zone Crashes | |
CN116778733B (zh) | 一种基于大数据的高速公路导航语音预警方法及系统 |
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 |