CN112949999A - 一种基于贝叶斯深度学习的高速交通事故风险预警方法 - Google Patents
一种基于贝叶斯深度学习的高速交通事故风险预警方法 Download PDFInfo
- Publication number
- CN112949999A CN112949999A CN202110157418.3A CN202110157418A CN112949999A CN 112949999 A CN112949999 A CN 112949999A CN 202110157418 A CN202110157418 A CN 202110157418A CN 112949999 A CN112949999 A CN 112949999A
- Authority
- CN
- China
- Prior art keywords
- speed
- traffic
- deep learning
- early warning
- vehicle collision
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 20
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000005406 washing Methods 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
一种基于贝叶斯深度学习的高速交通事故风险预警方法,以道路特征划分区域,从高速固定节点提取分钟级车流量、平均速度,得到区域车辆碰撞指数;利用高斯混合模型GMM进行聚类,划分高速事故风险等级;利用贝叶斯深度学习提取特征,预测未来目标节点的分钟级车流量和平均速度,计算区域车辆碰撞指数,根据风险等级,提供安全预警。本发明提出了区域车辆碰撞指数RCI并用于事故风险等级划分;将贝叶斯深度学习网络用于交通预测;提供了实时有效的城市交通安全预警,并可以匹配智慧城市系统。
Description
技术领域
本发明涉及交通事故预警方法,尤其涉及一种基于贝叶斯深度学习的高速交通事故风险预警方法。
背景技术
随着城市的发展,城市中存在越来越多的城市问题。与此同时,信息技术的不断发展,城市信息化应用水平也在不断提升,智慧城市概念得以实现。作为一种新的范例,智慧城市有望解决现有的多数城市问题,建设智慧城市在实现城市可持续发展、引领信息技术应用、提升城市综合竞争力等方面具有重要意义。目前,研究人员已经在智慧城市领域做出了很多努力,在城市交通中有实际应用,例如Ali City Brain。这些应用可提高城市交通能力,降低环境污染,提高人们的出行效率并增强交通安全,进而提高城市生活水平。
交通预测是智慧城市的关键部分。在交通预测中,这些年来已经取得了许多成就。传统上,大多数研究人员专注于分析时间特征并建立模型来预测短期交通状况。而随着交通监控设备和数据传输功能的不断发展,多维实时交通数据可以得到大规模的快速采集。通过分析多维实时交通数据,我们得以预测实时交通状况来快速更新路况信息,降低出行成本,提高出行安全。现有的技术多利用神经网络对交通数据的时间相关性进行分析,但是大多数模型无法对复杂的时间关联进行挖掘。而深度学习作为新的智能方法在复杂问题的学习上有较好的效果,大量研究人员试图利用深度学习方法解决交通问题。
事故预测是交通预测中的一个重要方向。现有工作致力于建立具有更多维度的事故影响因素模型,例如,交通上游和下游关系,以提高事故预测的准确性。但是,对于城市管理者来说,交通事故的预测无法帮助他们有效地管理交通。交通事故预测难以应用于智慧城市系统,而道路交通事故风险预警能解决这个问题。
发明内容
为解决现有技术的不足,提供一种基于贝叶斯深度学习的高速交通事故风险预警方法。本发明可实时把握城市高速道路交通安全状况,进而为城市交通管理者提供参考,提高百姓出行的安全性。
为实现上述目的,本发明采用以下技术方案:
一种基于贝叶斯深度学习的高速交通事故风险预警方法,包括以下步骤:
步骤1,从高速固定节点数据中提取各节点分钟级车辆流量、分钟级车辆平
均速度并剔除错误数据;
步骤2,以高速道路特征划分区域,并结合区域内节点的车流量和平均速度,得到区域车辆碰撞指数;
步骤3,联合步骤2所得区域车辆碰撞指数,结合带事故标签的高速交通数据集利用高斯混合模型GMM进行聚类,划分高速事故风险等级;
步骤4,将各区域内节点车流量和平均速度作为输入,利用贝叶斯深度学习提取特征,预测未来目标节点的分钟级车流量和平均速度;贝叶斯深度学习即Bayesian deeplearning,是目前广泛应用于图像学习领域的多堆叠神经网络。它本身能够提供一种不确定性,对于带错误样本的数据集和稀疏的小数据集有较好的预测效果;
步骤5,联合步骤4所预测的车流量和平均速度用步骤(2)的公式计算未来目标节点的区域车辆碰撞指数,按照步骤(3)划分的高速事故风险等级确定风险等级;
步骤6,根据风险等级,提供安全预警。
上述的一种基于贝叶斯深度学习的高速交通事故风险预警方法,所述步骤2具体包括如下步骤:
步骤2.1,依据节点位置将目标道路划分为多个区域;
步骤2.2,根据道路特征把区域划分为s*k的网格图,其中s代表单位区域内的路段数量,k代表单位区域内的车道数量;
步骤2.3,结合道路特征和区域内各个节点的车流量和平均速度计算区域车辆碰撞指数RCI,RCI的数值在0至1之间,具体公式如下:
其中i表示时间刻度,j表示区域数量,sj表示区域内的路段数量,kj表示区域内的车道数量,fi表示区域内ith时刻的总流量,Δfi-1表示i-1th进入区域且ith时刻仍留在区域内的车流量,表示区域内ith时刻的平均速度变化,L是一个常量,表示车辆长度。
上述的一种基于贝叶斯深度学习的高速交通事故风险预警方法,所述步骤3具体包括如下步骤:
步骤3.1,给GMM模型设定初始参数Θ;
步骤3.2,利用EM算法对模型进行迭代,具体包括如下步骤:
步骤3.2.1,以当前参数Θt推断隐变量分布P(Z|X,Θt),并计算对数似然LL(Θ|X,Z)关于Z的期望:
其中X表示已观测变量集,Z表示隐变量集,Θ表示模型参数,t表示时刻。
步骤3.2.2,寻找参数最大化期望似然,具体计算公式如下:
步骤3.3,重复步骤3.2直至收敛
上述的一种基于贝叶斯深度学习的高速交通事故风险预警方法,所述步骤5具体包括如下步骤:
步骤5.1,使用贝叶斯贝叶斯深度学习训练模型,具体包含如下步骤:
步骤5.1.1,对于一个数据集S=(xi,yi),按照贝叶斯理论设定先验概率p(Z)和数据似然p(S|Z),可以得到后验概率p(Z|S)的计算公式,具体公式如下:
步骤5.1.2,然而p(Z|S)随着变量的增多计算难度呈指数增长,因此我们使用专家知识构建类似后验概率的分布q(Z),并使用KL散度来测量两个分布之间的距离,具体计算公式如下:
KL(q(Z)||p(Z|S))=log(p(S))-ELBO,
步骤5.1.3,利用证据下界ELBO将后验概率问题转变为优化问题,具体计算公式如下:
步骤5.2,通过模型训练得到的车流量和平均速度计算区域车辆碰撞指数RCI;
步骤5.3,将计算得到的区域车辆碰撞指数匹配到GMM聚类结果中,得出风险等级。
本发明提出了区域车辆碰撞指数RCI并用于事故风险等级划分;将贝叶斯深度学习网络用于交通预测;提供了实时有效的城市交通安全预警,并可以匹配智慧城市系统。
附图说明
图1为本发明的整体流程图。
图2为本发明整体的框架图。
图3为本发明所使用的贝叶斯深度学习的模型结构图。
图4为本发明实例中模型交通流量预测效果图。
图5为本发明实例中模型交通速度预测效果图。
图6为本发明实例中事故风险预警效果图。
具体实施方式
下面结合实际高速公路部分路段的交通事故风险预警对本发明作进一步描述。
本实例中的交通事故风险预警方法整体流程如图1所示,整体框架如图2所示,具体包括以下步骤:
(1)从高速选定路段提取基于时空分布的固定站点交通流量和平均速度并进行数据清洗。
(2)以高速道路特征划分区域,并结合区域内节点的车流量和平均速度,得到区域车辆碰撞指数,具体包括如下步骤:
a)首先确定选取路段包含的固定站点数量,依据每个固定站点位置将目标道路划分为节点区域;
b)根据道路特征把区域划分为s*k的网格图,其中s代表路段数量,k代表车道数量。道路特征分为固定特征和变化特征,固定特征即道路等级、道路宽度、道路车道数、道路类型、道路水平曲率、道路垂直曲率等固有特征,变化特征即道路车流量、道路平均车速、道路车辆密度等道路根据时间产生变化的动态特征。
c)根据区域内固定站点收集的车流量和平均速度计算区域车辆碰撞指数RCI,RCI的数值在0至1之间,具体公式如下:
其中i表示时间刻度,j表示区域数量,sj表示区域内的路段数量,kj表示区域内的车道数量,fi表示区域内ith时刻的总流量,Δfi-1表示i-1th进入区域且ith时刻仍留在区域内的车流量,表示区域内ith时刻的平均速度变化,L是一个常量,表示车辆长度。
(3)首先将各个站点计算的区域车辆碰撞指数按时间排序并贴上事故标签,发生事故为1,没发生为0。然后将带标签的区域车辆碰撞指数序列用GMM聚类成三个聚落,并按照聚类结果中事故分布的比例将三个聚落分别定义为高风险、正常、低风险。GMM是一种广泛使用的聚类算法。它是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多种不同的分布的情况。包括以下步骤:
a)给区域车辆碰撞指数序列贴上事故标签;
b)给GMM模型设定初始参数Θ;
c)利用EM算法对模型进行迭代,具体包括如下步骤:
A.以当前参数Θt推断隐变量分布P(Z|X,Θt),并计算对数似然LL(Θ|X,Z)关于Z的期望:
其中X表示已观测变量集,Z表示隐变量集,Θ表示模型参数。
B.寻找参数最大化期望似然,具体计算公式如下:
d)重复步骤c)直至收敛,简单来说,EM算法通过E步计算对数似然的期望值,利用M步去得到是似然期望最大化的参数值,重复E、M步直至收敛。
(4)将区域内固定站点车流量和平均速度的时间序列作为输入,利用贝叶斯深度学习训练模型,具体模型结构如图3所示,预测未来5分钟的区域车流量和平均速度,模型训练的具体过程如下:
a)对于一个数据集S=(xi,yi),按照贝叶斯理论设定先验概率p(Z)和数据似然p(S|Z),并得到后验概率p(Z|S),具体公式如下:
b)利用变分推断去推断后验概率。首先使用专家知识构建类似后验概率的分布q(Z),然后使用KL散度来测量两个分布之间的距离,具体计算公式如下:
KL(q(Z)||p(Z|S))=log(p(S))-ELBO,
其中ELBO为证据下界,包含q(Z)和p(S|Z)的联合分布,并且与后验概率相互独立,因此可以将后验概率的计算问题转化为ELBO的最优化问题。
c)反复调整输入权重分布直至ELBO优化效果最佳,即直至KL散度收敛,模型对车流量和平均速度的预测效果如图4、5所示;
(5)首先用模型预测出的区域车流量和平均速度计算区域车辆碰撞指数,然后根据区域车辆碰撞指数所划分的聚落判断道路交通事故风险并发出预警,具体效果如图6所示。
Claims (4)
1.一种基于贝叶斯深度学习的高速交通事故风险预警方法,包括以下步骤:
步骤1,从高速固定节点数据中提取各节点分钟级车辆流量、分钟级车辆平均速度并剔除错误数据;
步骤2,以高速道路特征划分区域,并结合区域内节点的车流量和平均速度,得到区域车辆碰撞指数;
步骤3,联合步骤2所得区域车辆碰撞指数,结合带事故标签的高速交通数据集利用高斯混合模型GMM进行聚类,划分高速事故风险等级;
步骤4,将各区域内节点车流量和平均速度作为输入,利用贝叶斯深度学习提取特征,预测未来目标节点的分钟级车流量和平均速度;
步骤5,联合步骤4所预测的车流量和平均速度用步骤2的公式计算未来目标节点的区域车辆碰撞指数,按照步骤3划分的高速事故风险等级确定风险等级;
步骤6,根据风险等级,提供安全预警。
2.如权利要求1所述的一种基于贝叶斯深度学习的高速交通事故风险预警方法,其特征在于所述步骤2具体包括如下步骤:
步骤2.1,依据节点位置将目标道路划分为多个区域;
步骤2.2,根据道路特征把区域划分为s*k的网格图,其中s代表单位区域内的路段数量,k代表单位区域内的车道数量;
步骤2.3,结合道路特征和区域内各个节点的车流量和平均速度计算区域车辆碰撞指数RCI,RCI的数值在0至1之间,具体公式如下:
4.如权利要求1所述的一种基于贝叶斯深度学习的高速交通事故风险预警方法,其特征在于所述步骤5具体包括如下步骤:
步骤5.1,使用贝叶斯贝叶斯深度学习训练模型,具体包含如下步骤:
步骤5.1.1,对于一个数据集S=(xi,yi),按照贝叶斯理论设定先验概率p(Z)和数据似然p(S|Z),可以得到后验概率p(Z|S)的计算公式,具体公式如下:
步骤5.1.2,然而p(Z|S)随着变量的增多计算难度呈指数增长,因此我们使用专家知识构建类似后验概率的分布q(Z),并使用KL散度来测量两个分布之间的距离,具体计算公式如下:
KL(q(Z)||p(Z|S))=log(p(S))-ELBO,
步骤5.1.3,利用证据下界ELBO将后验概率问题转变为优化问题,具体计算公式如下:
步骤5.2,通过模型训练得到的车流量和平均速度计算区域车辆碰撞指数RCI;
步骤5.3,将计算得到的区域车辆碰撞指数匹配到GMM聚类结果中,得出风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157418.3A CN112949999A (zh) | 2021-02-04 | 2021-02-04 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157418.3A CN112949999A (zh) | 2021-02-04 | 2021-02-04 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949999A true CN112949999A (zh) | 2021-06-11 |
Family
ID=76242243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157418.3A Pending CN112949999A (zh) | 2021-02-04 | 2021-02-04 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949999A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744526A (zh) * | 2021-08-25 | 2021-12-03 | 江苏大学 | 一种基于lstm和bf的高速公路风险预测方法 |
CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
CN114613145A (zh) * | 2022-05-12 | 2022-06-10 | 中运科技股份有限公司 | 一种大数据下的客运流量感知预警系统及方法 |
CN114662575A (zh) * | 2022-03-09 | 2022-06-24 | 集美大学 | 风电水域船舶航行风险预估方法、系统以及存储介质 |
CN114944055A (zh) * | 2022-03-29 | 2022-08-26 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
CN115635994A (zh) * | 2022-11-04 | 2023-01-24 | 北京酷鲨科技有限公司 | 一种列车尾部辅助定位方法和装置 |
CN115909747A (zh) * | 2023-01-06 | 2023-04-04 | 山东创安交通预警工程有限公司 | 一种城市交通预警系统 |
CN115938117A (zh) * | 2022-12-06 | 2023-04-07 | 招商局重庆交通科研设计院有限公司 | 一种智能网联环境下的特殊路段风险等级的动态识别方法 |
CN116153112A (zh) * | 2023-03-10 | 2023-05-23 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
CN116523397A (zh) * | 2023-04-25 | 2023-08-01 | 长安大学 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
CN116704747A (zh) * | 2022-12-29 | 2023-09-05 | 摩斯智联科技有限公司 | 一种基于边缘计算判定车辆事故并风控的系统 |
CN117292540A (zh) * | 2023-08-14 | 2023-12-26 | 广西交科集团有限公司 | 一种桥梁侧风环境车辆侧滑及侧翻预警系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
-
2021
- 2021-02-04 CN CN202110157418.3A patent/CN112949999A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751642A (zh) * | 2015-03-11 | 2015-07-01 | 同济大学 | 一种高等级道路交通流运行风险实时预估方法 |
CN109657880A (zh) * | 2019-01-09 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种基于贝叶斯网络的船舶碰撞事故等级预测方法和系统 |
CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
GUOJIANG SHEN等: "DeepTSW: An urban traffic safety warning framework based on Bayesian deep learning", INTERNATIONAL CONFERENCE ON CYBER-LIVING, CYBER-SYNDROME AND CYBER-HEALTH, 1 December 2020 (2020-12-01) * |
袁黎;于俊俊;吴梦倩;蔡明杰;: "基于贝叶斯网络的双车道公路风险性分析", 公路工程, no. 02, 20 April 2016 (2016-04-20) * |
赵金宝;邓卫;王建;: "基于贝叶斯网络的城市道路交通事故分析", 东南大学学报(自然科学版), no. 06, 20 November 2011 (2011-11-20) * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744526B (zh) * | 2021-08-25 | 2022-12-23 | 贵州黔通智联科技股份有限公司 | 一种基于lstm和bf的高速公路风险预测方法 |
CN113744526A (zh) * | 2021-08-25 | 2021-12-03 | 江苏大学 | 一种基于lstm和bf的高速公路风险预测方法 |
CN113963539A (zh) * | 2021-10-19 | 2022-01-21 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
CN113963539B (zh) * | 2021-10-19 | 2022-06-10 | 交通运输部公路科学研究所 | 高速公路交通事故识别方法、模块及系统 |
CN114662575A (zh) * | 2022-03-09 | 2022-06-24 | 集美大学 | 风电水域船舶航行风险预估方法、系统以及存储介质 |
CN114944055A (zh) * | 2022-03-29 | 2022-08-26 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
CN114944055B (zh) * | 2022-03-29 | 2023-04-18 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于电子收费门架的高速公路碰撞风险动态预测方法 |
CN114613145A (zh) * | 2022-05-12 | 2022-06-10 | 中运科技股份有限公司 | 一种大数据下的客运流量感知预警系统及方法 |
CN115635994A (zh) * | 2022-11-04 | 2023-01-24 | 北京酷鲨科技有限公司 | 一种列车尾部辅助定位方法和装置 |
CN115938117A (zh) * | 2022-12-06 | 2023-04-07 | 招商局重庆交通科研设计院有限公司 | 一种智能网联环境下的特殊路段风险等级的动态识别方法 |
CN116704747A (zh) * | 2022-12-29 | 2023-09-05 | 摩斯智联科技有限公司 | 一种基于边缘计算判定车辆事故并风控的系统 |
CN115909747A (zh) * | 2023-01-06 | 2023-04-04 | 山东创安交通预警工程有限公司 | 一种城市交通预警系统 |
CN116153112A (zh) * | 2023-03-10 | 2023-05-23 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
CN116153112B (zh) * | 2023-03-10 | 2023-09-29 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
CN116523397A (zh) * | 2023-04-25 | 2023-08-01 | 长安大学 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
CN116523397B (zh) * | 2023-04-25 | 2024-03-08 | 长安大学 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
CN117292540A (zh) * | 2023-08-14 | 2023-12-26 | 广西交科集团有限公司 | 一种桥梁侧风环境车辆侧滑及侧翻预警系统及方法 |
CN117292540B (zh) * | 2023-08-14 | 2024-05-07 | 广西交科集团有限公司 | 一种桥梁侧风环境车辆侧滑及侧翻预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949999A (zh) | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN111710162B (zh) | 一种城市路网交通运行状况监测方法及系统 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
Hosseinpour et al. | Application of adaptive neuro-fuzzy inference system for road accident prediction | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
ChikkaKrishna et al. | Short-term traffic prediction using fb-prophet and neural-prophet | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
Srinivasan et al. | Computational intelligence-based congestion prediction for a dynamic urban street network | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
CN113553350A (zh) | 一种相似演化模式聚类及动态时区划分的交通流分区模型 | |
CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及系统 | |
Feng et al. | Traffic Flow Prediction of Urban Intersection Based on Environmental Impact Factors and Markov Chains | |
CN113420925A (zh) | 一种基于朴素贝叶斯的交通健康预测方法及系统 | |
Hwang et al. | Asymmetric Long-Term Graph Multi-Attention Network for Traffic Speed Prediction | |
He et al. | Estimation of urban arterial travel time based on dynamic bayesian network | |
Boto-Giralda et al. | Neural network model based on fuzzy ARTMAP for forecasting of highway traffic data | |
Ahanin et al. | An efficient traffic state estimation model based on fuzzy C-mean clustering and MDL using FCD |
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 |