CN115050181B - 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 - Google Patents
交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 Download PDFInfo
- Publication number
- CN115050181B CN115050181B CN202210630580.7A CN202210630580A CN115050181B CN 115050181 B CN115050181 B CN 115050181B CN 202210630580 A CN202210630580 A CN 202210630580A CN 115050181 B CN115050181 B CN 115050181B
- Authority
- CN
- China
- Prior art keywords
- traffic
- frequency
- accident
- intersections
- intersection
- 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
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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法,包括1:获取交叉口的交通事故数据与交通违法数据;2:对交通事故数据与交通违法数据进行空间关联;3:分析交通事故与交通违法的全局空间特征;4:分析交通事故与交通违法的局部空间特征;5:判定交通事故与交通违法空间热点随时间演化模式;6:判定某交叉口是否是交通事故与交通违法重叠热点;7:若某交叉口为重叠热点,则执行步骤8,否则返回执行步骤3对其他交叉口进行处理;8:辨识重叠热点的交通事故与交通违法频次影响因素。本发明可为交通管理人员进行科学化执法提供决策依据,对降低交叉口违法频次与事故率具有重要意义。
Description
技术领域
本发明属于交通事故空间特征分析领域,具体的说是一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法。
背景技术
我国道路交叉口各类交通违法现象突出,由此导致的交通事故率居高不下,严重影响道路使用者出行安全。道路交叉口交通违法与交通事故存在一定的空间关联,基于地理信息技术挖掘交通违法与交通事故的空间分布特征,并辨识交通违法与交通事故影响因素,可为交通安全执法策略提供新的依据,该发明得到的交通执法决策比依靠交通管理部门的经验性执法更可靠。传统交通安全分析主要侧重单一化的交通违法或交通事故空间特征分析、交通违法或交通事故影响因素分析,忽略了对交叉口交通违法及交通事故的空间相关性分析,无法有效辨识交通违法与交通事故的重叠热点,因此难以形成针对性的交通安全管控措施,交叉口综合交通安全治理效率较低。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法,以期能有效的辨识交通违法与交通事故形成的空间重叠热点及该热点对应的交通违法与交通事故影响因素,从而能提高交通执法的针对性,进而为实现交通执法资源的合理化调度提供支撑。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法的特点在于,包括如下步骤:
步骤1:获取n个交叉口的历史交通事故数据与交通违法数据;
步骤2:对历史交通事故数据与交通违法数据进行空间关联;
步骤2.1:根据步骤1所获取的数据,分别统计n个交叉口在时间范围H内交通事故频次与交通违法频次;
步骤2.2:运用ArcGIS软件中的自然间断法对步骤2.1统计的交通事故频次与交通违法频次进行分级,从而分别将事故频次与违法频次划分为K级水平;
步骤2.3:采用ArcGIS软件中的“空间连接”工具将K级水平的事故频次、K级水平的违法频次分别与所述n个交叉口进行空间关联,从而在每个交叉口的时间范围H内显示对应的事故频次与违法频次;
步骤3:分析历史交通事故数据与交通违法数据在n个交叉口的全局空间分布特征;
步骤3.1:利用式(1)计算第i个交叉口的莫兰指数Ii:
式(1)中,xi表示第i个交叉口在时间范围H内的事故频次或违法频次,xj表示第j个交叉口在时间范围H内的事故频次或违法频次;表示n个交叉口在时间范围H内事故频次平均值或违法频次的平均值;n为交叉口总数;wij为第i个交叉口与第j个交叉口的空间权重矩阵,当第i个交叉口与第j个交叉口相邻时,对应的矩阵wij中第i行第j列元素w'ij为1,否则为0,M为空间权重矩阵wij中所有元素之和;
步骤3.2:根据莫兰指数Ii值判定历史交通事故数据与交通违法数据在n个交叉口中的全局空间分布是聚集分布模式、离散分布模式还是随机分布模式;若为聚集分布模式,则执行步骤4,否则,则结束;
步骤4:分析历史交通事故数据与交通违法数据的局部空间分布特征;
式(2)中,S为n个交叉口在时间范围H内的事故频次或违法频次的标准差,并由式(3)得到:
式(4)中,E(Ii)表示莫兰指数Ii的期望,并由式(5)得到,V(Ii)表示莫兰指数Ii的方差,并由式(6)得到;
步骤4.3:根据莫兰指数Ii的Z得分分析n个交叉口在时间范围H内的交通事故、交通违法在局部空间的分布特征,从而辨识出历史交通事故数据与交通违法数据在第i个交叉口和第j个交叉口上是否形成局部空间热点;若形成局部空间热点,则执行步骤5,否则,返回步骤3.1对其他交叉口进行处理;
步骤5:判定交通事故与交通违法局部空间热点随时间的演化模式;
式(7)中,sgn表示分段函数;
步骤5.3:根据标准化Z得分Z标准判定局部空间热点位置随时间的演化模式,若Z标准大于0,局部空间热点位置随时间变化呈增加趋势,执行步骤6,否则则结束;
步骤6:判定历史交通事故局部空间热点与交通违法局部空间热点的位置随时间变化是否重合,若重合,则表示交通事故局部空间热点与交通违法局部空间热点为重叠热点,否则,表示交通事故局部空间热点与交通违法局部空间热点均为单一热点;
步骤7:如果第i个交叉口的位置为重叠热点的位置,则执行步骤8;若第i个交叉口的位置为单一热点的位置,则返回执行步骤3.1对其他交叉口进行处理;
步骤8:辨识重叠热点位置历史交通事故与交通违法频次的影响因素
步骤8.1:采集第i个交叉口在时间范围H内的流量、速度、信号周期、信号相位并计算其平均值,将平均流量、平均速度、平均信号周期、平均信号相位作为第i个交叉口的解释变量集[ai1,ai2,ai3,aik],将第i个交叉口在时间范围H内的事故频次或违法频次作为因变量;
步骤8.2:根据式(10)构建改进的负二项回归模型:
式(10)中,λi表示第i个交叉口在时间范围H内的事故频次或违法频次,βi为常数项,γik表示第i个交叉口第k个解释变量的回归系数,aik表示第i个交叉口的第k个解释变量,εi为负二项回归模型的随机误差;
步骤8.3:对所述改进的负二项回归模型进行参数估计,获得改进的负二项回归模型显著性检验结果,将检验结果中的显著性评价指标p-值与所设定的置信度水平进行比较,从而筛选出对第i个交叉口在时间范围H内的事故频次或违法频次具有显著影响的解释变量集[a′i1,a′i2,a′i3,a′ik],并作为重叠热点位置交通事故与交通违法频次的影响因素。
与现有技术相比,本发明的有益效果在于:
本发明基于历史交通违法数据与交通事故数据分析交通违法与交通事故的空间关联特征,综合运用全局空间自相关分析方法、局部空间自相关分析方法、热点分析方法等挖掘交通违法与交通事故空间热点及其随时间的演化模式,并判定交通违法与交通事故的重叠热点,有效解析了事故与违法的空间关联关系。在此基础上进一步运用改进的负二项回归模型辨识重叠热点位置的交通事故与交通违法影响因素,确定了重叠热点交通违法与交通事故致因,从而克服了现有技术中交通违法与交通事故空间关联特征表征不足的问题,根据判断得到的交通事故及交通违法重叠热点,并结合该热点交通事故与交通违法的影响因素,交通管理人员可以进行科学的执法,从而为有效减少交叉口违法频次并降低交叉口事故率提供决策依据。
附图说明
图1为本发明方法的流程图。
具体实施方式
如图1所示,本实施例中,一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法,包括如下步骤:
步骤1:获取n个交叉口的历史交通事故数据与交通违法数据;
步骤2:对历史交通事故数据与交通违法数据进行空间关联;
步骤2.1:根据步骤1所获取的数据,分别统计n个交叉口在时间范围H内交通事故频次与交通违法频次;
步骤2.2:运用ArcGIS软件中的自然间断法对步骤2.1统计的交通事故频次与交通违法频次进行分级,从而分别将事故频次与违法频次划分为K级水平;
步骤2.3:采用ArcGIS软件中的“空间连接”工具将K级水平的事故频次、K级水平的违法频次分别与n个交叉口进行空间关联,从而在每个交叉口的时间范围H内显示对应的事故频次与违法频次;
步骤3:分析历史交通事故数据与交通违法数据在n个交叉口的全局空间分布特征;
步骤3.1:利用式(1)计算第i个交叉口的莫兰指数Ii:
式(1)中,xi表示第i个交叉口在时间范围H内的事故频次或违法频次,xj表示第j个交叉口在时间范围H内的事故频次或违法频次;表示n个交叉口在时间范围H内事故频次平均值或违法频次的平均值;n为交叉口总数;wij为第i个交叉口与第j个交叉口的空间权重矩阵,当第i个交叉口与第j个交叉口相邻时,对应的矩阵wij中第i行第j列元素w'ij为1,否则为0,M为空间权重矩阵wij中所有元素之和;
步骤3.2:根据莫兰指数Ii值判定历史交通事故数据与交通违法数据在n个交叉口中的全局空间分布是聚集分布模式、离散分布模式还是随机分布模式;若为聚集分布模式,则执行步骤4,否则,则结束;
具体实施中,当Ii值大于0时,表示交通事故与交通违法数据在n个交叉口中的全局空间分布呈现聚集趋势,Ii值趋于0表示交通事故与交通违法数据在n个交叉口中的全局空间分布呈现随机分布特征,Ii值低于0交通事故与交通违法数据在n个交叉口中的全局空间分布呈现离散分布模式。
步骤4:分析历史交通事故数据与交通违法数据的局部空间分布特征;
式(2)中,S为n个交叉口在时间范围H内的事故频次或违法频次的标准差,并由式(3)得到:
式(4)中,E(Ii)表示莫兰指数Ii的期望,并由式(5)得到,V(Ii)表示莫兰指数Ii的方差,并由式(6)得到;
步骤4.3:根据莫兰指数Ii的Z得分ZIi分析n个交叉口在时间范围H内的交通事故、交通违法在局部空间的分布特征,从而辨识出历史交通事故数据与交通违法数据在第i个交叉口和第j个交叉口上是否形成局部空间热点;若形成局部空间热点,则执行步骤5,否则,返回步骤3.1对其他交叉口进行处理;
具体实施中,Z得分为统计量Gi*统计的返回值,对于具有显著统计学意义(置信度为99%、95%、90%)的正Z得分,Z得分越高,交通事故或交通违法频次高值的聚类就越紧密,越容易形成交通事故或交通违法局部空间热点,反之则不是交通事故或交通违法局部空间热点。
步骤5:判定交通事故与交通违法局部空间热点随时间的演化模式;
式(7)中,sgn表示分段函数;
步骤5.3:根据标准化Z得分Z标准判定局部空间热点位置随时间的演化模式,若Z标准大于0,局部空间热点位置随时间变化呈增加趋势,执行步骤6,否则则结束。
具体实施中,当Z标准处于[1.65,1.96]范围时,对应的置信度为90%,表示交通事故或交通违法局部空间热点形成的可能性为90%,并且随着时间变化,热点数逐渐增加;当Z标准处于(1.96,2.58]范围时,对应的置信度为95%,表示交通事故或交通违法局部空间热点形成的可能性为95%,并且随着时间变化,热点数逐渐增加;当Z标准大于2.58时,对应的置信度为99%,表示交通事故或交通违法局部空间热点形成的可能性为99%,并且随着时间变化,热点数逐渐增加。
步骤6:判定历史交通事故局部空间热点与交通违法局部空间热点的位置随时间变化是否重合,若重合,则表示历史交通事故局部空间热点与交通违法局部空间热点为重叠热点,否则,表示历史交通事故局部空间热点与交通违法局部空间热点均为单一热点;
具体实施中,若某个交叉口交通事故的标准化Z得分与交通违法标准化Z得分范围一致,则表明该交叉口是交通事故的局部空间热点与交通违法的局部空间热点为重叠热点。
步骤7:如果第i个交叉口的位置为重叠热点的位置,则执行步骤8;若第i个交叉口的位置为单一热点的位置,则返回执行步骤3.1对其他交叉口进行处理;
步骤8:辨识重叠热点位置历史交通事故与交通违法频次的影响因素;
步骤8.1:采集第i个交叉口在时间范围H内的流量、速度、信号周期、信号相位并计算其平均值,将平均流量、平均速度、平均信号周期、平均信号相位作为第i个交叉口的解释变量集[ai1,ai2,ai3,aik],将第i个交叉口在时间范围H内的事故频次或违法频次作为因变量。
步骤8.2:根据式(10)构建改进的负二项回归模型:
式(10)中,λi表示第i个交叉口在时间范围H内的事故频次或违法频次,βi为常数项,γik表示第i个交叉口第k个解释变量的回归系数,aik表示第i个交叉口的第k个解释变量,εi为负二项回归模型的随机误差;
具体实施中,相较于传统的负二项回归模型,步骤8.2改进的负二项回归模型中增加了随机误差εi,该随机误差包括无法观测的空间异质性误差ε'i和随机效应误差ε”i,εi=ε'i+ε”i,考虑随机误差的负二项回归模型具有更好的鲁棒性,能较好的解释交通事故或交通违法的异质性特征。
步骤8.3:对改进的负二项回归模型进行参数估计,获得改进的负二项回归模型显著性检验结果,将检验结果中的显著性评价指标p-值与所设定的置信度水平进行比较,从而筛选出对第i个交叉口在时间范围H内的事故频次或违法频次具有显著影响的解释变量集[a′i1,a′i2,a′i3,a′ik],这些解释变量集就是重叠热点位置交通事故与交通违法频次的影响因素。
具体实施中,当负二项回归分析得到的解释变量的显著性评价指标p-值小于等于0.05时,认为该解释变量对重叠热点的交通事故或交通违法频次具有显著影响,否则,不具有显著性影响。
为进一步展示本发明方法的可靠性,利用以下实例进行举例说明。选取苏州市吴江区主城区100个道路交通口进行分析,对这100个交叉口2020年全年的交通事故与违法记录进行统计,根据自然间断法分别将2020年的交通事故与交通违法频次划分为5级水平,其中1级水平的交通事故频次和交通违法频次分别是1-173次/年、1-138次/年,2级水平的交通事故频次和交通违法频次分别为174-339次/年、139-327次/年,3级水平的交通事故频次和交通违法频次分别为340-506次/年、328-578次/年,4级水平的交通事故频次和交通违法频次分别为507-725次/年、579-1177次/年,5级水平的交通事故频次和交通违法频次分别为726-919次/年、1178-3134次/年。
运用全局空间自相关分析方法分别对交通事故、交通违法在所有交叉口的频次进行分析,计算得到交通事故莫兰指数为0.575,交通违法莫兰指数为0.547,表明交通事故和交通违法在所有交叉口均呈现聚集分布趋势;进一步计算交通事故的标准化Z得分为213.86,交通违法的标准化Z得分为1053.69,表明交通事故和交通违法在局部空间热点形成的可能性为99%,并且随着时间变化,热点数逐渐增加。确定交通事故和交通违法的重叠热点,并采用改进的负二项回归模型辨识重叠热点交通事故、交通违法频次的影响因素,最后结果表明交叉口流量、速度、信号周期与交叉口事故频次显著相关,如表1所示;交叉口流量、信号相位与交叉口交通违法频次显著相关,如表2所示。
表1交叉口交通事故频次影响因素辨识结果
*p-值<0.05
表1交叉口交通违法频次影响因素辨识结果
*p-值<0.05
综上所述,本发明通过分析交叉口交通事故与交通违法空间特征,可以确定交通事故与交通违法的空间重叠热点,并鉴别重叠热点随时间的演化趋势,在此基础上对该热点影响交通事故与交通违法频次的因素进行分析,可以进一步辨识交通事故与交通违法致因,基于重叠热点时空趋势及其影响因素,交通管理人员可以进行科学化执法,提高了交叉口交通治理效率。
Claims (1)
1.一种交叉口交通事故与交通违法的空间热点及其影响因素辨识方法,其特征在于,包括如下步骤:
步骤1:获取n个交叉口的历史交通事故数据与交通违法数据;
步骤2:对历史交通事故数据与交通违法数据进行空间关联;
步骤2.1:根据步骤1所获取的数据,分别统计n个交叉口在时间范围H内交通事故频次与交通违法频次;
步骤2.2:运用ArcGIS软件中的自然间断法对步骤2.1统计的交通事故频次与交通违法频次进行分级,从而分别将事故频次与违法频次划分为K级水平;
步骤2.3:采用ArcGIS软件中的“空间连接”工具将K级水平的事故频次、K级水平的违法频次分别与所述n个交叉口进行空间关联,从而在每个交叉口的时间范围H内显示对应的事故频次与违法频次;
步骤3:分析历史交通事故数据与交通违法数据在n个交叉口的全局空间分布特征;
步骤3.1:利用式(1)计算第i个交叉口的莫兰指数Ii:
式(1)中,xi表示第i个交叉口在时间范围H内的事故频次或违法频次,xj表示第j个交叉口在时间范围H内的事故频次或违法频次;表示n个交叉口在时间范围H内事故频次平均值或违法频次的平均值;n为交叉口总数;wij为第i个交叉口与第j个交叉口的空间权重矩阵,当第i个交叉口与第j个交叉口相邻时,对应的矩阵wij中第i行第j列元素w'ij为1,否则为0,M为空间权重矩阵wij中所有元素之和;
步骤3.2:根据莫兰指数Ii值判定历史交通事故数据与交通违法数据在n个交叉口中的全局空间分布是聚集分布模式、离散分布模式还是随机分布模式;若为聚集分布模式,则执行步骤4,否则,则结束;
步骤4:分析历史交通事故数据与交通违法数据的局部空间分布特征;
式(2)中,S为n个交叉口在时间范围H内的事故频次或违法频次的标准差,并由式(3)得到:
式(4)中,E(Ii)表示莫兰指数Ii的期望,并由式(5)得到,V(Ii)表示莫兰指数Ii的方差,并由式(6)得到;
步骤4.3:根据莫兰指数Ii的Z得分分析n个交叉口在时间范围H内的交通事故、交通违法在局部空间的分布特征,从而辨识出历史交通事故数据与交通违法数据在第i个交叉口和第j个交叉口上是否形成局部空间热点;若形成局部空间热点,则执行步骤5,否则,返回步骤3.1对其他交叉口进行处理;
步骤5:判定交通事故与交通违法局部空间热点随时间的演化模式;
式(7)中,sgn表示分段函数;
步骤5.3:根据标准化Z得分Z标准判定局部空间热点位置随时间的演化模式,若Z标准大于0,局部空间热点位置随时间变化呈增加趋势,执行步骤6,否则则结束;
步骤6:判定历史交通事故局部空间热点与交通违法局部空间热点的位置随时间变化是否重合,若重合,则表示交通事故局部空间热点与交通违法局部空间热点为重叠热点,否则,表示交通事故局部空间热点与交通违法局部空间热点均为单一热点;
步骤7:如果第i个交叉口的位置为重叠热点的位置,则执行步骤8;若第i个交叉口的位置为单一热点的位置,则返回执行步骤3.1对其他交叉口进行处理;
步骤8:辨识重叠热点位置历史交通事故与交通违法频次的影响因素
步骤8.1:采集第i个交叉口在时间范围H内的流量、速度、信号周期、信号相位并计算其平均值,将平均流量、平均速度、平均信号周期、平均信号相位作为第i个交叉口的解释变量集[ai1,ai2,ai3,aik],将第i个交叉口在时间范围H内的事故频次或违法频次作为因变量;
步骤8.2:根据式(10)构建改进的负二项回归模型:
式(10)中,λi表示第i个交叉口在时间范围H内的事故频次或违法频次,βi为常数项,γik表示第i个交叉口第k个解释变量的回归系数,aik表示第i个交叉口的第k个解释变量,εi为负二项回归模型的随机误差;
步骤8.3:对所述改进的负二项回归模型进行参数估计,获得改进的负二项回归模型显著性检验结果,将检验结果中的显著性评价指标p-值与所设定的置信度水平进行比较,从而筛选出对第i个交叉口在时间范围H内的事故频次或违法频次具有显著影响的解释变量集[a′i1,a′i2,a′i3,a′ik],并作为重叠热点位置交通事故与交通违法频次的影响因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630580.7A CN115050181B (zh) | 2022-06-06 | 2022-06-06 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210630580.7A CN115050181B (zh) | 2022-06-06 | 2022-06-06 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115050181A CN115050181A (zh) | 2022-09-13 |
CN115050181B true CN115050181B (zh) | 2023-05-02 |
Family
ID=83160375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210630580.7A Active CN115050181B (zh) | 2022-06-06 | 2022-06-06 | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115050181B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
CN106991510A (zh) * | 2017-05-31 | 2017-07-28 | 福建江夏学院 | 一种基于时空分布特征预测城市交通事故的方法 |
CN107798418A (zh) * | 2017-09-28 | 2018-03-13 | 东南大学 | 一种基于交通分析小区的交通事故频次预测方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN112365595A (zh) * | 2020-11-24 | 2021-02-12 | 盐城工学院 | 基于报警数据点要素的鉴别交通事故多发点的分析方法 |
AU2021104800A4 (en) * | 2021-08-02 | 2021-09-30 | Wuhan University | Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety |
-
2022
- 2022-06-06 CN CN202210630580.7A patent/CN115050181B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
CN106991510A (zh) * | 2017-05-31 | 2017-07-28 | 福建江夏学院 | 一种基于时空分布特征预测城市交通事故的方法 |
CN107798418A (zh) * | 2017-09-28 | 2018-03-13 | 东南大学 | 一种基于交通分析小区的交通事故频次预测方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN112365595A (zh) * | 2020-11-24 | 2021-02-12 | 盐城工学院 | 基于报警数据点要素的鉴别交通事故多发点的分析方法 |
AU2021104800A4 (en) * | 2021-08-02 | 2021-09-30 | Wuhan University | Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety |
Non-Patent Citations (3)
Title |
---|
ZHANG Zheng-ke.Research on the Taxi Traffic Accident and Violation Identification Model.《Transportation Bureau of Jingyuan City》.2010,全文. * |
王雪松 ; 杨俊广 ; 杨筱菡 ; 周清雅 ; .考虑空间相关性的行人宏观安全研究.中国公路学报.2018,(第05期),全文. * |
饶永明 ; 张延孔 ; 谢文军 ; 刘璐 ; 刘新月 ; 罗月童 ; .交通事故时空模式可视分析方法.计算机科学.2019,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115050181A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022089031A1 (zh) | 一种基于大数据和人工智能的网络优化方法 | |
CN103646542B (zh) | 一种交通影响范围的预测方法和装置 | |
CN106845768B (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
CN109254861B (zh) | 基于轨迹数据的od需求提取及其可靠性分析方法 | |
CN101465059B (zh) | 城市道路交通安全态势鉴判预警系统 | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN110598999B (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN112382086A (zh) | 自动驾驶汽车开放道路测试评价系统的使用方法 | |
CN109191828B (zh) | 基于集成学习的交通参与者事故风险预测方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN115050181B (zh) | 交叉口交通事故与交通违法的空间热点及其影响因素辨识方法 | |
CN113920727A (zh) | 一种由施工引发道路拥堵的预测方法及系统 | |
CN112652168B (zh) | 一种重大交通事故预警方法、系统及存储介质 | |
CN108055639B (zh) | 一种基于信令数据分析的人流密度预测方法及系统 | |
Runa et al. | Do existing split failure metrics accurately reflect pedestrian operation at signalized intersections? | |
CN111640294B (zh) | 一种新建地铁线路影响下城市公交线路客流变化预测方法 | |
CN109727454B (zh) | 一种基于时空立方体的道路超速事件黑点识别方法 | |
CN117037530A (zh) | 一种停车资源动态监管分析方法 | |
CN112085951A (zh) | 交通状态判别方法、系统、存储介质、计算机设备及应用 | |
CN109523788B (zh) | 一种路段运行效果评价方法 |
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 |