CN112509376B - 一种隧道动态区块划分方法及系统 - Google Patents
一种隧道动态区块划分方法及系统 Download PDFInfo
- Publication number
- CN112509376B CN112509376B CN202011133384.6A CN202011133384A CN112509376B CN 112509376 B CN112509376 B CN 112509376B CN 202011133384 A CN202011133384 A CN 202011133384A CN 112509376 B CN112509376 B CN 112509376B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- section
- outside
- safety
- block
- 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
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种隧道动态区块划分方法及系统,包括步骤1,初步划分地段;步骤2,计算区块划分最小单元;步骤3,均分区块;步骤4,对均分后的区块进行安全态势分析;步骤5,进行隧道区块安全域二分类分析;步骤6,区块细分或合并;步骤7,循环评估和划分;本发明根据隧道实时评估的安全态势值,根据安全态势值将隧道区块进行分类,完成了对隧道潜在的高危区域进行重点监控,安全区块的合并,实现对隧道区块的动态划分与合并,帮助分析隧道内实时的安全状态,并且减小隧道交通安全评估的工作量。通过完成对隧道区块的动态划分,能通过各区块安全态势的值与变化趋势合理分析隧道内潜在的交通安全隐患,有利于合理规划交通,实现智能诱导。
Description
【技术领域】
本发明属于领域,涉及一种方法,尤其是一种隧道动态区块划分方法及系统。
【背景技术】
目前,针对隧道的交通安全评估多通过针对隧道环境与整体交通量来进行分析,这种评价方法只考虑了隧道整体的安全态势,未考虑隧道内各个区段安全系数不等的因素,无法实现对隧道内潜在的高危区域进行重点监控。然而,简单的对隧道进行静态的均匀划分后再进行安全评估,会极大的增加工作量且没有科学理论作为支撑。因此,有必要针对隧道内实时的交通状况完成对不同区块的安全评估,既能实现对潜在危险区域的重点监控,又能极大的减小安全评估的工作量。
【发明内容】
本发明的目的在于解决现有隧道交通安全评估无法实现对隧道内潜在的高危区域进行重点监控,若对隧道进行静态的均匀划分,又存在工作量大且没有科学理论支撑的问题,提供一种隧道动态区块划分方法及系统。
为达到上述目的,本发明采用以下技术方案予以实现:
一种隧道动态区块划分方法,包括以下步骤,
步骤1,初步划分地段
根据车辆在隧道内外限速要求、驾驶人员进入隧道后适应环境变化所需时间,以及车辆在隧道内外制动距离,沿行车方向对隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;
步骤2,计算区块划分最小单元
基于隧道交通的跟驰模型,计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元,以隧道外前车突然停止时的最小安全距离作为位于隧道外的区块划分最小单元;
步骤3,均分区块
分别按位于隧道内的区块划分最小单元和位于隧道外的区块划分最小单元对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
步骤4,对均分后的区块进行安全态势分析
对经步骤3均分后的各段区块进行安全态势分析;
步骤5,进行隧道区块安全域二分类分析
根据随机森林的二分类模型对隧道区段进行二分类;
步骤6,区块细分或合并
根据步骤5,当区段计算为非安全域时,或者根据步骤4,该区段的安全态势低于60时,对区段进行细分;当根据步骤5区段计算为安全域时,并且根据步骤4该区段的安全态势高于60时,对相邻的区段进行合并;
步骤7,循环评估和划分
对经步骤6合并后的相邻段重新进行实时安全态势分析,所述安全态势分析的方法与步骤4相同,若安全态势分析低于预设安全态势阈值,则重复步骤5至步骤7,实现动态区块重新划分。
本发明进一步的改进在于:
所述步骤1的具体方法如下:
根据车辆在隧道内限速80km/h,在隧道外限速120km/h;驾驶人员进入隧道适应环境变化时间为9s,车辆在隧道内制动距离200m,车辆在隧道外制动距离300m,沿行车方向将隧道内和隧道两端外部路段划分为6个地段:
隧道内入口连接段:隧道内入口处200m;
隧道内出口连接段:隧道内出口处200m;
隧道中段:隧道内入口连接段和隧道内出口连接段之间;
