CN112488375A - 一种交通运行风险预测方法及系统 - Google Patents

一种交通运行风险预测方法及系统 Download PDF

Info

Publication number
CN112488375A
CN112488375A CN202011337363.6A CN202011337363A CN112488375A CN 112488375 A CN112488375 A CN 112488375A CN 202011337363 A CN202011337363 A CN 202011337363A CN 112488375 A CN112488375 A CN 112488375A
Authority
CN
China
Prior art keywords
risk
intermediate node
factor
risk factor
dimensional
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
Application number
CN202011337363.6A
Other languages
English (en)
Other versions
CN112488375B (zh
Inventor
陆建
耿冬冬
严正奇
胡晓健
马永锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202011337363.6A priority Critical patent/CN112488375B/zh
Publication of CN112488375A publication Critical patent/CN112488375A/zh
Application granted granted Critical
Publication of CN112488375B publication Critical patent/CN112488375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种交通运行风险预测方法及系统，由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为各个风险因素；基于各风险因素构建用于研究区域的交通运行风险预测的贝叶斯网络拓扑结构；将研究区域的风险因素的当前状态输入所述贝叶斯网络拓扑结构，并确定其中每个中间节点的节点概率；然后根据贝叶斯网络拓扑结构中每个中间节点的节点概率，采用Netica算法计算研究区域在当前状态下的交通运行风险值；本发明对大型活动交通运行风险实现了系统化的预测，并且只需变换风险因素、及当前状态，即可实现分析不同条件下交通运行风险的演化规律，为交通控制提供了稳定、且精确的数据支撑。

Description

一种交通运行风险预测方法及系统
技术领域
本发明涉及一种交通运行风险预测方法及系统，属于交通管理技术领域。
背景技术
由于大型活动的特殊性、人员的聚集性、交通路网的相对脆弱性为大型活动期间交通管理与安全问题带来了巨大挑战，而准确地评估大型活动交通运行风险水平可以为交通管理与控制提供依据，及时的风险预警可以保障大型活动的安全顺利进行。更重要的，大型活动期间环境条件往往是不断变化的，其对应的是大型活动交通运行风险的动态变化，因此实时分析大型活动交通运行风险演化规律有助于把握风险防控关键方向和应急资源的高效调配。
目前大型活动的风险研判多以定性方法为主，定量化的计算较少，并且仅仅聚焦于活动本身缺少对交通运行的准确刻画，缺少大型活动下交通运行的复杂性、聚集性和短时性特点的反映，缺乏针对性；另一方面对大型活动交通运行风险随不同条件动态变化分析较少，多以静态的主观评价为主，未能考虑交通运行条件的动态性。对交通运行风险进行系统研判，可以为甄别大型活动交通运行中可能存在的风险及其演化规律提供理论基础，也能为风险防控及应急预案提供技术支撑。因此，如何系统化地对大型活动交通运行风险进行预测，并实时分析不同条件下交通运行风险的演化规律，成为本领域亟需解决的技术问题。
发明内容
本发明所要解决的技术问题是提供一种交通运行风险预测方法，以系统化实现对大型活动交通运行风险的预测，并实时分析不同条件下交通运行风险的演化规律。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种交通运行风险预测方法，用于针对目标区域的交通运行实现风险预测，包括如下步骤：
步骤A.由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为目标区域所对应的各个风险因素，然后进入步骤B；
步骤B.针对各个风险因素，基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，通过随机方式获得两两风险因素之间的有向性影响评定值ai,j，由各个ai,j构成二元关系库，然后进入步骤C；其中，i∈{1、…、N}，j∈{1、…、N}，i≠j，N表示目标区域所对应风险因素的个数，N≥2；
步骤C.根据二元关系库两两风险因素之间的有向性影响评定值，结合相同风险因素之间有向性影响评定值等于0，构建二元关系库所对应的二维邻接矩阵，然后进入步骤D；
步骤D.针对二维邻接矩阵执行布尔运算，获得二维邻接矩阵所对应的二维可达矩阵，然后进入步骤E；
步骤E.基于二维可达矩阵，建立以各风险因素作为中间节点，事故因素、延误因素、综合风险因素作为目标节点的贝叶斯网络，然后进入步骤F；
步骤F.针对贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，应用Netica算法处理，经事故因素、延误因素分别所对应其预设各状态下统计概率的获得，进一步获得综合风险因素对应其预设各状态下的统计概率，然后进入步骤G；
步骤G.根据综合风险因素对应其预设各状态的重要度系数，针对综合风险因素对应其预设各状态下的统计概率，执行加权计算，即获得目标区域对应综合风险因素的结果，并根据该结果与综合风险因素所对应预设各状态之间的对应关系，获得目标区域的预测状态，针对目标区域的交通运行实现风险预测。
作为本发明的一种优选技术方案：所述步骤B包括如下步骤B1至步骤B6；
步骤B1.初始化i＝1，并进入步骤B2；
步骤B2.初始化j等于除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，并进入步骤B3；其中，i∈{1、…、N}，j∈{1、…、N}，N表示目标区域所对应风险因素的个数，N≥2；
步骤B3.基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，针对第i个风险因素对第j个风险因素是否存在影响，随机获得ai,j所对应的m个随机值，并进入步骤B4；
步骤B4.针对ai,j所对应的各个随机值，统计其中为1的个数Vi,j,1，以及统计其中为0的个数Vi,j,0，并判断max{Vi,j,1,Vi,j,0}≥c×m是否成立，是则应用max{Vi,j,1,Vi,j,0}所对应ai,j的随机值，作为ai,j的值，然后进入步骤B5；否则返回步骤B3；其中，c表示预设比例阈值；
步骤B5.判断是否存在除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，是则返回步骤B2；否则进入步骤B6；
步骤B6.判断i的值是否等于N，是则即获得两两风险因素之间的有向性影响评定值，并构成二元关系库，否则针对i的值进行加1更新。
作为本发明的一种优选技术方案：所述步骤D包括如下步骤D1至步骤D5；
步骤D1.针对二维邻接矩阵U，结合维度与二维邻接矩阵维度相同，且相同风险因素之间所对应值等于1、其余等于0的二维单位矩阵I，应用X＝U+I，获得矩阵X，然后进入步骤D2；
步骤D2.初始化m＝1，并进入步骤D3；
步骤D3.根据Dm＝Xm，获得矩阵Dm，然后若m等于1，则进入步骤D5；若m不等于1，则进入步骤D4；
步骤D4.判断Dm是否等于Dm-1，是则由矩阵Dm作为二维邻接矩阵所对应的二维可达矩阵，否则进入步骤D5；
步骤D5.针对m的值进行加1更新，并返回步骤D3。
作为本发明的一种优选技术方案：所述步骤E包括如下步骤E1-1至步骤E1-7；
步骤E1-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E1-2；
步骤E1-2.查找二维可达矩阵副本中分别仅包含一个“1”的各行，获得该各行分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E1-3；
步骤E1-3.判断二维可达矩阵副本是否为空，是则进入步骤E1-4；否则针对n的值进行加1更新，并返回步骤E1-2；
步骤E1-4.初始化l＝n，并进入步骤E1-5；
步骤E1-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E1-5-1至步骤E1-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E1-6；
步骤E1-5-1.判断l是否大于2，是则进入步骤E1-5-2；否则进入步骤E1-5-3；
步骤E1-5-2.根据二维可达矩阵，判断网络第l-1层与第l-2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E1-5-3.根据二维可达矩阵，判断网络第l-1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E1-6.判断l是否等于2，是则进入步骤E1-7；否则针对l的值进行减1更新，并返回步骤E1-5；
步骤E1-7.将事故因素、延误因素、综合风险因素作为网络中第1层外侧的各个目标节点，并且构建第1层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
作为本发明的一种优选技术方案：所述步骤E包括如下步骤E2-1至步骤E2-7；
步骤E2-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E2-2；
步骤E2-2.查找二维可达矩阵副本中分别仅包含一个“1”的各列，获得该各列分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E2-3；
步骤E2-3.判断二维可达矩阵副本是否为空，是则进入步骤E2-4；否则针对n的值进行加1更新，并返回步骤E2-2；
步骤E2-4.初始化l＝1，并进入步骤E2-5；
步骤E2-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E2-5-1至步骤E2-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E2-6；
步骤E2-5-1.判断n-l是否大于1，是则进入步骤E2-5-2；否则进入步骤E2-5-3；
步骤E2-5-2.根据二维可达矩阵，判断网络第l+1层与第l+2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E2-5-3.根据二维可达矩阵，判断网络第l+1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E2-6.判断n-l是否等于1，是则进入步骤E2-7；否则针对l的值进行加1更新，并返回步骤E2-5；
