CN114067566B - 一种道路事故黑点甄别及事故影响特征分析方法、系统 - Google Patents
一种道路事故黑点甄别及事故影响特征分析方法、系统 Download PDFInfo
- Publication number
- CN114067566B CN114067566B CN202111369169.0A CN202111369169A CN114067566B CN 114067566 B CN114067566 B CN 114067566B CN 202111369169 A CN202111369169 A CN 202111369169A CN 114067566 B CN114067566 B CN 114067566B
- Authority
- CN
- China
- Prior art keywords
- accident
- area
- road
- road network
- cluster
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种道路事故黑点甄别及事故影响特征分析方法、系统,属于交通管理与控制技术领域。包括:获取构建的数据库;利用k‑means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域;基于各事故区域的各事故的事故系数指标计算片区路网事故热力值和全局路网事故热力值;根据片区路网事故热力值各自与全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及确定事故黑点区的成因及事故黑点区中各事故的成因。本发明可以为事故黑点的整治及交通事故的预防提供决策依据。
Description
技术领域
本发明涉及交通管理与控制技术领域,具体地涉及一种道路事故黑点甄别及事故影响特征分析方法、系统。
背景技术
近年来随着国民经济的快速发展及居民生活水平的不断提高,城市机动性保有量也在不断上升,人们的出行变得更加便捷。与此同时,快速增长的机动车数量与道路基础设施不足及安全监控措施不完善之间的矛盾也变得愈发显著。道路交通网络频繁出现交通秩序混乱、交通拥堵以及交通事故等一系列影响道路交通安全畅通的问题。
进行道路交通安全监管的一个重要内容是如何对道路交通事故黑点(意指在一定时间周期范围内道路的某一点位、路段、片区交通事故发生频率明显高于周边道路的交通片区,又称为事故多发点)及时甄别与针对性的优化改善。目前常见的对道路交通事故黑点的甄别多通过事故数法,即按一定时期内的事故数进行筛选。首先选取一临界的事故数作为鉴别标准,如果某一区域的事故数大于临界值,则被认为是事故黑点。这种方法对于区域的大小范围划分及临界值的设定均具有较大的随机性,无法形成一个统一的标准;并且这种方法是对事故数进行简单的统计,分析结果较为片面,很可能导致将非危险路段当作危险路段进行改善或者过滤了更为严重的危险路段。
发明内容
本发明实施例的目的是提供一种道路事故黑点甄别及事故影响特征分析方法、系统,该道路事故黑点甄别及事故影响特征分析方法、系统可以针对当前事故统计区域大小划分及临界值设定随机性大、未充分考虑每起事故严重程度以及未进一步研究引起事故的各项因素等问题。利用事故数据,应用二维k-means聚类分析算法完成事故数据在城市路网范围内的聚类分析,应用一维k-means聚类分析算法完成事故数据在高速路网的聚类分析,根据各起事故点位之间的远近距离自然划分为多个区域;通过事故死亡人数、重伤人数、轻伤人数及财产损失四项指标建立起一套统一的事故严重程度评价体系,对每起事故的严重程度给予最直观的评价,根据各个片区的多起事故在单位路网长度上的严重程度判定该片区是否为事故黑点;应用单因素方差分析算法,分别研究道路的各项指标是否为引起各个片区成为事故黑点的主要因素,并且研究人、车、环境的各项指标是否为导致交通事故发生的主要因素。为事故黑点的整治及交通事故的预防提供决策依据。
为了实现上述目的,本发明实施例提供一种道路事故黑点甄别及事故影响特征分析方法,所述道路事故黑点甄别及事故影响特征分析方法包括:
获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据;
利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域;
获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门。
优选地,所述利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域包括:
在所述道路被配置为城市道路时,获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域;其中,所述利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域包括:
步骤21,取研究路网片区总里程的公里数作为聚类簇数,即K值;
步骤22,为每一聚类选择一个初始聚类中心,其中,所述初始聚类中心的选择被配置为根据各事故点位之间相互距离的远近均匀选择;
步骤23,将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;
步骤24,计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;
步骤25,重复上述步骤23、步骤24的过程直至各数据的簇聚类中心不再变化;
步骤26,输出各个数据簇最终的聚类中心及事故点位所属数据簇划分。
优选地,所述获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值包括:
各个事故区域每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照图示1:2:4:6a的比例关系统一换算成当量事故系数fpq;
计算各个片区事故的累计当量系数计算各片区单位路网里程事故平均当量系数fp'=fp/lp,做为该片区路网事故热力值;以及
计算整个路网片区事故累计当量系数计算整个路网片区单位路网里程事故平均当量系数f'=f/l,作为全局路网事故热力值。
优选地,所述根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区包括:
当某一片区路网事故热力值大于预设倍数的所述全局路网事故热力值时,确定该某一片区为事故黑点区。
优选地,所述基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因包括:
针对各道路路段指标,执行下述的步骤:
获取当前指标的相关参数对应的样本均值和总均值;
基于所述样本均值和所述总均值计算水平误差平方和与误差项平方和;
基于所述水平误差平方和与误差项平方和确定检验统计量;
根据事先设定的显著性水平,在检验统计量分布表中查找所确定的检验统计量的临界值;
基于所述临界值于所述所确定的检验统计量的比较结果确定当前指标是否为事故黑点区的成因及所述事故黑点区中各事故的成因。
另外,本发明还提供一种道路事故黑点甄别及事故影响特征分析系统,所述道路事故黑点甄别及事故影响特征分析系统包括:
数据库获取单元,用于获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据;
区域确定单元,利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域;
黑点区确定单元,用于获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
成因确定单元,用于基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门。
优选地,所述区域确定单元用于在所述道路被配置为城市道路时,获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域;
所述区域确定单元包括:
聚类簇数获取模块,用于取研究路网片区总里程的公里数作为聚类簇数,即K值;
中心选择模块,用于为每一聚类选择一个初始聚类中心,其中,所述初始聚类中心的选择被配置为根据各事故点位之间相互距离的远近均匀选择;
点位分配模块,用于将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;
中心更新模块,用于计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;
重复执行模块,用于控制所述点位分配模块和中心更新模块重复执行,直至各数据的簇聚类中心不再变化;
输出模块,用于输出各个数据簇最终的聚类中心及事故点位所属数据簇划分。
另外,本发明还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的道路事故黑点甄别及事故影响特征分析方法。
另外,本发明还提供一种处理器,用于运行程序,其中,所述程序被运行时用于执行:如上述的道路事故黑点甄别及事故影响特征分析方法。
通过上述技术方案,本发明利用统计的道路交通事故数据,利用聚类分析算法完成路网或高速片区的划分,根据事故死亡人数、重伤人数、轻伤人数及财产损失四项指标建立起一套统一的事故严重程度评价体系,用于判定各路网片区是否为道路交通事故黑点,最后通过方差分析算法从人、车、路、环境四个维度分别进行事故黑点成因及交通事故成因影响因素计算分析,实现事故黑点的整治及交通事故的预防提供决策依据。做到了路网片区科学合理的划分、事故严重程度的统一评价、事故黑点的精确研判、事故黑点及交通事故成因的智能分析,形成了事故黑点精确研判-影响因素科学挖掘-事故黑点快速处置的闭环处理流程,极大丰富事故黑点科学治理手段。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明的一种道路事故黑点甄别及事故影响特征分析方法的流程图;
图2是本发明的数据库的框图;
图3是本发明的笛卡尔坐标系下事故点位分布示意图;
图4是本发明的k-means聚类分析结果示意图;
图5是本发明的当量事故系数换算比例;
图6是本发明的单因素方差分析数据结构示意图;
图7a是高速公路事故信息数据表结构;
图7b是事故车辆驾驶员信息数据表结构;
图7c是城市机动车信息数据表结构;
图8是各事故点位分布示意图;
图9是K-means聚类分析结果示意图;
图10是当量事故系数换算比例;
图11是单因素方差分析数据结构;
图12是高速公路事故黑点甄别及事故影响特征分析方法流程。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例提供一种道路事故黑点甄别及事故影响特征分析方法,所述道路事故黑点甄别及事故影响特征分析方法包括:
获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据;
利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域;
获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门。
下面将一实施例1从二维城市和实施例2中的一维高速来详细描述本发明。
实施例1
以二维城市为例,图1是本发明的一种道路事故黑点甄别及事故影响特征分析方法的流程图。如图1所示,所述道路事故黑点甄别及事故影响特征分析方法,该实施例用于城市路网包括:
步骤1,获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和城市机动车信息数据。如图2所示,为道路事故黑点甄别及事故影响特征分析方法数据库。该数据库数据集一为道路交通事故信息数据,其中包括事故编号、事故时间、事故点经度、事故点纬度、死亡人数、重伤人数、轻伤人数、财产损失、道路横披、道路纵坡、平曲线半径、路面有无损坏、有无视野盲区、是否为特殊路段、有无雨雪、道路能见度、有无结冰字段;数据集二为事故车辆及驾驶员信息数据,其中包括事故编号、号牌号码、驾驶员性别、驾驶员年龄、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、驾驶员道路使用次数字段;数据集三为城市机动车信息数据,其中包括号牌号码、车辆类型、车辆车龄、车辆品牌、车辆型号字段。
