CN112579973B - 一种多源不确定输入下事故再现车速的模糊表达方法 - Google Patents

一种多源不确定输入下事故再现车速的模糊表达方法 Download PDF

Info

Publication number
CN112579973B
CN112579973B CN202011524978.XA CN202011524978A CN112579973B CN 112579973 B CN112579973 B CN 112579973B CN 202011524978 A CN202011524978 A CN 202011524978A CN 112579973 B CN112579973 B CN 112579973B
Authority
CN
China
Prior art keywords
accident
vehicle speed
overspeed
fuzzy
reappearance
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
Application number
CN202011524978.XA
Other languages
English (en)
Other versions
CN112579973A (zh
Inventor
邹铁方
胡林
李平凡
张勇刚
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202011524978.XA priority Critical patent/CN112579973B/zh
Publication of CN112579973A publication Critical patent/CN112579973A/zh
Application granted granted Critical
Publication of CN112579973B publication Critical patent/CN112579973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Traffic Control Systems (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)

Abstract

针对现有研究未提供痕迹、模型混合不确定输入下再现车速是否超速的解决方案，本发明提出了一种多源不确定输入下事故再现车速的模糊表达方法，先依据事故路段限速值将车速分为7级以获得事故再现车速模糊集合，然后将不同模型所得不确定再现车速模糊化并根据模型信度对事故再现车速模糊集中各个元素的隶属度进行修正后，获得事故再现车速模糊矩阵，再用取均值法获得事故再现车速列向量，进一步地用最大值法获得事故再现车速模糊集合中的单一元素，最终将上述结果均输出以构成多源不确定输入下事故再现车速的模糊表达。与现有技术相比，本发明的有益效果是：通过给出多元结果解决痕迹、模型混合不确定输入下事故再现车速是否超速的问题。

Description

一种多源不确定输入下事故再现车速的模糊表达方法
技术领域
本发明涉及事故再现领域，更具体地，涉及一种多源不确定输入下事故再现车速的模糊表达方法。
背景技术
事故再现是开展交通事故深度调查的重要手段，通过再现事故可以获得车速、人体详细损伤等诸多有价值的信息。其中，车速再现又是事故再现的重中之重。但用于事故再现的模型和痕迹均包含不确定性，其中痕迹的不确定性主要因痕迹随时间慢慢消逝所致、而模型的不确定性主要因模型适用场景与真实事故场景不一致所致，在如此多源不确定条件综合作用下如何获得一个客观的事故再现结果，成为一个极具价值的研究课题。
针对痕迹不确定性问题，已有诸多成熟的诸如上下界、差分、响应曲面等方法，通过这些方法可以获得事故车辆车速及其包含的区间、概率或两者混合的不确定信息。针对模型的不确定性问题，已有研究中既有提出高精度事故再现车速获取方法的成果、亦有通过加权算子或蒙特卡洛等方法对多模型事故再现车速进行融合或排序的方案。这些方法的提出，为获取更高精度、更可靠的事故再现车速提供了可信的解决方案，但亦存在不足。事故再现的目的之一是获得用于事故鉴定的事故车辆车速，而人们对事故车辆车速的关注点在于是否超速及超速多少的问题。在现有研究中，除有极少量文献基于蒙特卡洛方法探索了单一模型下事故再现车速是否超速的问题，对于多模型所得多个不确定事故再现车速的超速问题则无解决方案。
发明内容
针对现有研究成果未提供痕迹、模型混合不确定输入下事故再现车速是否超速的解决方案，本发明提出一种多源不确定输入下事故再现车速的模糊表达方法，实施步骤如下：
S1：依据事故路段限速值将事故再现车速分为7级，分别为{未超速，超速10％，超速20％，超速30％，超速50％，超速70％，高超速}，以此构成多源不确定输入下事故再现车速模糊集合；
S2：将不同模型所得结果及其包含的不确定性信息进行模糊化处理，获得给定模型下事故再现车速模糊集合中各个元素的隶属度；
S3：根据模型的信度，修正步骤S2中所得不同模型下事故再现车速模糊集合中各个元素的隶属度；
S4：给出事故再现车速模糊集合中各个元素的模糊表达方案，进而依据所有元素及其模糊表达方案给出事故再现车速模糊矩阵；
S5：运用求均值的方法对事故再现车速模糊矩阵的每一行去模糊化，得到去模糊化后的事故再现车速列向量；
S6:运用求最大值的方法对事故再现车速列向量去模糊化，得到事故再现车速模糊集合中的单一元素；
S7：将步骤S4、S5及S6中事故再现车速模糊矩阵、事故再现车速列向量及事故再现车速模糊集合中的单一元素作为最终结果输出。
优选地，步骤S1中事故再现车速模糊集合中元素的定义为：假定某路段限速值为v0，事故再现所得车速为v1，则未超速指v1<v0；超速10％指0<(v1-v0)/v0≤10％；超速20％指10％<(v1-v0)/v0≤20％；超速30％指20％<(v1-v0)/v0≤30％；超速50％指30％<(v1-v0)/v0≤50％；超速70％指50％<(v1-v0)/v0≤70％；高超速指(v1-v0)/v0>70％。
优选地，步骤S2中将不同模型所得结果及其包含的不确定性信息进行模糊化处理的方法如下：根据第i个模型所得不确定事故再现车速所包含的概率信息生成107个随机数，如事故再现车速为区间则视其服从均匀分布，然后统计落在事故再现车速模糊集合中第j个元素所定义区间的个数n0，并将值pij0＝n0/107视为第i个模型所得事故再现车速模糊集合中第j个元素的隶属度。其中107个随机数能保证令人满意的计算精度、且可保证计算效率。
优选地，步骤S3中修正步骤S2中所得隶属度的方法是：如果第i个模型的信度为ri，则修正后的第i个模型所得事故再现车速模糊集合中第j个元素的隶属度pij＝ri×pij0，此处pij0为步骤S2中所得第i个模型所得事故再现车速模糊集合中第j个元素的隶属度。模型的信度可通过专家打分的手段获得，已有研究中已有很多类似的成果，故此处不再详细介绍。
优选地，对于有n个模型参与事故再现的问题，步骤S4中事故再现车速模糊集合中第j个元素的模糊表达方案如下：
{p1j/模型1，p2j/模型2，…，pnj/模型n}，
式中p1j为第1个模型所得事故再现车速模糊集合中第j个元素的隶属度，p2j,...pnj分别表示第2至第n个模型所得事故再现车速模糊集合中第j个元素的隶属度，
相应地，事故再现车速的模糊矩阵为
模糊矩阵A中元素“p+数字+数字”为步骤S3所得修正后的隶属度，第一个数字代表模型，对应权利要求4中的i；第二个数字代表事故再现车速模糊集合中的相应元素，对应权利要求4中的j。
事故再现车速的模糊矩阵能包含计算过程中几乎所有的不确定性信息，因而它可以且必须作为一个结果输出。此处，符号“/”并非常规数学中的除法，而是一种模糊表述方法，该符号左边的数值为右边模型所定义的相应再现车速模糊集中元素的隶属度。