步骤E2-7.将事故因素、延误因素、综合风险因素作为网络中第n层外侧的各个目标节点，并且构建第n层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
作为本发明的一种优选技术方案，所述步骤F中关于贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，根据如下方法获得：
若风险因素关于目标区域的硬件设施，则基于硬件设施数量的统计，获得该风险因素对应其预设各状态下的统计概率；
若风险因素关于目标区域涉及时间变化的数据，则针对以当前时刻为起点向历史时间方向的预设时长范围内、通过对该风险因素的数据统计，获得该风险因素对应其预设各状态下的统计概率。
与上述相对应，本发明设计一种针对交通运行风险预测方法的系统，包括风险因素选取模块、风险因素影响评定模块、邻接矩阵建立模块、可达矩阵建立模块、贝叶斯网络构建模块、节点概率计算模块、交通运行风险值计算模块；
其中，风险因素选取模块用于执行步骤A；风险因素影响评定模块用于执行步骤B；邻接矩阵建立模块用于执行步骤C；可达矩阵建立模块用于执行步骤D；贝叶斯网络构建模块用于执行步骤E；节点概率计算模块用于执行步骤F；交通运行风险值计算模块用于执行步骤G。
本发明所述一种交通运行风险预测方法及系统，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计交通运行风险预测方法及系统，由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为各个风险因素；基于各风险因素构建用于研究区域的交通运行风险预测的贝叶斯网络拓扑结构；将研究区域的风险因素的当前状态输入所述贝叶斯网络拓扑结构，并确定其中每个中间节点的节点概率；然后根据贝叶斯网络拓扑结构中每个中间节点的节点概率，采用Netica算法计算研究区域在当前状态下的交通运行风险值；本发明对大型活动交通运行风险实现了系统化的预测，并且只需变换风险因素、及当前状态，即可实现分析不同条件下交通运行风险的演化规律，为交通控制提供了稳定、且精确的数据支撑。
附图说明
图1为本发明所设计交通运行风险预测方法的流程图；
图2为本发明设计的邻接矩阵建立流程图；
图3为本发明具体实施例提供的贝叶斯网络拓扑结构的拓扑图；
图4为本发明具体实施例提供的贝叶斯网络拓扑结构的风险评估结果示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种交通运行风险预测方法，用于针对目标区域的交通运行实现风险预测，实际应用当中，如图1所示，执行如下步骤A至步骤G。
步骤A.由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为目标区域所对应的各个风险因素，然后进入步骤B。
具体实施例应用中，存有大型活动交通运行风险指标库和预设指标方案。指标库聚焦了不利天气风险因素和地面交通系统风险因素对大型活动交通运行风险的影响，具体交通运行风险指标库如表1所示。
表1
Figure BDA0002797563140000061
Figure BDA0002797563140000071
预设方案则通过分析风险因素之间的内在联系，并根据取舍分析和专家意见在交通运行风险指标库中选取部分交通运行风险指标构成，最终得到风险因素18个，风险因素及其表征方式如表2所示。
表2
Figure BDA0002797563140000072
步骤B.针对各个风险因素，基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，通过随机方式获得两两风险因素之间的有向性影响评定值ai,j，由各个ai,j构成二元关系库，然后进入步骤C；其中，i∈{1、…、N}，j∈{1、…、N}，i≠j，N表示目标区域所对应风险因素的个数，N≥2。
实际应用当中，如图2所示，上述步骤B具体执行如下步骤B1至步骤B6。
步骤B1.初始化i＝1，并进入步骤B2。
步骤B2.初始化j等于除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，并进入步骤B3；其中，i∈{1、…、N}，j∈{1、…、N}，N表示目标区域所对应风险因素的个数，N≥2。
步骤B3.基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，针对第i个风险因素对第j个风险因素是否存在影响，随机获得ai,j所对应的m个随机值，并进入步骤B4。
步骤B4.针对ai,j所对应的各个随机值，统计其中为1的个数Vi,j,1，以及统计其中为0的个数Vi,j,0，并判断max{Vi,j,1,Vi,j,0}≥c×m是否成立，是则应用max{Vi,j,1,Vi,j,0}所对应ai,j的随机值，作为ai,j的值，然后进入步骤B5；否则返回步骤B3；其中，c表示预设比例阈值。
步骤B5.判断是否存在除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，是则返回步骤B2；否则进入步骤B6。
步骤B6.判断i的值是否等于N，是则即获得两两风险因素之间的有向性影响评定值，并构成二元关系库，否则针对i的值进行加1更新。
步骤C.根据二元关系库两两风险因素之间的有向性影响评定值，结合相同风险因素之间有向性影响评定值等于0，构建二元关系库所对应的二维邻接矩阵，然后进入步骤D。
实际应用当中，诸如获得二维邻接矩阵如下表3所示。
表3
Figure BDA0002797563140000081
