CN113112794A - 基于时空气象网格的交通事故发生率预测方法 - Google Patents
基于时空气象网格的交通事故发生率预测方法 Download PDFInfo
- Publication number
- CN113112794A CN113112794A CN202110344250.7A CN202110344250A CN113112794A CN 113112794 A CN113112794 A CN 113112794A CN 202110344250 A CN202110344250 A CN 202110344250A CN 113112794 A CN113112794 A CN 113112794A
- Authority
- CN
- China
- Prior art keywords
- traffic
- meteorological
- road
- distribution
- space
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims description 39
- 238000011160 research Methods 0.000 claims description 16
- 238000012098 association analyses Methods 0.000 claims description 8
- 238000010224 classification analysis Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时空气象网格的交通事故发生率预测方法,包括如下步骤:收集汇总交通历史数据;分析交通运行特征分布;通过对交通气象数据的全面分析,找出道路气象环境关键特征、各类特征的空间和时间分布情况等步骤;该方法具有的优点如下:研究在高原地区复杂的地形条件下,分析高原道路运行关键特征、各类特征的时空分布,建立公路交通事故与时空网格气象要素之间的网格化关联模型,研究公路交通气象灾害类型、主要致灾气象因子、影响程度和气象灾害阈值,研究基于智能网格预报的高原地区交通气象网格化预警预报技术方法。
Description
技术领域
本发明具体涉及一种基于时空气象网格的交通事故发生率预测方法。
背景技术
气象灾害给人类社会造成严重威胁,为了应对各类气象灾害,减少灾害损失,气象灾害的研究越来越受到各国政府与科学界的高度重视。气象灾害分布的区域差异是灾害地理学的基本规律,时空特征是灾害地理学研究的基本视角,气象灾害的时空统计规律是灾害地理学研究的新命题,灾害风险评价是有效进行灾害防御的重要基础。因此,基于灾害统计理论的灾害时空变化规律、灾害趋势判断和灾害风险评价的研究,既有助于为灾害地理的研究开拓新的领域,更有利于化解灾害风险,减少灾害损失,具有重要意义。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于时空气象网格的交通事故发生率预测方法,该基于时空气象网格的交通事故发生率预测方法可以很好地解决上述问题。
为达到上述要求,本发明采取的技术方案是:提供一种基于时空气象网格的交通事故发生率预测方法,该基于时空气象网格的交通事故发生率预测方法包括如下步骤:
S1:收集汇总交通历史数据;
S2:分析交通运行特征分布;
S3:以道路基础数据为基础,进行道路基础设施特征分类分析,并采取空间网格化方式,进行特征空间分布分析,形成道路基础设施特征空间分布数据库和分布图;
S4:以全时段交通历史数据为基础,进行道路运行特征分类分析;
S5:分别从网格化空间和时间两个维度,开展特征分布分析,综合形成道路运行特征的时空分布数据库和分布图;
S6:对道路基础设施特征空间分布数据库和分布图、运行特征的时空分布数据库和分布图进行融合关联分析,形成道路综合运行特征时空分布数据库、分布图和关联数据库、关联图;
S7:通过对交通气象数据的全面分析,找出道路气象环境关键特征、各类特征的空间和时间分布情况;
S8:融合道路综合运行特征时空分布数据库、分布图和关联数据库、关联图和气象环境特征时空分布数据库、分布图进行关联性分析。
该基于时空气象网格的交通事故发生率预测方法具有的优点如下:
本项目的主要目标是研究在高原地区复杂的地形条件下,分析高原道路运行关键特征、各类特征的时空分布,建立公路交通事故与时空网格气象要素之间的网格化关联模型,研究公路交通气象灾害类型、主要致灾气象因子、影响程度和气象灾害阈值,研究基于智能网格预报的高原地区交通气象网格化预警预报技术方法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示意性地示出了根据本申请一个实施例的基于时空气象网格的交通事故发生率预测方法的流程示意图。
图2示意性地示出了根据本申请一个实施例的基于时空气象网格的交通事故发生率预测方法的多要素对交通事故的作用机理示意图。
图3示意性地示出了根据本申请一个实施例的基于时空气象网格的交通事故发生率预测方法的川西高原公路网格化时空预测模型示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下结合附图及具体实施例,对本申请作进一步地详细说明。
在以下描述中,对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度,但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外,重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例,但并非必然指代相同的实施例。
为简单起见,以下描述中省略了本领域技术人员公知的某些技术特征。
针对现有问题,目前具有如下技术难点:
1、从粗粒度的整条高速公路分析进不到网格化时空气象要素关联分析:
对于交通事故和气象要素的相关关系,可能是线性的,也可能是非线性的,确定用哪种方法来计算相关系数是一个关键。影响川西高原公路气象的要素很多,目前的气象预测研究,还难以有效地判断,哪些要素是影响川西高原公路气象的关键核心因素。一些研究成果虽然给出了一些参考的重点要素,例如地面温度、湿度、气压等,但是这些要素仅仅局限于特殊的应用环境,在不同的应用环境中,差异性很大。国内外以往的研究为了简化分析的难度,通常将一条公路的气象条件的平均值代替整条公路所有段的气象值。由于平均值的代表性很差,导致这种大尺度分析的效果很差,构建出的模型的拟合能力不理想。
2、在非对称样本情况下提高交通事故与时空气象要素之间的数据分析回归精度
影响交通事故的因素有很多,气象因素只是其中一个方面,并且气象要素与时间空间结合分析,才能确定特点公路区段气象对交通事故的影响。如何剔除其他因素的影响,建立不同气象灾害的阈值是一个技术难点。为了增强SVM算法在这种状况下的回归性能,在本项目中创新地使用了分段SVM回归的方法,具体方法是:
(1)针对地形变化特殊分段,对少数样本进行过抽样,使得抽样后的样本数目密度增加,从而提高其在整个回归中的敏感性。其中过抽样又分为两种:一种是随机重取样,另一种是集中重取样。随机重取样就是对少数类样本进行随机重复;集中重取样是对少数类样本进行选择性重复,只选择那些处于少数类与多数类边界之间的值进行重复。
(2)对于特殊地形区域,生成新的SVM回归模型,进行单独的回归,从而提高这一区域的拟合效果。
根据本申请的一个实施例,提供一种基于时空气象网格的交通事故发生率预测方法,如图1-3所示,包括如下步骤:
S1:收集汇总交通历史数据;
S2:分析交通运行特征分布;
S3:以道路基础数据为基础,进行道路基础设施特征分类分析,并采取空间网格化方式,进行特征空间分布分析,形成道路基础设施特征空间分布数据库和分布图;
S4:以全时段交通历史数据为基础,进行道路运行特征分类分析;
S5:分别从网格化空间和时间两个维度,开展特征分布分析,综合形成道路运行特征的时空分布数据库和分布图;
S6:对道路基础设施特征空间分布数据库和分布图、运行特征的时空分布数据库和分布图进行融合关联分析,形成道路综合运行特征时空分布数据库、分布图和关联数据库、关联图;
S7:通过对交通气象数据的全面分析,找出道路气象环境关键特征、各类特征的空间和时间分布情况;
S8:融合道路综合运行特征时空分布数据库、分布图和关联数据库、关联图和气象环境特征时空分布数据库、分布图进行关联性分析。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法中步骤S1:收集汇总交通历史数据,具体包括针对各道路收集汇总道路基础数据和全时段交通历史数据。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法中的所述道路基础数据和全时段交通历史数据包括全路桥、隧、路面、海拔高度、附属设施等基础数据,全时段的全车型流量数据、道路阻断数据,交通事故数据,地质灾害数据交通历史数据。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法中步骤S2:分析交通运行特征分布,具体包括针对研究样本道路,以道路基础数据和历史数据为基础,进行道路交通运行特征分布分析。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法还包括如下步骤:
S9:形成道路加气象运行特征时空分布数据库、分布图和关联数据库、关联图。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法还包括如下步骤:利用气象站实时观测数据,结合气象监测站网观测数据,运用i-score主成分分析方法,在高原公路气象预测中,加入了扩展区域成分因素作为附加的主元素,主元素的选择以i-score自动分析结果为判据,从而综合应用了气象数据为高原公路气象预测提供支撑。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法还包括如下步骤:利用高原公路交通气象灾害类型、主要致灾气象因子、影响程度和灾害阈值,制定高原公路交通气象服务标准和流程。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法还包括如下步骤:将不同气象条件下,不同区域的高原公路发生交通事故的风险由高到低分成不同的级别,并根据天气预报,做出行车安全预警。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法具体描述如下:
1.构建时空特征数据库
基于通过对交通历史数据的全面分析,找出道路运行关键特征、各类特征的空间和时间分布情况以及期间的时空关联情况。
(1)收集汇总交通历史数据。分别针对雅西高速、雅康高速、国道318和国道317等研究样本道路,收集汇总道路基础数据和全时段交通历史数据。包括:全路桥、隧、路面、海拔高度、附属设施等基础数据,全时段的全车型流量数据、道路阻断数据,交通事故数据,地质灾害数据等交通历史数据。
(2)分析交通运行特征分布。分别针对雅西高速、雅康高速、国道318和国道317等研究样本道路,以道路基础数据和历史数据为基础,进行道路交通运行特征分布分析。以道路基础数据为基础,进行道路基础设施特征分类分析,并采取空间网格化方式,开展特征空间分布分析,形成道路基础设施特征空间分布数据库和分布图。以全时段交通历史数据为基础,进行道路运行特征分类分析。分别从网格化空间和时间两个维度,开展特征分布分析,综合形成道路运行特征的时空分布数据库和分布图。对道路基础设施特征空间分布数据库和分布图、运行特征的时空分布数据库和分布图进行融合关联分析,形成道路综合运行特征时空分布数据库、分布图和关联数据库、关联图。
(3)通过对交通气象数据的全面分析,找出道路气象环境关键特征、各类特征的空间和时间分布情况。融合道路综合运行特征时空分布数据库、分布图和关联数据库、关联图和气象环境特征时空分布数据库、分布图进行关联性分析。形成道路+气象运行特征时空分布数据库、分布图和关联数据库、关联图。
2.研究基于智能网格预报的高原地区交通气象精细化预警预报技术方法
充分利用四川省气象服务中心已经掌握的全省自动气象站实时观测数据,结合川西高原公路气象监测站网观测数据,运用i-score主成分分析方法,在整个川西高原公路气象预测中,加入了扩展区域成分因素作为附加的主元素,主元素的选择以i-score自动分析结果为判据,从而综合应用了全省气象数据为川西高原公路气象预测提供支撑,提高了预测分析的客观性、准确性。
对川西高原公路的交通事故的影响要素,有地形地貌、气象要素、道路情况、时间因素等,这些要素对交通事故的作用机理如下分析所示:
下表为交通事故的影响要素与公路交通的作用机理分析
3.制定川西高原公路交通气象服务标准和服务流程
利用前面研究出的川西高原公路交通气象灾害类型、主要致灾气象因子、影响程度和灾害阈值,从交通部门管理实际工作出发,制定川西高原公路交通气象服务标准和服务流程。
将不同气象条件下,不同区域的川西高原公路发生交通事故的风险由高到低分成不同的级别,各个级别的风险指数对应的交通事故发生的可能性的不同。风险指数确定以后,再根据天气预报,做出行车安全预警。系统的工作模型如下如图3所示。
本方法高原公路安全行车气象风险指数研究了气象灾害对交通事故的影响,并将气象要素对安全行车的影响划分等级,并根据天气预报,进行行车安全预警,不仅对公众的出行提供参考,降低交通事故发生的风险,减少生命财产损失,也对交通管理部门提供决策依据,提高川西高原公路管理的水平。此外,本项目的研究基于大数据分析与时间、空间、气象要素网格化时空模型,充分使用了时空模型的数据拟合与回归模型,对每一条公路的气象灾害风险分析提供了数据分析。本项目的应用,就一条公路而言,可以定期分析确定交通气象风险规律;就区域而言,可复制推广到各条公路,定期形成区域(川西高原)全面的风险库(风险时空图);就全省路网看,可复制推广到各区域所有路,定期形成全省风险库(风险时空图)。本项目的研究方法也可以推广至全国路网。
根据本申请的一个实施例,该基于时空气象网格的交通事故发生率预测方法
以上所述实施例仅表示本发明的几种实施方式,其描述较为具体和详细,但并不能理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。
Claims (8)
1.一种基于时空气象网格的交通事故发生率预测方法,其特征在于,包括如下步骤:
S1:收集汇总交通历史数据;
S2:分析交通运行特征分布;
S3:以道路基础数据为基础,进行道路基础设施特征分类分析,并采取空间网格化方式,进行特征空间分布分析,形成道路基础设施特征空间分布数据库和分布图;
S4:以全时段交通历史数据为基础,进行道路运行特征分类分析;
S5:分别从网格化空间和时间两个维度,开展特征分布分析,综合形成道路运行特征的时空分布数据库和分布图;
S6:对道路基础设施特征空间分布数据库和分布图、运行特征的时空分布数据库和分布图进行融合关联分析,形成道路综合运行特征时空分布数据库、分布图和关联数据库、关联图;
S7:通过对交通气象数据的全面分析,找出道路气象环境关键特征、各类特征的空间和时间分布情况;
S8:融合道路综合运行特征时空分布数据库、分布图和关联数据库、关联图和气象环境特征时空分布数据库、分布图进行关联性分析。
2.根据权利要求1所述的基于时空气象网格的交通事故发生率预测方法,其特征在于,步骤S1:收集汇总交通历史数据,具体包括针对各道路收集汇总道路基础数据和全时段交通历史数据。
3.根据权利要求2所述的基于时空气象网格的交通事故发生率预测方法,其特征在于:所述道路基础数据和全时段交通历史数据包括全路桥、隧、路面、海拔高度、附属设施等基础数据,全时段的全车型流量数据、道路阻断数据,交通事故数据,地质灾害数据交通历史数据。
4.根据权利要求1所述的基于时空气象网格的交通事故发生率预测方法,其特征在于:步骤S2:分析交通运行特征分布,具体包括针对研究样本道路,以道路基础数据和历史数据为基础,进行道路交通运行特征分布分析。
5.根据权利要求1所述的基于时空气象网格的交通事故发生率预测方法,其特征在于,还包括如下步骤:
S9:形成道路加气象运行特征时空分布数据库、分布图和关联数据库、关联图。
6.根据权利要求1所述的基于时空气象网格的交通事故发生率预测方法,其特征在于,还包括如下步骤:利用气象站实时观测数据,结合气象监测站网观测数据,运用i-score主成分分析方法,在高原公路气象预测中,加入了扩展区域成分因素作为附加的主元素,主元素的选择以i-score自动分析结果为判据,从而综合应用了气象数据为高原公路气象预测提供支撑。
7.根据权利要求6所述的基于时空气象网格的交通事故发生率预测方法,其特征在于,还包括如下步骤:利用高原公路交通气象灾害类型、主要致灾气象因子、影响程度和灾害阈值,制定高原公路交通气象服务标准和流程。
8.根据权利要求7所述的基于时空气象网格的交通事故发生率预测方法,其特征在于,还包括如下步骤:将不同气象条件下,不同区域的高原公路发生交通事故的风险由高到低分成不同的级别,并根据天气预报,做出行车安全预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344250.7A CN113112794A (zh) | 2021-03-31 | 2021-03-31 | 基于时空气象网格的交通事故发生率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344250.7A CN113112794A (zh) | 2021-03-31 | 2021-03-31 | 基于时空气象网格的交通事故发生率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112794A true CN113112794A (zh) | 2021-07-13 |
Family
ID=76713030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344250.7A Pending CN113112794A (zh) | 2021-03-31 | 2021-03-31 | 基于时空气象网格的交通事故发生率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112794A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973648A (zh) * | 2022-04-11 | 2022-08-30 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260603A (zh) * | 2015-10-14 | 2016-01-20 | 成都信息工程大学 | 一种气候事件风险评估方法及系统 |
CN107622325A (zh) * | 2017-09-12 | 2018-01-23 | 大连理工大学 | 基于建成环境和微博数据的交通事故时空分布量化方法 |
CN207199091U (zh) * | 2017-09-07 | 2018-04-06 | 成都信息工程大学 | 基于云平台的智慧交通大数据预测分析系统 |
CN108090285A (zh) * | 2017-12-20 | 2018-05-29 | 中国科学院寒区旱区环境与工程研究所 | 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法 |
CN108108591A (zh) * | 2018-01-09 | 2018-06-01 | 华南理工大学 | 一种基于隐马尔科夫模型检测复杂生物系统相变临界点的方法 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN108959196A (zh) * | 2018-07-09 | 2018-12-07 | 苏州工业园区测绘地理信息有限公司 | 一种交通事故时空分析系统 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN109523780A (zh) * | 2018-07-19 | 2019-03-26 | 郭忠印 | 一种山区高速公路降雪环境预警系统及方法 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
CN110162582A (zh) * | 2018-04-13 | 2019-08-23 | 山东百世通大数据科技有限公司 | 复杂地形下高速公路气象观测站智能选址系统及应用方法 |
CN110322682A (zh) * | 2019-04-30 | 2019-10-11 | 四川省气象服务中心 | 交通事故的位置计算方法、分析方法、预警方法及其系统 |
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 |
CN111210052A (zh) * | 2019-12-16 | 2020-05-29 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于混合地理加权回归的交通事故预测方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
CN111882122A (zh) * | 2020-07-16 | 2020-11-03 | 成都市高博汇科信息科技有限公司 | 一种基于深度学习和时空大数据的交通事故黑点预测方法 |
-
2021
- 2021-03-31 CN CN202110344250.7A patent/CN113112794A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260603A (zh) * | 2015-10-14 | 2016-01-20 | 成都信息工程大学 | 一种气候事件风险评估方法及系统 |
CN207199091U (zh) * | 2017-09-07 | 2018-04-06 | 成都信息工程大学 | 基于云平台的智慧交通大数据预测分析系统 |
CN107622325A (zh) * | 2017-09-12 | 2018-01-23 | 大连理工大学 | 基于建成环境和微博数据的交通事故时空分布量化方法 |
CN108090285A (zh) * | 2017-12-20 | 2018-05-29 | 中国科学院寒区旱区环境与工程研究所 | 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法 |
CN108108591A (zh) * | 2018-01-09 | 2018-06-01 | 华南理工大学 | 一种基于隐马尔科夫模型检测复杂生物系统相变临界点的方法 |
CN110162582A (zh) * | 2018-04-13 | 2019-08-23 | 山东百世通大数据科技有限公司 | 复杂地形下高速公路气象观测站智能选址系统及应用方法 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN108959196A (zh) * | 2018-07-09 | 2018-12-07 | 苏州工业园区测绘地理信息有限公司 | 一种交通事故时空分析系统 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN109523780A (zh) * | 2018-07-19 | 2019-03-26 | 郭忠印 | 一种山区高速公路降雪环境预警系统及方法 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
CN110322682A (zh) * | 2019-04-30 | 2019-10-11 | 四川省气象服务中心 | 交通事故的位置计算方法、分析方法、预警方法及其系统 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
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 |
CN111210052A (zh) * | 2019-12-16 | 2020-05-29 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于混合地理加权回归的交通事故预测方法 |
CN111882122A (zh) * | 2020-07-16 | 2020-11-03 | 成都市高博汇科信息科技有限公司 | 一种基于深度学习和时空大数据的交通事故黑点预测方法 |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
Non-Patent Citations (5)
Title |
---|
SRIKANTH CHANDAR: "Road Accident Proneness Indicator Based On Time, Weather And Location Specificity Using Graph Neural Networks", 《2020 19TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA)》 * |
康彩燕: "气象条件对我国道路交通事故影响研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杜建华: "海南环岛高速强降雨灾害风险分析", 《干旱气象》 * |
杨泓: "四川高速公路安全行车气象风险指数与预警提示发布系统", 《科技成果》 * |
王洁: "河北高速公路交通事故特征及其气象预警模型", 《干旱气象》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973648A (zh) * | 2022-04-11 | 2022-08-30 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
CN114973648B (zh) * | 2022-04-11 | 2024-03-19 | 长安大学 | 一种基于气象响应度的高速公路高风险路段鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN106507315B (zh) | 基于网络社交媒体数据的城市交通事故预测方法和系统 | |
GB2582531A (en) | Method for detecting traffic anomally of urban road with equidistant spatial-temporal division | |
CN104484993A (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
CN109544912B (zh) | 一种基于多源数据融合的城市路网积水状态预测方法 | |
Xu et al. | Assessing the impact of rainfall on traffic operation of urban road network | |
CN111524353B (zh) | 一种交通文本数据用于速度预测及行程规划方法 | |
CN103514743A (zh) | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
Yabe et al. | CityFlowFragility: Measuring the fragility of people flow in cities to disasters using GPS data collected from smartphones | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
CN113112794A (zh) | 基于时空气象网格的交通事故发生率预测方法 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
Hoong et al. | Road traffic prediction using Bayesian networks | |
Zhenwu et al. | Quantitative Study on the Waterlogging Resilience of Road Transportation System Based on the Validity View of System Functions. | |
Banik et al. | Corridor level mobility analysis using GPS data | |
CN113191568A (zh) | 基于气象的城市运行管理大数据分析预测方法和系统 | |
Halse et al. | Bad Weather Coming: Linking social media and weather sensor data. | |
CN113704317A (zh) | 一种基于交通事故特征分析的事故黑点预测方法 | |
Xiao et al. | Trip generation prediction based on the convolutional neural network-multidimensional long-short term memory neural network model at grid cell scale | |
CN111681429B (zh) | 基于gps数据的恶劣天气下脆弱路段识别方法及系统 | |
Sophia et al. | Predictive modeling: An attempt at predicting travel times in bengaluru accounting for geographic and economic effects | |
CN114819501B (zh) | 一种公路交通气象物联网多源异构数据处理方法和系统 | |
Gawali et al. | Survey on spatio-temporal transportation using deep convolution network for traffic flow |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |