CN112990545A - 一种高速公路交织区交通安全状态预测方法 - Google Patents
一种高速公路交织区交通安全状态预测方法 Download PDFInfo
- Publication number
- CN112990545A CN112990545A CN202110171055.9A CN202110171055A CN112990545A CN 112990545 A CN112990545 A CN 112990545A CN 202110171055 A CN202110171055 A CN 202110171055A CN 112990545 A CN112990545 A CN 112990545A
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic flow
- traffic
- area
- samples
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 16
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012352 Spearman correlation analysis Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering 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
- G06Q10/04—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/045—Combinations of 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种高速公路交织区交通安全状态预测方法，包括：获取研究所需的高速公路交织区信息；获取交织区研究区域内的事故数据；获取交织区事故发生前的交通流数据；获取非事故样本的交通流数据；建立卷积神经网络提取事故和非事故样本的交通流时空特征；利用聚类算法实现交通安全状态划分；交通安全状态危险等级划分；建立卷积神经网络进行交通安全状态预测模型训练；实时交通安全状态预测。该方法利用深度学习算法实现安全为导向的交通流状态划分，定量分析各交通状态对事故风险的影响，建立交通安全状态预测模型，实时监测高速公路交织区交通流运行状态，为改善高速公路交织区交通流运行，减少交通事故的发生提供一定的理论基础。
Description
技术领域
本发明属于高速公路交通安全技术领域，具体来说，涉及一种高速公路交织区交通安全状态预测方法。
背景技术
交织区一直以来都被视为高速公路交通运行效率和安全的主要瓶颈。在交织区内，车辆需要在有限的时间和空间内完成交织动作，为此需要频繁地加减速和变道，与高速公路基本路段相比，任何交通扰动都更容易诱发交通拥堵和驾驶错误，从而增大交通事故发生的概率。因此，高速公路交织区的安全运行始终是道路安全领域研究的热点问题。
这些年来，已有的研究大多利用传统方法构建交织区交通事故频次和交通流、道路设计等影响因素间的统计关系，但传统方法对历史事故数据质量要求较高，且获取过程耗时耗力随着城市高速公路动态监测系统的快速发展，越来越多的学者开始利用高精度交通流数据实时预测高速公路的事故风险，从而实时识别出危险交通流运行状态。但已有的研究均针对高速公路基本路段，无法准确描述交织区独有的交通运行特征。
此外，已有的交通安全状态分类大多采用传统的聚类算法(如k-means聚类)，根据提取的交通流特征进行聚类分析。但传统的聚类算法无法直接输入高维度的交通流数据，需要依赖人类经验选择集计后的交通流变量作为算法输入，这一操作极易造成交通流信息的缺失，从而使得交通流状态分类结果出现偏差。
发明内容
技术问题：本发明所要解决的技术问题是：提供一种高速公路交织区交通安全状态预测方法，该方法以高速公路交织区为研究对象，利用卷积神经网络自动提取高精度交通流数据的时空特征，并结合深度聚类完成以安全为导向的交织区交通运行状态划分，定量分析不同交通安全状态对事故风险的影响，识别事故发生前的危险交通流运行状态，为实时监测高速公路交织区事故发生，改善交织区交通流运行提供一定的理论基础。
技术方案：本发明一种高速公路交织区交通安全状态预测方法，该方法包括以下步骤：
步骤1)获取交织区进出口匝道的坐标信息，在交织区进口处上游、进口处、出口处、出口处下游和进、出口匝道处分别安装一个交通流检测设备；
步骤2)以步骤1)中进口处上游和出口处下游所安装的两个交通流检测设备之间的区域为研究区域，获取该研究区域内的若干历史事故数据，每条事故数据包含事故发生时间和地点；
步骤3)对于步骤2)中的每条事故数据，获取该研究区域事故发生前设定时间T内的交通流数据，得到事故样本；其中，交通流数据包括每个交通流检测设备检测到的每条车道的交通流量、车道占有率和车辆速度；
步骤4)对于步骤2)中的每条事故数据，随机获取预设r条该研究区域内无事故发生时设定时间T内的交通流数据，得到非事故样本；
步骤5)将步骤3)中每条事故样本和步骤4)中每条非事故样本的交通流数据转化为如下的RGB矩阵形式，并进行min-max标准化处理；
其中：c＝1,2,3代表通道编号，分别对应交通流量、车道占有率和车辆速度；i＝1,2,…,6；
为在设定时间T内第i个交通流检测设备检测到的第j个车道上第n个交通流量/车道占有率/车辆速度；N＝T/s代表在设定时间T内第i个交通流检测设备检测到的数据个数，s为采样步长，n＝1,2,…,N；
步骤6)构建第一卷积神经网络，以步骤5)得到的事故样本和非事故样本作为输入；其中，第一卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层以及聚类层，卷积层的输出为事故样本和非事故样本的空间特征，门限卷积层的输出为事故样本和非事故样本的空间特征，全连接层的输出事故样本和非事故样本的时空特征，聚类层按照设定分类个数对事故样本和非事故样本的时空特征进行无监督分类；
步骤7)设定若干种分类个数，利用深度聚类层进行无监督分类，并利用Spearman相关性分析选择与事故风险相关性最强的分类个数cs，将事故样本和非事故样本划分为cs个交通流状态；
步骤8)依据步骤7)的cs个交通流状态，构建出cs-1个指示变量，以事故风险为因变量、cs-1个指示变量为解释变量建立Logistic回归模型，利用最大似然估计获取Logistic回归模型的参数；根据每个指示变量的模型系数值计算出相应交通流状态的比值比，比值比越大表明对应的交通流状态越危险，按照比值比由大到小对cs个交通流状态进行排序，最大比值比对应的交通流状态的危险级别为1级、最小比值比对应的交通流状态的危险级别为cs级；
步骤9)依据步骤8)中的危险级别对事故样本和非事故样本设置标签，形成训练样本集，对第二卷积神经网络进行训练，得到交通安全状态预测模型；其中第二卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层，全连接层的输出为样本对应的标签；
步骤10)将实时的获取该研究区域的交通流数据按照步骤5)的方法进行处理后，输入交通安全状态预测模型，得到实时的交通流状态危险级别。
进一步，步骤1)中进口处与进口处上游安装的交通流检测设备之间的距离d1＝300～500米；进口处与出口处安装的交通流检测设备之间的距离d2<＝800米；出口处及其下游按照的交通流检测设备之间的距离d3＝300～500米。
进一步，步骤3)中设定时间T为事故发生前的5-35分钟。
进一步，步骤4)中r＝10。
进一步，步骤5)中s＝30s；N＝30。
进一步，步骤6)和9)中第一和第二卷积神经网络训练采用交叉熵损失函数。
进一步，步骤6)中和9)卷积层的激活函数为ReLU函数，门限卷积层的激活函数为Sigmoid函数。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
1)交通安全状态分类更准确
与现有技术相比，选择的深度学习算法可以直接输入高精度的交通流数据，自动提取交通流的时空特征，因此确保了交通流信息的完整性，避免了因集计造成的信息丢失，同时，该方法针对的是运行复杂的高速公路交织区，划分出的交通安全状态能更好地描述交织区交通流状态的运行；
2)准确预测事故发生前危险状态
利用本发明方法得到的交通安全状态能更准确地反映事故发生前的交通流运行特征。在此基础利用本发明方法预测交通流运行状态可以为实时监测高速公路交织区事故发生，改善交织区交通流运行提供一定的理论依据。
附图说明
图1是本发明的流程框图；
图2是第一卷积神经网络的示意图；
图3是第二卷积神经网络的示意图；
图4是三种模型的预测精度示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步详细说明。
实施例：
利用美国加利福利亚州高速公路上19个交织区的真实数据，测试本发明在交通安全状态分类方面的性能。获取了19个交织区研究区域内的1460起交通事故和9320个非事故样本的交通流数据。每条样本的交通流数据包括了对应交织区上游、进出口处、交织区下游、上下匝道上共6个道路线圈每条车道的以30秒为采集间隔的交通流量、线圈占有率和车辆速度数据。
根据图1所示的本发明流程图，在提取所有样本的交通流时空特征前需要将数据处理成卷积神经网络所需的RGB矩阵格式。依据步骤5分别将交通流量、占有率和速度处理成二维矩阵，并做min-max标准化处理。在网络的训练过程中，步骤6中如图2所示的第一卷积神经网络，卷积核的维度为最常见的3×3，即m＝n＝3；卷积层和门限卷积层的堆叠次数z＝3，进行下采样的卷积层的步长s＝2，时空特征h的维度为10×1。分批训练的batch大小B＝64，卷积核的个数D＝120，特征图谱的数量K＝256以及为了防止模型过拟合的dropout的概率λ＝0.5。深度聚类层采用Student-T分布来衡量各样本与各类质心的相似度，聚类层的损失函数利用KL散度来衡量聚类真实分布概率与理论分布概率之间的差异，具体表达为：
其中，pij可根据下式计算：
其中，Lc代表整个聚类层的损失函数；qij代表样本i为第j类的实际分布概率；pij代表样本i实际为第j类的理论分布概率。
设定分类个数依次从4取至15，按照步骤6的方法进行深度聚类。根据Spearman相关分析的结果，当聚类数为10时，与事故风险的相关性ρ达到了最大为-0.251。本方法还利用logistic回归分析不同状态与交织区研究区域事故风险之间的关系，10种安全状态以状态s1作为基准变量转化为9个指示变量，Logistic回归结果如表1(其中a状态S1为其余9个指示变量的基准变量)。结果显示9个指示变量的回归系数在95％的显著水平上均显著不等于0，表明本方法得到的10种交通安全状态与交织区事故风险显著相关；同时根据每种状态的比值比可知，状态s7下事故发生的概率是状态s1的4.179倍，是10种安全状态中最危险的状态，其次相对危险的状态为s3和s10。
表1各交通安全状态与交织区事故风险的Logistic回归结果
| 交通安全状态 | 回归系数 | 比值比 | 标准差 | P值 |
| S2 | 0.693 | 2.000 | 0.197 | <0.000 |
| S3 | 1.360 | 3.896 | 0.191 | <0.000 |
| S4 | 0.462 | 1.587 | 0.218 | 0.034 |
| S5 | 0.869 | 2.385 | 0.204 | <0.000 |
| S6 | 0.819 | 2.268 | 0.216 | <0.000 |
| S7 | 1.430 | 4.179 | 0.197 | <0.000 |
| S8 | 1.058 | 2.881 | 0.206 | <0.000 |
| S9 | 0.812 | 2.252 | 0.207 | <0.000 |
| S10 | 1.158 | 3.184 | 0.184 | <0.000 |
| S1 | -<sup>a</sup> | - | - | |
| Constant | -2.845 | 0.176 | <0.000 |
最后，将10种交通安全状态下的所有样本分配10种结果标签。例如在状态s1下的事故样本标签为1，以此类推。利用如图3所示的第二卷积神经网络预测交织区的交通流状态。为了验证本发明交通安全状态分类的准确性，同时建立四相交通流状态下的预测模型，即所有样本的交通流依据四相交通流理论划分为4种交通流状态，4种交通状态下的样本分配4种结果标签，利用相同的卷积神经网络结构预测交通流状态。此外，建立不考虑交通状态的事故风险模型，即所有事故样本具有相同的结果标签。三种模型的预测精度利用ROC曲线对比分析，结果如图4所示。根据ROC曲线下方的面积(AUC)可知，基于本发明得到的10种交通流状态下的预测模型AUC最大，表明本发明的方法划分出的交通安全状态能很好地描述交织区交通流状态的运行，具有一定的实际应用价值。
Claims (7)
1.一种高速公路交织区交通安全状态预测方法，其特征在于，该方法包括以下步骤：
步骤1)获取交织区进出口匝道的坐标信息，在交织区进口处上游、进口处、出口处、出口处下游和进、出口匝道处分别安装一个交通流检测设备；
步骤2)以步骤1)中进口处上游和出口处下游所安装的两个交通流检测设备之间的区域为研究区域，获取该研究区域内的若干历史事故数据，每条事故数据包含事故发生时间和地点；
步骤3)对于步骤2)中的每条事故数据，获取该研究区域事故发生前设定时间T内的交通流数据，得到事故样本；其中，交通流数据包括每个交通流检测设备检测到的每条车道的交通流量、车道占有率和车辆速度；
步骤4)对于步骤2)中的每条事故数据，随机获取预设r条该研究区域内无事故发生时设定时间T内的交通流数据，得到非事故样本；
步骤5)将步骤3)中每条事故样本和步骤4)中每条非事故样本的交通流数据转化为如下的RGB矩阵形式，并进行min-max标准化处理；
其中：c＝1,2,3代表通道编号，分别对应交通流量、车道占有率和车辆速度；i＝1,2,…,6；
为在设定时间T内第i个交通流检测设备检测到的第j个车道上第n个交通流量/车道占有率/车辆速度；N＝T/s代表在设定时间T内第i个交通流检测设备检测到的数据个数，s为采样步长，n＝1,2,…,N；
步骤6)构建第一卷积神经网络，以步骤5)得到的事故样本和非事故样本作为输入；其中，第一卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层以及聚类层，卷积层的输出为事故样本和非事故样本的空间特征，门限卷积层的输出为事故样本和非事故样本的空间特征，全连接层的输出事故样本和非事故样本的时空特征，聚类层按照设定分类个数对事故样本和非事故样本的时空特征进行无监督分类；
步骤7)设定若干种分类个数，利用深度聚类层进行无监督分类，并利用Spearman相关性分析选择与事故风险相关性最强的分类个数cs，将事故样本和非事故样本划分为cs个交通流状态；
步骤8)依据步骤7)的cs个交通流状态，构建出cs-1个指示变量，以事故风险为因变量、cs-1个指示变量为解释变量建立Logistic回归模型，利用最大似然估计获取Logistic回归模型的参数；根据每个指示变量的模型系数值计算出相应交通流状态的比值比，比值比越大表明对应的交通流状态越危险，按照比值比由大到小对cs个交通流状态进行排序，最大比值比对应的交通流状态的危险级别为1级、最小比值比对应的交通流状态的危险级别为cs级；
步骤9)依据步骤8)中的危险级别对事故样本和非事故样本设置标签，形成训练样本集，对第二卷积神经网络进行训练，得到交通安全状态预测模型；其中第二卷积神经网络包括依次连接的z个卷积层和门限卷积层的堆叠结构、一个全连接层，全连接层的输出为样本对应的标签；
步骤10)将实时的获取该研究区域的交通流数据按照步骤5)的方法进行处理后，输入交通安全状态预测模型，得到实时的交通流状态危险级别。
2.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤1)中进口处与进口处上游安装的交通流检测设备之间的距离d1＝300～500米；进口处与出口处安装的交通流检测设备之间的距离d2<＝800米；出口处及其下游按照的交通流检测设备之间的距离d3＝300～500米。
3.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤3)中设定时间T为事故发生前的5-35分钟。
4.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤4)中r＝10。
5.根据权利要求1或3所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤5)中s＝30s；N＝30。
6.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤6)和9)中第一和第二卷积神经网络训练采用交叉熵损失函数。
7.根据权利要求1所述的高速公路交织区交通安全状态预测方法，其特征在于，步骤6)中和9)卷积层的激活函数为ReLU函数，门限卷积层的激活函数为Sigmoid函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171055.9A CN112990545B (zh) | 2021-02-08 | 2021-02-08 | 一种高速公路交织区交通安全状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171055.9A CN112990545B (zh) | 2021-02-08 | 2021-02-08 | 一种高速公路交织区交通安全状态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990545A true CN112990545A (zh) | 2021-06-18 |
| CN112990545B CN112990545B (zh) | 2022-11-18 |
Family
ID=76349149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110171055.9A Active CN112990545B (zh) | 2021-02-08 | 2021-02-08 | 一种高速公路交织区交通安全状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990545B (zh) |
Cited By (6)
| 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 |
| CN114241754A (zh) * | 2021-12-03 | 2022-03-25 | 东南大学 | 基于高速公路合流影响区事故前兆特征的实时控制方法 |
| CN116128169A (zh) * | 2023-04-19 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种用于智能交通的多系统联动控制方法及装置 |
| CN116631186A (zh) * | 2023-05-19 | 2023-08-22 | 东南大学 | 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 |
| WO2024060588A1 (zh) * | 2022-09-22 | 2024-03-28 | 中南大学 | 高速公路隧道事故实时风险预测方法、装置、设备及介质 |
| CN118312837A (zh) * | 2024-06-07 | 2024-07-09 | 浙江大学 | 基于小样本学习的公路交通事件检测方法、系统和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
-
2021
- 2021-02-08 CN CN202110171055.9A patent/CN112990545B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
| CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
Cited By (9)
| 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 |
| 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 |
| CN114241754A (zh) * | 2021-12-03 | 2022-03-25 | 东南大学 | 基于高速公路合流影响区事故前兆特征的实时控制方法 |
| CN114241754B (zh) * | 2021-12-03 | 2023-01-03 | 东南大学 | 基于高速公路合流影响区事故前兆特征的实时控制方法 |
| WO2024060588A1 (zh) * | 2022-09-22 | 2024-03-28 | 中南大学 | 高速公路隧道事故实时风险预测方法、装置、设备及介质 |
| CN116128169A (zh) * | 2023-04-19 | 2023-05-16 | 广州云硕科技发展有限公司 | 一种用于智能交通的多系统联动控制方法及装置 |
| CN116631186A (zh) * | 2023-05-19 | 2023-08-22 | 东南大学 | 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 |
| CN116631186B (zh) * | 2023-05-19 | 2024-05-28 | 东南大学 | 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 |
| CN118312837A (zh) * | 2024-06-07 | 2024-07-09 | 浙江大学 | 基于小样本学习的公路交通事件检测方法、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990545B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990545B (zh) | 一种高速公路交织区交通安全状态预测方法 | |
| Shepelev et al. | A Study of the Travel Time of Intersections by Vehicles using Computer Vision. | |
| CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
| CN112085947A (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
| CN103632168A (zh) | 一种机器学习中的分类器集成方法 | |
| CN103605362A (zh) | 基于车辆轨迹多特征的运动模式学习及异常检测方法 | |
| CN113744526B (zh) | 一种基于lstm和bf的高速公路风险预测方法 | |
| CN105487526A (zh) | 一种Fast RVM污水处理故障诊断方法 | |
| CN116631186B (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 | |
| CN103426004B (zh) | 基于纠错输出编码的车型识别方法 | |
| CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
| CN115689040B (zh) | 基于卷积神经网络的交通事故严重程度预测方法及系统 | |
| CN116383685A (zh) | 一种基于时空交互图注意力网络的车辆变道检测方法 | |
| CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
| Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
| CN112990544A (zh) | 一种高速公路交织区交通事故预测方法 | |
| CN112201036B (zh) | 一种基于Inception-CNN的城市快速路行程速度短时预测方法 | |
| CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
| CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| CN117077843A (zh) | 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法 | |
| Elhenawy et al. | Enhanced modeling of driver stop-or-run actions at a yellow indication: Use of historical behavior and machine learning methods | |
| Endri et al. | Road damage detection utilizing convolution neural network and principal component analysis |
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 |