Figure BDA0002797563140000091
步骤D.针对二维邻接矩阵执行布尔运算，获得二维邻接矩阵所对应的二维可达矩阵，然后进入步骤E。
上述步骤D在实际应用当中，具体执行如下步骤D1至步骤D5。
步骤D1.针对二维邻接矩阵U，结合维度与二维邻接矩阵维度相同，且相同风险因素之间所对应值等于1、其余等于0的二维单位矩阵I，应用X＝U+I，获得矩阵X，然后进入步骤D2。
步骤D2.初始化m＝1，并进入步骤D3。
步骤D3.根据Dm＝Xm，获得矩阵Dm，然后若m等于1，则进入步骤D5；若m不等于1，则进入步骤D4。
步骤D4.判断Dm是否等于Dm-1，是则由矩阵Dm作为二维邻接矩阵所对应的二维可达矩阵，否则进入步骤D5。
步骤D5.针对m的值进行加1更新，并返回步骤D3。
因此基于上述所获二维邻接矩阵，进一步获得二维可达矩阵如下表4所示。
表4
Figure BDA0002797563140000092
Figure BDA0002797563140000101
步骤E.基于二维可达矩阵，建立以各风险因素作为中间节点，事故因素、延误因素、综合风险因素作为目标节点的贝叶斯网络，然后进入步骤F。
实际应用中，上述步骤E设计了两种具体实施例，其一为“行”方式处理，具体执行如下步骤E1-1至步骤E1-7。
步骤E1-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E1-2。
步骤E1-2.查找二维可达矩阵副本中分别仅包含一个“1”的各行，获得该各行分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E1-3。
步骤E1-3.判断二维可达矩阵副本是否为空，是则进入步骤E1-4；否则针对n的值进行加1更新，并返回步骤E1-2。
步骤E1-4.初始化l＝n，并进入步骤E1-5。
步骤E1-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E1-5-1至步骤E1-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E1-6。
步骤E1-5-1.判断l是否大于2，是则进入步骤E1-5-2；否则进入步骤E1-5-3。
步骤E1-5-2.根据二维可达矩阵，判断网络第l-1层与第l-2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作。
步骤E1-5-3.根据二维可达矩阵，判断网络第l-1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作。
步骤E1-6.判断l是否等于2，是则进入步骤E1-7；否则针对l的值进行减1更新，并返回步骤E1-5。
步骤E1-7.将事故因素、延误因素、综合风险因素作为网络中第1层外侧的各个目标节点，并且构建第1层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
其二为“列”方式处理，具体执行如下步骤E2-1至步骤E2-7。
步骤E2-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E2-2。
步骤E2-2.查找二维可达矩阵副本中分别仅包含一个“1”的各列，获得该各列分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E2-3。
步骤E2-3.判断二维可达矩阵副本是否为空，是则进入步骤E2-4；否则针对n的值进行加1更新，并返回步骤E2-2。
步骤E2-4.初始化l＝1，并进入步骤E2-5。
步骤E2-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E2-5-1至步骤E2-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E2-6。
步骤E2-5-1.判断n-l是否大于1，是则进入步骤E2-5-2；否则进入步骤E2-5-3。
步骤E2-5-2.根据二维可达矩阵，判断网络第l+1层与第l+2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作。
步骤E2-5-3.根据二维可达矩阵，判断网络第l+1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作。
步骤E2-6.判断n-l是否等于1，是则进入步骤E2-7；否则针对l的值进行加1更新，并返回步骤E2-5。
步骤E2-7.将事故因素、延误因素、综合风险因素作为网络中第n层外侧的各个目标节点，并且构建第n层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
步骤F.针对贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，应用Netica算法处理，经事故因素、延误因素分别所对应其预设各状态下统计概率的获得，进一步获得综合风险因素对应其预设各状态下的统计概率，然后进入步骤G。
上述步骤F中关于贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，根据如下方法获得：
若风险因素关于目标区域的硬件设施，则基于硬件设施数量的统计，获得该风险因素对应其预设各状态下的统计概率。
若风险因素关于目标区域涉及时间变化的数据，则针对以当前时刻为起点向历史时间方向的预设时长范围内、通过对该风险因素的数据统计，获得该风险因素对应其预设各状态下的统计概率。
