CN112634614B - 一种长下坡交通事件实时检测方法、装置及存储介质 - Google Patents
一种长下坡交通事件实时检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112634614B CN112634614B CN202011482121.6A CN202011482121A CN112634614B CN 112634614 B CN112634614 B CN 112634614B CN 202011482121 A CN202011482121 A CN 202011482121A CN 112634614 B CN112634614 B CN 112634614B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- long downhill
- road
- time
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明公开了一种长下坡交通事件实时检测方法、装置及存储介质,属于交通运输领域。针对现有技术中存在的在山区高速公路长下坡路段无法通过检测设备实现交通事件实时检测的问题,本发明公开一种长下坡交通事件实时检测方法,包括:步骤S1,长下坡道路数据获取和处理;步骤S2,将历史数据作为训练集,构建长下坡道路交通事件发生概率的预测模型;步骤S3,基于步骤S1的数据,利用步骤S2构建的预测模型得出交通事件发生概率。本发明实现在长下坡路段通过预测交通事件的概率,对上游入口车辆发出预警,通过流量管理和降低车速等方式避免长二次事故的发生。
Description
技术领域
本发明涉及交通数据预测领域,更具体地说,涉及一种长下坡交通事件实时检测方法、装置及存储介质。
背景技术
交通事件,是指非周期性发生且使某段道路通行能力下降的事件。如交通事故、故障停车、货物散落、道路维修、车辆逆行、车道变换、超速、慢速、停止、交通阻塞等。为了预防和减少交通事故,及时有效地进行事故救援和处理,有效减少由于交通事故产生交通延误及避免二次事故的发生,就必须准确、快速地对交通异常和交通事件进行检测。
交通事件检测分为人工检测和自动检测,其中高速公路交通事件自动检测是主要的研究和应用方向。自动检测方法又可以分为直接检测法和间接检测法,直接检测法主要通过视频和图像处理的方法完成对目标的跟踪、识别及交通流检测,但是该方法需要比较密集地安装摄像机,成本较高,且受气象条件影响较大。间接检测法是通过对主线上设置的检测器采集到的交通参数进行分析来判断是否有事件发生,主要是根据事件对交通流的影响来检测事件的存在,成本低,易操作,但是存在检测率低,误报率高等问题。
山区高速公路,基于地形、地质水文、气候环境等自然条件以及投资的限制,往往会出现长大下坡路段,该部分路段的事故率和死亡率是一般路段的几倍甚至几十倍;而且一次事故发生,由于坡度等因素的影响,容易产生二次事故。然而,长下坡长度因为距离等条件的限制,不能通过完全覆盖交通事件检测设备,进行实时检测。因此,提出基于道路卡口数据,间接分析判断出现交通事件的概率。
发明内容
1.要解决的技术问题
针对现有技术中存在的在山区高速公路长下坡路段无法通过检测设备实现交通事件实时检测的问题,本发明提供了基于道路基础数据、卡口过车数据和天气数据,针对长下坡道路特征,利用预测模型得到卡口之间路段发生交通事件的概率,它可以实现通过预测交通事件的概率,对上游入口车辆发出预警。
2.技术方案
本发明的目的通过以下技术方案实现。
一种长下坡交通事件实时检测方法,包括以下步骤:
步骤S1:长下坡道路数据获取和处理;
步骤S2:将历史数据作为训练集,构建长下坡道路交通事件发生概率的预测模型;
步骤S3:基于步骤S1的数据,利用步骤S2构建的预测模型得出交通事件发生概率。
进一步地,所述步骤S1中,长下坡道路数据包括基础数据、动态通行数据和天气数据。
进一步地,所述步骤S1包括以下步骤:
步骤S101,获取N个路段的长下坡道路基础数据,其中N为大于等于2的正整数,记录每个路段的距离、坡度和车道数;
步骤S102,获取长下坡道路动态通行数据,以单位时间为步长,统计各个卡口在最近单位时间内捕获的过车数据,包括车辆数、大车占比、小车占比、车辆平均通过时长;
步骤S103,获取当前时间段的天气数据,提取对驾驶行为有影响的天气状况,对天气包含的字段进行One-Hot编码;
步骤S104,对于道路通行数据或者天气数据存在缺失值的,进行替换。
进一步地,所述步骤S2包括以下步骤:
步骤S201:利用长下坡道路基础数据,以及在历史一个月的卡口过车数据、天气数据,根据步骤S1中数据处理方式,计算得到数据集作为预测模型的特征变量;
步骤S202:统计长下坡道路在历史一个月是否发生交通事件,发生记为1,否则记为0,将结果作为目标变量;
步骤S203:基于XGBoost算法,以历史数据作为测试集数据,利用测试集数据进行参数调优,选取预测结果最优的参数组合。
进一步地,所述步骤S203中,参与模型调优的参数具体为模型学习率、叶子节点最小权重的和、树的深度、树的个数、gamma值。
进一步地,XGBoost模型的目标函数定义如下:
进一步地,利用泰勒公式的二阶展开公式,将损失函数转换如下:
进一步地,所述步骤S3包括以下步骤:
步骤S301,每隔固定时间段计算一次,计算的数据包括该时间段内道路基础数据、通行数据和天气数据;
步骤S302,将步骤S301计算的数据输入到步骤S2的预测模型,预测各相邻卡口之间路段发生交通事件的概率;
步骤S303,实时检测步骤S302得到的交通事件发生概率,对于概率值大于阈值的卡口路段,在上游入口处发出预警。
一种长下坡交通事件实时检测装置,包括:存储单元,用于存储实现上述方法的程序;处理器,被配置用于调用所述程序指令;输入装置,采集数据并通过计算机网络将数据实时传输至存储器和处理器;输出装置,用于输出检测结果。
一种可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述的方法。
3.有益效果
相比于现有技术,本发明的优点在于:
