CN113689697A - 一种基于规则匹配和知识图谱的交通事件影响分析方法 - Google Patents
一种基于规则匹配和知识图谱的交通事件影响分析方法 Download PDFInfo
- Publication number
- CN113689697A CN113689697A CN202110932749.XA CN202110932749A CN113689697A CN 113689697 A CN113689697 A CN 113689697A CN 202110932749 A CN202110932749 A CN 202110932749A CN 113689697 A CN113689697 A CN 113689697A
- Authority
- CN
- China
- Prior art keywords
- traffic
- incident
- event
- influence
- data
- 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
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
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于规则匹配和知识图谱的交通事件影响分析方法,采集待分析高速公路区域的历史交通数据和交通事件数据;计算事发地点周围路网的变速比;从采集的交通事件数据中选择交通事件特征;进行交通事件分类构建规则库,获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数;综合采集的历史交通数据、交通事件数据,以及确定的事件影响类别和拟合参数,构建高速公路交通事件知识图谱;基于RETE算法的正向推理引擎,确定待分析交通事件的影响类别,并通过知识图谱查询,得到该事件对周围路网的时空影响。本发明能够在新的交通事件发生时,迅速获知当前交通事件对高速路网所造成的时空影响。
Description
技术领域
本发明涉及高速公路管理技术,具体涉及一种基于规则匹配和知识图谱的交通事件影响分析方法。
背景技术
交通事件通常由非经常性事件造成,如交通事故、极端天气、特殊事件、施工区域封闭等,极易引起车辆拥堵排队、交通事件连环发生等现象,进而降低道路的通行能力,给高速路网的运行安全和可靠性带来了挑战。分析交通事件对高速公路交通运行态势的影响是快速响应和及时处置交通事件的关键。熊娟等采用聚类分析的方法,将交通状态突变的交通事件信息分类,得到事件影响的大致范围,但其未将事件影响在时空维度上进行量化,结果缺乏精确性;Zhengli Wang等将交通事件的影响理解为拥堵扩散问题,提出一种整数规划模型,输入给定道路上的历史速度以及事件的位置和开始的时间,输出事件影响的时空区域,但是却忽略了交通事件自身特征对路网的潜在影响。综上所述,上述基于数据驱动的分析方法没有将交通事件影响特征挖掘与事件影响下的拥堵扩散现象有效结合,并且缺乏对交通事件经验性知识的重用和共享,不能提供交通事件影响的整体概况。
发明内容
本发明的目的在于提供一种基于规则匹配和知识图谱的交通事件影响分析方法。
实现本发明目的的技术解决方案为:一种基于规则匹配和知识图谱的交通事件影响分析方法,包括以下步骤:
步骤1,采集待分析高速公路区域的历史交通数据和交通事件数据;
步骤2,基于历史交通数据,计算事发地点周围路网的变速比,用于获取交通事件影响下交通流突变的时空变化拟合曲线,进行交通事件影响的时空特性分析;
步骤3,基于特征子集选择算法,从步骤1采集的交通事件数据中选择交通事件特征;
步骤4,基于步骤3选择交通事件特征进行交通事件分类构建规则库,并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数;
步骤5,基于本体模型,综合步骤1采集的历史交通数据、交通事件数据,以及步骤4确定的事件影响类别和拟合参数,构建高速公路交通事件知识图谱;
步骤6,基于RETE算法的正向推理引擎,对交通事件进行规则匹配,确定待分析交通事件的影响类别,并通过知识图谱查询,得到该事件对周围路网的时空影响。
步骤1中,采集的历史交通数据包括道路流量和速度数据,交通事件数据包括交通事件的编号、月份、星期、交通事件的发生时刻、交通事件的发生位置、道路编号、路面情况、天气、车流方向、工作区情况、交通事件发生位置与高速路口的关系、受影响的车道、事件碰撞严重程度以及路面的照明情况。
步骤2中,基于历史交通数据,计算事发地点周围路网的变速比ΔV(l,k),具体公式如下:
其中,l为特定位置与事发地点的距离/mile;k时刻为事件的影响时间/min;V1(l,k)为事件发生后的距事发地l处的当前速度/(mile·h-1);V2(l,k)为历史数据中l处同一k时刻的速度平均值/(mile·h-1);从各条变速比曲线中提取速度突变点,进行高斯拟合,即获得交通事件影响下的交通流突变的时空变化拟合曲线,表征交通事件影响的时空特性。
步骤3中,基于特征子集选择算法,从步骤1采集的交通事件数据中选择交通事件特征,具体方法为:
步骤3-1,从交通事件数据中提取交通事件的多维特征,包括事件时空特征、环境特征以及事件信息相关补充特征;
事件时空特征包括交通事件的发生位置、月份、星期、发生时刻,其中交通事件的发生位置这一事件特征通过交通事件发生位置与高速路口的相对距离和相对方向具体表现;环境特征包括道路环境和自然环境,道路环境包括道路编号、路面情况、交通事件发生位置与高速路口的关系、工作区情况、路面的照明情况以及车流方向,自然环境包括天气;事件信息相关补充特征包括交通事件编号、受影响的车道和交通事件碰撞严重程度,最终获得交通事件的特征集合表示为A={a1,a2,a3,...,ad},共由d个事件特征构成;
步骤3-2,对交通事件的多维特征进行预处理;
1)将时间类型的数据转换为离散化分段数据;
原始数据中的事件发生时刻为时间类型数据,通过特征离散化有利于数据分析,将全天的时段离散化区间分为:凌晨、早高峰、平峰、晚高峰、夜间;
2)将非数值型的数据转换为数值型数据;
原始数据中的天气、路面情况、工作区情况,事件碰撞严重程度、车流方向、交通事件的发生位置与高速路口的关系以及路面的照明情况,还包括交通事件的发生位置与高速路口的相对方向和交通事件发生时刻的离散化分段数据,均为非数值型数据,根据分类情况进行编码数值化;
天气:雨天=1,雪天=2,大雾=3,晴天=4,阴天=5,多云=6;路面情况:干=1,湿=2;工作区情况:交通事件的发生位置在施工区域内=1,交通事件的发生位置不在施工区域内=2;事件碰撞程度:无伤亡=1,受伤=2,死亡=3;车流方向:上行=1,下行=2;交通事件的发生位置与高速路口的关系:交通事件发生的位置与高速路口相关=1,交通事件发生的位置与高速路口不相关=2;路面的照明情况:白天=1,黎明=2,黄昏=3,晚上路灯开=4,晚上路灯关=5,晚上没有路灯=6,其他=7;交通事件的发生位置与高速路口的相对方向:东:1,西=2,南=3,北=4;交通事件的发生时刻:凌晨=0,早高峰=1,平峰=2,晚高峰=3,夜间=4;
步骤3-3,基于Boruta算法,结合步骤3-2预处理后的交通事件的特征集合,确定与交通事件影响最为相关的特征子集A*。
步骤4中,基于步骤3选择交通事件特征进行交通事件分类构建规则库,并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数,具体方法为:
将选择的交通事件特征子集A*中各元素相同的交通事件分为一类,选用产生式规则描述构建规则库,其中规则名称以对应的交通事件影响类别命名;规则内容以交通事件分类特征约束为执行条件,以确认交通事件影响类别为执行方法;
通过步骤2获得各类中各个事件的交通流突变的时空变化拟合曲线,并对各类中的多个事件的拟合曲线取平均,作为各类的交通事件影响的时空特性,构建交通事件影响类别表来存储拟合曲线的拟合参数。
步骤5中,基于本体模型,综合步骤1采集的历史交通数据、交通事件数据,以及步骤4确定的事件影响类别和拟合参数,构建高速公路交通事件知识图谱,具体方法为:
步骤5-1:构建高速公路交通事件领域本体;
高速公路交通事件领域本体包括交通事件、高速公路路口、高速公路路段、交通事件影响类别、时间、地点这些实体,根据各实体的特点定义相应的属性和实体间的关系;
步骤5-2:根据步骤5-1定义的高速公路交通事件领域本体,从交通事件数据中,通过知识抽取技术,提取出实体、关系和属性,包括交通事件、时间以及地点;
步骤5-3:基于高速公路事件领域本体,补充需要的实体类别的数据;
交通事件数据中缺少事件影响类别信息,所以通过步骤4中交通事件影响类别表,提取出交通事件影响类别及其拟合参数,作为补充实体和属性;
步骤5-4:将步骤5-2,5-3中各数据导入Neo4j图数据库,形成高速公路交通事件知识图谱。
一种基于规则匹配和知识图谱的交通事件影响分析系统,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
本发明与现有技术相比,其显著优点在于:本发明充分结合知识和数据,量化交通事件对路网的时空影响,赋予交通事件发生后本身在路网状态下的因果机制。建立规则库,基于图数据库构建高速公路交通事件知识图谱,并利用知识图谱的模型层来实现知识的重用和共享。通过上述操作方式,交通管理者能够在新的交通事件发生时,能够迅速获知当前交通事件对高速路网所造成的时空影响,以便于合理制定疏散计划消除潜在的拥堵情况,一定程度上避免二次事件的发生,减少事件影响和行车延误,以提高交通管理者事件处置的决策水平和智能化水平。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于规则匹配和知识图谱的高速交通事件影响分析方法框架图。
图2为各个检测器的变速比图。
图3为交通流突变点时空变化拟合曲线图。
图4为高速公路交通事件的实体和关系图。
图5为高速公路交通事件知识图谱图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
结合图1,本发明提供了一种基于规则匹配和知识图谱的交通事件影响分析方法,所述方法包括如下步骤:
步骤1,采集待分析高速公路区域的历史交通数据和交通事件数据;
历史交通数据包括道路流量和速度数据。交通事件数据包括交通事件的编号、月份、星期、交通事件的发生时刻、交通事件的发生位置、道路编号、路面情况、天气、车流方向、工作区情况、交通事件发生位置与高速路口的关系、受影响的车道、事件碰撞严重程度以及路面的照明情况等。
步骤2,基于历史交通数据,计算事发地点周围路网的变速比,进行交通事件影响的时空特性分析,具体方法为:
由于交通事件影响下事发地点周围的路网交通会发生速度突变现象,且会在事件发生后不同时刻出现,因此采用变速比作为分析指标,通过计算事发地点周围路网的变速比,进行交通事件影响的时空特性分析。
计算事发地点周围路网的变速比的具体公式如下:
其中,l为特定位置与事发地点的距离/mile,l∈[0,R];k时刻为事件的影响时间/min;V1(l,k)为事件发生后的距事发地l处的当前速度/(mile·h-1);V2(l,k)为历史数据中l处同一k时刻的速度平均值/(mile·h-1);
图2为事发地周围四个路段的变速比示例图,从各条变速比曲线中提取速度突变点,进行高斯拟合,获得交通事件影响下的交通流突变的时空变化拟合曲线,如图3所示,即得到交通事件影响的时空特性。
步骤3,基于特征子集选择算法,从步骤1的交通事件数据中选择交通事件特征,具体方法为:
步骤3-1,从交通事件数据中提取交通事件的多维特征,包括事件时空特征、环境特征以及事件信息相关补充特征。
事件时空特征包括交通事件的发生位置、月份、星期、发生时刻,其中交通事件的发生位置这一事件特征通过交通事件发生位置与高速路口的相对距离和相对方向具体表现;环境特征包括道路环境和自然环境,道路环境包括道路编号、路面情况、交通事件发生位置与高速路口的关系、工作区情况、路面的照明情况以及车流方向,自然环境包括天气;事件信息相关补充特征包括交通事件编号、受影响的车道和交通事件碰撞严重程度。最终获得交通事件的特征集合A={a1,a2,a3,...,ad},共由d个事件特征构成。如表1所示,即为交通事件的多维特征表。
表1交通事件的多维特征表
步骤3-2,对事件多维特征进行预处理;
1)将时间类型的数据转换为离散化分段数据;
原始数据中的事件发生时刻为时间类型数据,通过特征离散化有利于数据分析,将全天的时段离散化区间分为:凌晨(0:00~6:30)、早高峰(6:30~9:00)、平峰(9:00~16:00)、晚高峰(16:00~20:00)、夜间(20:00~24:00)。
2)将非数值型的数据转换为数值型数据;
原始数据中的天气、路面情况、工作区情况,事件碰撞严重程度、车流方向、交通事件的发生位置与高速路口的关系以及路面的照明情况,还包括交通事件的发生位置与高速路口的相对方向和交通事件发生时刻的离散化分段数据,均为非数值型数据,根据分类情况进行编码数值化。天气:雨天=1,雪天=2,大雾=3,晴天=4,阴天=5,多云=6;路面情况:干=1,湿=2;工作区情况:交通事件的发生位置在施工区域内=1,交通事件的发生位置不在施工区域内=2;事件碰撞程度:无伤亡=1,受伤=2,死亡=3;车流方向:上行=1,下行=2;交通事件的发生位置与高速路口的关系:交通事件发生的位置与高速路口相关=1,交通事件发生的位置与高速路口不相关=2;路面的照明情况:白天=1,黎明=2,黄昏=3,晚上路灯开=4,晚上路灯关=5,晚上没有路灯=6,其他=7;交通事件的发生位置与高速路口的相对方向:东:1,西=2,南=3,北=4;交通事件的发生时刻:凌晨=0,早高峰=1,平峰=2,晚高峰=3,夜间=4;
步骤3-3,基于Boruta算法,从步骤3-2预处理后的交通事件特征集合A中选择与交通事件影响最为相关的特征子集A*;
作为一种具体实施例,最终筛选出特征子集A*,包括车流方向、交通事件的发生时刻、交通事件与高速路口的相对方向、交通事件与高速路口的相对距离以及路面的照明情况。
步骤4,基于步骤3选择交通事件特征进行交通事件分类,构建规则库,并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数,具体方法为:
将满足特征子集A*中各元素相同的交通事件分为一类,通过步骤2获得各类中各个事件的交通流突变的时空变化拟合曲线,并对各类中的多个事件的拟合曲线取平均,作为各类的交通事件影响的时空特性,构建交通事件影响类别表来存储拟合曲线的拟合参数。
规则库选用产生式规则描述规则,每条规则由规则名称和规则内容组成,其中规则名称以交通事件影响类别命名。规则内容包括执行条件、执行方法。执行条件是满足变量约束,即交通事件分类特征约束,执行方法是确认交通事件影响类别。
定义的规则格式如表2所示。
表2规则表
步骤5,基于本体模型,根据历史交通数据和交通事件数据,构建高速公路交通事件知识图谱,具体方法为:
步骤5-1:根据文献资料,构建高速公路交通事件领域本体。
经过对高速交通事件领域的分析和了解,构建高速公路交通事件领域本体,即构建高速公路交通事件知识图谱的整体框架,其中,高速公路交通事件知识图谱以交通事件为核心,将交通事件的概念和交通事件的发生时间和发生位置作为一个整体。
本体是对类、类的属性以及类之间的关系进行定义,根据文献资料,将高速公路交通事件领域本体分类:交通运输工具、交通设施、交通枢纽、交通状态评估和交通事件案例。交通运输工具包括公共汽车和私人汽车;交通枢纽包括高速公路路口;交通设施包括高速公路;交通状态评估包括速度和流量;交通事件案例包括交通事件。
在本发明的一个实施例中,高速公路交通事件领域本体中的类包括交通事件、高速公路路口、高速公路路段、交通事件影响类别、时间、地点。根据各类的特点定义相应的属性,其中,由于交通事件影响类别表示的是交通事件影响下的交通流突变时空拟合曲线,因此将拟合参数设置为其属性。最后对上述各类定义关系,如图4所示,即为高速公路交通事件领域本体中类的关系。
步骤5-2:根据步骤5-1定义的高速公路交通事件领域本体,从交通事件数据中,通过知识抽取技术,提取出实体、关系和属性,包括交通事件、时间以及地点。
步骤5-3:基于高速公路事件领域本体,补充需要的实体类别的数据;
交通事件数据中缺少事件影响类别信息,所以通过步骤4中交通事件影响类别表,提取出交通事件影响类别及其拟合参数,可作为补充实体和属性。
步骤5-4:将步骤5-2,5-3中各数据导入Neo4j图数据库,形成高速公路交通事件知识图谱;
在本发明的一个实施例中,所构建的高速公路交通事件知识图谱如图5所示。
步骤6,通过步骤5的基于RETE算法的正向推理引擎,对交通事件进行规则匹配,确定事件影响类别,并通过知识图谱查询,得到该事件对周围路网的时空影响,具体方法如下:
基于RETE算法的正向推理引擎包括规则库、事件库、规则编译模块和规则推理模块组成。规则库选用产生式规则描述规则,每条规则由规则名称和规则内容组成。事件库存放的是交通事件按照规则的特征匹配项进行模式分解,得到的若干子事实。规则编译模块将步骤3中特征子集A*中的元素作为分离的匹配项,构造规则库中规则的匹配网络。规则推理模块从事件库取出子事实在匹配网络上传递,进行规则匹配,匹配成功的规则执行确认交通事件影响类别。
本发明还提供一种基于规则匹配和知识图谱的交通事件影响分析系统,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
综上所述,本发明基于数据与交通事件领域的先验知识挖掘事件影响特征,得到事件影响下的规则,完成数据和知识之间的信息转化,构建高速公路交通事件知识图谱,更加高效并及时查询到高速交通事件对高速路网的时空影响。
Claims (9)
1.一种基于规则匹配和知识图谱的交通事件影响分析方法,其特征在于,包括以下步骤:
步骤1,采集待分析高速公路区域的历史交通数据和交通事件数据;
步骤2,基于历史交通数据,计算事发地点周围路网的变速比,用于获取交通事件影响下交通流突变的时空变化拟合曲线,进行交通事件影响的时空特性分析;
步骤3,基于特征子集选择算法,从步骤1采集的交通事件数据中选择交通事件特征;
步骤4,基于步骤3选择交通事件特征进行交通事件分类构建规则库,并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数;
步骤5,基于本体模型,综合步骤1采集的历史交通数据、交通事件数据,以及步骤4确定的事件影响类别和拟合参数,构建高速公路交通事件知识图谱;
步骤6,基于RETE算法的正向推理引擎,对交通事件进行规则匹配,确定待分析交通事件的影响类别,并通过知识图谱查询,得到该事件对周围路网的时空影响。
2.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法,其特征在于,步骤1中,采集的历史交通数据包括道路流量和速度数据,交通事件数据包括交通事件的编号、月份、星期、交通事件的发生时刻、交通事件的发生位置、道路编号、路面情况、天气、车流方向、工作区情况、交通事件发生位置与高速路口的关系、受影响的车道、事件碰撞严重程度以及路面的照明情况。
4.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法,其特征在于,步骤3中,基于特征子集选择算法,从步骤1采集的交通事件数据中选择交通事件特征,具体方法为:
步骤3-1,从交通事件数据中提取交通事件的多维特征,包括事件时空特征、环境特征以及事件信息相关补充特征;
事件时空特征包括交通事件的发生位置、月份、星期、发生时刻,其中交通事件的发生位置这一事件特征通过交通事件发生位置与高速路口的相对距离和相对方向具体表现;环境特征包括道路环境和自然环境,道路环境包括道路编号、路面情况、交通事件发生位置与高速路口的关系、工作区情况、路面的照明情况以及车流方向,自然环境包括天气;事件信息相关补充特征包括交通事件编号、受影响的车道和交通事件碰撞严重程度,最终获得交通事件的特征集合表示为A={a1,a2,a3,...,ad},共由d个事件特征构成;
步骤3-2,对交通事件的多维特征进行预处理;
1)将时间类型的数据转换为离散化分段数据;
原始数据中的事件发生时刻为时间类型数据,通过特征离散化有利于数据分析,将全天的时段离散化区间分为:凌晨、早高峰、平峰、晚高峰、夜间;
2)将非数值型的数据转换为数值型数据;
原始数据中的天气、路面情况、工作区情况,事件碰撞严重程度、车流方向、交通事件的发生位置与高速路口的关系以及路面的照明情况,还包括交通事件的发生位置与高速路口的相对方向和交通事件发生时刻的离散化分段数据,均为非数值型数据,根据分类情况进行编码数值化;
天气:雨天=1,雪天=2,大雾=3,晴天=4,阴天=5,多云=6;路面情况:干=1,湿=2;工作区情况:交通事件的发生位置在施工区域内=1,交通事件的发生位置不在施工区域内=2;事件碰撞程度:无伤亡=1,受伤=2,死亡=3;车流方向:上行=1,下行=2;交通事件的发生位置与高速路口的关系:交通事件发生的位置与高速路口相关=1,交通事件发生的位置与高速路口不相关=2;路面的照明情况:白天=1,黎明=2,黄昏=3,晚上路灯开=4,晚上路灯关=5,晚上没有路灯=6,其他=7;交通事件的发生位置与高速路口的相对方向:东:1,西=2,南=3,北=4;交通事件的发生时刻:凌晨=0,早高峰=1,平峰=2,晚高峰=3,夜间=4;
步骤3-3,基于Boruta算法,结合步骤3-2预处理后的交通事件的特征集合,确定与交通事件影响最为相关的特征子集A*。
5.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法,其特征在于,步骤4中,基于步骤3选择交通事件特征进行交通事件分类构建规则库,并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线,构建交通事件影响类别表存储拟合曲线的拟合参数,具体方法为:
将选择的交通事件特征子集A*中各元素相同的交通事件分为一类,选用产生式规则描述构建规则库,其中规则名称以对应的交通事件影响类别命名;规则内容以交通事件分类特征约束为执行条件,以确认交通事件影响类别为执行方法;
通过步骤2获得各类中各个事件的交通流突变的时空变化拟合曲线,并对各类中的多个事件的拟合曲线取平均,作为各类的交通事件影响的时空特性,构建交通事件影响类别表来存储拟合曲线的拟合参数。
6.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法,其特征在于,步骤5中,基于本体模型,综合步骤1采集的历史交通数据、交通事件数据,以及步骤4确定的事件影响类别和拟合参数,构建高速公路交通事件知识图谱,具体方法为:
步骤5-1:构建高速公路交通事件领域本体;
高速公路交通事件领域本体包括交通事件、高速公路路口、高速公路路段、交通事件影响类别、时间、地点这些实体,根据各实体的特点定义相应的属性和实体间的关系;
步骤5-2:根据步骤5-1定义的高速公路交通事件领域本体,从交通事件数据中,通过知识抽取技术,提取出实体、关系和属性,包括交通事件、时间以及地点;
步骤5-3:基于高速公路事件领域本体,补充需要的实体类别的数据;
交通事件数据中缺少事件影响类别信息,所以通过步骤4中交通事件影响类别表,提取出交通事件影响类别及其拟合参数,作为补充实体和属性;
步骤5-4:将步骤5-2,5-3中各数据导入Neo4j图数据库,形成高速公路交通事件知识图谱。
7.一种基于规则匹配和知识图谱的交通事件影响分析系统,其特征在于,基于权利要求1-6任一项所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-6任一项所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
9.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-6任一项所述的基于规则匹配和知识图谱的交通事件影响分析方法,实现交通事件影响分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932749.XA CN113689697B (zh) | 2021-08-13 | 2021-08-13 | 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932749.XA CN113689697B (zh) | 2021-08-13 | 2021-08-13 | 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689697A true CN113689697A (zh) | 2021-11-23 |
CN113689697B CN113689697B (zh) | 2022-06-28 |
Family
ID=78579904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932749.XA Active CN113689697B (zh) | 2021-08-13 | 2021-08-13 | 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689697B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462721A (zh) * | 2022-04-12 | 2022-05-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种反向链推理溯源方法、系统、计算机及存储介质 |
CN115331428A (zh) * | 2022-07-05 | 2022-11-11 | 成利吉(厦门)智能股份有限公司 | 一种基于规则库的交通信号优化方法 |
CN116842018A (zh) * | 2023-07-06 | 2023-10-03 | 江西桔贝科技有限公司 | 一种大数据的筛选方法和系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2590151A1 (en) * | 2011-11-03 | 2013-05-08 | Deutsche Telekom AG | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN106875014A (zh) * | 2017-03-02 | 2017-06-20 | 上海交通大学 | 基于半监督学习的软件工程知识库的自动化构建实现方法 |
CN108281000A (zh) * | 2018-02-05 | 2018-07-13 | 北京交通大学 | 一种数据驱动的突发事件对区域路网影响分析系统及方法 |
CN109918452A (zh) * | 2019-02-14 | 2019-06-21 | 北京明略软件系统有限公司 | 一种数据处理的方法、装置、计算机存储介质及终端 |
CN110047284A (zh) * | 2019-04-16 | 2019-07-23 | 浙江工业大学 | 一种基于专家系统的交通信号配时优化决策支持方法 |
CN110046348A (zh) * | 2019-03-19 | 2019-07-23 | 西安理工大学 | 一种基于规则和词典的地铁设计规范中主体识别方法 |
CN111159428A (zh) * | 2019-12-30 | 2020-05-15 | 智慧神州(北京)科技有限公司 | 经济领域知识图谱事件关系自动抽取的方法和装置 |
WO2020124305A1 (en) * | 2018-12-17 | 2020-06-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining traffic conditions |
CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
CN111639190A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 医疗知识图谱构建方法 |
CN112084339A (zh) * | 2020-08-11 | 2020-12-15 | 同济大学 | 一种基于跨媒体数据的交通知识图谱构建方法 |
CN112116249A (zh) * | 2020-09-18 | 2020-12-22 | 青岛海信网络科技股份有限公司 | 交通信息处理方法及电子设备 |
CN112183926A (zh) * | 2020-08-26 | 2021-01-05 | 银江股份有限公司 | 基于图数据库的交通运行状况评估方法、装置、设备及介质 |
CN112732905A (zh) * | 2020-12-08 | 2021-04-30 | 银江股份有限公司 | 一种基于知识图谱的交通事故分析与防控方法及系统 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN113223200A (zh) * | 2021-05-07 | 2021-08-06 | 广州天长信息技术有限公司 | 基于指标维度的公路偷逃智能防控方法、存储介质和系统 |
-
2021
- 2021-08-13 CN CN202110932749.XA patent/CN113689697B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2590151A1 (en) * | 2011-11-03 | 2013-05-08 | Deutsche Telekom AG | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN106875014A (zh) * | 2017-03-02 | 2017-06-20 | 上海交通大学 | 基于半监督学习的软件工程知识库的自动化构建实现方法 |
CN108281000A (zh) * | 2018-02-05 | 2018-07-13 | 北京交通大学 | 一种数据驱动的突发事件对区域路网影响分析系统及方法 |
WO2020124305A1 (en) * | 2018-12-17 | 2020-06-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining traffic conditions |
CN109918452A (zh) * | 2019-02-14 | 2019-06-21 | 北京明略软件系统有限公司 | 一种数据处理的方法、装置、计算机存储介质及终端 |
CN110046348A (zh) * | 2019-03-19 | 2019-07-23 | 西安理工大学 | 一种基于规则和词典的地铁设计规范中主体识别方法 |
CN110047284A (zh) * | 2019-04-16 | 2019-07-23 | 浙江工业大学 | 一种基于专家系统的交通信号配时优化决策支持方法 |
CN111159428A (zh) * | 2019-12-30 | 2020-05-15 | 智慧神州(北京)科技有限公司 | 经济领域知识图谱事件关系自动抽取的方法和装置 |
CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
CN111639190A (zh) * | 2020-04-30 | 2020-09-08 | 南京理工大学 | 医疗知识图谱构建方法 |
CN112084339A (zh) * | 2020-08-11 | 2020-12-15 | 同济大学 | 一种基于跨媒体数据的交通知识图谱构建方法 |
CN112183926A (zh) * | 2020-08-26 | 2021-01-05 | 银江股份有限公司 | 基于图数据库的交通运行状况评估方法、装置、设备及介质 |
CN112116249A (zh) * | 2020-09-18 | 2020-12-22 | 青岛海信网络科技股份有限公司 | 交通信息处理方法及电子设备 |
CN112732905A (zh) * | 2020-12-08 | 2021-04-30 | 银江股份有限公司 | 一种基于知识图谱的交通事故分析与防控方法及系统 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN113223200A (zh) * | 2021-05-07 | 2021-08-06 | 广州天长信息技术有限公司 | 基于指标维度的公路偷逃智能防控方法、存储介质和系统 |
Non-Patent Citations (4)
Title |
---|
张伟斌: "基于长短期记忆模型的交通拥堵预测方法", 《南京理工大学学报》 * |
张晴赵晶心董德存: "交通事故管理智能决策支持系统设计初探", 《铁道科学与工程学报》 * |
苏芳: "城市公路交通事故关联规则分析", 《武汉理工大学学报( 信息与管理工程版)》 * |
邹易呈: "基于多源数据融合的交通知识图谱构建及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462721A (zh) * | 2022-04-12 | 2022-05-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种反向链推理溯源方法、系统、计算机及存储介质 |
CN115331428A (zh) * | 2022-07-05 | 2022-11-11 | 成利吉(厦门)智能股份有限公司 | 一种基于规则库的交通信号优化方法 |
CN115331428B (zh) * | 2022-07-05 | 2023-10-17 | 成利吉(厦门)智能股份有限公司 | 一种基于规则库的交通信号优化方法 |
CN116842018A (zh) * | 2023-07-06 | 2023-10-03 | 江西桔贝科技有限公司 | 一种大数据的筛选方法和系统 |
CN116842018B (zh) * | 2023-07-06 | 2024-02-23 | 上海比滋特信息技术有限公司 | 一种大数据的筛选方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113689697B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689697B (zh) | 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质 | |
Lin et al. | A combined M5P tree and hazard-based duration model for predicting urban freeway traffic accident durations | |
Li et al. | Analysis of road traffic fatal accidents using data mining techniques | |
CN106297291B (zh) | 城市快速路交通信息采集系统 | |
Kim et al. | Development of a hybrid prediction model for freeway incident duration: a case study in Maryland | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
CN112732905B (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
Reshma et al. | Prioritization of accident black spots using GIS | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
Shokohyar et al. | The effect of drivers' demographic characteristics on road accidents in different seasons using data mining | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
Watanabe et al. | Scenario mining for development of predictive safety functions | |
Kim et al. | A comparative analysis of incident service time on urban freeways | |
El Abdallaoui et al. | Decision support system for the analysis of traffic accident Big Data | |
Ibrahim et al. | Data-oriented intelligent transportation systems | |
Li et al. | Analysis and prediction of intersection traffic violations using automated enforcement system data | |
Mirzahossein et al. | Presentation of machine learning methods to determine the most important factors affecting road traffic accidents on rural roads | |
Liu et al. | Analysis of pre-crash scenarios and contributing factors for autonomous vehicle crashes at intersections | |
Omidvar et al. | Understanding the factors affecting the frequency and severity of aging population-involved crashes in Florida. | |
Zhou et al. | Stack ResNet for short-term accident risk prediction leveraging cross-domain data | |
Wang et al. | Identifying high risk locations of animal-vehicle collisions on Washington state highways | |
Vijithasena et al. | Data visualization and machine learning approach for analyzing severity of road accidents | |
Momeni Kho et al. | Analyzing and predicting fatal road traffic crash severity using tree-based classification algorithms | |
Li et al. | Using LightGBM with SHAP for predicting and analyzing traffic accidents severity | |
Shah | Prediction of Accident Severity Using Machine Learning Algorithms |
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 |