CN114462695A - 一种基于道路安全模型的车辆安全曝光量分析方法 - Google Patents

一种基于道路安全模型的车辆安全曝光量分析方法 Download PDF

Info

Publication number
CN114462695A
CN114462695A CN202210100860.7A CN202210100860A CN114462695A CN 114462695 A CN114462695 A CN 114462695A CN 202210100860 A CN202210100860 A CN 202210100860A CN 114462695 A CN114462695 A CN 114462695A
Authority
CN
China
Prior art keywords
sub
target area
target
vehicle
area
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
CN202210100860.7A
Other languages
English (en)
Other versions
CN114462695B (zh
Inventor
郭延永
江典峰
丁红亮
刘攀
刘佩
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210100860.7A priority Critical patent/CN114462695B/zh
Publication of CN114462695A publication Critical patent/CN114462695A/zh
Application granted granted Critical
Publication of CN114462695B publication Critical patent/CN114462695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于道路安全模型的车辆安全曝光量分析方法，涉及道路交通安全技术领域，通过采集目标区域范围内各个子目标区域所对应的数据信息，基于数据信息，分别针对各个子目标区域，构建子目标区域对应的车辆安全分析模型，应用车辆安全分析模型，获得该子目标区域内各个目标车辆分别所对应的车辆安全曝光量。通过本发明的技术方案，能够考虑不同车辆安全曝光量的有效性，从而能够较为准确的评估车辆安全事故与不同安全影响因素之间的因果关系。

Description

一种基于道路安全模型的车辆安全曝光量分析方法
技术领域
本发明涉及道路交通安全技术领域，具体而言涉及一种基于道路安全模型的车辆安全曝光量分析方法。
背景技术
随着社会经济发展，车辆安全等问题随之产生，为了提高车辆在出行过程中的安全，相关研究领域提出了一系列的道路安全分析模型，其中包含交通小区层面等宏观分析模型。为提高车辆安全分析模型的表现，有效的车辆安全曝光量是必要的。本质上不同交通小区的车辆安全水平是不同的，因此在构建车辆安全分析模型是需要考虑不同车辆安全曝光量的有效性。现有的研究或者专利都没有考虑车辆安全曝光量的有效性，从而影响车辆安全分析模型，并导致模型参数产生较大的偏差。
发明内容
本发明的目的在于提供一种基于道路安全模型的车辆安全曝光量分析方法，以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于道路安全模型的车辆安全曝光量分析方法，采集目标区域范围内各个子目标区域在历史状态下所对应的预设类型的数据信息，基于预设类型的数据信息，获得目标区域范围内的各个对照区域，通过以下步骤A至步骤D中过程构建车辆安全分析模型，应用车辆安全分析模型，获得目标区域范围内各个子目标区域对应的各个目标车辆分别所对应的车辆安全曝光量：
步骤A、分别收集各个子目标区域在历史状态下各个目标车辆所对应的预设类型的车辆信息，分别针对各个子目标区域，根据各个目标车辆的车辆信息、以及对应子目标区域的预设类型的数据信息，计算并获得各个子目标区域所对应的用于进行子目标区域分类的分类参数，随后进入步骤B；
步骤B、基于目标区域范围内各个子目标区域分别所对应的分类参数，进一步获得各个子目标区域分别与其位置相邻的子目标区域之间的分类参数差，当分类参数差小于预设阈值时，该子目标区域与其位置相邻的子目标区域构成对照区域，即获得该目标区域范围对应的各个对照区域，随后进入步骤C；
步骤C、分别针对各个对照区域，进一步针对对照区域对应的各个子目标区域，基于该对照区域中各个子目标区域分别所对应的分类参数，利用所采集的预设类型的数据信息，计算并获得该对照区域对应的各个子目标区域预先定义的预测交通事故值，以各个子目标区域对应预设类型的数据信息为输入，以该对照区域对应的各个子目标区域的预测交通事故值为输出，训练获得各个子目标区域分别所对应的车辆安全分析模型，即获得该目标区域范围对应的各个车辆安全分析模型，随后进入步骤D；
步骤D、针对目标区域范围内的各个目标车辆，应用步骤C所获的各个车辆安全分析模型、以及子目标区域对应预设类型的数据信息，筛选出子目标区域内各个目标车辆分别对应的最优车辆安全分析模型，进一步获得该子目标区域所对应的车辆安全曝光量。
进一步地，各个目标车辆的数据信息包括子目标区域内的人口密度D、子目标区域的经济水平GDP、子目标区域的日交通平均交通量Q、子目标区域的道路网密度L、子目标区域的公交站点密度B、子目标区域的轨道站点密度R、以及子目标区域的交通节点密度S。
进一步地，前述的步骤A中，根据以下公式：
Figure BDA0003492413540000021
计算并获得该子目标区域i的分类参数pi，其中，
Figure BDA0003492413540000023
为常数项，β1-β7为回归系数；
根据以下公式：
c＝pi-pj
计算并获得该子目标区域i与相邻子目标区域j之间的分类参数差c。
进一步地，前述的步骤C中，根据以下公式构建并获得安全分析模型：
Figure BDA0003492413540000022
其中，A为年平均使用子模型，V为年平均出行子模型，Z为年平均距离子模型，ti为该子目标区域i对应各个目标车辆的预测交通事故值，θ为安全系数，Ai为该目标子区域i所对应目标车辆的年平均使用量，Vi为该目标子区域i所对应目标车辆的年平均出行时间，Zi为该目标子区域i所对应目标车辆的年平均出行距离。
进一步地，前述车辆安全曝光量基于安全分析模型分别所对应的预测交通事故值，根据以下公式：
Y＝min∑(ti-t′i)
计算并获得该子目标区域所对应各个对照区域的预测交通事故值的误差值Y，其中，t′i为实际采集目标车辆的交通事故值，当预测交通事故值的误差值最小时，其所对应子模型构成该子目标区域对应的车辆安全曝光量。
进一步地，车辆安全曝光量基于年平均使用子模型，年平均出行子模型，年平均距离子模型所构成的车辆安全分析模型获得。
本发明所述一种基于道路安全模型的车辆安全曝光量分析方法，采用以上技术方案与现有技术相比，具有以下技术效果：
通过本发明技术方案，能够通过对目标区域内所含各个子区域进行相似性分类，获得分类参数，考虑不同安全曝光量的有效性，从而能够较为准确的评估车辆安全事故与不同安全影响因素之间的因果关系。
附图说明
图1为本发明示例性实施例的一种的车辆安全曝光量分析方法流程示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所示。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1，本发明提供一种基于道路安全模型的车辆安全曝光量分析方法，以交通小区作为目标区域进行实例分析，通过采集目标区域范围内各个交通小区所对应的数据信息，目标车辆的数据信息包括子目标区域内的人口密度D、子目标区域的经济水平GDP、子目标区域的日交通平均交通量Q、子目标区域的道路网密度L、子目标区域的公交站点密度B、子目标区域的轨道站点密度R、以及子目标区域的交通节点密度S，基于数据信息，分别针对各个交通小区，通过以下步骤A至步骤C中过程构建该交通小区对应的车辆安全分析模型，应用车辆安全分析模型，获得该交通小区内各个目标车辆分别所对应的车辆安全曝光量：
步骤A、收集该子目标区域内各个目标车辆所对应的预设类型的车辆信息，根据各个目标车辆的车辆信息、以及该子目标区域对应的数据信息，根据以下公式：
Figure BDA0003492413540000041
计算并获得该子目标区域i的分类参数pi，其中，
Figure BDA0003492413540000043
为常数项，β1-β7为回归系数随后进入步骤B。
步骤B、基于目标区域范围内各个子目标区域分别所对应的分类参数，进一步根据以下公式：
c＝pi-pj
计算并获得该子目标区域i与相邻子目标区域j之间的分类参数差c，获得该子目标区域与相邻子目标区域之间的分类参数差，当分类参数差小于预设阈值时，该子目标区域与其相邻子目标区域构成对照区域，即获得目标区域范围对应的各个对照区域，随后进入步骤C。
步骤C、分别针对各个对照区域，进一步针对对照区域对应的各个子目标区域，基于该对照区域中各个子目标区域分别所对应的分类参数，利用所采集的预设类型的数据信息，计算并获得该对照区域对应的各个子目标区域预先定义的预测交通事故值，以各个子目标区域对应预设类型的数据信息为输入，以该对照区域对应的各个子目标区域的预测交通事故值为输出，训练获得各个子目标区域分别所对应的车辆安全分析模型，即获得该目标区域范围对应的各个车辆安全分析模型。
根据以下公式构建并获得安全分析模型：
Figure BDA0003492413540000042
其中，A为年平均使用子模型，V为年平均出行子模型，Z为年平均距离子模型，ti为该子目标区域i对应各个目标车辆的预测交通事故值，θ为安全系数，Ai为该目标子区域i所对应目标车辆的年平均使用量，Vi为该目标子区域i所对应目标车辆的年平均出行时间，Zi为该目标子区域i所对应目标车辆的年平均出行距离，随后进入步骤C。
步骤D、根据各个车辆安全分析模型、以及采集的目标车辆数据信息，根据以下过程：
Y＝min∑(ti-t′i)
计算并获得该子目标区域所对应各个对照区域的预测交通事故值的误差值Y，其中，t′i为实际采集目标车辆的交通事故值，当预测交通事故值的误差值最小时，其所对应子模型构成该子目标区域对应的车辆安全曝光量，利用各个对照区域的预测交通事故值的误差值Y，筛选出最优车辆安全分析模型，进一步获得该子目标区域所对应的车辆安全曝光量。
实施例：
以目标区域范围内各个交通小区中的自行车为例，采集交通数据如表1-1、表1-2所示：
表1-1样本数据采集统计表(第一年)
Figure BDA0003492413540000051
表1-2样本数据采集统计表(第二年)
Figure BDA0003492413540000052
所采集样本数据为两年内的数据量，以第一年数据量为进行安全分析模型的构建，首先，利用步骤A所描述过程，以A1为例，计算分类参数pA1：
Figure BDA0003492413540000061
假定A1与A2匹配为同一个对照区域，分类参数对应的预设阈值设定为0.05，则A1与A2满足以下条件，
pA1-pA10≤0.05
利用步骤C所描述过程，安全分析模型构建如下：
Figure BDA0003492413540000062
分别将第二年的A1-A2数据带入安全分析模型的公式，并计算计算期望值与真实值之间的误差，假定以自行车使用量/年A为曝光量的误差最小，则认为交通小区A1与A2在进行自行车安全分析模型构建时，自行车使用量/年A为最有效曝光量。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

1.一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，采集目标区域范围内各个子目标区域在历史状态下所对应的预设类型的数据信息，基于预设类型的数据信息，获得目标区域范围内的各个对照区域，通过以下步骤A至步骤D中过程构建车辆安全分析模型，应用车辆安全分析模型，获得目标区域范围内各个子目标区域对应的各个目标车辆分别所对应的车辆安全曝光量：
步骤A、分别收集各个子目标区域在历史状态下各个目标车辆所对应的预设类型的车辆信息，分别针对各个子目标区域，根据各个目标车辆的车辆信息、以及对应子目标区域的预设类型的数据信息，计算并获得各个子目标区域所对应的用于进行子目标区域分类的分类参数，随后进入步骤B；
步骤B、基于目标区域范围内各个子目标区域分别所对应的分类参数，进一步获得各个子目标区域分别与其位置相邻的子目标区域之间的分类参数差，当分类参数差小于预设阈值时，该子目标区域与其位置相邻的子目标区域构成对照区域，即获得该目标区域范围对应的各个对照区域，随后进入步骤C；
步骤C、分别针对各个对照区域，进一步针对对照区域对应的各个子目标区域，基于该对照区域中各个子目标区域分别所对应的分类参数，利用所采集的预设类型的数据信息，计算并获得该对照区域对应的各个子目标区域预先定义的预测交通事故值，以各个子目标区域对应预设类型的数据信息为输入，以该对照区域对应的各个子目标区域的预测交通事故值为输出，训练获得各个子目标区域分别所对应的车辆安全分析模型，即获得该目标区域范围对应的各个车辆安全分析模型，随后进入步骤D；
步骤D、针对目标区域范围内的各个目标车辆，应用步骤C所获的各个车辆安全分析模型、以及子目标区域对应预设类型的数据信息，筛选出子目标区域内各个目标车辆分别对应的最优车辆安全分析模型，进一步获得该子目标区域所对应的车辆安全曝光量。
2.根据权利要求1所述的一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，各个目标车辆的数据信息包括子目标区域内的人口密度D、子目标区域的经济水平GDP、子目标区域的日交通平均交通量Q、子目标区域的道路网密度L、子目标区域的公交站点密度B、子目标区域的轨道站点密度R、以及子目标区域的交通节点密度S。
3.根据权利要求2所述的一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，所述步骤A中，根据以下公式：
Figure FDA0003492413530000021
计算并获得该子目标区域i的分类参数pi，其中，
Figure FDA0003492413530000022
为常数项，β1-β7为回归系数；
根据以下公式：
c＝pi-pj
计算并获得该子目标区域i与相邻子目标区域j之间的分类参数差c。
4.根据权利要求1所述的一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，所述步骤C中，根据以下公式构建并获得安全分析模型：
Figure FDA0003492413530000023
其中，A为年平均使用子模型，V为年平均出行子模型，Z为年平均距离子模型，ti为该子目标区域i对应各个目标车辆的预测交通事故值，θ为安全系数，Ai为该目标子区域i所对应目标车辆的年平均使用量，Vi为该目标子区域i所对应目标车辆的年平均出行时间，Zi为该目标子区域i所对应目标车辆的年平均出行距离。
5.根据权利要求4所述的一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，所述车辆安全曝光量基于安全分析模型分别所对应的预测交通事故值，根据以下公式：
Y＝min∑(ti-t′i)
计算并获得该子目标区域所对应各个对照区域的预测交通事故值的误差值Y，其中，t′i为实际采集目标车辆的交通事故值，当预测交通事故值的误差值最小时，其所对应子模型构成该子目标区域对应的车辆安全曝光量。
6.根据权利要求5所述的一种基于道路安全模型的车辆安全曝光量分析方法，其特征在于，所述车辆安全曝光量基于年平均使用子模型，年平均出行子模型，年平均距离子模型所构成的车辆安全分析模型获得。
CN202210100860.7A 2022-01-27 2022-01-27 一种基于道路安全模型的车辆安全曝光量分析方法 Active CN114462695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210100860.7A CN114462695B (zh) 2022-01-27 2022-01-27 一种基于道路安全模型的车辆安全曝光量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210100860.7A CN114462695B (zh) 2022-01-27 2022-01-27 一种基于道路安全模型的车辆安全曝光量分析方法

Publications (2)

Publication Number Publication Date
CN114462695A true CN114462695A (zh) 2022-05-10
CN114462695B CN114462695B (zh) 2024-05-03

Family

ID=81411395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210100860.7A Active CN114462695B (zh) 2022-01-27 2022-01-27 一种基于道路安全模型的车辆安全曝光量分析方法

Country Status (1)

Country Link
CN (1) CN114462695B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169290A1 (zh) * 2015-04-21 2016-10-27 华南理工大学 一种面向道路交通事故应急处置的决策支持系统及方法
WO2017193933A1 (zh) * 2016-05-10 2017-11-16 腾讯科技（深圳）有限公司 交通事故预警方法及交通事故预警装置
CN112749825A (zh) * 2019-10-31 2021-05-04 华为技术有限公司 预测车辆的目的地的方法和装置
CN113313357A (zh) * 2021-04-30 2021-08-27 东南大学 一种基于高斯过程回归分析的交通道路安全评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169290A1 (zh) * 2015-04-21 2016-10-27 华南理工大学 一种面向道路交通事故应急处置的决策支持系统及方法
WO2017193933A1 (zh) * 2016-05-10 2017-11-16 腾讯科技（深圳）有限公司 交通事故预警方法及交通事故预警装置
CN112749825A (zh) * 2019-10-31 2021-05-04 华为技术有限公司 预测车辆的目的地的方法和装置
CN113313357A (zh) * 2021-04-30 2021-08-27 东南大学 一种基于高斯过程回归分析的交通道路安全评价方法

Also Published As

Publication number Publication date
CN114462695B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
CN104376327B (zh) 一种公共自行车租赁点的聚类方法
CN101951329B (zh) 一种网络安全态势评估方法及系统
CN111462485A (zh) 一种基于机器学习的交通路口拥堵的预测方法
CN108556682A (zh) 一种续驶里程预测方法、装置及设备
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN110555565A (zh) 基于决策树模型的高速路出口匝道事故严重程度预测方法
WO2023098076A1 (zh) 一种基于多维度影响因素的道路安全评价方法及系统
CN115294767B (zh) 一种高速公路车道线实时检测与交通安全预警方法及装置
Zhou et al. Fuel consumption estimates based on driving pattern recognition
CN108681717B (zh) 城市级交通视频检测设备质量检测方法
CN105005825A (zh) 一种基于动态神经网络预测光伏功率的方法及系统
CN109118770A (zh) 一种基于交通监测数据的路段通行能力挖掘方法
CN113920732A (zh) 一种针对特定驾驶人群的道路交通事故风险预警方法
CN114817371A (zh) 一种基于XGBoost的车辆行驶工况识别方法
CN114462695B (zh) 一种基于道路安全模型的车辆安全曝光量分析方法
CN117542195A (zh) 一种交通运行状态识别方法、装置、设备及介质
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN114170796B (zh) 算法改进型拥堵传播分析方法
CN102880881A (zh) 一种基于二类支持向量机和遗传算法的轿车车型识别方法
CN110851450A (zh) 一种基于增量计算的伴随车即时发现方法
CN112183597B (zh) 一种基于谱聚类的非均衡交通事故严重程度分析方法
CN109993972B (zh) 道路交通管控时间的计算方法
CN114492967A (zh) 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质
CN109284540B (zh) 一种基于工况识别的变衰减因子指数预测模型方法
Chen et al. Driving-data-driven platform of driving behavior spectrum for vehicle networks

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