针对山区道路状态,利用预测模型得到卡口之间路段发生交通事件的概率,在概率值大于阈值时对交管中心或上游入口车辆发出预警,通过流量管理和降低车速等方式避免长二次事故的发生,实现对长下坡路段交通事件的实时检测。
附图说明
图1为本发明提供的长下坡交通事件实时检测方法流程图;
图2为本发明中步骤1的方法流程图;
图3为本发明中步骤2的方法流程图;
图4为本发明中步骤3的方法流程图;
图5为基于本发明方法的装置框图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
实施例1
针对现有技术中长下坡长度因为距离等条件的限制,不能通过完全覆盖交通事件检测设备,进行实时检测。因此,本实施例提出基于道路卡口数据,间接分析判断出现交通事件的概率。如图1所示,本实施例提供一种长下坡交通事件实时检测方法,包括如下步骤:
步骤S1:长下坡道路基础数据处理,如图2所示,又包括以下步骤。
步骤S101,获取长下坡道路基础数据:长下坡道路上有N(因为对长下坡道路至少在出口和入口各设立一个卡口,所以N是大于等于2的正整数)个卡口点位,并对这N个设备用序数进行编号,从上到下记为{1,2,...,N}。那么相邻两个卡口i和j之间的距离记为Lij(i∈[1,N-1],j=i+1)、i和j之间坡度θij、i和j之间车道数Cij。卡口信息见表1。
表1卡口信息表
步骤S102,获取长下坡道路动态通行数据:以5分钟为步长,统计各个卡口在最近5分钟捕获的过车数据,具体过程为:每隔5分钟统计一次道路数据,在时间t,相邻两个卡口i和j之间在(t-5,t)时间内行驶的车辆数记为大车占比记为小车占比记为车辆平均通过时长记为动态通行数据见表2。
表2长下坡道路动态通行数据表
步骤S103,获取当前时间段的天气数据:提取对驾驶行为有影响的天气状况,对天气中包含的字段进行One-Hot编码,编码数组记为wt;假设当前时刻,各路段天气是“暴雨”,那么天气数据的字段就是=(0,0,0,0,0,0,0,0,1,0,0),详细结果见表3。
表3天气数据编码表
天气状况包含的字段 | 分类 |
中雨 | (0,0,0,0,0,0,0,0,0,0,1) |
大雨 | (0,0,0,0,0,0,0,0,0,1,0) |
暴雨 | (0,0,0,0,0,0,0,0,1,0,0) |
雾 | (0,0,0,0,0,0,0,1,0,0,0) |
大雾 | (0,0,0,0,0,0,1,0,0,0,0) |
雪 | (0,0,0,0,0,1,0,0,0,0,0) |
大雪 | (0,0,0,0,1,0,0,0,0,0,0) |
暴雪 | (0,0,0,1,0,0,0,0,0,0,0) |
雷雨 | (0,0,1,0,0,0,0,0,0,0,0) |
结冰 | (0,1,0,0,0,0,0,0,0,0,0) |
其他 | (1,0,0,0,0,0,0,0,0,0,0) |
步骤S104,缺失数据处理:对于道路通行数据或者天气数据存在缺失值,道路通行数据用历史同一时间段的平均值替换,天气数据用“其他”类型替换。
步骤S2,把历史数据作为训练集,构建长下坡道路交通事件发生概率的预测模型XGBoost预测模型,如图3所示,具体又包括以下步骤。
步骤S202,统计历史一个月是否发生交通事件,发生记为1否则记为0,作为目标变量,记录的历史数据见表4。
表4历史数据表
步骤S203,基于XGBoost算法,以历史其他周期一周数据作为测试集数据。
具体而言,假设数据样本空间为{x1,x2,...,xn},n是正整数;yi是第i个样本xi的实际值;是第i个样本xi的预测值,它是k个树打分的累加之和:fk是第k个树的函数。模型训练的损失函数使用逻辑回归损失函数:用Ω(fk)表示第k个树的复杂度,那么XGBoost模型的目标函数定义如下:
对于分类的树进行重新定义,假设叶子结点的权重向量ω,实例到叶子结点的映射关系q,则树的表达式为ft(x)=ωq(x);对于树的复杂度,设叶子结点数量为T,结合叶子结点权重向量的L2范数进一步,损失函数转换如下:
其中,∑gi和∑hi分别是关于一阶偏导数和二阶偏导数的累加和,是常量,并用G=∑gi和H=∑hi表示。
对越叶子的每一个结点的分裂,通过定义增益函数来检测分裂是否给损失函数带来增益,增益函数:
对于目标函数,当增益Gain<0时,放弃当前分裂;并记录此时树达到的最大深度,设置为目标函数的参数。
由此可见,这里推导的XGBoost模型的目标函数,主要影响变量是叶子结点的权重、树的深度、树的个数。接下来,利用测试数据,先使用默认参数,通过获取增益函数Gain增益最高的分裂点;并历依次改变树的个数、树的深度、叶子结点的权重参数的数值,获取在增益最大下的参数值,作为树的参数得到回归函数回归函数作为最后的训练模型。
步骤S3,使用当前道路通行和天气数据,预测各个相邻卡口之间发生交通事件的概率。
如图4所示,步骤S3又包括以下子步骤。
步骤S301,以五分钟为区间,获取道路基础数据{Lij,θij,Cij};根据过车数据,统计最近五分钟道路行驶的车辆数记为大车占比记为小车占比记为车辆平均通过时长记为以及最近五分钟的天气数据wnow。其中,平均通行时长等于最近五分钟所有车辆通行时长总和除以车辆数。
当前时间段,各路段的统计值,以及利用训练的预测模型,预测的发生交通事件概率值,模拟的结果数据如表5。
表5预测结果
步骤S303,针对预测的概率,获得路段标识001段发生交通事件的概率值大于0.5,在上游入口发出预警,通过流量管理和降低车速等方式,避免二次事故的发生。
据统计,在2019年度,针对云南某一段长下坡道路,通过使用交通事件预测模型,及时在对应路段使用大屏诱导,使二次事故的发生降低了70%左右。
实施例2
图5图示了根据本申请实施例的检测装置框图,本发明的检测装置10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以检测装置10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的决策行为决策方法以及/或者其他期望的功能。
当然,为了简化,图5中仅示出了该检测装置10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,检测装置10还可以包括任何其他适当的组件。
实施例3
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (6)
1.一种长下坡交通事件实时检测方法,其特征在于,包括以下步骤:
步骤S1:获取长下坡道路数据并进行数据处理;
步骤S2:将历史数据作为训练集,构建长下坡道路交通事件发生概率的预测模型;
步骤S3:基于步骤S1的数据,利用步骤S2构建的预测模型获得交通事件发生概率;
步骤S1中所述长下坡道路数据包括基础数据、动态通行数据和天气数据;
所述步骤S1包括以下步骤:
步骤S101,获取N个路段的长下坡道路基础数据,其中N为大于等于2的正整数,记录每个路段的距离、坡度和车道数;
步骤S102,获取长下坡道路动态通行数据,以单位时间为步长,统计各个卡口在最近单位时间内捕获的过车数据,包括车辆数、大车占比、小车占比、车辆平均通过时长;
步骤S103,获取当前时间段的天气数据,提取对驾驶行为有影响的天气状况,对天气包含的字段进行One-Hot编码;
步骤S104,对于道路通行数据或者天气数据存在缺失值的,进行替换;
所述步骤S2包括以下步骤:
步骤S201:利用长下坡道路基础数据,以及历史上相同时间段的卡口过车数据、天气数据,根据步骤S1中数据处理方式,计算得到数据集作为预测模型的特征变量;
步骤S202:设置目标变量,用于标记历史上相同时间段发生的交通事件;
步骤S203:基于XGBoost算法,以历史数据作为测试集数据,利用测试集数据进行参数调优,选取预测结果最优的参数组合;
所述步骤S3包括以下步骤:
步骤S301,每隔时间T计算一次,计算的数据包括该时间段内道路基础数据、通行数据和天气数据;
步骤S302,将步骤S301计算的数据输入到步骤S2的预测模型,预测各相邻卡口之间路段发生交通事件的概率;
步骤S303,实时检测步骤S302得到的交通事件发生概率,对于概率值大于阈值的卡口路段,在上游入口处发出预警。
2.根据权利要求1所述的一种长下坡交通事件实时检测方法,其特征在于,所述步骤S203中,参与模型调优的参数具体为模型学习率、叶子节点最小权重的和、树的深度、树的个数、gamma值。
5.一种长下坡交通事件实时检测装置,其特征在于,包括:存储单元,用于存储实现权利要求1-4所述方法的程序;处理器,被配置用于调用程序指令;输入装置,采集数据并通过计算机网络将数据实时传输至存储器和处理器;输出装置,用于输出检测结果。
6.一种可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482121.6A CN112634614B (zh) | 2020-12-16 | 2020-12-16 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482121.6A CN112634614B (zh) | 2020-12-16 | 2020-12-16 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634614A CN112634614A (zh) | 2021-04-09 |
CN112634614B true CN112634614B (zh) | 2022-05-06 |
Family
ID=75313554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482121.6A Active CN112634614B (zh) | 2020-12-16 | 2020-12-16 | 一种长下坡交通事件实时检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634614B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570862B (zh) * | 2021-07-28 | 2022-05-10 | 太原理工大学 | 一种基于XGboost算法的大型交通拥堵预警方法 |
CN113806585B (zh) * | 2021-09-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 一种获取路段通行时长的方法、装置、电子设备及存储介质 |
CN114548284A (zh) * | 2022-02-23 | 2022-05-27 | 北京中交兴路车联网科技有限公司 | 一种货运车辆事故判断系统、方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971523A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种山区道路交通安全动态预警系统 |
CN106781458A (zh) * | 2016-11-30 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 一种交通事故监控方法及系统 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
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 |
CN111127884A (zh) * | 2019-12-18 | 2020-05-08 | 北京高诚科技发展有限公司 | 基于车辆行为的长下坡路段车辆失速判别方法系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11748596B2 (en) * | 2019-05-23 | 2023-09-05 | International Business Machines Corporation | Context based vehicular traffic prediction |