隧道外入口连接段:隧道入口外300m;
隧道外出口连接段:隧道出口外300m;
准备段:隧道外入口连接段向远离隧道方向延伸1000m。
所述步骤2中,计算隧道内外前车突然停止时的最小安全距离的具体方法如下:
通过下式计算得到最小安全距离S:
其中,v0为跟驰车制动前的初速度,td为制动迟滞时间,amax为跟驰车制动最大减速度,d为跟驰车制动后与前导车之间的安全距离;
计算行车时隧道外前车突然停止的最小安全距离时,v0为120km/h,td为2s,amax为7m/s2,d为3m;
计算行车时隧道内前车突然停止的最小安全距离时,v0为80km/h,td为2s,amax为7m/s2,d为3m。
所述步骤4的具体方法如下:
步骤4.1,利用层次分析法确定影响隧道交通安全的影响因素;
步骤4.2,利用熵权法-AHP法计算各所述影响因素的权重;
步骤4.3,利用可拓法描述各所述影响因素;
步骤4.4,基于可拓云模型中的标准云模型建立隧道交通安全评估模型;
步骤4.5,将采集到的交通流参数输入到步骤4中的评估模型,得到评价的安全态势云关联度,云关联度分为五级,左后得到该区段的安全态势的等级。
所述步骤5中,隧道区块安全域二分类的具体方法如下:
将影响交通安全的交通流参数作为描述系统运行状态的状态空间变量,将采集到的交通流信息输入到基于历史数据建立的随机森林二分类模型中,得到区段为安全域与非安全域的结果。
建立随机森林二分类模型的具体方法如下:
步骤5-1,数据输入
输入矩阵为隧道内车辆运行状态影响因素数据集
步骤5-2,RF提取风险特征矩阵Gpk
定义在隧道环境条件p下的第k个样本的交通流参数向量为upk,RF提取交通运行状态的过程表示为:
Gpk=f(upk)
f为RF中运算的非线性函数关系;
步骤5-3,RF对风险特征进行判定
(1)构建j棵分类树,应用bootstrap法有放回地从风险特征矩阵Gpk中随机抽取j个新的自主样本集;
(2)设有θ个变量,则在每1棵树的每个节点处随机抽取θ个变量,然后在θ中选择1个最具有分类能力的变量,变量分类的阈值通过检查每1个分类点来确定;
(3)使每棵树最大限度地生长;
(4)将生成的多棵分类树组成随机森林,利用每一颗树被选择的概率大小y来判定安全域结果,其中y=j|θ。
步骤7中,隧道区段的实时安全态势等级低于三级时判定该隧道区段的安全态势低。
一种隧道动态区块划分系统,包括:
初步划分地段模块,用于将隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;
区块划分最小单元计算模块,用于计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元;
区块均分模块,用于对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
安全态势分析模块,对均分后的各段区块进行安全态势分析;
隧道区块安全域二分类分析模块,用于根据随机森林的二分类模型对隧道区段进行二分类;
区块细分与合并模块,当区段计算为非安全域时,或者该区段的安全态势低于60时,对区段进行细分;当区段计算为安全域时,并且该区段的安全态势高于60时,对相邻的区段进行合并;
循环评估和划分模块,对合并后的相邻段重新进行实时安全态势分析。
与现有技术相比,本发明具有以下有益效果:
本发明根据隧道实时评估的安全态势值,根据安全态势值将隧道区块进行分类,完成了对隧道潜在的高危区域进行重点监控,安全区块的合并,实现对隧道区块的动态划分与合并,帮助分析隧道内实时的安全状态,并且减小隧道交通安全评估的工作量。通过完成对隧道区块的动态划分,能通过各区块安全态势的值与变化趋势合理分析隧道内潜在的交通安全隐患,有利于合理规划交通,实现智能诱导。
【附图说明】
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明隧道动态区块划分方法实施例的流程示意图;
图2为本发明实施例中隧道预分段示意图;
图3为本发明实施例中隧道区块分割示意图;
图4为本发明实施例中隧道区块合并示意图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图和实施例对本发明作进一步详细的说明。
参见图1,本发明隧道动态区块划分方法,包括以下步骤,
步骤1,初步划分地段
根据车辆在隧道内外限速要求、驾驶人员进入隧道后适应环境变化所需时间,以及车辆在隧道内外制动距离,沿行车方向对隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;具体方法如下:
根据车辆在隧道内限速80km/h,在隧道外限速120km/h;驾驶人员进入隧道适应环境变化时间为9s,车辆在隧道内制动距离200m,车辆在隧道外制动距离300m,沿行车方向将隧道内和隧道两端外部路段划分为6个地段:
隧道内入口连接段:隧道内入口处200m;
隧道内出口连接段:隧道内出口处200m;
隧道中段:隧道内入口连接段和隧道内出口连接段之间;
隧道外入口连接段:隧道入口外300m;
隧道外出口连接段:隧道出口外300m;
准备段:隧道外入口连接段向远离隧道方向延伸1000m。
步骤2,计算区块划分最小单元
基于隧道交通的跟驰模型,计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元,以隧道外前车突然停止时的最小安全距离作为位于隧道外的区块划分最小单元;
计算隧道内外前车突然停止时的最小安全距离的具体方法如下:
通过下式计算得到最小安全距离S:
其中,v0为跟驰车制动前的初速度,td为制动迟滞时间,amax为跟驰车制动最大减速度,d为跟驰车制动后与前导车之间的安全距离;
计算行车时隧道外前车突然停止的最小安全距离时,v0为120km/h,td为2s,amax为7m/s2,d为3m;
计算行车时隧道内前车突然停止的最小安全距离时,v0为80km/h,td为2s,amax为7m/s2,d为3m。
步骤3,均分区块
分别按位于隧道内的区块划分最小单元和位于隧道外的区块划分最小单元对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
步骤4,对均分后的区块进行安全态势分析
对经步骤3均分后的各段区块进行安全态势分析,具体方法如下:
步骤4.1,利用层次分析法确定影响隧道交通安全的影响因素;
步骤4.2,利用熵权法-AHP法计算各所述影响因素的权重;
步骤4.3,利用可拓法描述各所述影响因素;
步骤4.4,基于可拓云模型中的标准云模型建立隧道交通安全评估模型;
步骤4.5,将采集到的交通流参数输入到步骤4中的评估模型,得到评价的安全态势云关联度,云关联度分为五级,左后得到该区段的安全态势的等级。
步骤5,进行隧道区块安全域二分类分析
根据随机森林的二分类模型对隧道区段进行二分类,具体方法如下:
将影响交通安全的交通流参数作为描述系统运行状态的状态空间变量,将采集到的交通流信息输入到基于历史数据建立的随机森林二分类模型中,得到区段为安全域与非安全域的结果。影响交通安全的交通流参数包括但不限于交通量、速度、时间占有率以及跟车百分比。
建立随机森林二分类模型的具体方法如下:
步骤5-1,数据输入
输入矩阵为隧道内车辆运行状态影响因素数据集
步骤5-2,RF提取风险特征矩阵Gpk
定义在隧道环境条件p下的第k个样本的交通流参数向量为upk,RF提取交通运行状态的过程表示为:
Gpk=f(upk)
f为RF中运算的非线性函数关系;
步骤5-3,RF对风险特征进行判定
(1)构建j棵分类树,应用bootstrap法有放回地从风险特征矩阵Gpk中随机抽取j个新的自主样本集;
(2)设有θ个变量,则在每1棵树的每个节点处随机抽取θ个变量,然后在θ中选择1个最具有分类能力的变量,变量分类的阈值通过检查每1个分类点来确定;
(3)使每棵树最大限度地生长;
(4)将生成的多棵分类树组成随机森林,利用每一颗树被选择的概率大小y来判定安全域结果,其中y=j|θ。
步骤6,进行合并
根据步骤5,当区段计算为非安全域时,或者根据步骤4,该区段的安全态势低于60时,对区段进行细分;当根据步骤5区段计算为安全域时,并且根据步骤4该区段的安全态势高于60时,对相邻的区段进行合并;
步骤7,循环评估和划分
对经步骤6合并后的相邻段重新进行实时安全态势分析,所述安全态势分析的方法与步骤4相同,若安全态势分析低于预设安全态势阈值,则重复步骤5至步骤7,实现动态区块重新划分。其中,隧道区段的实时安全态势等级低于三级时判定该隧道区段的安全态势低。
本发明还公开了一种隧道动态区块划分系统,包括:
初步划分地段模块,用于将隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;
区块划分最小单元计算模块,用于计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元;
区块均分模块,用于对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
安全态势分析模块,对均分后的各段区块进行安全态势分析;
隧道区块安全域二分类分析模块,用于根据随机森林的二分类模型对隧道区段进行二分类;
区块细分与合并模块,当区段计算为非安全域时,或者该区段的安全态势低于60时,对区段进行细分;当区段计算为安全域时,并且该区段的安全态势高于60时,对相邻的区段进行合并;
循环评估和划分模块,对合并后的相邻段重新进行实时安全态势分析。
如附图1所示,隧道动态分段方法首先根据高速公路行车的速度标准,将隧道分为6类,通过对6段,对6段隧道区块进行实时安全评估,当安全态势值低于阈值是,将该区块进行分割,分割方法为:首先计算分段的边界条件用以判断区块划分的起点与终点,然后计算划分区块的最小单元长度,完成区块划分;对划分后的区块进行安全评估,对安全态势低于阈值时,对相邻的区块进行聚类分析,对分析结果为一类的相邻区块进行合并,继续进行安全评估,循环执行此过程,实现对隧道的动态分块。
如附图2所示,根据高速公路行车速度将隧道分为6段,分别为进出隧道连接段前的准备路段,长度为1000m,隧道外入口连接段为300m,隧道内入口连接段为200m,隧道中段,隧道内出口连接段200m,隧道外出口连接段300m。
如附图3所示,根据实时计算的安全态势值对分块前的各个区块进行判断,首先计算区块分段的边界条件,即计算安全态势的阈值,当该区段的安全态势值高于阈值时,计算该区段分块的最小单元长度,完成区块分段。
如附图4所示,根据实时计算的安全态势值对分块后的各个区块进行判断,首先计算区块合并的边界条件,即计算安全态势的阈值,当该区段的安全态势值低于阈值时,对相邻两区块进行聚类分析,将属于一类的相邻区块进行合并,完成区块合并。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种隧道动态区块划分方法,其特征在于,包括以下步骤,
步骤1,初步划分地段
根据车辆在隧道内外限速要求、驾驶人员进入隧道后适应环境变化所需时间,以及车辆在隧道内外制动距离,沿行车方向对隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;
步骤2,计算区块划分最小单元
基于隧道交通的跟驰模型,计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元,以隧道外前车突然停止时的最小安全距离作为位于隧道外的区块划分最小单元;
步骤3,均分区块
分别按位于隧道内的区块划分最小单元和位于隧道外的区块划分最小单元对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
步骤4,对均分后的区块进行安全态势分析
对经步骤3均分后的各段区块进行安全态势分析;
步骤5,进行隧道区块安全域二分类分析
根据随机森林的二分类模型对隧道区段进行二分类;
步骤6,区块细分或合并
根据步骤5,当区段计算为非安全域时,或者根据步骤4,该区段的安全态势低于60时,对区段进行细分;当根据步骤5区段计算为安全域时,并且根据步骤4该区段的安全态势高于60时,对相邻的区段进行合并;
步骤7,循环评估和划分
对经步骤6合并后的相邻段重新进行实时安全态势分析,所述安全态势分析的方法与步骤4相同,若安全态势分析低于预设安全态势阈值,则重复步骤5至步骤7,实现动态区块重新划分。
2.根据权利要求1所述的隧道动态区块划分方法,其特征在于,所述步骤1的具体方法如下:
根据车辆在隧道内限速80km/h,在隧道外限速120km/h;驾驶人员进入隧道适应环境变化时间为9s,车辆在隧道内制动距离200m,车辆在隧道外制动距离300m,沿行车方向将隧道内和隧道两端外部路段划分为6个地段:
隧道内入口连接段:隧道内入口处200m;
隧道内出口连接段:隧道内出口处200m;
隧道中段:隧道内入口连接段和隧道内出口连接段之间;
隧道外入口连接段:隧道入口外300m;
隧道外出口连接段:隧道出口外300m;
准备段:隧道外入口连接段向远离隧道方向延伸1000m。
4.根据权利要求1所述的隧道动态区块划分方法,其特征在于,所述步骤4的具体方法如下:
步骤4.1,利用层次分析法确定影响隧道交通安全的影响因素;
步骤4.2,利用熵权法-AHP法计算各所述影响因素的权重;
步骤4.3,利用可拓法描述各所述影响因素;
步骤4.4,基于可拓云模型中的标准云模型建立隧道交通安全评估模型;
步骤4.5,将采集到的交通流参数输入到步骤4中的评估模型,得到评价的安全态势云关联度,云关联度分为五级,左后得到该区段的安全态势的等级。
5.根据权利要求1所述的隧道动态区块划分方法,其特征在于,所述步骤5中,隧道区块安全域二分类的具体方法如下:
将影响交通安全的交通流参数作为描述系统运行状态的状态空间变量,将采集到的交通流信息输入到基于历史数据建立的随机森林二分类模型中,得到区段为安全域与非安全域的结果。
6.根据权利要求5所述的隧道动态区块划分方法,其特征在于,建立随机森林二分类模型的具体方法如下:
步骤5-1,数据输入
输入矩阵为隧道内车辆运行状态影响因素数据集
步骤5-2,RF提取风险特征矩阵Gpk
定义在隧道环境条件p下的第k个样本的交通流参数向量为upk,RF提取交通运行状态的过程表示为:
Gpk=f(upk)
f为RF中运算的非线性函数关系;
步骤5-3,RF对风险特征进行判定
