CN113988476A - 一种针对道路运输安全风险的动态评估预测方法 - Google Patents

一种针对道路运输安全风险的动态评估预测方法 Download PDF

Info

Publication number
CN113988476A
CN113988476A CN202111422486.4A CN202111422486A CN113988476A CN 113988476 A CN113988476 A CN 113988476A CN 202111422486 A CN202111422486 A CN 202111422486A CN 113988476 A CN113988476 A CN 113988476A
Authority
CN
China
Prior art keywords
road
risk
data
vehicle
risk assessment
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
Application number
CN202111422486.4A
Other languages
English (en)
Inventor
赵本杰
朱雷雷
许成涛
王西雪
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.)
JSTI Group Co Ltd
Original Assignee
JSTI Group Co Ltd
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 JSTI Group Co Ltd filed Critical JSTI Group Co Ltd
Priority to CN202111422486.4A priority Critical patent/CN113988476A/zh
Publication of CN113988476A publication Critical patent/CN113988476A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种针对道路运输安全风险的动态评估预测方法，涉及道路交通安全管控技术领域，提高了道路运输安全风险动态评估预测的效率和实时性，实现PC端及终端设备的动态监测预警与实时查询。服务器端从数据源采集到数据后，输入数据接入层并进行预处理，预处理包括：根据从数据源采集到的数据，生成风险评估影响因子；根据数据接入层传入的数据，运行分析工具层中的经过训练的动态评估预测模型，并得到分析结果，其中，分析工具层中的模型算法训练平台，通过模型训练层对动态评估预测模型进行训练；将分析工具层输出的分析结果输入结果展示层，由结果展示层根据分析结果生成风险信息，并向PC端及终端设备推送。

Description

一种针对道路运输安全风险的动态评估预测方法
技术领域
本发明涉及道路交通安全管控方面的技术领域，尤其涉及一种针对道路运输安全风险的动态评估预测方法。
背景技术
国内对道路运输安全数据挖掘的研究稍晚，但发展至今也取得了很大的成果。目前的研究方向是：基于关联分析、聚类分析、决策树分析种挖掘算法的事故数据分析应用实例。有关部门也实施了基于道路运输安全生产情况的统计和分析工作，以较大以上道路运输安全生产事故为基础，围绕事故特征展开分析和研究。
而这些研究成果需要转化为实际的应用和系统，才能真正发挥其最大的价值。但是，在目前的道路运输安全风险分析系统的设计中，出现了数据分析应用不足的问题，主要原因在于目前的大数据手段虽然得到了一定的发展，但是应用在道路运输安全风险分析这一方面也有些不足，针对很多应用场景的数据分析方式还是基于传统统计分析，未能充分利用大数据技术优势。
因此，虽然本领域技术人员都知道需要将大数据技术应用在道路运输安全风险分析领域，一些科研院校的研发资源和政策扶植资源也在向这方面倾斜，但是具体如何应用，尤其是如何实现更高效、实时性更强的动态评估预测能力，从而实现PC端及终端设备的动态监测预警与实时查询，是在实际应用中继续解决的技术问题。
发明内容
本发明的实施例提供一种针对道路运输安全风险的动态评估预测方法，提高了交通道路运输安全风险动态评估预测的效率和实时性，实现PC端及终端设备的动态监测预警和实时查询。
为达到上述目的，本发明的实施例采用如下技术方案：
方法应用于一个系统，系统由服务器端和终端设备组成，服务器端连接数据源，且服务器端包括：数据接入层、分析工具层、模型训练层和结果展示层；
方法包括：
S1、服务器端从数据源采集到数据后，输入数据接入层并进行预处理，预处理包括：根据从数据源采集到的数据，生成风险评估影响因子；
S2、服务器端根据数据接入层传入的数据，运行分析工具层中的经过训练的动态评估预测模型，并得到分析结果，其中，分析工具层中的模型算法训练平台，通过模型训练层对动态评估预测模型进行训练；
S3、将分析工具层输出的分析结果输入结果展示层，由结果展示层根据分析结果生成风险信息，并向终端设备推送。
具体的，向终端设备推送的风险信息包括电子地图，在电子地图中标注了风险点，并且电子地图中的风险点对应的数据卡中，记录有致灾因子、承灾因子和孕灾因子中的至少一项。
风险评估影响因子按照指标对象的类型，划分出至少4个一级风险评估影响因子，包括：“人”风险评估影响因子、“车”风险评估影响因子、“路”风险评估影响因子和“环境”风险评估影响因子，其中，“人”风险评估影响因子和“车”风险评估影响因子与致灾因子关联，“路”风险评估影响因子与承灾因子关联，“环境”风险评估影响因子与孕灾因子关联。
每个一级风险评估影响因子，都对应至少一个次级的风险评估影响因子，而各个次级风险评估影响因子分别对应不同的指标权重；在生成风险信息的过程中，服务器端利用次级风险评估影响因对应的指标权重，生成数据卡中的内容。
具体的，在步骤S2中，服务器端根据数据接入层传入的数据之后，包括：确定所需运行的动态评估预测模型，其中，经由模型训练层训练的动态评估预测模型，包括：车辆级安全风险实时动态评估模型、路段级安全风险实时动态评估模型和路网级安全风险实时动态评估模型。
进一步的，还包括：在通过模型训练层对动态评估预测模型进行训练的过程中，利用风险评估影响因子提取对应于各级动态评估预测模型的业务特征；其中，车辆级安全风险实时动态评估模型对应的数据特征，包括：驾驶员不安全驾驶习惯预警计数、驾驶员近10分钟疲劳驾驶预警计数、驾驶员近半年违章计数、驾龄、年龄、性别、车辆类型、车辆行驶平均车速、车辆行驶速度变化标准差、车辆行驶方位角变化标准差、车辆技术等级、胎压过高报警、胎压过低报警、胎温过高报警、胎压不平衡报警、空气温度和降雨等级。
路段级安全风险实时动态评估模型对应的业务特征，包括：路段是否有桥梁、路段是否互通立交、路段是否交叉口、路面宽度、路面类型、车道分类、技术等级、交安设施完整度、近半小时路段空气温度、近半小时路段降雨等级、当前所属时间段、当前所属周次、当前所属月份、近半小时不同车型路段车流量总量、近半小时不同车型车流占比、平均车头间距平均值和跟车百分比平均值。路段车道数、路面宽度、路面类型、路段弯道数、路段路口个数、路段隧道数、路段桥梁数、近半小时路段车流量、近半小时两客一危车辆经过次数、近半小时路段平均车速、当前所属时间段、路段技术等级、近半小时路段降雨量、近半小时路段可见度、近半小时路段路面温度和该路段近半小时高风险车辆计数
路网级安全风险实时动态评估模型对应的业务特征，包括：路网所涵盖路段的风险评估值的平均值、路网所涵盖车辆的风险评估值的平均值、路网高风险路段的数量占比、路网高风险车辆的数量占比。
本发明实施例提供的针对道路运输安全风险的动态评估预测方法，基于传统静态道路安全评估影响因子体系，结合各类动态数据资源，建立实时动态道路运输安全风险评估预测影响因子体系。通过所述模型训练层对动态评估预测模型进行训练。具体的，向所述终端设备推送的风险信息包括电子地图，在所述电子地图中标注了风险点，并且所述电子地图中的风险点对应的数据卡中，记录有致灾因子、承灾因子和孕灾因子中的至少一项。提升了PC端及终端设备可获取信息的丰富程度，并且也提高了动态评估预测的效率和实时性，从而实现终端设备可以实时查询。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种可能的系统架构示意图；
图2为本发明实施例提供的方法流程示意图；
图3为本发明实施例提供的具体实例的示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明实施例提供一种针对道路运输安全风险的动态评估预测方法，所述方法应用于一个针对道路运输安全风险的动态评估预测系统，如图1所示，所述系统由服务器端和终端设备组成，所述服务器端连接数据源，且所述服务器端包括：数据接入层、分析工具层、模型训练层和结果展示层。
其中，数据接入层可以接入各市、省的交通运输数据资源管理系统等数据源，例如：交通厅自身体系内部的数据库、公安厅的数据、气象局的数据等，在数据接入层建立对这些数据的接入、数据预处理、数据回传等功能模块。
分析工具层用于提供数据分析的基础能力，包括数据特征库、模型算法训练平台、模型自学习优化等功能模块。
模型训练层则用于基于多源数据和数据分析的能力，快速建立路网、路段、车辆三级评估预测模型。
而运行模型并输出评估及预测结果的过程，也可以在分析工具层执行，此时分析工具层可以从模型训练层获取相应的动态评估预测模型。也可以直接在模型训练层上运行模型并输出评估及预测结果。而在实际应用中，分析工具层和模型训练层可以部署在同一套硬件设备上，比如同一个服务器集群中。
结果展现层用于提供至少三种不同形势的展现成果，包括在大屏端进行评估预测结果的专题实时展示(比如可以嵌入道路部门的运营监测平台，并在运营监测平台的大屏端展示)、终端设备的评估预测结果实时展示和月度报告展示成果。
其中，服务器端从数据源中采集数据后，可以先进行归类入库，并存储在数据库表中，例如：本实施例中可以针对所采集的数据建立不同的数据表，包括：记录模型训练用数据的路段评估模型训练表、记录模型预测用数据的路段评估模型预测表、记录最新一次单元路段评估结果的路段评估模型结果表、记录历史评估记录的路段评估模型结果历史表、记录路线评估最终结果的路线评估结果表、记录路线评估历史记录的路线评估结果历史表、记录提供经纬度数据的路线地理坐标信息表、记录最新一次评估结果的车辆评估模型结果表、记录历史评估记录的车辆评估模型结果历史表、记录评估指标权重值的车辆评估模型指标权重表、记录最新一次路网评估结果的路网评估模型结果表和记录路网评估历史的路网评估模型结果历史表。
如图2所示，所述方法包括：
S1、所述服务器端从所述数据源采集到数据后，输入所述数据接入层并进行预处理。
其中，所述预处理包括：根据所述从所述数据源采集到的数据，生成风险评估影响因子。
在本实施例中，具体设计了用于道路运输安全风险评估预测的影响因子体系，该体系基于传统静态道路安全评估影响因子体系，结合各类动态数据资源，经模型筛选和专家评估，建立实时动态道路运输安全风险评估预测影响因子体系。
S2、服务器端根据所述数据接入层传入的数据，运行所述分析工具层中的经过训练的动态评估预测模型，并得到分析结果。
其中，所述分析工具层中的模型算法训练平台，通过所述模型训练层对动态评估预测模型进行训练。具体的，向所述终端设备推送的风险信息包括电子地图，在所述电子地图中标注了风险点，并且所述电子地图中的风险点对应的数据卡中，记录有致灾因子、承灾因子和孕灾因子中的至少一项。其中，终端设备具体可以包括智能手机、平板电脑等移动端设备，也可以是PC机、工作站等相对固定的计算机设备。
S3、将所述分析工具层输出的分析结果输入所述结果展示层，由所述结果展示层根据所述分析结果生成风险信息，并向所述终端设备推送。
本实施例中，所述风险评估影响因子按照指标对象的类型，划分出至少4个一级风险评估影响因子，包括：“人”风险评估影响因子、“车”风险评估影响因子、“路”风险评估影响因子和“环境”风险评估影响因子，这四种风险评估影响因子所涉及的指标对象、分类、权重等信息，如表1～4所示的。
表1
Figure BDA0003377948720000081
表2
Figure BDA0003377948720000082
Figure BDA0003377948720000091
表3
Figure BDA0003377948720000092
Figure BDA0003377948720000101
表4
Figure BDA0003377948720000102
Figure BDA0003377948720000111
Figure BDA0003377948720000121
Figure BDA0003377948720000131
Figure BDA0003377948720000141
本实施例中，每个一级风险评估影响因子，都对应至少一个次级的风险评估影响因子，而各个次级风险评估影响因子分别对应不同的指标权重。在生成风险信息的过程中，所述服务器端利用次级风险评估影响因对应的指标权重，生成数据卡中的内容。例如：为了全面评估道路运输安全风险，将道路运输安全风险动态评估系统划分为车辆级、路段级、路网级三个算法模型对象，在影响因子选取和影响因子体系构建时，综合考虑影响车辆、路段、路网安全风险的特征数据，并结合专家经验及历史事故分析，得出影响道路运输安全风险的四个层面因素，分别为人、车、路、环，即驾驶员风险因素、车辆风险因素、道路(路段)风险因素和环境风险因素。基于以上四层风险影响因素，在构建风险影响因子体系时对应划分了四类一级影响因子，包括“人”风险评估影响因子、“车”风险评估影响因子、“路”风险评估影响因子、“环境”风险评估影响因子四个一级影响因子。其中：
“人”风险评估影响因子指道路运输安全风险中针对营运车辆的驾驶员的风险因素对应的“人”的影响因子，主要包括驾驶员年龄、驾驶员驾龄等驾驶员基础影响因子以及驾驶员累计扣分、驾驶员近半年违章计数等驾驶员历史影响因子。“车”风险评估影响因子指道路运输安全风险中针对营运车辆的风险因素对应的“车”的影响因子，主要包括车辆类型影响因子、车辆技术影响因子、车辆行驶影响因子等。“路”风险评估影响因子指道路运输安全风险中针对道路的风险因素对应的“路段”的影响因子，主要包括风险路段影响因子和路段路基础影响因子。“环境”风险评估影响因子指道路运输安全风险中针对环境的风险因素对应的“环境”的影响因子，主要包括自然天气环境与路网车流量影响因子。
例如：在PC端及终端设备可同步展示如图3所示的数据卡，其中具体记载了人、车、路、环境指标因素。具体的，数据卡的标题名称为：人、车、路、环境影响因子。数据卡的功能描述为：展示人、车、路、环境四个方面的基础影响因子。数据卡的展示方式为：数据卡。以突出数字为主。其中的动态效果可以是：依次向左轮播滚动,时间间隔5秒；而其中的人(致灾因子)：展示内容包括：超速行驶、疲劳驾驶、抽烟驾驶、拨打电话、分神驾驶、车道偏离的人员报警数量；统计范围：当日实时；(当日主动安防实时告警数据)，数据更新频率：10分钟；车(致灾因子)：展示内容包括：两客一危、重载普货、出租运输、高风险车辆、中风险车辆、低风险车辆的车辆数量；统计范围：当日实时(GPS实时点位数据)，数据更新频率为10分钟；路(承灾因子)：展示内容包括：展示急弯路段、桥梁、隧道、交叉路口、高风险路段、中风险路段、低风险路段的数量；统计范围：急弯路段、桥梁、隧道、交叉路口按月更新、风险路段(高中低)数据更新频率为10分钟；环境(孕灾因子)：展示内容包括：特大货车流量、大货车流量、中货车流量、小货车流量、大客车流量、中小客流量的数量；统计范围：当日车流量数据，数据更新频率为10分钟。
进一步的，“人”风险评估影响因子和“车”风险评估影响因子与所述致灾因子关联，“路”风险评估影响因子与所述承灾因子关联，“环境”风险评估影响因子与所述孕灾因子关联。
实际应用中，主题影响因子体系构建就是将人、车、路、环四个层面的单项影响因子，根据实际需求进行不同层级数据量的影响因子融合，形成不同主题的影响因子体系。即可以通过不同的主题来影响因子体系的构建，从而形成至少三种层级的影响因子体系。
例如：车辆风险动态评估指标影响因子，其中：面向微观运输车辆级的风险动态评估指标的建立，起主导性作用的单项影响因子因素为“车”风险评估影响因子和“人”风险评估影响因子，因此在构建“车辆级安全风险评估影响因子体系”时，“车”和“人”的风险评影响因子需要全部融合，“路”和“环”的风险评估影响因子只需要根据实际可能会影响车辆风险的“路”和“环”的部分基础影响因子内容融合。
再例如：路段风险动态评估影响因子体系，其中：面向中观路段级的风险动态评估影响因子的建立，起主导作用的单项影响因子因素为“路”风险评估影响因子和“环境”风险评估影响因子，因此在构建“路段级安全风险评估影响因子体系”时，“路”和“环”的风险评影响因子需要全部融合，而“人”和“车”的风险评估影响因子只需要根据实际可能会影响路段风险的“人”和“车”的部分基础影响因子内容融合。
再例如：路网风险动态评估影响因子体系，其中：面向宏观路网级的风险动态评估影响因子的建立，需要结合“车辆级”和“路段级”风险评估影响因子体系，对全省路网每个区域的路段风险评估值和车辆风险评估值结果进行汇总，加权平均(根据每个区域内的路段、车辆高风险数量)得到整个路网的风险评估值。按照区间划分高中低等级。
本实施例中，在步骤S2中，服务器端根据所述数据接入层传入的数据之后，包括：具体可以根据用户在终端设备上的选择操作，来确定究竟调用哪一个级别的模型确定所需运行的动态评估预测模型，其中，经由所述模型训练层训练的动态评估预测模型，包括：车辆级安全风险实时动态评估模型、路段级安全风险实时动态评估模型和路网级安全风险实时动态评估模型。
具体在本实施例中，可以将从人、车、路、环境及事故数据中抽取与动态安全风险具备关联关系的特征，作为数据分析建模的输入或参考。另外风险评估模型在运行中将不断优化迭代，优化过程中同样会产生大量的特征值，上述所有的特征值将统一存储于模型特征库。
而模型算法平台定义了从最初的数据处理，数据标注，到选择模型并进行可视化训练，最终评估模型并服务化部署的整套环节。算法平台内置tensorflow1.14.0和pytorch1.1.0目前支持模型训练的AI模型有包括：基于深度学习技术，内置优质神经网络resnet18、resnet、inception_v3、densenet，对已标注图像进行分类训练，支持训练硬件参数配置，可视化训练结果，支持导出到线上服务显示，支持导出到模型超市显示。
进一步的，可以自学习人、车、路、环境及事故样本数据，进行模型运算和预测，并将得到的风险评估值和预测值与实际发生的情况进行比对，从而不断调优模型指标和性能，优化模型参数，调优模型性能，不断拟合提高风险评估预测模型的准确率。
本实施例中，还包括：在通过所述模型训练层对动态评估预测模型进行训练的过程中，利用风险评估影响因子提取对应于各级动态评估预测模型的业务特征。
其中，所述车辆级安全风险实时动态评估模型对应的数据特征，包括：驾驶员不安全驾驶习惯预警计数、驾驶员近10分钟疲劳驾驶预警计数、驾驶员近半年违章计数、驾龄、年龄、性别、车辆类型、车辆行驶平均车速、车辆行驶速度变化标准差、车辆行驶方位角变化标准差、车辆技术等级、胎压过高报警、胎压过低报警、胎温过高报警、胎压不平衡报警、空气温度、和降雨等级。“近”可以理解为：在当前时刻前，比如：“近半小时”可以理解为：在当前时刻前半小时。
所述路段级安全风险实时动态评估模型对应的业务特征，包括：
路段是否有桥梁、路段是否互通立交、路段是否交叉口、路面宽度、路面类型、车道分类、技术等级、交安设施完整度、近半小时路段空气温度、近半小时路段降雨等级、当前所属时间段、当前所属周次、当前所属月份、近半小时不同车型路段车流量总量、近半小时不同车型车流占比、平均车头间距平均值和跟车百分比平均值。
所述路网级安全风险实时动态评估模型对应的业务特征，包括：路网所涵盖路段的风险评估值的平均值、路网所涵盖车辆的风险评估值的平均值、路网高风险路段的数量占比、路网高风险车辆的数量占比。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (8)

1.一种针对道路运输安全风险的动态评估预测方法，其特征在于，所述方法应用于一个系统，所述系统由服务器端和终端设备组成，所述服务器端连接数据源，且所述服务器端包括：数据接入层、分析工具层、模型训练层和结果展示层；
所述方法包括：
S1、所述服务器端从所述数据源采集到数据后，输入所述数据接入层并进行预处理，所述预处理包括：根据所述从所述数据源采集到的数据，生成风险评估影响因子；
S2、服务器端根据所述数据接入层传入的数据，运行所述分析工具层中的经过训练的动态评估预测模型，并得到分析结果，其中，所述分析工具层中的模型算法训练平台，通过所述模型训练层对动态评估预测模型进行训练；
S3、将所述分析工具层输出的分析结果输入所述结果展示层，由所述结果展示层根据所述分析结果生成风险信息，并向所述终端设备推送。
2.根据权利要求1所述的方法，其特征在于，向所述终端设备推送的风险信息包括电子地图，在所述电子地图中标注了风险点，并且所述电子地图中的风险点对应的数据卡中，记录有致灾因子、承灾因子和孕灾因子中的至少一项。
3.根据权利要求2所述的方法，其特征在于，所述风险评估影响因子按照指标对象的类型，划分出至少4个一级风险评估影响因子，包括：“人”风险评估影响因子、“车”风险评估影响因子、“路”风险评估影响因子和“环境”风险评估影响因子，其中，“人”风险评估影响因子和“车”风险评估影响因子与所述致灾因子关联，“路”风险评估影响因子与所述承灾因子关联，“环境”风险评估影响因子与所述孕灾因子关联。
4.根据权利要求3所述的方法，其特征在于，每个一级风险评估影响因子，都对应至少一个次级的风险评估影响因子，而各个次级风险评估影响因子分别对应不同的指标权重；
在生成风险信息的过程中，所述服务器端利用次级风险评估影响因对应的指标权重，生成数据卡中的内容。
5.根据权利要求1所述的方法，其特征在于，在步骤S2中，服务器端根据所述数据接入层传入的数据之后，包括：
确定所需运行的动态评估预测模型，其中，经由所述模型训练层训练的动态评估预测模型，包括：车辆级安全风险实时动态评估模型、路段级安全风险实时动态评估模型和路网级安全风险实时动态评估模型。
6.根据权利要求1所述的方法，其特征在于，还包括：
在通过所述模型训练层对动态评估预测模型进行训练的过程中，利用风险评估影响因子提取对应于各级动态评估预测模型的业务特征；
其中，所述车辆级安全风险实时动态评估模型对应的数据特征，包括：
驾驶员不安全驾驶习惯预警计数、驾驶员近10分钟疲劳驾驶预警计数、驾驶员近半年违章计数、驾龄、年龄、性别、车辆类型、车辆行驶平均车速、车辆行驶速度变化标准差、车辆行驶方位角变化标准差、车辆技术等级、胎压过高报警、胎压过低报警、胎温过高报警、胎压不平衡报警、空气温度和降雨等级。
7.根据权利要求6所述的方法，其特征在于，所述路段级安全风险实时动态评估模型对应的业务特征，包括：
路段是否有桥梁、路段是否互通立交、路段是否交叉口、路面宽度、路面类型、车道分类、技术等级、交安设施完整度、近半小时路段空气温度、近半小时路段降雨等级、当前所属时间段、当前所属周次、当前所属月份、近半小时不同车型路段车流量总量、近半小时不同车型车流占比、平均车头间距平均值和跟车百分比平均值。
路段车道数、路面宽度、路面类型、路段弯道数、路段路口个数、路段隧道数、路段桥梁数、近半小时路段车流量、近半小时两客一危车辆经过次数、近半小时路段平均车速、当前所属时间段、路段技术等级、近半小时路段降雨量、近半小时路段可见度、近半小时路段路面温度和该路段近半小时高风险车辆计数。
8.根据权利要求6所述的方法，其特征在于，所述路网级安全风险实时动态评估模型对应的业务特征，包括：路网所涵盖路段的风险评估值的平均值、路网所涵盖车辆的风险评估值的平均值、路网高风险路段的数量占比、路网高风险车辆的数量占比。
CN202111422486.4A 2021-11-26 2021-11-26 一种针对道路运输安全风险的动态评估预测方法 Pending CN113988476A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422486.4A CN113988476A (zh) 2021-11-26 2021-11-26 一种针对道路运输安全风险的动态评估预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422486.4A CN113988476A (zh) 2021-11-26 2021-11-26 一种针对道路运输安全风险的动态评估预测方法

Publications (1)

Publication Number Publication Date
CN113988476A true CN113988476A (zh) 2022-01-28

Family

ID=79732131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422486.4A Pending CN113988476A (zh) 2021-11-26 2021-11-26 一种针对道路运输安全风险的动态评估预测方法

Country Status (1)

Country Link
CN (1) CN113988476A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879848A (zh) * 2023-02-20 2023-03-31 中铁建电气化局集团第三工程有限公司 一种运输车安全监测方法及装置
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备
CN117314397A (zh) * 2023-11-29 2023-12-29 贵州省公路建设养护集团有限公司 基于桥梁搭建下的安全巡检方法、电子设备及存储介质
CN117746630A (zh) * 2023-12-20 2024-03-22 枣庄卡企安网络科技有限公司 一种基于大数据的行业安全生产监督管理系统
CN117746630B (zh) * 2023-12-20 2024-05-24 枣庄卡企安网络科技有限公司 一种基于大数据的行业安全生产监督管理系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023202067A1 (zh) * 2022-04-19 2023-10-26 中国电信股份有限公司 对象评估方法、装置、存储介质及电子设备
CN115879848A (zh) * 2023-02-20 2023-03-31 中铁建电气化局集团第三工程有限公司 一种运输车安全监测方法及装置
CN115879848B (zh) * 2023-02-20 2023-06-06 中铁建电气化局集团第三工程有限公司 一种运输车安全监测方法及装置
CN117314397A (zh) * 2023-11-29 2023-12-29 贵州省公路建设养护集团有限公司 基于桥梁搭建下的安全巡检方法、电子设备及存储介质
CN117314397B (zh) * 2023-11-29 2024-02-02 贵州省公路建设养护集团有限公司 基于桥梁搭建下的安全巡检方法、电子设备及存储介质
CN117746630A (zh) * 2023-12-20 2024-03-22 枣庄卡企安网络科技有限公司 一种基于大数据的行业安全生产监督管理系统
CN117746630B (zh) * 2023-12-20 2024-05-24 枣庄卡企安网络科技有限公司 一种基于大数据的行业安全生产监督管理系统

Similar Documents

Publication Publication Date Title
CN109145954B (zh) 一种基于多源时空数据的网约车出行安全评价方法及系统
CN113988476A (zh) 一种针对道路运输安全风险的动态评估预测方法
Boyer et al. Trends over two decades of transportation research: a machine learning approach
WO2021191168A1 (en) System and method for predicting road crash risk and severity using machine learning trained on augmented datasets
CN111539864A (zh) 一种基于lbs大数据的踩踏事件的情报分析方法和装置
Ma et al. Public transportation big data mining and analysis
Roland et al. Modeling and predicting vehicle accident occurrence in Chattanooga, Tennessee
Trirat et al. Df-tar: a deep fusion network for citywide traffic accident risk prediction with dangerous driving behavior
Yang et al. Local or neighborhood? Examining the relationship between traffic accidents and land use using a gradient boosting machine learning method: the case of suzhou industrial park, china
Sun et al. Analyzing spatiotemporal daily travel source carbon emissions based on taxi trajectory data
Buian et al. Advanced analytics for predicting traffic collision severity assessment
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Fries et al. Accelerated incident detection and verification: A benefit to cost analysis of traffic cameras
Fazekas et al. Driver behaviour, truck motion and dangerous road locations–Unfolding from emergency braking data
Buyvol et al. Mobility and road safety improvement by optimizing smart city infrastructure parameters: a case study
Khabiri et al. Application of data mining algorithm to investigate the effect of intelligent transportation systems on road accidents reduction by decision tree
Adrees et al. A proposed framework for using GIS to enhance traffic safety in Sudan: a case study
Ghezelbash et al. Developing a spatio-temporal interactions model for car crashes using a novel data-driven AHP-TOPSIS
Wang et al. Traffic Risk Assessment Based on Warning Data
Zhong et al. Analysis of the spatio-temporal distribution of traffic accidents based on urban built environment attributes and microblog data
Oh et al. Costs and benefits of MDOT intelligent transportation system deployments.
Li et al. Research and application of the Beijing road traffic prediction system
Zhao et al. Exploring the impact of trip patterns on spatially aggregated crashes using floating vehicle trajectory data and graph Convolutional Networks
Wang et al. Visualization of spatio-temporal traffic performance in urban road network based on grid model
CN115035722B (zh) 基于时空特征和社交媒体相结合的道路安全风险预测方法

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