步骤2,获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域。如图3所示,为笛卡尔坐标系下事故点位分布示意图。根据事故点位的经纬度数据构建笛卡尔坐标系,坐标原点设置在研究片区左下角合适位置,将所有事故点位经纬度坐标按照X=111×Δɑ×cosθ,Y=111×Δβ转换为笛卡尔坐标,其中X、Y分别表示各个事故点位距离坐标原点的横纵向距离,Δɑ、Δβ分别表示各个事故点位与坐标原点经纬度的差值,θ表示事故点位的纬度值。以图示事故点A为例进行详细说明事故点二维坐标计算流程如下:ΔɑA=|ɑA-ɑO|,ΔβA=|βA-βO|,XA=111×ΔɑA×cosθA,
YA=111×ΔβA。
如图4所示,为事故点位聚类分析结果示意图。具体流程如下:步骤21,取研究路网片区总里程的公里数作为聚类簇数(可使得平均每个数据簇聚类区间直径为1km,较为符合常规事故黑点范围大小),即K值;步骤22,为每个聚类选择一个初始聚类中心,聚类中心的选择根据各事故点位之间相互距离的远近均匀选择;步骤23,将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;步骤24,计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;步骤25,重复上述23、24过程直至各数据簇聚类中心不再变化;步骤26,输出各个数据簇最终的聚类中心及事故点位所属数据簇划分。如图所示案例研究路网片区里程数为8公里,故划分了8个数据簇,根据各个事故点位相互之间距离远近均匀选择8个初始聚类中心,进行迭代聚类计算分析,最终各事故点位所属数据簇划分如图所示。
步骤3,获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区。如图5所示,为当量事故系数换算比例关系。各个事故区域每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照图示1:2:4:6a的比例关系统一换算成当量事故系数fpq,计算各个片区事故的累计当量系数计算各片区单位路网里程事故平均当量系数fp'=fp/lp,做为该片区路网事故热力值;计算整个路网片区事故累计当量系数/> 计算整个路网片区单位路网里程事故平均当量系数f'=f/l,作为全局路网事故热力值。当片区p路网事故热力值达到全局路网事故热力值的r倍,即fp'≥rf',(r的取值范围为3-5);可认为片区p为事故黑点片区。其中a表示当地人均月收入,p表示片区编号,P表示片区总数,q表示事故编号,Q表示事故总数,f表示事故热力值,l表示路网里程。
步骤4,基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和城市机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门。如图6所示为单因素方差分析数据结构。应用单因素方差分析算法分别研究道路的横披、纵坡、平曲线半径、路面有无损坏、有无视野盲区、是否为特殊路段等指标是否为引起各个片区成为事故黑点的主要因素;研究驾驶员的年龄、性别、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、驾驶员道路使用次数,车辆类型、车龄、品牌、型号,道路有无雨雪、有无结冰以及能见度指标是否为导致交通事故发生的主要因素,研究结果可以为交通管理部门进行事故黑点的整治及交通事故的预防提供决策依据。下面以研究道路横披的大小是否为引起某路段成为事故黑点的主要原因为例详细讲解方差分析过程:
1.提出假设H0:μ1=μ2=...=μk,即不同自变量对因变量没有影响,对应本专利为事故黑点路段与正常路段的道路横披无显著区别。
2.相关均值计算:如图6所示,A1,A2,...,Ak分别表示k个水平,对应本专利的是事故黑点路段与正常路段,即k=2。
1)表示第i个水平(事故黑点路段或正常路段道路横披)的样本均值:
其中,ni为第i个水平(事故黑点路段或正常路段)对应的样本数;
2)表示总均值(所有路段横披平均值):
3.误差平方和计算:
1)总误差平方和SST,表示全部观测值xij(所有路段横披)与总均值(所有路段横披平均值)的误差平方和,反映所有观察值(所有路段横披)的离散程度。
2)水平误差平方和SSA,表示各组均值(事故黑点路段与正常路段道路横坡值的平均值)与总均值/>(所有路段道路横披的平均值)的误差平方和,反映各水平样本均值(道路黑点路段与正常路段道路横坡的平均值)之间的差异程度。
3)误差项平方和SSE,表示每个水平(事故黑点路段与正常路段)内各样本数据与其样本均值(事故黑点路段与正常路段道路横坡的平均值)误差的平方和,反映了每个样本内各观察值(事故黑点路段或正常路段的道路横披)的离散状况。
4.统计量计算
1)组间均方MSA:
2)组内均方MSE:
3)检验统计量F
其中
5.决策分析
计算出F后,根据事先设定的显著性水平α,在F分布表中查找以分子自由度为(k-1),分母自由度为(n-k),的临界值Fα。若F>Fα,则拒绝假设H0(对应本专利为事故黑点路段与正常路段的道路横披有显著区别),若F<Fα,则同意H0(对应本专利为事故黑点路段与正常路段的道路横披无显著区别)。重复上述过程可以分别研究道路的各项指标(道路纵坡、平曲线半径、路面有无损坏、有无视野盲区、是否为特殊路段等)是否为导致道路事故黑点产生的主要原因,人的各项指标(驾驶员的年龄、性别、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、驾驶员道路使用次数等),车辆指标(车辆类型、车龄、品牌、型号等),环境指标(道路有无雨雪、有无结冰、道路能见度等)是否为导致交通事故发生的主要因素,研究结果可供交通管理部门进行事故黑点的整治及交通事故的预防提供决策依据。
本发明还提供一种道路事故黑点甄别及事故影响特征分析系统,所述道路事故黑点甄别及事故影响特征分析系统包括:
数据库获取单元,用于获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据;
区域确定单元,用于获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域;
黑点区确定单元,用于获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
成因确定单元,用于基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门。
优选地,所述区域确定单元包括:
聚类簇数获取模块,用于取研究路网片区总里程的公里数作为聚类簇数,即K值;
中心选择模块,用于为每一聚类选择一个初始聚类中心,其中,所述初始聚类中心的选择被配置为根据各事故点位之间相互距离的远近均匀选择;
点位分配模块,用于将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;
中心更新模块,用于计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;
重复执行模块,用于控制所述点位分配模块和中心更新模块重复执行,直至各数据的簇聚类中心不再变化;
输出模块,用于输出各个数据簇最终的聚类中心及事故点位所属数据簇划分。
优选地,所述黑点区确定单元包括:
系数确定模块,用于各个事故区域每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照图示1:2:4:6a的比例关系统一换算成当量事故系数fpq;
片区路网事故热力值计算模块,用于计算各个片区事故的累计当量系数计算各片区单位路网里程事故平均当量系数fp'=fp/lp,做为该片区路网事故热力值;以及
全局路网事故热力值计算模块,用于计算整个路网片区事故累计当量系数计算整个路网片区单位路网里程事故平均当量系数f'=f/l,作为全局路网事故热力值。
实施例2
另外,以一维坐标高速为例,本发明还提供一种高速公路事故黑点甄别及事故影响特征分析方法,
1、构建一种高速公路事故黑点甄别及事故影响特征分析方法数据库,该数据库包含一年内的高速公路事故信息数据、事故车辆驾驶员信息数据、城市机动车信息数据;
2、对各事故点位桩号应用一维K-means聚类分析算法,完成事故数据的聚类分析,将事故数据自然划分匹配至多个事故路段,其中K值依据所研究高速公路里程长短判定;该步骤是本发明与实施例1的主要区别。
3、将上述过程2中各个事故路段每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照一定的比例关系统一换算成当量事故系数f,分别计算各个事故路段平均单位里程的当量事故系数即路段事故热力值与整条公路平均单位里程的当量事故系数即全局事故热力值,比较二者关系,当某一路段事故热力值达到全局事故热力值的r倍(r的取值范围为3-5),即可认为该事故路段为事故黑点路段;
4、应用单因素方差分析算法,分别研究公路横坡、公路纵坡、平曲线半径、竖曲线半径、路面有无损坏、有无视野盲区、是否为特殊路段等参数指标是否为引起各个路段成为事故黑点路段的主要因素;研究驾驶员的年龄、性别、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、公路使用次数,车辆类型、车龄、品牌、型号,公路有无雨雪、有无结冰以及能见度等参数指标是否为导致交通事故发生的主要因素,可以为交通管理部门进行事故黑点的整治及交通事故的预防提供决策依据。
与现有技术相比,本专利存在以下技术成果:本发明利用交警部门统计的高速公路交通事故数据,利用聚类分析算法完成事故数据在空间范围内的划分;根据事故死亡人数、重伤人数、轻伤人数及财产损失四项指标建立起一套统一的事故严重程度评价体系,用于判定各事故路段是否为公路交通事故黑点路段;最后通过方差分析算法从人、车、路、环境四个维度分别进行事故黑点成因及交通事故成因的计算分析,为交通管理部门进行事故黑点的整治及交通事故的预防提供决策依据。做到了事故路段科学合理的划分、事故严重程度的统一评价、事故黑点的精确研判、事故黑点及交通事故成因的智能分析,形成了事故黑点精确研判-影响因素科学挖掘-事故黑点快速处置的闭环处理流程,极大丰富交管部门事故黑点科学治理手段。
具体地,步骤一:如图7a-图12所示,构建一种高速公路事故黑点甄别及事故影响特征分析方法数据库,该数据库数据集一为高速公路一年内事故信息数据,具体包括事故编号、事故时间、事故地点、死亡人数、重伤人数、轻伤人数、财产损失、事故地段的公路横坡、公路纵坡、平曲线半径、竖曲线半径、路面有无损坏、是否为特殊路段、有无雨雪情况、公路能见度、有无结冰情况、视野是否受限;数据集二为某一高速公路某一时间段内发生的所有事故车辆驾驶员信息数据,具体包括事故编号、号牌号码、驾驶员性别、驾驶员年龄、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、驾驶公路使用次数;数据集三为城市机动车信息数据,具体包括号牌号码、车辆类型、车辆车龄、车辆品牌、车辆型号。
步骤二:如图8所示,构建高速公路事故黑点甄别及事故影响特征分析方法一维坐标系,里程桩号作为坐标值,采用K-means聚类分析方法将所有的事故数据按照里程桩号进行聚类分析,具体流程如下:在所述道路被配置为高速道路时,执行下述步骤:
步骤81,选取公里数的两倍作为聚类簇数,即K值;
步骤82,从研究高速公路随机选取K个事故点位的桩号值作为初始聚类中心;
步骤83,计算事故点位与每个初始聚类中心的距离,采用曼哈顿距离公式Δx=|x-x0|+|y-y0|,其中,一维状态下y为0,x为事故发生地的位置桩号,x0为初始聚类中心的位置桩号,将数据分配到最近的聚类中心所属的集数据簇,一共有K个数据簇;
步骤84,计算每个聚类数据簇中所有事故点位的桩号平均值,将均值作为新的聚类中心;
步骤85,重复上述步骤83、84,迭代计算每个事故点位到新质心的距离,不断迭代直至聚类中心不在变化时终止;
步骤86,得到最终的事故点位数据簇划分及其聚类中心。
最终的事故点位数据簇划分结果如图9所示。
步骤三:对步骤二中聚类出的各数据簇作为各研究路段,对各路段每起事故按照死亡人数S1:重伤人数S2:轻伤人数S3:财产损失E=1:2:4:0.5g(g为当地年平均劳动收入)的比例关系换算出各路段每起事故的当量事故系数fpq,计算各路段累计当量事故系数计算各研究路段平均单位里程当量事故系数Rp=fp/lp,作为该路段事故热力值;计算该高速公路累计当量事故系数/>计算整条高速公路平均单位里程当量事故系数R=f/l,作为全局路网事故热力值,如若某个路段事故热力值Rp达到全局路网热力值R的r倍(r取3-5),即可认为该路段为事故黑点路段。其中p表示事故路段编号,P表示事故路段总数,q表示事故编号,Q表示事故总数,R表示事故热力值,l表示研究路段里程。
步骤四:如图11所示为单因素方差分析数据结构。应用单因素方差分析算法分别研究公路的横披、纵坡、平曲线半径、竖曲线半径、路面有无损坏、有无视野盲区、是否为特殊路段等指标是否为引起各个片区成为事故黑点的主要因素;研究驾驶员的年龄、性别、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、公路使用次数,车辆类型、车龄、品牌、型号,路段有无雨雪、有无结冰以及能见度指标是否为导致交通事故发生的主要因素,研究结果可以为交通管理部门进行事故黑点的整治及交通事故的预防提供决策依据。下面以研究高速公路平曲线半径的大小是否为引起某路段成为事故黑点的主要原因为例详细讲解方差分析过程:
1、提出假设H0:μ1=μ2=...=μm,即不同自变量对因变量没有影响,对应本专利为高速公路事故黑点路段与正常路段的平曲线半径无显著区别。
2、相关均值计算:如图11所示,A1,A2,...,Am分别表示m个水平,对应本专利的是事故黑点路段与正常路段,即m=2。
1)表示第i个水平(事故黑点路段或正常路段平曲线半径)的样本均值:
其中,ni为第i个水平(事故黑点路段或正常路段)对应的样本数;
2)表示总均值(所有路段平曲线半径平均值):
3、误差平方和计算:
1)总误差平方和SST,表示全部观测值xij(所有路段的平曲线半径)与总均值(所有路段平曲线半径平均值)的误差平方和,反映所有观察值(所有路段的平曲线半径)的离散程度。
4)水平误差平方和SSA,表示各组均值(事故黑点路段与正常路段的平曲线半径值的平均值)与总均值/>(所有路段的平曲线半径的平均值)的误差平方和,反映各水平样本均值(黑点路段与正常路段的平曲线半径的平均值)之间的差异程度。
5)误差项平方和SSE,表示每个水平(事故黑点路段与正常路段)内各样本数据与其样本均值(事故黑点路段与正常路段的平曲线半径的平均值)误差的平方和,反映了每个样本内各观察值(事故黑点路段或正常路段的平曲线半径)的离散状况。
4、统计量计算
4)组间均方MSA:
5)组内均方MSE:
6)检验统计量F
其中
5、决策分析
计算出F后,根据事先设定的显著性水平α,在F分布表中查找以分子自由度为(m-1),分母自由度为(n-m),的临界值Fα。若F>Fα,则拒绝假设H0(对应本专利为事故黑点路段与正常路段的平曲线半径有显著区别),若F<Fα,则同意H0(对应本专利为事故黑点路段与正常路段的平曲线半径无显著区别)。重复上述过程可以分别研究高速公路的各项指标(公路横坡、公路纵坡、平曲线半径、竖曲线半径、路面有无损坏、是否为特殊路段),是否为导致高速公路事故路段成为事故黑点的根本原因,周边环境指标(有无雨雪情况、公路能见度、有无结冰情况、视野是否受限),驾驶员的各项指标(驾驶员性别、驾驶员年龄、有无酒后驾驶、有无疲劳驾驶、有无超速驾驶、公路使用次数),机动车的各项指标(号牌号码、车辆类型、车辆车龄、车辆品牌、车辆型号)是否为导致交通事故发生的主要因素,研究结果可供交通管理部门进行高速公路事故黑点的整治及交通事故的预防提供决策依据。
另外,本发明还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的道路事故黑点甄别及事故影响特征分析方法。
另外,本发明还提供一种处理器,用于运行程序,其中,所述程序被运行时用于执行:如上述的道路事故黑点甄别及事故影响特征分析方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (4)
1.一种道路事故黑点甄别及事故影响特征分析方法,其特征在于,所述道路事故黑点甄别及事故影响特征分析方法包括:
获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和城市机动车信息数据;
利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域包括:
在所述道路被配置为高速道路时,执行下述步骤:
步骤81,选取公里数的两倍作为聚类簇数,即K值;
步骤82,从研究高速公路随机选取K个事故点位的桩号值作为初始聚类中心;
步骤83,计算事故点位与每个初始聚类中心的距离,采用曼哈顿距离公式Δx=|x-x0|+|y-y0|,其中,一维状态下y为0,x为事故发生地的位置桩号,x0为初始聚类中心的位置桩号,将数据分配到最近的聚类中心所属的集数据簇,一共有K个数据簇;
步骤84,计算每个聚类数据簇中所有事故点位的桩号平均值,将均值作为新的聚类中心;
步骤85,重复上述步骤83、84,迭代计算每个事故点位到新质心的距离,不断迭代直至聚类中心不在变化时终止;
步骤86,得到最终的事故点位数据簇划分及其聚类中心;
获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门;
所述利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域包括:
在所述道路被配置为城市道路时,获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域;其中,所述利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域包括:
步骤21,获取研究路网片区总里程的公里数作为聚类簇数,即K值;
步骤22,为每一聚类选择一个初始聚类中心,其中,所述初始聚类中心的选择被配置为根据各事故点位之间相互距离的远近均匀选择;
步骤23,将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;
步骤24,计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;
步骤25,重复上述步骤23、步骤24的过程直至各数据的簇聚类中心不再变化;
步骤26,输出各个数据簇最终的聚类中心及事故点位所属数据簇划分;
所述获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值包括:
各个事故区域每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照1:2:4:6a的比例关系统一换算成当量事故系数fpq;
计算各个片区事故的累计当量系数计算各片区单位路网里程事故平均当量系数fp'=fp/lp,做为该片区路网事故热力值;以及
计算整个路网片区事故累计当量系数计算整个路网片区单位路网里程事故平均当量系数f'=f/l,作为全局路网事故热力值;
其中,a表示当地人均月收入,p表示片区编号,P表示片区总数,q表示事故编号,Q表示事故总数,f表示事故热力值,l表示路网里程;
所述根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区包括:
当某一片区路网事故热力值大于预设倍数的所述全局路网事故热力值时,确定该某一片区为事故黑点区;
所述基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因包括:
针对各道路路段指标,执行下述的步骤:
获取当前指标的相关参数对应的样本均值和总均值;
基于所述样本均值和所述总均值计算水平误差平方和与误差项平方和;
基于所述水平误差平方和与误差项平方和确定检验统计量;
根据事先设定的显著性水平,在检验统计量分布表中查找所确定的检验统计量的临界值;
基于所述临界值于所述所确定的检验统计量的比较结果确定当前指标是否为事故黑点区的成因及所述事故黑点区中各事故的成因。
2.一种道路事故黑点甄别及事故影响特征分析系统,其特征在于,所述道路事故黑点甄别及事故影响特征分析系统包括:
数据库获取单元,用于获取构建的数据库;其中,所述数据库包括道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据;
区域确定单元,利用k-means聚类分析算法根据所有事故点位对应的二维坐标或一维坐标确定各事故区域,
在所述道路被配置为高速道路时,执行下述步骤:
步骤81,选取公里数的两倍作为聚类簇数,即K值;
步骤82,从研究高速公路随机选取K个事故点位的桩号值作为初始聚类中心;
步骤83,计算事故点位与每个初始聚类中心的距离,采用曼哈顿距离公式Δx=|x-x0|+|y-y0|,其中,一维状态下y为0,x为事故发生地的位置桩号,x0为初始聚类中心的位置桩号,将数据分配到最近的聚类中心所属的集数据簇,一共有K个数据簇;
步骤84,计算每个聚类数据簇中所有事故点位的桩号平均值,将均值作为新的聚类中心;
步骤85,重复上述步骤83、84,迭代计算每个事故点位到新质心的距离,不断迭代直至聚类中心不在变化时终止;
步骤86,得到最终的事故点位数据簇划分及其聚类中心;
黑点区确定单元,用于获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值;根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区;以及
成因确定单元,用于基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因,并将所确定的所述事故黑点区的成因及所述事故黑点区中各事故的成因发送至交通管理部门;
所述区域确定单元用于在所述道路被配置为城市道路时,获取预设定的研究路网片区并构建该研究路网片区对应的笛卡尔坐标系,根据各事故点位的经纬度确定所述各事故点位对应于所述笛卡尔坐标系中的二维坐标,利用二维k-means聚类分析算法根据所有事故点位对应的二维坐标确定各事故区域;
所述区域确定单元包括:
聚类簇数获取模块,用于取研究路网片区总里程的公里数作为聚类簇数,即K值;
中心选择模块,用于为每一聚类选择一个初始聚类中心,其中,所述初始聚类中心的选择被配置为根据各事故点位之间相互距离的远近均匀选择;
点位分配模块,用于将所有的事故点位按照距离各聚类中心最小原则分配至最邻近事故数据簇;
中心更新模块,用于计算每个事故数据簇的各事故点位坐标均值做为更新后的聚类中心;
重复执行模块,用于控制所述点位分配模块和中心更新模块重复执行,直至各数据的簇聚类中心不再变化;
输出模块,用于输出各个数据簇最终的聚类中心及事故点位所属数据簇划分;
所述获取各事故区域的每一事故与事故严重程度相关联的事故系数指标,基于所述各事故区域的各事故的事故系数指标计算各事故区域的片区路网事故热力值和整个路网片区的全局路网事故热力值包括:
各个事故区域每起事故的死亡人数、重伤人数、轻伤人数、财产损失按照1:2:4:6a的比例关系统一换算成当量事故系数fpq;
计算各个片区事故的累计当量系数计算各片区单位路网里程事故平均当量系数fp'=fp/lp,做为该片区路网事故热力值;以及
计算整个路网片区事故累计当量系数计算整个路网片区单位路网里程事故平均当量系数f'=f/l,作为全局路网事故热力值;
其中,a表示当地人均月收入,p表示片区编号,P表示片区总数,q表示事故编号,Q表示事故总数,f表示事故热力值,l表示路网里程;
所述根据各事故区域的所述片区路网事故热力值各自与所述全局路网事故热力值的比较结果确定各事故区域中的事故黑点区包括:
当某一片区路网事故热力值大于预设倍数的所述全局路网事故热力值时,确定该某一片区为事故黑点区;
所述基于所述道路交通事故信息数据、事故车辆及驾驶员信息数据和机动车信息数据采用单因素方差分析算法确定所述事故黑点区的成因及所述事故黑点区中各事故的成因包括:
针对各道路路段指标,执行下述的步骤:
获取当前指标的相关参数对应的样本均值和总均值;
基于所述样本均值和所述总均值计算水平误差平方和与误差项平方和;
基于所述水平误差平方和与误差项平方和确定检验统计量;
根据事先设定的显著性水平,在检验统计量分布表中查找所确定的检验统计量的临界值;
基于所述临界值于所述所确定的检验统计量的比较结果确定当前指标是否为事故黑点区的成因及所述事故黑点区中各事故的成因。
3.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1的道路事故黑点甄别及事故影响特征分析方法。
4.一种处理器,其特征在于,用于运行程序,其中,所述程序被运行时用于执行:如权利要求1的道路事故黑点甄别及事故影响特征分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369169.0A CN114067566B (zh) | 2021-11-18 | 2021-11-18 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369169.0A CN114067566B (zh) | 2021-11-18 | 2021-11-18 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067566A CN114067566A (zh) | 2022-02-18 |
CN114067566B true CN114067566B (zh) | 2023-09-19 |
Family
ID=80277936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111369169.0A Active CN114067566B (zh) | 2021-11-18 | 2021-11-18 | 一种道路事故黑点甄别及事故影响特征分析方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067566B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115424430B (zh) * | 2022-06-09 | 2024-01-23 | 长沙理工大学 | 高速公路交通事故黑点路段鉴别方法、计算机装置 |
CN115830861B (zh) * | 2022-11-17 | 2023-09-05 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于智能网联汽车的事故分析与智能干预方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206057A (zh) * | 2015-09-30 | 2015-12-30 | 哈尔滨工业大学深圳研究生院 | 基于浮动车居民出行热点区域的检测方法及系统 |
CN108346291A (zh) * | 2018-04-08 | 2018-07-31 | 谢利明 | 基于手机app的城市道路交通事故采集与分析方法 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
CN111656140A (zh) * | 2018-09-18 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 预测交通事故发生地的人工智能系统和方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6501258B2 (ja) * | 2015-05-22 | 2019-04-17 | 富士通株式会社 | 評価方法、評価プログラムおよび情報処理装置 |
US11049389B2 (en) * | 2017-11-14 | 2021-06-29 | International Business Machines Corporation | Accident prevention device |
-
2021
- 2021-11-18 CN CN202111369169.0A patent/CN114067566B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206057A (zh) * | 2015-09-30 | 2015-12-30 | 哈尔滨工业大学深圳研究生院 | 基于浮动车居民出行热点区域的检测方法及系统 |
CN108346291A (zh) * | 2018-04-08 | 2018-07-31 | 谢利明 | 基于手机app的城市道路交通事故采集与分析方法 |
CN108682149A (zh) * | 2018-05-21 | 2018-10-19 | 东南大学 | 基于二项Logistic回归的公路事故黑点路段线形致因分析方法 |
CN111656140A (zh) * | 2018-09-18 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 预测交通事故发生地的人工智能系统和方法 |
CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
Road Accident Black Spot Localisation using Morphological Image Processing Methods on Heatmap;Sándor Szénási et al;《2018 IEEE 18th International Symposium on Computational Intelligence and Informatics (CINTI)》;20191209;全文 * |
基于改进K-means算法的城市道路交通事故分析;郭璘等;《中国公路学报》;20180430;第31卷(第4期);第270-279页 * |
高速公路交通事故影响因素关联规则探索及复杂网络构建;张福明;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;20210615;第C034-783页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114067566A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
CN114067566B (zh) | 一种道路事故黑点甄别及事故影响特征分析方法、系统 | |
Mussone et al. | Analysis of factors affecting the severity of crashes in urban road intersections | |
Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
Schlögl | A multivariate analysis of environmental effects on road accident occurrence using a balanced bagging approach | |
Jackson et al. | Rainfall impacts on traffic safety: Rain-related fatal crashes in Texas | |
CN106935030A (zh) | 一种高速公路安全隐患路段识别方法和装置 | |
Abdella et al. | Modeling the impact of weather conditions on pedestrian injury counts using LASSO-based poisson model | |
CN106780266B (zh) | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 | |
Khan et al. | Exploring the feasibility of classification trees versus ordinal discrete choice models for analyzing crash severity | |
CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
Becker et al. | Weather impacts on various types of road crashes: a quantitative analysis using generalized additive models | |
Nasrollahzadeh et al. | Identifying factors associated with roadside work zone collisions using machine learning techniques | |
Stankevich et al. | Usage-based vehicle insurance: Driving style factors of accident probability and severity | |
CN116703612A (zh) | 一种汽车保险风险等级评估方法 | |
Jain et al. | Analysis of road accidents in India and prediction of accident severity | |
Omidvar et al. | Understanding the factors affecting the frequency and severity of aging population-involved crashes in Florida. | |
Sawtelle et al. | Driver, roadway, and weather factors on severity of lane departure crashes in Maine | |
Hashemi et al. | Exploratory Analysis of Roadway Departure Crashes Contributing Factors Based on Classification and Regression Trees | |
Nalaka et al. | Accident Hotspots in Southern Expressway of Sri Lanka: Interpolation Evaluation using GIS | |
Roy et al. | A cluster-based taxonomy of bus crashes in the United States | |
Kitali et al. | Examining the influence of work zones on the propensity of secondary crashes | |
CN117273964B (zh) | 一种自适应行驶数据的智能车险策略生成系统及方法 | |
Zhang | Study on rainy Weather Situation of Highway Based on Historical Rainfall Classification | |
Chen et al. | Adaptive Accident Sampling Investigation Method Based on Regional Traffic Characteristics |
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 |