(1)构建j棵分类树,应用bootstrap法有放回地从风险特征矩阵Gpk中随机抽取j个新的自主样本集;
(2)设有θ个变量,则在每1棵树的每个节点处随机抽取θ个变量,然后在θ中选择1个最具有分类能力的变量,变量分类的阈值通过检查每1个分类点来确定;
(3)使每棵树最大限度地生长;
(4)将生成的多棵分类树组成随机森林,利用每一颗树被选择的概率大小y来判定安全域结果,其中y=j|θ。
7.根据权利要求1所述的隧道动态区块划分方法,其特征在于,步骤7中,隧道区段的实时安全态势等级低于三级时判定该隧道区段的安全态势低。
8.一种隧道动态区块划分系统,其特征在于,包括:
初步划分地段模块,用于将隧道内和隧道两端外部路段进行初步划分,划分为多个地段,该多个地段共同组成区块;
区块划分最小单元计算模块,用于计算隧道内外前车突然停止时的最小安全距离,并以隧道内前车突然停止时的最小安全距离作为位于隧道内的区块划分最小单元;
区块均分模块,用于对位于隧道内的区块和位于隧道外态势分析的区块进行均分;
安全态势分析模块,对均分后的各段区块进行安全态势分析;
隧道区块安全域二分类分析模块,用于根据随机森林的二分类模型对隧道区段进行二分类;
区块细分与合并模块,当区段计算为非安全域时,或者该区段的安全态势低于60时,对区段进行细分;当区段计算为安全域时,并且该区段的安全态势高于60时,对相邻的区段进行合并;
循环评估和划分模块,对合并后的相邻段重新进行实时安全态势分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011133384.6A CN112509376B (zh) | 2020-10-21 | 2020-10-21 | 一种隧道动态区块划分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011133384.6A CN112509376B (zh) | 2020-10-21 | 2020-10-21 | 一种隧道动态区块划分方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112509376A CN112509376A (zh) | 2021-03-16 |
CN112509376B true CN112509376B (zh) | 2022-03-04 |
Family
ID=74954279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011133384.6A Active CN112509376B (zh) | 2020-10-21 | 2020-10-21 | 一种隧道动态区块划分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509376B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639744A (zh) * | 2019-02-27 | 2019-04-16 | 深信服科技股份有限公司 | 一种dns隧道的检测方法及相关设备 |
CN110210121A (zh) * | 2019-05-31 | 2019-09-06 | 成都理工大学 | 一种隧道大变形灾害的动态风险获取方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警系统及其方法 |
CN102855395B (zh) * | 2012-08-16 | 2015-05-20 | 长安大学 | 一种道路交通事故多发位置鉴别方法 |
CN103593971B (zh) * | 2013-11-15 | 2016-04-27 | 北京世纪高通科技有限公司 | 交通信息的处理方法及装置 |
US9697731B2 (en) * | 2014-01-20 | 2017-07-04 | Here Global B.V. | Precision traffic indication |
CN106504164A (zh) * | 2016-10-19 | 2017-03-15 | 东南大学 | 一种城乡结合部低等级道路速度控制区段的划分方法 |
CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
CN108921372A (zh) * | 2018-05-17 | 2018-11-30 | 西南交通大学 | 基于层次分析和可拓物元的高速公路隧道运营安全风险评价方法 |
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 |
CN111523796A (zh) * | 2020-04-21 | 2020-08-11 | 西南石油大学 | 非煤隧道有害气体危害评价方法 |
-
2020
- 2020-10-21 CN CN202011133384.6A patent/CN112509376B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639744A (zh) * | 2019-02-27 | 2019-04-16 | 深信服科技股份有限公司 | 一种dns隧道的检测方法及相关设备 |
CN110210121A (zh) * | 2019-05-31 | 2019-09-06 | 成都理工大学 | 一种隧道大变形灾害的动态风险获取方法 |
Non-Patent Citations (5)
Title |
---|
IT-based tunnelling risk management system (IT-TURISK) – Development and implementation;Chungsik Yoo,Young-Woo Jeon,Byoung-Suk Choi;《Tunnelling and Underground Space Technology incorporating Trenchless Technology Research 》;20051231;全文 * |
公路隧道安全等级研究;夏永旭;《安全与环境学报》;20061231;全文 * |
基于固定步长道路分段的累计频率曲线事故鉴别方法在山区高速公路中的应用;王晓飞;《交通标准化》;20120908(第17期);全文 * |
山区高速公路交通安全分析与改善措施研究;杨永红等;《公路》;20150125(第01期);全文 * |
高速公路交通安全与道路线形和主要交通流特性的关系;雷桂荣等;《公路与汽运》;20181010(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112509376A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
Yang et al. | A parallel FP-growth mining algorithm with load balancing constraints for traffic crash data | |
CN106530717B (zh) | 基于云模型的施工路段行车险态评价方法 | |
CN106095963A (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
CN110636048B (zh) | 一种基于ecu信号特征标识符的车载入侵检测方法及系统 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
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 | |
Ghadi et al. | Integration of probability and clustering based approaches in the field of black spot identification | |
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 | |
CN112150046A (zh) | 一种道路交叉口安全风险指数计算方法 | |
CN102789690A (zh) | 违法车辆甄别方法及系统 | |
CN106650113A (zh) | 一种基于模糊聚类的桥梁监测数据异常情况识别方法 | |
CN106326915A (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
CN107160950A (zh) | 一种基于can总线的车辆行驶状态识别方法 | |
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 | |
CN112509376B (zh) | 一种隧道动态区块划分方法及系统 | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
Hofmockel et al. | Isolation Forest for Anomaly Detection in Raw Vehicle Sensor Data. | |
CN106650801A (zh) | 一种基于gps数据的多类型车辆分类方法 | |
CN108241866A (zh) | 一种对驾驶行为进行引导的方法、装置和车辆 |
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 |