CN113920738A - 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 - Google Patents

一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 Download PDF

Info

Publication number
CN113920738A
CN113920738A CN202111245500.8A CN202111245500A CN113920738A CN 113920738 A CN113920738 A CN 113920738A CN 202111245500 A CN202111245500 A CN 202111245500A CN 113920738 A CN113920738 A CN 113920738A
Authority
CN
China
Prior art keywords
city
spf
data
migrated
data set
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
Application number
CN202111245500.8A
Other languages
English (en)
Other versions
CN113920738B (zh
Inventor
李佳
李成芊
赵晓华
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111245500.8A priority Critical patent/CN113920738B/zh
Publication of CN113920738A publication Critical patent/CN113920738A/zh
Application granted granted Critical
Publication of CN113920738B publication Critical patent/CN113920738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
    • 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

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于不同国家合并数据的城市主干路安全分析模型迁移方法涉及交通安全管理领域。该方法通过获取国外被迁移城市A和国内待迁移城市B的四枝信控交叉口、四车道和多车道(6‑10个车道)双向划分的城市主干路的道路几何设计参数、交通量和事故数据。采用负二项模型分别对A和B两个城市进行SPF计算。将A、B两个城市的数据按不同比例进行融合，构建合并数据集，计算SPF值。利用对数似然估计转移指数Transfer Index(TI)来评估SPF从国外城市A到国内城市B的可转移性。本研究为数据可用性有限的国家间或者城市间SPF的可转移性和使用提供了指导。当某个城市的数据不完整时，可以将一定比例的数据与拥有完整数据的城市的数据相结合，以开发可转移的SPF。

Description

一种基于不同国家合并数据的城市主干路安全分析模型迁移 方法
技术领域
本发明涉及交通安全管理领域，特别涉及一种基于不同国家合并数据的城市主干路安全分析模型迁移方法。
背景技术
城市主干路连接城市的主要子区域并构成了城市街道网络的主要结构，这些道路承载着城市街道网络上的大部分流量，发生在城市主干路的交通事故对道路网络的整体安全和运行有着重要的影响。近期，中国城市干道及街道网络内部的交通量急剧增加，交通事故的数量也随之攀升，如何构建适合本地的城市干道安全评价体系已经成为重要的研究方向。
美国国家公路和运输官员协会出版的《公路安全手册》(HSM)中开发了一种名为安全分析模型(SPF)的预测性事故分析方法。安全分析模型(SPF)能够识别导致事故的影响因素和事故热点，为道路的规划与设计提供建议。同时，公路安全手册(HSM)提供了一系列针对各种道路设施的SPF标准值，这些SPF标准值是根据美国多个州的数据开发的。在某些没有地方政府公布SPF标准的州，通常采用美国国家SPF标准值来进行事故预测和道路安全的改进。目前国外有一套系统的方法来构建安全分析模型，相比之下，我们国家城市普遍存在事故数据记录不规范以及事故数据难以获取的问题，难以构建准确有效的安全分析模型对城市主干路交通安全进行分析，因此研究美国安全分析手册中的SPF对于我国城市主干路的迁移特性至关重要。
发明内容
本发明的目的是：一种基于不同国家合并数据的城市主干路安全分析模型迁移方法。该方法通过获取国外被迁移城市A和国内待迁移城市B的四枝信控交叉口、四车道和多车道(6-10个车道)双向划分的城市主干路的道路几何设计参数、交通量和事故数据。采用负二项模型分别对A和B两个城市进行SPF计算。将A、B两个城市的数据按不同比例进行融合，构建合并数据集，计算SPF值。利用对数似然估计转移指数Transfer Index(TI)来评估SPF从国外城市A到国内城市B的可转移性。
本发明所采用的技术方案是：
一种基于不同国家合并数据的城市主干路安全分析模型迁移方法，步骤如下：
步骤1：首先确定迁移城市，被迁移的城市从国外具有较完整交通数据的城市中选择，待迁移的城市从国内欠缺交通数据的城市中选择。收集A、B两个城市相似发展水平区域的同等级道路上的四枝信控交叉口、四车道和多车道(6-10车道)双向划分的城市主干路的道路几何设计参数、交通量和事故数据。
利用街景地图获取所选道路几何设计数据；基于线圈检测设备获取交通流量数据；根据《上海市道路交通事故分析预警系统》获取道路交通事故数据，数据类型包括事故发生的时间、地点、数量。
步骤2：为了评估AADT和交通事故之间的关系，选择负二项(NB)分布来构建安全分析模型SPF。泊松分布要求均值和方差相等(E[yi]＝VAR[yi])，其中yi＝研究单元预测的事故频率。当这个等式(在统计上)不成立时，数据被称为欠分散(E[yi]＞VAR[yi])或过分散(E[yi]＜VAR[yi])。负二项模型允许过分散，因为在研究单元i上的泊松计数的平均值本身是gamma分布的。上文中E[yi]指的是yi的均值，VAR[yi]指的是yi的方差
步骤2.1：模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)] (1)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)] (2)
其中：NSPF表示事故数目；AADT为整个交叉口或路段的年平均日交通量；L为路段长度；exp[x]指的是e的x次方；α、β为系数，系数通过泊松回归的方式得到。
步骤2.2：分别对AB两个城市干道的四枝信控交叉口(4SG)、四车道双向划分路段(4D)和多车道双向划分路段(multiD)利用负二项模型进行估计，得到每个城市的SPF。
步骤3：将待迁移城市B的样本按照不同的比例(例如：100％、75％、50％、25％)进行10次抽样，抽样结果与被迁移城市A的全部样本进行融合，构建合并数据集。
步骤4：基于合并数据集改进负二项分布来对SPF的交通事故计数进行建模。
步骤4.1：改进后的模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)+γcity] (4)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)+γcity] (5)
其中γ为系数，系数通过泊松回归的方式得到；city为描述数据源的虚拟变量，0表示数据来自被迁移城市A，1表示数据来自待迁移城市B。
步骤4.2：对合并数据集的四枝信控交叉口(4SG)、四车道划分路段(4D)和多车道划分路段(multiD)利用负二项模型进行估计，得到合并数据的SPF。
步骤5：SPF的可转移性通过转移指数TI进行评估，TI值的计算如下：
Figure BDA0003320744380000031
其中LLj(βi)表示SPF的对数似然函数值，由被转移城市i得出，适用于待转移城市j。LLj(βj)是j市SPF的对数似然函数值。LLj(βreferencej)是j市仅截距SPF的对数似然函数值。计算不同比例的样本的SPF的TI值。
步骤6：设定一个阈值，阈值通常情况下取0，比例区间的宽度通常取25％。比较步骤三构建的合并数据集的SPF的TI与阈值的大小关系。若合并数据集的SPF的TI大于阈值，则说明此模型适用于该城市；若合并数据集的SPF的TI小于阈值，则说明此模型不适用于该城市。最终可以得到，待迁移城市B以何种比例与被转移城市A构建合并数据集具有更好的可转移性。规定TI值为0所在的比例区间为可接受区间(例如：50％-75％)，比例大于此区间的合并数据集具有较好的转移性，比例小于此区间的合并数据集具有较差的转移性。
若想获得更加精确的比例区间，可以重复步骤3-5，选取结果中阈值两侧的百分比(TI值为一正一负)，将待迁移城市B的样本按照此百分比之间的比例(例如：在50％-75％间取60％)进行抽样，再与被转移城市A的全部样本进行合并，经计算得到更小范围的区间(例如：50％-60％)，目的是使预测的区间更加精确。
本发明的优点是：
本发明提出了一种基于跨国合并数据的城市主干路安全分析模型的转移方法，其优点在于：
1)本研究为数据可用性有限的国家间或者城市间SPF的可转移性和使用提供了指导。当某个城市的数据不完整时，可以将一定比例的数据与拥有完整数据的城市的数据相结合，以开发可转移的SPF。
2)通过将待迁移城市B的样本按照不同的比例进行10次抽样，抽样结果与被迁移城市A的全部样本进行融合，构建合并数据集，能够使样本的SPF更接近全部样本的SPF，使预测结果更加精确；采用转移指数TI来量化所构建的安全分析模型(SPF)转移能力的优劣程度，能够使结果值易于比较。
附图说明
附图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明，步骤如下：
步骤1：首先确定迁移城市，被迁移的城市从国外具有较完整交通数据的城市中选择，待迁移的城市从国内欠缺交通数据的城市中选择。收集A、B两个城市相似发展水平区域的同等级道路上的四枝信控交叉口、四车道和多车道(6-10车道)双向划分的城市主干路的道路几何设计参数、交通量和事故数据。
利用街景地图获取所选道路几何设计数据；基于线圈检测设备获取交通流量数据；根据《上海市道路交通事故分析预警系统》获取道路交通事故数据，数据类型包括事故发生的时间、地点、数量。
步骤2：为了评估AADT和交通事故之间的关系，选择负二项(NB)分布来构建安全分析模型SPF。泊松分布要求均值和方差相等(E[yi]＝VAR[yi])，其中yi＝研究单元预测的事故频率。当这个等式(在统计上)不成立时，数据被称为欠分散(E[yi]＞VAR[yi])或过分散(E[yi]＜VAR[yi])。负二项模型允许过分散，因为在研究单元i上的泊松计数的平均值本身是gamma分布的。上文中E[yi]指的是yi的均值，VAR[yi]指的是yi的方差
步骤2.1：模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)] (1)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)] (2)
其中：NSPF表示事故数目；AADT为整个交叉口或路段的年平均日交通量；L为路段长度；exp[x]指的是e的x次方；α、β为系数，系数通过泊松回归的方式得到。
步骤2.2：分别对AB两个城市干道的四枝信控交叉口(4SG)、四车道双向划分路段(4D)和多车道双向划分路段(multiD)利用负二项模型进行估计，得到每个城市的SPF。
步骤3：将待迁移城市B的样本按照不同的比例(例如：100％、75％、50％、25％)进行10次抽样，抽样结果与被迁移城市A的全部样本进行融合，构建合并数据集。
步骤4：基于合并数据集改进负二项分布来对SPF的交通事故计数进行建模。
步骤4.1：改进后的模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)+γcity] (4)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)+γcity] (5)
其中γ为系数，系数通过泊松回归的方式得到；city为描述数据源的虚拟变量，0表示数据来自被迁移城市A，1表示数据来自待迁移城市B。
步骤4.2：对合并数据集的四枝信控交叉口(4SG)、四车道划分路段(4D)和多车道划分路段(multiD)利用负二项模型进行估计，得到合并数据的SPF。
步骤5：SPF的可转移性通过转移指数TI进行评估，TI值的计算如下：
Figure BDA0003320744380000051
其中LLj(βi)表示SPF的对数似然函数值，由被转移城市i得出，适用于待转移城市j。LLj(βj)是j市SPF的对数似然函数值。LLj(βreferencej)是j市仅截距SPF的对数似然函数值。计算不同比例的样本的SPF的TI值。
步骤6：设定一个阈值，阈值通常情况下取0，比例区间的宽度通常取25％。比较步骤三构建的合并数据集的SPF的TI与阈值的大小关系。若合并数据集的SPF的TI大于阈值，则说明此模型适用于该城市；若合并数据集的SPF的TI小于阈值，则说明此模型不适用于该城市。最终可以得到，待迁移城市B以何种比例与被转移城市A构建合并数据集具有更好的可转移性。规定TI值为0所在的比例区间为可接受区间(例如：50％-75％)，比例大于此区间的合并数据集具有较好的转移性，比例小于此区间的合并数据集具有较差的转移性。
若想获得更加精确的比例区间，可以重复步骤3-5，选取结果中阈值两侧的百分比(TI值为一正一负)，将待迁移城市B的样本按照此百分比之间的比例(例如：在50％-75％间取60％)进行抽样，再与被转移城市A的全部样本进行合并，经计算得到更小范围的区间(例如：50％-60％)，目的是使预测的区间更加精确。
实施例
被迁移城市选择美国具有较为全面的交通数据的奥兰多市，待迁移城市选择数据较为欠缺的中国上海市。选择两城市相似发展水平区域的四枝信控交叉口(4SGs)、四车道(4D)和多车道(multiD)双向划分的城市主干路路段作为数据源，其中奥兰多收集了170个四枝信控交叉口、134个四车道、82个多车道划分主干路路段的数据，上海收集了133个交叉口、99个四车道和151个多车道划分主干路路段的数据。并收集道路几何设计、交通流量及交通事故数据，测试本发明。
基于步骤2分别对上海和奥兰多城市干道的四枝信控交叉口(4SG)、四车道(4D)和多车道(multiD)双向划分路段的负二项模型进行了估计。结果表明，负二项模型不适用于上海的四车道路段模型，但可适用于上海的另外两种模型及奥兰多的三种模型。
将来自上海的不同比例的样本(100％、75％、50％、25％)进行10次抽样，抽样结果与奥兰多的全部样本进行融合，构建合并数据集，以开发SPF。
基于步骤4-5，可以计算得到不同比例上海样本合并数据的SPF的TI值，计算结果如表1。
表1
Figure BDA0003320744380000061
Figure BDA0003320744380000071
基于步骤6，设置阈值为0。通过表1的转移系数结果我们可以得到结论：当上海样本比例为到25％时，四枝信控交叉口和多车道双向划分路段的SPF即可转移。当上海样本的比例增加到50％时，四车道划分路段的SPF也可转移的。当上海样本增加到75％时，所有模型均可以转移。四枝信控交叉口和多车道双向划分路段的转移指数的可接受区间为0-25％，四车道划分路段的转移指数的可接受区间为25％-50％。
若我们需要更精确的可接受区间，即在四枝信控交叉口和多车道双向划分路段选择补充计算上海样本比例为15％的转移指数，在四车道划分路段选择补充计算上海样本比例为40％的转移指数。重复步骤3-6。
表2
Figure BDA0003320744380000081
补充计算结果如表2。通过表2我们可以得到结论：四枝信控交叉口和多车道双向划分路段的转移指数的可接受区间为15％-25％，四车道划分路段的转移指数的可接受区间为40％-50％。此结论可以为中国上海市的安全分析模型的构建提供参考。

Claims (2)

1.一种基于不同国家合并数据的城市主干路安全分析模型迁移方法，其特征在于，步骤如下：
步骤1：首先确定迁移城市，被迁移的城市从国外具有较完整交通数据的城市中选择，待迁移的城市从国内欠缺交通数据的城市中选择；收集A、B两个城市相似发展水平区域的同等级道路上的四枝信控交叉口、四车道和多车道双向划分的城市主干路的道路几何设计参数、交通量和事故数据；
利用街景地图获取所选道路几何设计数据；基于线圈检测设备获取交通流量数据；道路交通事故数据，数据类型包括事故发生的时间、地点、数量；
步骤2：选择负二项分布来构建安全分析模型SPF；
泊松分布要求均值和方差相等即E[yi]＝VAR[yi]，其中yi＝研究单元预测的事故频率；当这个等式不成立时，数据被称为欠分散(E[yi]>VAR[yi])或过分散(E[yi]＜VAR[yi])；负二项模型允许过分散，因为在研究单元i上的泊松计数的平均值本身是gamma分布的；上文中E[yi]指的是yi的均值，VAR[yi]指的是yi的方差
步骤2.1：模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)] (1)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)] (2)
其中：NSPF表示事故数目；AADT为整个交叉口或路段的年平均日交通量；L为路段长度；exp[x]指的是e的x次方；α、β为系数，系数通过泊松回归的方式得到；
步骤2.2：分别对AB两个城市干道的四枝信控交叉口(4SG)、四车道双向划分路段(4D)和多车道双向划分路段(multiD)利用负二项模型进行估计，得到每个城市的SPF；
步骤3：将待迁移城市B的样本按照不同的比例进行10次以上抽样，抽样结果与被迁移城市A的全部样本进行融合，构建合并数据集；
步骤4：基于合并数据集改进负二项分布来对SPF的交通事故计数进行建模；
步骤4.1：模型由下列方程进行描述：
交叉口：
NSPF＝exp[α+βln(AADT)+γcity] (4)
路段：
NSPF＝exp[α+βln(AADT)+ln(L)+γcity] (5)
其中γ为系数，系数通过泊松回归的方式得到；city为描述数据源的虚拟变量，0表示数据来自被迁移城市A，1表示数据来自待迁移城市B；
步骤4.2：对合并数据集的四枝信控交叉口(4SG)、四车道划分路段(4D)和多车道划分路段(multiD)利用负二项模型进行估计，得到合并数据的SPF；
步骤5：SPF的可转移性通过转移指数TI进行评估，TI值的计算如下：
Figure FDA0003320744370000021
其中LLj(βi)表示SPF的对数似然函数值，由被转移城市i得出，适用于待转移城市j；LLj(βj)是j市SPF的对数似然函数值；LLj(βreferencej)是j市仅截距SPF的对数似然函数值；计算不同比例的样本的SPF的TI值；
步骤6：设定一个阈值，阈值取0，比例区间的宽度取25％；比较步骤3构建的合并数据集的SPF的TI与阈值的大小关系；若合并数据集的SPF的TI大于等于阈值，则说明此模型适用于该城市；若合并数据集的SPF的TI小于阈值，则说明此模型不适用于该城市；最终得到，待迁移城市B以何种比例与被转移城市A构建合并数据集具有更好的可转移性；规定TI值为0所在的比例区间为可接受区间，比例大于此区间的合并数据集具有较好的转移性，比例小于此区间的合并数据集具有较差的转移性。
2.根据权利要求1所述的方法，其特征在于：若想获得更加精确的比例区间，可以重复步骤3-5，选取结果中阈值两侧的百分比，将待迁移城市B的样本按照此百分比之间的比例进行抽样，再与被转移城市A的全部样本进行合并，经计算得到更小范围的区间，使预测的区间更加精确。
CN202111245500.8A 2021-10-26 2021-10-26 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法 Active CN113920738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111245500.8A CN113920738B (zh) 2021-10-26 2021-10-26 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111245500.8A CN113920738B (zh) 2021-10-26 2021-10-26 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法

Publications (2)

Publication Number Publication Date
CN113920738A true CN113920738A (zh) 2022-01-11
CN113920738B CN113920738B (zh) 2023-04-21

Family

ID=79242565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111245500.8A Active CN113920738B (zh) 2021-10-26 2021-10-26 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法

Country Status (1)

Country Link
CN (1) CN113920738B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127293A (zh) * 2023-01-10 2023-05-16 国家电网有限公司华东分部 基于负二项模型对情感分析模型效果的监测方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109345434A (zh) * 2018-10-31 2019-02-15 东南大学 一种开放式小区内外部道路设计安全评价的方法
KR20190077682A (ko) * 2017-12-26 2019-07-04 부경대학교 산학협력단 공공 빅 데이터와 ｓｎｓ 데이터를 이용한 도시안전지수 분석 시스템 및 방법
CN110264724A (zh) * 2019-07-09 2019-09-20 哈尔滨工业大学 一种交互式高速公路交通事故预测方法
CN110930700A (zh) * 2019-11-21 2020-03-27 南通大学 一种基于正态分布理论的交通冲突预测模型建立的方法
US20210287100A1 (en) * 2020-03-11 2021-09-16 The Chinese University Of Hong Kong Decipherable deep belief network method of feature importance analysis for road safety status prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190077682A (ko) * 2017-12-26 2019-07-04 부경대학교 산학협력단 공공 빅 데이터와 ｓｎｓ 데이터를 이용한 도시안전지수 분석 시스템 및 방법
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
CN109345434A (zh) * 2018-10-31 2019-02-15 东南大学 一种开放式小区内外部道路设计安全评价的方法
CN110264724A (zh) * 2019-07-09 2019-09-20 哈尔滨工业大学 一种交互式高速公路交通事故预测方法
CN110930700A (zh) * 2019-11-21 2020-03-27 南通大学 一种基于正态分布理论的交通冲突预测模型建立的方法
US20210287100A1 (en) * 2020-03-11 2021-09-16 The Chinese University Of Hong Kong Decipherable deep belief network method of feature importance analysis for road safety status prediction

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHENG LIU: "Evacuation and rescue traffic optimization with different rescue entrance opening plans" *
李佳: "密集路网中城市主干路中观安全分析模型" *
樊天翔: "城市主干道安全建模与影响因素分析" *
赵清波;: "交通流量时空特征可视化分析" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127293A (zh) * 2023-01-10 2023-05-16 国家电网有限公司华东分部 基于负二项模型对情感分析模型效果的监测方法和装置

Also Published As

Publication number Publication date
CN113920738B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN103050005B (zh) 城市道路交通状态时空分析方法与系统
CN101789182B (zh) 一种基于平行仿真技术的交通信号控制系统及方法
CN108763776A (zh) 一种城市快速路网时变交通状态仿真方法及装置
CN110782120B (zh) 一种交通流模型的评测方法、系统、设备及介质
CN105279967A (zh) 交通运行指数计算系统及方法
CN112687102A (zh) 基于知识图谱和深度时空卷积的城域交通流量预测方法
CN114363316B (zh) 一种跨区域道路基础设施智能联网监测与监管系统
CN109345434B (zh) 一种开放式小区内外部道路设计安全评价的方法
CN113283762B (zh) 一种评价停车场道路规划的装置
CN106898142A (zh) 一种考虑路段相关性的路径行程时间可靠度计算方法
CN114898556B (zh) 一种基于多尺度计算的数字路网交通状态推算方法
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
Marisamynathan et al. Estimation of pedestrian safety index value at signalized intersections under mixed traffic conditions
CN112863182A (zh) 基于迁移学习的跨模态数据预测方法
CN113920738A (zh) 一种基于不同国家合并数据的城市主干路安全分析模型迁移方法
CN113657645B (zh) 基于注意力机制的时空连接增强3dcnn交通预测方法
Bansal et al. Impacts of bus-stops on the speed of motorized vehicles under heterogeneous traffic conditions: a case-study of Delhi, India
CN105701579A (zh) 高原双车道二级公路基本路段交通事故预测方法
Sahani et al. Application of gap acceptance concept to investigate crossing behaviour of pedestrians at unsignalized intersections
CN112905856A (zh) 一种具有时空依赖的高速交通数据集的构建方法
Li et al. Estimating Factors Influencing the Capacity of the Wide-Road-and-Narrow-Bridge Section Based on Random Forest
Bamdad Mehrabani et al. Predicting operating speed: comparison of linear regression and structural equation models
CN113420395B (zh) 基于交通仿真的多模式交通信息采集单元长度确定方法

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