优选地，步骤S5中对事故再现车速模糊矩阵去模糊化的方法是求均值法：对第j行中所有隶属度取均值构成事故再现车速列向量中的第j个元素的隶属度bj＝mean(A(j))，其中A(j)，为模糊矩阵A第j行中元素构成的列向量，则事故再现车速列向量B＝[b1/未超速，b2/超速10％，b3/超速20％，b4/超速30％，b5/超速50％，b6/超速70％，b7/高超速]T，b1到b7分别为模糊矩阵A第1到第7行中元素的均值。事故再现车速列向量给出了一种考虑各个模型综合影响下事故再现车速的模糊表达，能非常直观看到再现车速超速的程度。
优选地，步骤S6中对事故再现车速列向量去模糊化的方法是取最大值法：取b1、b2、b3、b4、b5、b6、b7中最大值及其所对应的事故再现车速模糊集中的元素C作为单一元素输出。元素C保护了超速程度及其隶属度，是一种能让人更易接受的表达方式，但丢失了不少信息。
优选地，A、B与C均作为最终结果输出。A、B与C各有特点，均输出，可以加深不同群体对再现车速是否超速的理解。
与现有技术相比，本发明技术方案的有益效果是：不仅能给出事故再现车速模糊矩阵，还能给出事故再现车速列向量及事故再现车速模糊集中的单一元素，能很好解决痕迹、模型混合不确定输入下事故再现车速是否超速的问题。
附图说明
图1为本发明的方法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合实施例对本发明的技术方案做进一步的说明。
实施例1
针对某一痕迹包含不确定信息事故，选择3种均高度可信的模型对事故车辆车速进行鉴定，得到3个包含不确定信息的车速E、F和G，其中E、F为区间结果；G则服从正态分布。如果事故路段限速值为v0，则可通过如下步骤获得该事故中事故车辆是否超速的信息：
S1：依据事故路段限速值将事故再现车速分为7级，分别为{未超速，超速10％，超速20％，超速30％，超速50％，超速70％，高超速}，以此构成多源不确定输入下事故再现车速模糊集合。其中，假定v1为事故再现所得车速，则未超速指v1<v0；超速10％指0<(v1-v0)/v0≤10％；超速20％指10％<(v1-v0)/v0≤20％；超速30％指20％<(v1-v0)/v0≤30％；超速50％指30％<(v1-v0)/v0≤50％；超速70％指50％<(v1-v0)/v0≤70％；高超速指(v1-v0)/v0>70％。
S2：将不同模型所得结果及其包含的不确定性信息进行模糊化处理，获得给定模型下事故再现车速模糊集合中各个元素的隶属度。对于结果E、F，在其区间内按照均匀分布随机生成107个数；对于结果G，则按照正态分布随机生成107个数。然后统计落在事故再现车速模糊集合中第j个元素所定义区间的个数n0，并将值pij0＝n0/107视为第i个模型所得事故再现车速模糊集合中第j个元素的隶属度。
S3：因所选的三个模型均可信，故无需对步骤S2中计算所得的隶属度进行修正，即pij＝pij0。
S4：给出事故再现车速模糊集合中各个元素的模糊表达方案，进而依据所有元素及其模糊表达方案给出事故再现车速模糊矩阵。其中，事故再现车速模糊集合中第j个元素的模糊表达方案如下：
{p1j/模型1，p2j/模型2，p3j/模型3}
则相对应的事故再现车速模糊矩阵为
S5：运用求均值的方法对事故再现车速模糊矩阵的每一行去模糊化，得到去模糊化后的事故再现车速列向量。对矩阵A第j行(j＝1,…,7)中所有隶属度取均值构成事故再现车速列向量中的第j个元素的隶属度bj＝mean(A(i,j))，其中i＝1,2,3，比如对矩阵第1行，b1＝(p11+p21+p31)/3。则事故再现车速列向量B＝[b1/未超速，b2/超速10％，b3/超速20％，b4/超速30％，b5/超速50％，b6/超速70％，b7/高超速]T。
S6：运用求最大值的方法对事故再现车速列向量去模糊化，得到事故再现车速模糊集合中的单一元素。取bj(j＝1,…,7)中最大值及其所对应的事故再现车速模糊集中的元素C作为单一元素输出。此实施例中，假设b4最大，则输出C＝{b4/超速30％}。
S7：将A、B与C均作为结果输出，以此获得多源不确定输入下事故再现车速的模糊表达。
本发明提出了一种多源不确定输入下事故再现车速的模糊表达方法，先依据事故路段限速值将事故再现车速分为7级以获得事故再现车速模糊集合，然后将不同模型所得不确定再现车速模糊化并根据模型信度对事故再现车速模糊集合中各个元素的隶属度进行修正后，获得事故再现车速模糊矩阵，用取均值法获得事故再现车速列向量，进一步用最大值法获得事故再现车速模糊集合中的单一元素，最终将上述结果均输出以构成多源不确定输入下事故再现车速的模糊表达。与现有技术相比，本发明技术方案的有益效果是：不仅能给出事故再现车速模糊矩阵，还能给出事故再现车速列向量及事故再现车速单一元素，能很好解决痕迹、模型混合不确定输入下事故再现车速是否超速的问题。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：通过给出事故再现车速模糊矩阵、事故再现车速列向量及事故再现车速模糊集合中的单一元素，解决痕迹、模型混合不确定输入下事故再现车速是否超速的问题，具体实施步骤如下：
S1：依据事故路段限速值将事故再现车速分为7级，分别为{未超速，超速10％，超速20％，超速30％，超速50％，超速70％，高超速}，以此构成多源不确定输入下事故再现车速模糊集合；
S2：将不同模型所得结果及其包含的不确定性信息进行模糊化处理，获得给定模型下事故再现车速模糊集合中各个元素的隶属度；
S3：根据模型的信度，修正步骤S2中所得不同模型下事故再现车速模糊集合中各个元素的隶属度；
S4：给出事故再现车速模糊集合中各个元素的模糊表达方案，进而依据所有元素及其模糊表达方案给出事故再现车速模糊矩阵；
S5：运用求均值的方法对事故再现车速模糊矩阵的每一行去模糊化，得到去模糊化后的事故再现车速列向量；
S6:运用求最大值的方法对事故再现车速列向量去模糊化，得到事故再现车速模糊集合中的单一元素；
S7：将步骤S4、S5及S6中事故再现车速模糊矩阵、事故再现车速列向量及事故再现车速模糊集合中的单一元素作为最终结果输出。
2.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：步骤S1中事故再现车速模糊集合中元素的定义为：假定某路段限速值为v0，事故再现所得车速为v1，则未超速指v1<v0；超速10％指0<(v1-v0)/v0≤10％；超速20％指10％<(v1-v0)/v0≤20％；超速30％指20％<(v1-v0)/v0≤30％；超速50％指30％<(v1-v0)/v0≤50％；超速70％指50％<(v1-v0)/v0≤70％；高超速指(v1-v0)/v0>70％。
3.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：步骤S2中将不同模型所得结果及其包含的不确定性信息进行模糊化处理的方法如下：根据第i个模型所得不确定事故再现车速所包含的概率信息生成107个随机数，如事故再现车速为区间则视其服从均匀分布，然后统计落在事故再现车速模糊集合中第j个元素所定义区间的个数n0，并将值pij0＝n0/107视为第i个模型所得事故再现车速模糊集合中第j个元素的隶属度。
4.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：步骤S3中修正步骤S2中所得隶属度的方法是：如果第i个模型的信度为ri，则修正后的第i个模型所得事故再现车速模糊集合中第j个元素的隶属度pij＝ri×pij0，此处pij0为步骤S2中所得第i个模型所得事故再现车速模糊集合中第j个元素的隶属度。
5.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：对于有n个模型参与事故再现的问题，步骤S4中事故再现车速模糊集合中第j个元素的模糊表达方案如下：
{p1j/模型1，p2j/模型2，…，pnj/模型n}，
式中p1j为第1个模型所得事故再现车速模糊集合中第j个元素的隶属度，p2j,...pnj分别表示第2至第n个模型所得事故再现车速模糊集合中第j个元素的隶属度，
相应地，事故再现车速的模糊矩阵为：
模糊矩阵A中元素“p+数字+数字”为步骤S3所得修正后的隶属度，第一个数字代表模型，对应权利要求4中的i；第二个数字代表事故再现车速模糊集合中的相应元素，对应权利要求4中的j。
6.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：步骤S5中对事故再现车速模糊矩阵去模糊化的方法是求均值法：对第j行中所有隶属度取均值构成事故再现车速列向量中的第j个元素的隶属度bj＝mean(A(j))，其中A(j)为模糊矩阵A第j行中元素构成的列向量，则事故再现车速列向量B＝[b1/未超速，b2/超速10％，b3/超速20％，b4/超速30％，b5/超速50％，b6/超速70％，b7/高超速]T，b1到b7分别为模糊矩阵A第1到第7行中元素的均值。
7.根据权利要求1所述的一种多源不确定输入下事故再现车速的模糊表达方法，其特征在于：步骤S6中对事故再现车速列向量去模糊化的方法是取最大值法：取b1、b2、b3、b4、b5、b6、b7中最大值及其所对应的事故再现车速模糊集中的元素C作为单一元素输出。
CN202011524978.XA 2020-12-22 2020-12-22 一种多源不确定输入下事故再现车速的模糊表达方法 Active CN112579973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011524978.XA CN112579973B (zh) 2020-12-22 2020-12-22 一种多源不确定输入下事故再现车速的模糊表达方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011524978.XA CN112579973B (zh) 2020-12-22 2020-12-22 一种多源不确定输入下事故再现车速的模糊表达方法

Publications (2)

Publication Number Publication Date
CN112579973A CN112579973A (zh) 2021-03-30
CN112579973B true CN112579973B (zh) 2024-02-13

Family

ID=75136560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011524978.XA Active CN112579973B (zh) 2020-12-22 2020-12-22 一种多源不确定输入下事故再现车速的模糊表达方法

Country Status (1)

Country Link
CN (1) CN112579973B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503915A (zh) * 2016-10-27 2017-03-15 国网天津市电力公司 基于模糊综合评价法的无功补偿装置综合效益评价方法
CN108920757A (zh) * 2018-05-30 2018-11-30 淮阴工学院 一种基于计算机仿真的汽车碰撞事故再现方法
CN109977986A (zh) * 2018-12-21 2019-07-05 长沙理工大学 一种多源不确定性信息下车人碰撞事故车速鉴定方法
CN111882246A (zh) * 2020-07-14 2020-11-03 长沙理工大学 一种复杂不确定条件下事故再现结果不确定性分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503915A (zh) * 2016-10-27 2017-03-15 国网天津市电力公司 基于模糊综合评价法的无功补偿装置综合效益评价方法
CN108920757A (zh) * 2018-05-30 2018-11-30 淮阴工学院 一种基于计算机仿真的汽车碰撞事故再现方法
CN109977986A (zh) * 2018-12-21 2019-07-05 长沙理工大学 一种多源不确定性信息下车人碰撞事故车速鉴定方法
CN111882246A (zh) * 2020-07-14 2020-11-03 长沙理工大学 一种复杂不确定条件下事故再现结果不确定性分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Methods for describing different results obtained from different methods in accident reconstruction;Tiefang Zou 等;《orensic Science International》;253–259 *
一种分析事故车辆超速概率的方法;李华 等;《中国安全科学学报》;第27卷(第7期);第71-76页 *
交通事故再现中轮胎 /路面附着系数估算方法;陈涛 等;《江苏大学学报》;第36卷(第4期);第386-391页 *
基于证据理论的多模型事故再现结果融合;邹铁方 等;《汽车工程》;第41卷(第4期);第462-467页 *

Also Published As

Publication number Publication date
CN112579973A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
DE102018132652B4 (de) Quantitatives Charakterisierungsverfahren einer statistischen Verteilung von Ausscheidungspartikeln in einem Metallmaterial bei vollem Sichtfeld
CN112801143A (zh) 基于K-Means和高斯过程回归的转向路感模拟方法
CN112579973B (zh) 一种多源不确定输入下事故再现车速的模糊表达方法
CN114037712A (zh) 基于深度学习的用户实时涂抹交互式图像分割方法
CN114898165A (zh) 一种基于模型通道剪裁的深度学习知识蒸馏方法
CN112632705B (zh) 一种基于gmm和高斯过程回归的路感模拟方法
CN109034372A (zh) 一种基于概率的神经网络剪枝方法
CN112550450A (zh) 基于K-Means和CART回归树的路感模拟方法
Moon et al. Investigation of objective parameters for acceptance evaluation of automatic lane change system
Shrivastava et al. Contribution of characteristics of panchayat leaders towards their attitude as evident from the multiple regression analysis
CN112685956A (zh) 基于cart回归树的路感模拟方法
CN112937587A (zh) 基于K-Medoids和分类回归树的路感模拟方法
CN114091916A (zh) 一种抗污治霾电力指数成效评价方法及系统
CN109858127B (zh) 基于递归时序深度置信网络的蓝藻水华预测方法
CN112597597A (zh) 基于K-Medoids和BP神经网络的路感模拟方法
Veling A laboratory test of the constant risk hypothesis
Yasnitsky et al. Prediction of Steel Articles Mechanical Properties Through Raw Stock Chemical Composition and Smelting Parameters
CN114291097B (zh) 实时反馈的驾驶行为差异化矫正方法、装置、设备
De Lillo et al. The role of social determinants on men's and women's mobility in Italy. A comparison of discriminant analysis and artificial neural networks
CN113673826A (zh) 基于驾驶人个体因素的行车风险评估方法及系统
Wu et al. Network formation in a multi-asset artificial stock market
DE102019218495A1 (de) Verfahren zur Fehlermodellierung und zum Optimieren für ein künstliches neuronales Netzwerk
CN114038534A (zh) 认知症障碍综合干预个性化推送和自动化更新方法
Srđević et al. Reducing drought risks in wetlands: analysis of causality relations between regulating measures using DEMATEL.
Vágó et al. Overdispersion at the binomial and multinomial distribution

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