-
2020
- 2020-12-16 CN CN202011482121.6A patent/CN112634614B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971523A (zh) * | 2014-05-21 | 2014-08-06 | 南通大学 | 一种山区道路交通安全动态预警系统 |
CN106781458A (zh) * | 2016-11-30 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 一种交通事故监控方法及系统 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
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 |
CN111127884A (zh) * | 2019-12-18 | 2020-05-08 | 北京高诚科技发展有限公司 | 基于车辆行为的长下坡路段车辆失速判别方法系统 |
Non-Patent Citations (1)
Title |
---|
基于XGBoost 的短时交通流预测模型;钟颖等;《科学技术与工程》;20191031;第19卷(第30期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112634614A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634614B (zh) | 一种长下坡交通事件实时检测方法、装置及存储介质 | |
Park et al. | Real-time prediction and avoidance of secondary crashes under unexpected traffic congestion | |
US9111442B2 (en) | Estimating incident duration | |
CN109118771B (zh) | 一种城市交通常发性拥堵特征确定的方法及装置 | |
He et al. | Incident duration prediction with hybrid tree-based quantile regression | |
US9008954B2 (en) | Predicting impact of a traffic incident on a road network | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
Hou et al. | Modeling freeway incident response time: A mechanism-based approach | |
Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
Weng et al. | Cluster-based lognormal distribution model for accident duration | |
US10977933B2 (en) | Method and apparatus for predicting road conditions based on big data | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN107730882B (zh) | 基于人工智能的道路拥堵预测系统及方法 | |
CN115809806B (zh) | 一种基于远程通讯的风险监测方法及电子设备 | |
Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
CN115565373B (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
CN114627643B (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
Mahendra et al. | Prediction of road accidents in the different states of India using machine learning algorithms | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Jiang et al. | A deep learning-assisted mathematical model for decongestion time prediction at railroad grade crossings | |
CN114417698A (zh) | 一种轨道交通沿线外部环境的风险监测系统及评估方法 | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
Vlahogianni et al. | Modeling freeway travel speed across lanes: A vector autoregressive approach | |
CN112464749A (zh) | 一种基于规则与学习的交通场景异常目标检测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant after: Anhui Baicheng Huitong Technology Co.,Ltd. Address before: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant before: ANHUI BAI CHENG HUI TONG TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |