CN113887569B - 一种基于区域尺度的事故多发区域判别方法 - Google Patents

一种基于区域尺度的事故多发区域判别方法 Download PDF

Info

Publication number
CN113887569B
CN113887569B CN202111055435.2A CN202111055435A CN113887569B CN 113887569 B CN113887569 B CN 113887569B CN 202111055435 A CN202111055435 A CN 202111055435A CN 113887569 B CN113887569 B CN 113887569B
Authority
CN
China
Prior art keywords
area
accident
data
bayesian
prediction
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
Application number
CN202111055435.2A
Other languages
English (en)
Other versions
CN113887569A (zh
Inventor
王雪松
唐永峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202111055435.2A priority Critical patent/CN113887569B/zh
Publication of CN113887569A publication Critical patent/CN113887569A/zh
Application granted granted Critical
Publication of CN113887569B publication Critical patent/CN113887569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于区域尺度的事故多发区域判别方法，该方法包括以下步骤：步骤S1：基于各个分析单元的区域特征数据以及事故数据，并考虑分析单元间的空间相关性，构建贝叶斯泊松对数自回归模型，用于将事故数按照区域面积标准化，获得贝叶斯估计事故数；步骤S2：计算预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，得到该预测区域的安全可提高空间PSI，对该预测区域是否为事故多发区域进行判别，若该值为正，表明该预测区域为安全区域，反之，表明该预测区域为危险区域。与现有技术相比，本发明针对分析单元尺度差异较大的城市区域，提供了一种准确度高的判别方法。

Description

一种基于区域尺度的事故多发区域判别方法
技术领域
本发明涉及交通安全管理领域，尤其是涉及一种区域尺度差异的事故多发区域判别方法。
背景技术
在宏观安全模型中，一些与事故显著相关的解释变量在尺度上有很大差异。这一现象对宏观安全模型和事故多发区域判别方法的准确性提出了较大的挑战。较大的区域尺度差异会导致一些宏观安全模型和事故多发区域判别方法的不适应性。如果一些分析单元中具有相同的事故数，但是它们的面积是不一样的，那么，它们每平方公里的事故数是不同的。因此，在宏观安全建模中，应系统地考虑区域尺度差异的影响。
事故多发区域判别就是基于安全性确定危险区域。目前事故多发区域判别方法主要分为三类：事故数法、空间分析法以及安全分析模型法。事故数法基于观测的事故绝对数直接进行判别，包括事故数法、事故率法等，我国交通部门在开展事故多发区域排查工作时常常采用此类方法，但是该方法忽略了事故的空间集聚性和随机波动性，易导致判别结果出现偏差；空间分析法利用空间分析技术识别点的集聚特征，从而判断事故的多发区域，然而该方法未考虑到事故的影响因素，无法为后期区域改善工作提供依据和帮助。
本发明所要解决的技术问题为：考虑区域面积尺度差异的影响，如何准确地对事故多发区域进行判别？
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷，针对分析单元尺度差异较大的城市区域，提供了一种准确度高、判别精度高的基于区域尺度差异的事故多发区域判别方法。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供了一种基于区域尺度的事故多发区域判别方法，该方法包括以下步骤：
步骤S1：基于各个分析单元的区域特征数据以及事故数据，并考虑分析单元间的空间相关性，构建贝叶斯泊松对数自回归模型，用于将事故数按照区域面积标准化，获得贝叶斯估计事故数；
步骤S2：计算预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，得到该预测区域的安全可提高空间PSI，对该预测区域是否为事故多发区域进行判别，若该值为正，表明该预测区域为安全区域，反之，表明该预测区域为危险区域。
优选地，所述步骤S1包括以下步骤：
步骤S11：确定贝叶斯泊松对数自回归模型的连接函数，其表达式为：
Figure BDA0003254434060000021
其中，θi表示在区域i事故严重程度的期望，Yi是区域i的事故数，满足Yi|θi～Poisson(θi)；α0是预测模型的截距项，areai为区域i的面积，M是自变量数量，xim是区域i的第m个自变量，βm为第m个自变量的权重系数；ei为残差项，表征区域i未观测的异质性；φi是区域i的空间效应项，表征区域i与其相邻区域的空间相关性；
步骤S12：采用马尔科夫链蒙特卡洛法MCMC对贝叶斯泊松对数自回归模型连接函数中的未知参数进行估计，从而获得贝叶斯估计事故数。
优选地，所述步骤S11中的自变量包括区域特征数据和事故数据。
优选地，所述区域特征数据包括道路特征、土地利用和社会经济数据。
优选地，所述φi满足先验条件分布，表达式为：
Figure BDA0003254434060000022
其中，φ(-i)是除φi外所有φ的集合，τc是精度系数；对于wi,j，若区域i与区域区域j相邻，则其值为1，反之为0；
Figure BDA0003254434060000023
表示所有与区域i相邻区域之和，N为区域的数量。
优选地，所述步骤S12具体为：首先为未知参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法MCMC完成参数估计。
优选地，所述贝叶斯估计的框架为：
Figure BDA0003254434060000031
其中，y为已发生的事故数，θ为事故数期望，L(y|θ)为似然函数，π(θ)为先验分布，π(θ|y)为在给定y条件下θ的后验分布，即将要发生的事故数期望，∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
优选地，所述安全可提高空间PSI为预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，其表达式为：
PSI＝N预测-N平均值
＝exp(β0+βXi+εi+φi)-exp(β0+βXi)
＝exp(β0+βXi)(exp(εi+φi)-1)
其中，N预测为贝叶斯估计事故数，N平均值为基于事故类别确定的区域平均事故期望值，β0为模型截距项。
根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的方法。
与现有技术相比，本发明具有以下优点：
1)本发明考虑了面积尺度差异对事故多发区域判别结果的影响，能够有效得提升事故预测的精度和事故多发区域判别的准确性；
2)本发明在宏观层面对事故多发区域进行判别，较以往的传统判别方法更具有工程指导意义。
附图说明
图1为本发明的事故多发区域判别方法流程；
图2为实施例中街道乡镇划分示意图；
图3为事故多发区域判别结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明提供了一种基于区域尺度的事故多发区域判别方法，该方法通过构建基于贝叶斯泊松对数自回归模型的安全分析模型用来分析事故的影响因素，并进行事故预测，基于事故预测值或构造其他指标如安全可提高空间(Potential for SafetyImprovement,PSI)，最终判别事故多发区域。
如图2所示，以某市的213个街道乡镇作为研究对象，进行事故多发区域判别。收集了四类数据，包括：2016年电动自行车事故、道路设施、社会经济、土地利用数据；为分析各类变量与电动自行车事故间的关系，首先进行了相关性分析和多重共线性检验，之后构建了贝叶斯泊松对数自回归模型，开展宏观安全分析。
下面结合图1和具体实施例对本发明进行详细说明，步骤如下：
步骤S1：确立了研究范围及分析单元后，将所有数据(事故数据、路网特征数据、社会经济数据、土地利用数据等)聚集到对应的分析单元层面，并进行描述性统计，进而掌握整体的数据情况，基于各个分析单元的事故数据以及区域特征数据，包括道路特征、土地利用和社会经济数据，考虑分析单元间的空间相关性，构建贝叶斯泊松对数自回归模型，将事故数按照区域面积标准化，获得贝叶斯估计事故数，该过程具体为：
步骤S11：假设一个区域的事故频率遵循泊松分布，该分布可表示为：
Yi|θi～Poisson(θi)
其中，Yi是区域i的事故数，θi是该区域该严重程度的事故期望；
确定贝叶斯泊松对数自回归模型的连接函数，其表达式为：
Figure BDA0003254434060000041
其中，θi表示在区域i事故严重程度的期望，Yi是区域i的事故数β0是预测模型的截距项，areai为区域i的面积，M是自变量数量，xim是区域i的第m个自变量，所述自变量为区域特征数据和事故数据，βm为第m个自变量的权重系数；ei为残差项，表征区域i未观测的异质性；φi是区域i的空间效应项，表征区域i与其相邻区域的空间相关性；
为考虑相邻区域事故的空间相关性，一般可采用空间自回归模型来处理，其中常用的是条件自回归(CAR)模型，通过在贝叶斯模型中引入考虑空间效应项的变量φi来解释区域i同其它区域j的空间相关性。在贝叶斯CAR模型中，φi的先验条件分布可定义如下式：
Figure BDA0003254434060000051
其中，φ(-i)是除φi外所有φ的集合，τc是精度系数；对于wi,j，若区域i与区域区域j相邻，则其值为1，反之为0；
Figure BDA0003254434060000052
表示所有与区域i相邻区域之和，N为区域的数量。
步骤S12：采用马尔科夫链蒙特卡洛法MCMC对贝叶斯泊松对数自回归模型连接函数中的未知参数进行估计，从而获得贝叶斯估计事故数，具体为：
使用全贝叶斯方法估计交通安全模型参数，首先为未知参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法MCMC完成参数估计；
所述贝叶斯估计的框架为：
Figure BDA0003254434060000053
其中，y为已发生的事故数，θ为事故数期望，L(y|θ)为似然函数，π(θ)为先验分布，π(θ|y)为在给定y条件下θ的后验分布，即将要发生的事故数期望，∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布；
步骤S2：计算预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，得到该预测区域的安全可提高空间PSI，其表达式为：
PSI＝N预测-N平均值
＝exp(β0+βXi+εi+φi)-exp(β0+βXi)
＝exp(β0+βXi)(exp(εi+φi)-1)
其中，N预测为贝叶斯估计事故数，N平均值为基于事故类别确定的区域平均事故期望值，β0为模型截距项。
由于PSI的实质是将所分析区域与类似区域事故对比，因此正值表示该区域事故数高于类似区域均值，即它相对危险，有一定安全改善的空间；反之，若PSI为负值，则表示该区域事故数低于类似区域均值，即它相对安全。
结合表1数据，对事故多发区域进行判别，具体为：
表1
Figure BDA0003254434060000061
1)模型构建：
log(theta[i])＝beta0+log(area[i])+beta[1]*lw[i]+beta[2]*jckm[i]+beta[3]*four[i]+beta[4]*person[i]+beta[5]*popu[i]+beta[6]*metro[i]+beta[7]*sq[i]+ei+φi
2)通过MCMC算法标定得到的结果：
log(theta[i])＝0.38+log(area[i])-0.02*lw[i]+0.28*jckm[i]0.02*four[i]+0.02*person[i]+0.003*popu[i]+0.11*metro[i]+1.01*sq[i]+ei+φi
其中，ei和φi在不同的街道取值不一样，两者的均值都为0.01。
3))计算PSI：
PSI＝N预测-N平均值＝exp(β0+βXi+ei+φi)-exp(β0+βXi)
＝exp(β0+βXi)(exp(ei+φi)-1)
＝exp(0.38+log(area[i])-0.02*lw[i]+0.28*jckm[i]+0.02*four[i]+0.02*person[i]+0.003*popu[i]+0.11*metro[i]+1.01*sq[i])(exp(ei+φi)-1)
判别结果如图3所示。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理，例如方法S1～S2。例如，在一些实施例中，方法S1～S2可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S1～S2的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S1～S2。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于区域尺度的事故多发区域判别方法，其特征在于，该方法包括以下步骤：
步骤S1：基于各个分析单元的区域特征数据以及事故数据，并考虑分析单元间的空间相关性，构建贝叶斯泊松对数自回归模型，用于将事故数按照区域面积标准化，获得贝叶斯估计事故数；
确立了研究范围及分析单元后，将所有数据聚集到对应的分析单元层面，并进行描述性统计，进而掌握整体的数据情况，基于各个分析单元的事故数据以及区域特征数据，包括道路特征、土地利用和社会经济数据，考虑分析单元间的空间相关性，构建贝叶斯泊松对数自回归模型，将事故数按照区域面积标准化，获得贝叶斯估计事故数，其中所有数据包括事故数据、路网特征数据、社会经济数据、土地利用数据；
步骤S2：计算预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，得到该预测区域的安全可提高空间PSI，对该预测区域是否为事故多发区域进行判别，若该值为正，表明该预测区域为安全区域，反之，表明该预测区域为危险区域；
所述步骤S1包括以下步骤：
步骤S11：确定贝叶斯泊松对数自回归模型的连接函数，其表达式为：
Figure FDA0003670233870000011
其中，θi表示在区域i事故严重程度的期望，Yi是区域i的事故数，满足Yi|θi～Poisson(θi)；β0是预测模型的截距项，areai为区域i的面积，M是自变量数量，xim是区域i的第m个自变量，βm为第m个自变量的权重系数；ei为残差项，表征区域i未观测的异质性；φi是区域i的空间效应项，表征区域i与其相邻区域的空间相关性；
步骤S12：采用马尔科夫链蒙特卡洛法MCMC对贝叶斯泊松对数自回归模型连接函数中的未知参数进行估计，从而获得贝叶斯估计事故数。
2.根据权利要求1所述的一种基于区域尺度的事故多发区域判别方法，其特征在于，所述步骤S11中的自变量包括区域特征数据和事故数据。
3.根据权利要求1所述的一种基于区域尺度的事故多发区域判别方法，其特征在于，所述φi满足先验条件分布，表达式为：
Figure FDA0003670233870000021
其中，φ(-i)是除φi外所有φ的集合，τc是精度系数；对于wi，j，若区域i与区域区域j相邻，则其值为1，反之为0；
Figure FDA0003670233870000022
表示所有与区域i相邻区域之和，N为区域的数量。
4.根据权利要求1所述的一种基于区域尺度的事故多发区域判别方法，其特征在于，所述步骤S12具体为：首先为未知参数设置一个特定的先验分布，再与观测数据结合得出后验分布，并通过马尔科夫链蒙特卡洛法MCMC完成参数估计。
5.根据权利要求4所述的一种基于区域尺度的事故多发区域判别方法，其特征在于，所述贝叶斯估计的框架为：
Figure FDA0003670233870000023
其中，y为已发生的事故数，θ为事故数期望，L(y|θ)为似然函数，π(θ)为先验分布，π(θ|y)为在给定y条件下θ的后验分布，即将要发生的事故数期望，∫L(y|θ)π(θ)dθ为观测数据的边缘概率分布。
6.根据权利要求1所述的一种基于区域尺度的事故多发区域判别方法，其特征在于，所述安全可提高空间PSI为预测区域的贝叶斯估计事故数与基于事故类别确定的区域平均事故期望的差值，其表达式为：
PSI＝N预测-N平均值
＝exp(β0+βXi+εi+φi)-exp(β0+βXi)
＝exp(β0+βXi)(exp(εi+φi)-1)
其中，N预测为贝叶斯估计事故数，N平均值为基于事故类别确定的区域平均事故期望值，β0为模型截距项。
7.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～6中任一项所述的方法。
CN202111055435.2A 2021-09-09 2021-09-09 一种基于区域尺度的事故多发区域判别方法 Active CN113887569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111055435.2A CN113887569B (zh) 2021-09-09 2021-09-09 一种基于区域尺度的事故多发区域判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111055435.2A CN113887569B (zh) 2021-09-09 2021-09-09 一种基于区域尺度的事故多发区域判别方法

Publications (2)

Publication Number Publication Date
CN113887569A CN113887569A (zh) 2022-01-04
CN113887569B true CN113887569B (zh) 2022-10-25

Family

ID=79008925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111055435.2A Active CN113887569B (zh) 2021-09-09 2021-09-09 一种基于区域尺度的事故多发区域判别方法

Country Status (1)

Country Link
CN (1) CN113887569B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103097534A (zh) * 2010-06-24 2013-05-08 夸克医药公司 针对rhoa的双链rna化合物及其用途
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN108198421A (zh) * 2018-01-19 2018-06-22 同济大学 一种区分单车、多车事故的高速公路事故多发路段判别方法
CN108922168A (zh) * 2018-05-29 2018-11-30 同济大学 一种中观层面事故多发道路判别的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112018009891A2 (pt) * 2015-11-18 2018-12-26 University Of Georgia Research Foundation, Inc. vesículas extracelulares de célula neural

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103097534A (zh) * 2010-06-24 2013-05-08 夸克医药公司 针对rhoa的双链rna化合物及其用途
CN107909247A (zh) * 2017-10-26 2018-04-13 东南大学 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法
CN108198421A (zh) * 2018-01-19 2018-06-22 同济大学 一种区分单车、多车事故的高速公路事故多发路段判别方法
CN108922168A (zh) * 2018-05-29 2018-11-30 同济大学 一种中观层面事故多发道路判别的方法

Also Published As

Publication number Publication date
CN113887569A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN110647539B (zh) 一种用于车辆故障的预测方法和系统
CN112016602B (zh) 电网故障原因与状态量的关联分析方法，设备和存储介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
Cui et al. Identifying accident black spots based on the accident spacing distribution
CN113157536A (zh) 一种告警分析方法、装置、设备和存储介质
CN114333317B (zh) 一种交通事件的处理方法、装置、电子设备及存储介质
CN115565373A (zh) 高速公路隧道事故实时风险预测方法、装置、设备及介质
CN112836967B (zh) 新能源汽车电池安全风险评估系统
CN115617784A (zh) 一种信息化配电的数据处理系统及其处理方法
CN115563477A (zh) 谐波数据识别方法、装置、计算机设备和存储介质
CN115174353A (zh) 故障根因确定方法、装置、设备及介质
CN117035563B (zh) 产品质量安全风险监测方法、设备、监测系统及介质
CN118097961A (zh) 交通流量数据的分析方法、装置、电子设备及存储介质
CN113887569B (zh) 一种基于区域尺度的事故多发区域判别方法
CN113487223A (zh) 一种基于信息融合的风险评估方法和评估系统
CN111062827B (zh) 一种基于人工智能模式的工程监理方法
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN114066288B (zh) 一种基于智慧数据中心的营运道路应急检测方法及系统
CN112685610A (zh) 虚假注册账号识别方法及相关装置
CN113139679A (zh) 基于神经网络的城市道路救援预警方法、系统及设备
CN111724053A (zh) 一种航空网络风险传播识别方法
CN116403403B (zh) 一种基于大数据分析的交通预警方法、系统、设备及介质
CN115345247B (zh) 模型训练和公路轴载确定方法、装置、设备及介质
CN116401111B (zh) 脑机接口的功能检测方法、装置、电子设备及存储介质
CN111651753A (zh) 用户行为分析系统及方法

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
GR01 Patent grant
GR01 Patent grant