步骤G.根据综合风险因素对应其预设各状态的重要度系数，针对综合风险因素对应其预设各状态下的统计概率，执行加权计算，即获得目标区域对应综合风险因素的结果，并根据该结果与综合风险因素所对应预设各状态之间的对应关系，获得目标区域的预测状态，针对目标区域的交通运行实现风险预测。
与上述相对应，在实际应用当中，本发明设计一种针对交通运行风险预测方法的系统，包括风险因素选取模块、风险因素影响评定模块、邻接矩阵建立模块、可达矩阵建立模块、贝叶斯网络构建模块、节点概率计算模块、交通运行风险值计算模块；
其中，风险因素选取模块用于执行步骤A；风险因素影响评定模块用于执行步骤B；邻接矩阵建立模块用于执行步骤C；可达矩阵建立模块用于执行步骤D；贝叶斯网络构建模块用于执行步骤E；节点概率计算模块用于执行步骤F；交通运行风险值计算模块用于执行步骤G。
将本发明所设计应用于实际实施例当中，具体如下：
本实施例的大型活动为大型体育赛事开幕式，举办时间为冬季，举办城市为北京，举办地点为国家体育场。实施例研究范围为以国家体育场为中心，西起京藏高速、东到立安路、南达北三环中路、北抵北五环的周长约19.8公里的区域。国家体育场经常承办各种大型活动和赛事，对安全要求高，其周围交通流量较大，路网复杂，交通方式多样，将其作为实施例具有实际价值和推广意义。
首先设置交通故风险、交通延误风险，交通运行风险三个目标节点作为实施例的贝叶斯网络拓扑结构的目标节点，将贝叶斯网络拓扑结构的各节点编号和含义，见下表5。
表5
Figure BDA0002797563140000131
其次，使用预设的18指标邻接矩阵计算得到可达矩阵。观察可达矩阵，其行列式的展开式中，仅主对角线所在项非零，其余各项均为0，因此，可达矩阵有效，可以进行后续操作。各因素分层完毕后，根据可达矩阵所展现的各因素间的关系，在贝叶斯网络拓扑结构中添加有向边。需要注意的是，在此需要将三个目标节点与风险因素的节点进行关联，得出实施例的贝叶斯网络拓扑图结构，如附图3所示。
接下来执行步骤F，根据贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，应用Netica算法处理，经事故因素、延误因素分别所对应其预设各状态下统计概率的获得，进一步获得综合风险因素对应其预设各状态下的统计概率
实施例中即确定贝叶斯网络拓扑结构中的节点状态及其数目如表6所示。
表6
Figure BDA0002797563140000132
Figure BDA0002797563140000141
Figure BDA0002797563140000151
若风险因素关于目标区域的硬件设施，则基于硬件设施数量的统计，获得该风险因素对应其预设各状态下的统计概率。
若风险因素关于目标区域涉及时间变化的数据，则针对以当前时刻为起点向历史时间方向的预设时长范围内、通过对该风险因素的数据统计，获得该风险因素对应其预设各状态下的统计概率。
最后通过交通运行风险评定模块，基于Netica计算得出计算结果如表7和附图4所示。系统分析初始条件下，天气情况、道路设施配置情况普遍较为理想时，交通事故风险值为2.412，其风险水平中等偏低；交通延误风险值为2.9415，基本位于中度延误水平；交通运行风险值为2.635，交通运行风险水平较高。
表7
Figure BDA0002797563140000152
Figure BDA0002797563140000161
此外，本发明可以根据网络各个节点不同状态概率的改变动态分析交通运行风险的变化。本实施例改变相应节点状态概率来模拟了大雨(雪)天气(t1)、道路出现障碍(t2)、大雨(雪)天气道路出现障碍(t3)、天气晴朗道路无障碍(t4)、驾驶员行为处于危险状态t(5)、机动车饱和度>0.9(t6)、骑行者行为处于危险状态(t7)、行人行为处于危险状态(t8)、交通管理水平与应急水平处于风险可接受状态(t9)、交通管理水平与应急水平处于风险不可接受状态(t10)的情形，得到交通运行风险概率如表8所示。
表8
Figure BDA0002797563140000162
通过系统计算可得大雨(雪)天气下交通事故风险值为2.484，交通延误风险值为3.0069，交通运行风险值为2.67；道路出现障碍时交通事故风险值为2.458，交通延误风险值为2.979，交通运行风险值为2.66；大雨(雪)天气道路出现障碍时交通事故风险值为2.501，交通延误风险值为3.0186，交通运行风险值为2.681；驾驶员行为处于危险状态时交通事故风险值为3.609，交通延误风险值为3.4495，交通运行风险值为3.134；机动车饱和度>0.9时交通事故风险值为2.458，交通延误风险值为3.39，交通运行风险值为2.7906；骑行者行为处于危险状态时交通事故风险值为2.974，交通延误风险值为2.9552，交通运行风险值为2.80；行人行为处于危险状态时交通事故风险值为3.154，交通延误风险值为3.1052，交通运行风险值为2.8997。交通管理水平与应急水平处于风险可接受状态时交通事故风险值为2.369，交通延误风险值为2.9105，交通运行风险值为2.611；交通管理水平与应急水平处于风险不可接受状态时交通事故风险值为2.673，交通延误风险值为3.1652，交通运行风险值为2.779。
分析不同条件下交通运行风险的变化得到如下结论：在不利外界条件出现时，交通运行风险水平所有提高，但大雨(雪)和道路障碍对交通运行风险水平的提升非常有限。这是由大型活动自身特点决定的。大型活动的交通特点决定了其间交通运行风险至少处于中等偏上的水平，当不利天气或外在突发事件发生时，风险随之增加，但增加的幅度有限。与不利天气、道路障碍等外在条件相比，对交通运行风险起更关键作用的是交通参与者的行为、道路网交通密度、应急水平与交通管理水平等因素。
本发明只需给定大型活动区域各风险评价指标节点的信息即可获取大型活动区域交通运行风险研判指数及风险等级，根据不同节点的改变可以看到风险的动态变化。本发明通过分析大型活动交通运行风险评估指标及其关系，构建各个指标之间关系拓扑图从而形成大型活动交通运行风险研判贝叶斯网络，通过输入大型活动区域相关评估指标即可输出风险研判指数及风险等级，为大型活动风险防控及应急预案提供理论依据。
本发明所设计交通运行风险预测方法及系统，由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为各个风险因素；基于各风险因素构建用于研究区域的交通运行风险预测的贝叶斯网络拓扑结构；将研究区域的风险因素的当前状态输入所述贝叶斯网络拓扑结构，并确定其中每个中间节点的节点概率；然后根据贝叶斯网络拓扑结构中每个中间节点的节点概率，采用Netica算法计算研究区域在当前状态下的交通运行风险值；本发明对大型活动交通运行风险实现了系统化的预测，并且只需变换风险因素、及当前状态，即可实现分析不同条件下交通运行风险的演化规律，为交通控制提供了稳定、且精确的数据支撑。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种交通运行风险预测方法，用于针对目标区域的交通运行实现风险预测，其特征在于，包括如下步骤：
步骤A.由预设交通运行风险指标库中选择目标区域涉及的各条交通运行风险指标，作为目标区域所对应的各个风险因素，然后进入步骤B；
步骤B.针对各个风险因素，基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，通过随机方式获得两两风险因素之间的有向性影响评定值ai,j，由各个ai,j构成二元关系库，然后进入步骤C；其中，i∈{1、…、N}，j∈{1、…、N}，i≠j，N表示目标区域所对应风险因素的个数，N≥2；
步骤C.根据二元关系库两两风险因素之间的有向性影响评定值，结合相同风险因素之间有向性影响评定值等于0，构建二元关系库所对应的二维邻接矩阵，然后进入步骤D；
步骤D.针对二维邻接矩阵执行布尔运算，获得二维邻接矩阵所对应的二维可达矩阵，然后进入步骤E；
步骤E.基于二维可达矩阵，建立以各风险因素作为中间节点，事故因素、延误因素、综合风险因素作为目标节点的贝叶斯网络，然后进入步骤F；
步骤F.针对贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，应用Netica算法处理，经事故因素、延误因素分别所对应其预设各状态下统计概率的获得，进一步获得综合风险因素对应其预设各状态下的统计概率，然后进入步骤G；
步骤G.根据综合风险因素对应其预设各状态的重要度系数，针对综合风险因素对应其预设各状态下的统计概率，执行加权计算，即获得目标区域对应综合风险因素的结果，并根据该结果与综合风险因素所对应预设各状态之间的对应关系，获得目标区域的预测状态，针对目标区域的交通运行实现风险预测。
2.根据权利要求1所述一种交通运行风险预测方法，其特征在于，所述步骤B包括如下步骤B1至步骤B6；
步骤B1.初始化i＝1，并进入步骤B2；
步骤B2.初始化j等于除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，并进入步骤B3；其中，i∈{1、…、N}，j∈{1、…、N}，N表示目标区域所对应风险因素的个数，N≥2；
步骤B3.基于ai,j＝0表示第i个风险因素对第j个风险因素不存在影响，以及ai,j＝1表示第i个风险因素对第j个风险因素存在影响，针对第i个风险因素对第j个风险因素是否存在影响，随机获得ai,j所对应的m个随机值，并进入步骤B4；
步骤B4.针对ai,j所对应的各个随机值，统计其中为1的个数Vi,j,1，以及统计其中为0的个数Vi,j,0，并判断max{Vi,j,1,Vi,j,0}≥c×m是否成立，是则应用max{Vi,j,1,Vi,j,0}所对应ai,j的随机值，作为ai,j的值，然后进入步骤B5；否则返回步骤B3；其中，c表示预设比例阈值；
步骤B5.判断是否存在除i以外、未参与步骤B3至步骤B5关于第i个风险因素对其它风险因素是否存在影响的处理的风险因素的序号，是则返回步骤B2；否则进入步骤B6；
步骤B6.判断i的值是否等于N，是则即获得两两风险因素之间的有向性影响评定值，并构成二元关系库，否则针对i的值进行加1更新。
3.根据权利要求1所述一种交通运行风险预测方法，其特征在于，所述步骤D包括如下步骤D1至步骤D5；
步骤D1.针对二维邻接矩阵U，结合维度与二维邻接矩阵维度相同，且相同风险因素之间所对应值等于1、其余等于0的二维单位矩阵I，应用X＝U+I，获得矩阵X，然后进入步骤D2；
步骤D2.初始化m＝1，并进入步骤D3；
步骤D3.根据Dm＝Xm，获得矩阵Dm，然后若m等于1，则进入步骤D5；若m不等于1，则进入步骤D4；
步骤D4.判断Dm是否等于Dm-1，是则由矩阵Dm作为二维邻接矩阵所对应的二维可达矩阵，否则进入步骤D5；
步骤D5.针对m的值进行加1更新，并返回步骤D3。
4.根据权利要求1所述一种交通运行风险预测方法，其特征在于，所述步骤E包括如下步骤E1-1至步骤E1-7；
步骤E1-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E1-2；
步骤E1-2.查找二维可达矩阵副本中分别仅包含一个“1”的各行，获得该各行分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E1-3；
步骤E1-3.判断二维可达矩阵副本是否为空，是则进入步骤E1-4；否则针对n的值进行加1更新，并返回步骤E1-2；
步骤E1-4.初始化l＝n，并进入步骤E1-5；
步骤E1-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E1-5-1至步骤E1-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E1-6；
步骤E1-5-1.判断l是否大于2，是则进入步骤E1-5-2；否则进入步骤E1-5-3；
步骤E1-5-2.根据二维可达矩阵，判断网络第l-1层与第l-2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E1-5-3.根据二维可达矩阵，判断网络第l-1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E1-6.判断l是否等于2，是则进入步骤E1-7；否则针对l的值进行减1更新，并返回步骤E1-5；
步骤E1-7.将事故因素、延误因素、综合风险因素作为网络中第1层外侧的各个目标节点，并且构建第1层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
5.根据权利要求1所述一种交通运行风险预测方法，其特征在于，所述步骤E包括如下步骤E2-1至步骤E2-7；
步骤E2-1.获得二维可达矩阵的副本，即二维可达矩阵副本，然后初始化n＝1，并进入步骤E2-2；
步骤E2-2.查找二维可达矩阵副本中分别仅包含一个“1”的各列，获得该各列分别所对应的风险因素，由该各个风险因素作为网络中第n层的各个中间节点，并删除二维可达矩阵副本中该各个风险因素所对应的行与列，更新二维可达矩阵副本，然后进入步骤E2-3；
步骤E2-3.判断二维可达矩阵副本是否为空，是则进入步骤E2-4；否则针对n的值进行加1更新，并返回步骤E2-2；
步骤E2-4.初始化l＝1，并进入步骤E2-5；
步骤E2-5.分别针对网络第l层中的各个中间节点，将该中间节点作为待处理中间节点，并执行如下步骤E2-5-1至步骤E2-5-3，完成对待处理中间节点的操作；进而完成对网络第l层中各中间节点的操作后，进入步骤E2-6；
步骤E2-5-1.判断n-l是否大于1，是则进入步骤E2-5-2；否则进入步骤E2-5-3；
步骤E2-5-2.根据二维可达矩阵，判断网络第l+1层与第l+2层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E2-5-3.根据二维可达矩阵，判断网络第l+1层中是否存在受待处理中间节点所影响的中间节点，是则构建待处理中间节点分别指向该各个中间节点的有向边，完成对待处理中间节点的操作；否则不做任何操作，即完成对待处理中间节点的操作；
步骤E2-6.判断n-l是否等于1，是则进入步骤E2-7；否则针对l的值进行加1更新，并返回步骤E2-5；
步骤E2-7.将事故因素、延误因素、综合风险因素作为网络中第n层外侧的各个目标节点，并且构建第n层中各个中间节点分别到事故因素目标节点、延误因素目标节点的全连接有向边，以及构建事故因素目标节点、延误因素目标节点分别到综合风险因素目标节点的有向边，该网络即为所获贝叶斯网络，然后进入步骤F。
6.根据权利要求1所述一种交通运行风险预测方法，其特征在于，所述步骤F中关于贝叶斯网络中各中间节点风险因素分别所对应其预设各状态下的统计概率，根据如下方法获得：
若风险因素关于目标区域的硬件设施，则基于硬件设施数量的统计，获得该风险因素对应其预设各状态下的统计概率；
若风险因素关于目标区域涉及时间变化的数据，则针对以当前时刻为起点向历史时间方向的预设时长范围内、通过对该风险因素的数据统计，获得该风险因素对应其预设各状态下的统计概率。
7.一种针对权利要求1至6中任意一项所述交通运行风险预测方法的系统，其特征在于：包括风险因素选取模块、风险因素影响评定模块、邻接矩阵建立模块、可达矩阵建立模块、贝叶斯网络构建模块、节点概率计算模块、交通运行风险值计算模块；
其中，风险因素选取模块用于执行步骤A；风险因素影响评定模块用于执行步骤B；邻接矩阵建立模块用于执行步骤C；可达矩阵建立模块用于执行步骤D；贝叶斯网络构建模块用于执行步骤E；节点概率计算模块用于执行步骤F；交通运行风险值计算模块用于执行步骤G。
CN202011337363.6A 2020-11-25 2020-11-25 一种交通运行风险预测方法及系统 Active CN112488375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011337363.6A CN112488375B (zh) 2020-11-25 2020-11-25 一种交通运行风险预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011337363.6A CN112488375B (zh) 2020-11-25 2020-11-25 一种交通运行风险预测方法及系统

Publications (2)

Publication Number Publication Date
CN112488375A true CN112488375A (zh) 2021-03-12
CN112488375B CN112488375B (zh) 2022-11-15

Family

ID=74934232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011337363.6A Active CN112488375B (zh) 2020-11-25 2020-11-25 一种交通运行风险预测方法及系统

Country Status (1)

Country Link
CN (1) CN112488375B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837582A (zh) * 2021-09-17 2021-12-24 武汉理工大学 城市道路交通安全关键风险识别方法、装置及电子设备
CN116524444A (zh) * 2023-04-10 2023-08-01 盐城工学院 一种基于目标检测的交通安全风险诊断方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711005A (zh) * 2018-05-14 2018-10-26 重庆大学 基于qar数据与贝叶斯网络的飞行风险分析方法
CN111178764A (zh) * 2019-12-30 2020-05-19 中国矿业大学(北京) 一种大型活动踩踏事故动态风险评估方法
CN111598352A (zh) * 2020-05-25 2020-08-28 哈尔滨工业大学 一种基于贝叶斯网络的混凝土梁式桥综合评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711005A (zh) * 2018-05-14 2018-10-26 重庆大学 基于qar数据与贝叶斯网络的飞行风险分析方法
CN111178764A (zh) * 2019-12-30 2020-05-19 中国矿业大学(北京) 一种大型活动踩踏事故动态风险评估方法
CN111598352A (zh) * 2020-05-25 2020-08-28 哈尔滨工业大学 一种基于贝叶斯网络的混凝土梁式桥综合评估方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837582A (zh) * 2021-09-17 2021-12-24 武汉理工大学 城市道路交通安全关键风险识别方法、装置及电子设备
CN116524444A (zh) * 2023-04-10 2023-08-01 盐城工学院 一种基于目标检测的交通安全风险诊断方法和装置
CN116524444B (zh) * 2023-04-10 2023-12-15 盐城工学院 一种基于目标检测的交通安全风险诊断方法和装置

Also Published As

Publication number Publication date
CN112488375B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN109191896B (zh) 个性化停车位推荐方法和系统
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
Zhang et al. A framework for passengers demand prediction and recommendation
CN112488375B (zh) 一种交通运行风险预测方法及系统
CN106595665A (zh) 一种障碍空间中移动对象时空轨迹的预测方法
CN112797995B (zh) 具有时空特性态势信息的车辆应急导航方法
CN108960498A (zh) 一种基于时序关联规则的交通拥堵预测方法
CN113780665B (zh) 一种基于增强循环神经网络的私家车停留位置预测方法和系统
Kita et al. A game theoretic analysis of merging-giveway interaction: a joint estimation model
CN112381470B (zh) 基于智能体的交通流量分配方法、设备及存储介质
Lord-Attivor et al. Modeling gap acceptance and driver behavior at stop controlled (priority) intersections in developing countries
Li et al. MADM-based smart parking guidance algorithm
CN111882092A (zh) 一种适用于共享出行的出租车车辆搜索方法
CN115713174A (zh) 一种无人机城市巡检系统及方法
Zhao et al. Highway traffic crash risk prediction method considering temporal correlation characteristics
CN113159577B (zh) 基于群智感知的城市道路规划方法
CN112270470B (zh) 一种危险驾驶场景数据分析方法及系统
CN116824868B (zh) 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
CN117671979A (zh) 一种基于知识图谱的智慧城市数据管理系统与方法
CN116935643A (zh) 交通管理方法、装置、设备及存储介质
CN116258284A (zh) 一种交通及施工组织方案优化决策方法及系统
CN107832621B (zh) 基于ahp的行为信任证据的权重计算方法
CN114444400A (zh) 一种自主代客泊车群车库位分配方法
CN115146840A (zh) 一种基于数据驱动的轨道交通新线接入客流预测方法
CN114255588A (zh) 区域机动车违法停车预测方法、存储介质及设备

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