CN114937359B - 交通基础设施级联故障定位分析方法、系统、终端及介质 - Google Patents

交通基础设施级联故障定位分析方法、系统、终端及介质 Download PDF

Info

Publication number
CN114937359B
CN114937359B CN202210549681.1A CN202210549681A CN114937359B CN 114937359 B CN114937359 B CN 114937359B CN 202210549681 A CN202210549681 A CN 202210549681A CN 114937359 B CN114937359 B CN 114937359B
Authority
CN
China
Prior art keywords
infrastructure
point
fault
positioning
density
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
CN202210549681.1A
Other languages
English (en)
Other versions
CN114937359A (zh
Inventor
曾自强
谭磊
陈卓
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202210549681.1A priority Critical patent/CN114937359B/zh
Publication of CN114937359A publication Critical patent/CN114937359A/zh
Application granted granted Critical
Publication of CN114937359B publication Critical patent/CN114937359B/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
    • G08G1/0125—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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了交通基础设施级联故障定位分析方法、系统、终端及介质，涉及交通故障技术领域，其技术方案要点是：将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果。本发明有效提高了交通基础设施级联故障定位的精确度，且一次性能够识别出目标区域内所有存在级联失效故障的基础设施点。

Description

交通基础设施级联故障定位分析方法、系统、终端及介质
技术领域
本发明涉及交通故障技术领域，更具体地说，它涉及交通基础设施级联故障定位分析方法、系统、终端及介质。
背景技术
交通基础设施级联故障，是由于交通基础设施系统的内部组件和外部关联基础设施系统的相关性影响，导致某一交通基础设施发生故障失效后而引起的其他系统中交通基础设施发生故障的系列反应，交通基础设施级联故障在自然灾害影响下尤为明显。
目前，交通管理中存在的故障一般分为占道施工、交通事故以及交通基础设施损坏。而对于交通故障的定位识别，一方面可以依据用户上传数据进行识别获得，其故障类型和故障定位直接受上传数据影响，且受上传数据类型的多样化和时效影响，导致该故障定位识别方法在大范围交通故障识别应用中的时效性差、精确度较低、系统复杂度较高，一般应用于小范围且复杂程度较低的交通基础设施系统中。另一方面，可以依据车载终端上传的定位信息进行分析，虽然此故障定位识别方法仅依据定位密度能够快速对个别交通故障进行定位，但是难以区分具体的和大范围的交通故障类型，无法直接应用于交通基础设施级联故障的定位识别中。
因此，如何研究设计一种能够克服上述缺陷的交通基础设施级联故障定位分析方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供交通基础设施级联故障定位分析方法、系统、终端及介质，有效提高了交通基础设施级联故障定位的精确度，且一次性能够识别出目标区域内所有存在级联失效故障的基础设施点，为快速恢复交通正常运行以及为应急车辆、物资运输等应急救援的交通策略调控提供参考数据。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了交通基础设施级联故障定位分析方法，包括以下步骤：
将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；
以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；
依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；
以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果。
进一步的，所述目标区域的获得过程具体为：
确定包含多个基础设施点的故障识别区域；
获取故障识别区域中的历史平均定位密度；
计算故障识别区域中的实时平均定位密度；
若实时平均定位密度与历史平均定位密度之间的比值大于设定阈值，则以故障识别区域作为目标区域；否则，更新故障识别区域。
进一步的，所述故障优先值的确定过程具体为：
从级联网络图中选取级联失效范围覆盖整个级联网络图的基础设施点作为初始故障点；
根据同一基础设施点与其他基础设施点之间的分布间距和定位密度差确定相应基础设施点的影响因子参数；
根据影响因子参数、级联失效相对概率以及初始故障点的定位密度之间的乘积计算得到相应基础设施点的理论密度；
以理论密度与定位密度之比确定相应基础设施点的故障优先值。
进一步的，所述影响因子参数包括由分布间距所确定的第一影响因子以及由定位密度差所确定的第二影响因子；
所述影响因子参数的计算值依据第一影响因子和第二影响因子之间的乘积计算得到，或依据第一影响因子和第二影响因子之间的权重值计算得到。
进一步的，所述故障优先值的计算公式具体为：
Figure GDA0004074964470000021
其中，Yi表示第i个基础设施点的故障优先值；ρ0表示初始故障点的定位密度；ρi表示第i个基础设施点的定位密度；P(i,0)表示第i个基础设施点相对于初始故障点的级联失效相对概率；Ni表示级联网络图中与基础设施点i之间存在故障关联影响的基础设施点数量；
Figure GDA0004074964470000022
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的分布间距l所确定的第一影响因子，第一影响因子与分布间距呈负相关；
Figure GDA0004074964470000023
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的定位密度差Δρ所确定的第二影响因子，第二影响因子与定位密度差呈正相关。
进一步的，同一所述基础设施点的第一影响因子、第二影响因子之和均为1。
进一步的，所述级联故障定位结果包括初始故障点以及所有从级联网络图中所选出的基础设施点，且初始故障点的故障优先值最大。
第二方面，提供了交通基础设施级联故障定位分析系统，包括：
定位聚类模块，用于将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；
网络匹配模块，用于以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；
优先计算模块，用于依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；
故障分析模块，用于以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的交通基础设施级联故障定位分析方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的交通基础设施级联故障定位分析方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出的交通基础设施级联故障定位分析方法，首先通过匹配得到的级联网络图初步过滤交通占道、交通事故等非交通基础设施故障所导致的交通故障，再依据故障优先值排除因基础设施点发生级联故障而对其他基础设施点产生的连锁反应，有效提高了交通基础设施级联故障定位的精确度，且一次性能够识别出目标区域内所有存在级联失效故障的基础设施点，为快速恢复交通正常运行以及为应急车辆、物资运输等应急救援的交通策略调控提供参考数据；
2、本发明通过对目标区域的灵活选取，实现了自动开启交通基础设施级联故障的定位识别，不仅适用于大范围的级联失效故障的定位分析，也适用于小范围的级联失效故障的定位分析；
3、本发明在分析基础设施点的故障优先值过程中，充分考虑了基础设施点之间的距离、基础设施相关性以及密度差等多种因素所引起的连锁反应，以使得级联故障定位结果的准确度更高。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中的流程图；
图2是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：交通基础设施级联故障定位分析方法，如图1所示，包括以下步骤：
S1：将目标区域内的车辆定位信息依据基础设施点进行聚类分析，每一个基础设施点均为一个聚类中心，从而得到各个基础设施点的定位密度；车辆定位信息既可以是车载终端上传的定位信息，也可以是手机等移动终端上传的定位信息；
S2：以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；不同基础设施点的基础密度既可以保持一致，也可以依据历史密度进行灵活选取，以提高级联网络图匹配的准确性；此外，级联网络图为表征各个基础设施点存在级联失效关系的关系图谱；
S3：依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；级联失效相对概率依据历史故障数据统计分析得到；
S4：以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果。
作为一种可选的实施方式，目标区域的获得过程具体为：确定包含多个基础设施点的故障识别区域；获取故障识别区域中的历史平均定位密度；计算故障识别区域中的实时平均定位密度；若实时平均定位密度与历史平均定位密度之间的比值大于设定阈值，则以故障识别区域作为目标区域；否则，更新故障识别区域。
本发明通过对目标区域的灵活选取，实现了自动开启交通基础设施级联故障的定位识别，不仅适用于大范围的级联失效故障的定位分析，也适用于小范围的级联失效故障的定位分析。
作为另一种可选的实施方式，目标区域以覆盖面积不变的定区域循环遍历所有区域进行故障定位分析工作，以降低数据采集难度。
在本实施例中，故障优先值的确定过程具体为：从级联网络图中选取级联失效范围覆盖整个级联网络图的基础设施点作为初始故障点；根据同一基础设施点与其他基础设施点之间的分布间距和定位密度差确定相应基础设施点的影响因子参数；根据影响因子参数、级联失效相对概率以及初始故障点的定位密度之间的乘积计算得到相应基础设施点的理论密度；以理论密度与定位密度之比确定相应基础设施点的故障优先值。
本发明充分考虑了基础设施点之间的距离、基础设施相关性以及密度差等多种因素所引起的连锁反应，以使得级联故障定位结果的准确度更高。
其中，影响因子参数包括由分布间距所确定的第一影响因子以及由定位密度差所确定的第二影响因子。
作为一种可选的实施方式，影响因子参数的计算值依据第一影响因子和第二影响因子之间的乘积计算得到。
例如，故障优先值的计算公式具体为：
Figure GDA0004074964470000051
其中，Yi表示第i个基础设施点的故障优先值；ρ0表示初始故障点的定位密度；ρi表示第i个基础设施点的定位密度；P(i,0)表示第i个基础设施点相对于初始故障点的级联失效相对概率；Ni表示级联网络图中与基础设施点i之间存在故障关联影响的基础设施点数量；
Figure GDA0004074964470000052
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的分布间距l所确定的第一影响因子，第一影响因子与分布间距呈负相关；
Figure GDA0004074964470000053
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的定位密度差Δρ所确定的第二影响因子，第二影响因子与定位密度差呈正相关。
作为另一种可选的实施方式，影响因子参数的计算值依据第一影响因子和第二影响因子之间的权重值计算得到。
在本实施例中，同一基础设施点的第一影响因子、第二影响因子之和均为1。
此外，级联故障定位结果包括初始故障点以及所有从级联网络图中所选出的基础设施点，且初始故障点的故障优先值最大。
实施例2：交通基础设施级联故障定位分析系统，该系统用于实现实施例1中所记载的级联故障定位分析方法，如图2所示，包括定位聚类模块、网络匹配模块、优先计算模块和故障分析模块。
其中，定位聚类模块，用于将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；网络匹配模块，用于以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；优先计算模块，用于依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；故障分析模块，用于以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果。
工作原理：本发明首先通过匹配得到的级联网络图初步过滤交通占道、交通事故等非交通基础设施故障所导致的交通故障，再依据故障优先值排除因基础设施点发生级联故障而对其他基础设施点产生的连锁反应，有效提高了交通基础设施级联故障定位的精确度，且一次性能够识别出目标区域内所有存在级联失效故障的基础设施点，为快速恢复交通正常运行以及为应急车辆、物资运输等应急救援的交通策略调控提供参考数据。
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。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.交通基础设施级联故障定位分析方法，其特征是，包括以下步骤：
将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；
以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；
依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；
以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果；
所述故障优先值的确定过程具体为：
从级联网络图中选取级联失效范围覆盖整个级联网络图的基础设施点作为初始故障点；
根据同一基础设施点与其他基础设施点之间的分布间距和定位密度差确定相应基础设施点的影响因子参数；
根据影响因子参数、级联失效相对概率以及初始故障点的定位密度之间的乘积计算得到相应基础设施点的理论密度；
以理论密度与定位密度之比确定相应基础设施点的故障优先值；
所述故障优先值的计算公式具体为：
Figure FDA0004074964420000011
其中，Yi表示第i个基础设施点的故障优先值；ρ0表示初始故障点的定位密度；ρi表示第i个基础设施点的定位密度；P(i,0)表示第i个基础设施点相对于初始故障点的级联失效相对概率；Ni表示级联网络图中与基础设施点i之间存在故障关联影响的基础设施点数量；
Figure FDA0004074964420000012
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的分布间距l所确定的第一影响因子，第一影响因子与分布间距呈负相关；
Figure FDA0004074964420000013
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的定位密度差Δρ所确定的第二影响因子，第二影响因子与定位密度差呈正相关。
2.根据权利要求1所述的交通基础设施级联故障定位分析方法，其特征是，所述目标区域的获得过程具体为：
确定包含多个基础设施点的故障识别区域；
获取故障识别区域中的历史平均定位密度；
计算故障识别区域中的实时平均定位密度；
若实时平均定位密度与历史平均定位密度之间的比值大于设定阈值，则以故障识别区域作为目标区域；否则，更新故障识别区域。
3.根据权利要求1所述的交通基础设施级联故障定位分析方法，其特征是，所述影响因子参数包括由分布间距所确定的第一影响因子以及由定位密度差所确定的第二影响因子；
所述影响因子参数的计算值依据第一影响因子和第二影响因子之间的乘积计算得到，或依据第一影响因子和第二影响因子之间的权重值计算得到。
4.根据权利要求1所述的交通基础设施级联故障定位分析方法，其特征是，同一所述基础设施点的第一影响因子、第二影响因子之和均为1。
5.根据权利要求1所述的交通基础设施级联故障定位分析方法，其特征是，所述级联故障定位结果包括初始故障点以及所有从级联网络图中所选出的基础设施点，且初始故障点的故障优先值最大。
6.交通基础设施级联故障定位分析系统，其特征是，包括：
定位聚类模块，用于将目标区域内的车辆定位信息依据基础设施点进行聚类分析，得到各个基础设施点的定位密度；
网络匹配模块，用于以定位密度超出基础密度选出相应的基础设施点形成点位集合，并从点位集合中以最大相似度匹配得到级联网络图；
优先计算模块，用于依据级联网络图中基础设施点的级联失效相对概率、定位密度以及分布间距确定各个基础设施点的故障优先值；
故障分析模块，用于以故障优先值超出优先值阈值选出级联网络图中相应的基础设施点，得到目标区域的级联故障定位结果；
所述故障优先值的确定过程具体为：
从级联网络图中选取级联失效范围覆盖整个级联网络图的基础设施点作为初始故障点；
根据同一基础设施点与其他基础设施点之间的分布间距和定位密度差确定相应基础设施点的影响因子参数；
根据影响因子参数、级联失效相对概率以及初始故障点的定位密度之间的乘积计算得到相应基础设施点的理论密度；
以理论密度与定位密度之比确定相应基础设施点的故障优先值；
所述故障优先值的计算公式具体为：
Figure FDA0004074964420000031
其中，Yi表示第i个基础设施点的故障优先值；ρ0表示初始故障点的定位密度；ρi表示第i个基础设施点的定位密度；P(i,0)表示第i个基础设施点相对于初始故障点的级联失效相对概率；Ni表示级联网络图中与基础设施点i之间存在故障关联影响的基础设施点数量；
Figure FDA0004074964420000032
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的分布间距l所确定的第一影响因子，第一影响因子与分布间距呈负相关；
Figure FDA0004074964420000033
表示由基础设施点i与第j个存在故障关联影响的基础设施点之间的定位密度差Δρ所确定的第二影响因子，第二影响因子与定位密度差呈正相关。
7.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5中任意一项所述的交通基础设施级联故障定位分析方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-5中任意一项所述的交通基础设施级联故障定位分析方法。
CN202210549681.1A 2022-05-20 2022-05-20 交通基础设施级联故障定位分析方法、系统、终端及介质 Active CN114937359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210549681.1A CN114937359B (zh) 2022-05-20 2022-05-20 交通基础设施级联故障定位分析方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210549681.1A CN114937359B (zh) 2022-05-20 2022-05-20 交通基础设施级联故障定位分析方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN114937359A CN114937359A (zh) 2022-08-23
CN114937359B true CN114937359B (zh) 2023-04-07

Family

ID=82865766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210549681.1A Active CN114937359B (zh) 2022-05-20 2022-05-20 交通基础设施级联故障定位分析方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN114937359B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012252377A (ja) * 2011-05-31 2012-12-20 Nec Corp 交通情報生成システム、交通情報生成方法及びプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015200585A1 (en) * 2014-06-26 2015-12-30 Sang Jun Park Online street safety map system displaying crime density and traffic accident data
CN106371422B (zh) * 2016-08-31 2018-08-31 北京航空航天大学 一种预测关键基础设施故障传播的方法
CN108765954B (zh) * 2018-06-13 2022-05-24 上海应用技术大学 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法
JP2021502541A (ja) * 2018-09-18 2021-01-28 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 交通事故位置を予測するための人工知能システム及び方法
CN109408557B (zh) * 2018-09-29 2021-09-28 东南大学 一种基于多重对应和K-means聚类的交通事故成因分析方法
CN109410588B (zh) * 2018-12-20 2022-03-15 湖南晖龙集团股份有限公司 一种基于交通大数据的交通事故演化分析方法
CN110517484A (zh) * 2019-08-06 2019-11-29 南通大学 菱形立交区域平面交叉标志遮挡预测模型构建方法
US11157741B2 (en) * 2019-08-13 2021-10-26 International Business Machines Corporation Determining the state of infrastructure in a region of interest
CN110738856B (zh) * 2019-11-12 2020-09-22 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法
CN111060781A (zh) * 2019-12-31 2020-04-24 四川大学 一种配电网故障定位的方法和系统
CN113128789B (zh) * 2021-05-18 2023-08-08 重庆大学 一种基于概率预测的城市路面塌陷预防方法、系统及存储介质
CN114446057A (zh) * 2022-04-11 2022-05-06 武汉智安交通科技有限公司 一种基于智能网联环境的事故高发点辨识预警方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012252377A (ja) * 2011-05-31 2012-12-20 Nec Corp 交通情報生成システム、交通情報生成方法及びプログラム

Also Published As

Publication number Publication date
CN114937359A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN106982416B (zh) 确定车辆归属地的方法和装置
CN110033528B (zh) 一种基于gps和发动机数据的农机作业状态判断方法
CN113052405B (zh) 基于物联网和人工智能的交通拥堵预测与优化方法
CN113257364A (zh) 基于多目标进化的单细胞转录组测序数据聚类方法及系统
CN112465031A (zh) 数据分类方法、装置以及计算机可读存储介质
CN113269042A (zh) 基于行驶车辆违章识别的智能交通管理方法及系统
CN114937359B (zh) 交通基础设施级联故障定位分析方法、系统、终端及介质
CN113343905B (zh) 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113673827A (zh) 一种区域水资源脆弱性预警系统及方法
CN112235807A (zh) Tdoa监测系统的组网方法、装置、设备与介质
CN111860287A (zh) 一种目标检测方法及装置、存储介质
CN109360137B (zh) 一种车辆事故评估方法、计算机可读存储介质及服务器
CN114708728A (zh) 一种识别交通高峰期的方法、电子设备及存储介质
CN116168541A (zh) 一种获取道路通行状态的数据处理系统
CN115146908A (zh) 交通级联故障应急调控策略生成方法、系统、终端及介质
CN114066288A (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
CN108491274A (zh) 分布式数据管理的优化方法、装置、存储介质及设备
CN110648002B (zh) 一种车辆诊断方法、装置、设备及可读存储介质
CN114063126A (zh) 一种电子围栏系统及建立电子围栏精准轨迹模型的方法
CN117349688B (zh) 一种基于峰值轨迹的轨迹聚类方法、装置、设备及介质
CN113052301B (zh) 神经网络生成方法、装置、电子设备及存储介质
CN113128048B (zh) 一种电网典型振荡模式的识别方法及系统
CN113344239B (zh) 一种基于两级谱聚类的交通拥堵状况预测方法及系统
CN116030452A (zh) 一种车牌识别方法、装置、设备及计算机存储介质
CN114638172B (zh) 一种湖底地形修复数据处理系统及处理方法

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