CN115083146B - 一种智能网联环境下的安全致因影响范围获取方法 - Google Patents
一种智能网联环境下的安全致因影响范围获取方法 Download PDFInfo
- Publication number
- CN115083146B CN115083146B CN202210455990.2A CN202210455990A CN115083146B CN 115083146 B CN115083146 B CN 115083146B CN 202210455990 A CN202210455990 A CN 202210455990A CN 115083146 B CN115083146 B CN 115083146B
- Authority
- CN
- China
- Prior art keywords
- time
- space
- safety
- follows
- speed
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及一种智能网联环境下的安全致因影响范围获取方法,该方法包括以下步骤:步骤1:将少量车辆轨迹数据基于道路交通指数划分为不同的交通状态;步骤2:基于少数轨迹数据获取影响交通安全的冲突风险和安全致因;步骤3:基于冲突风险和安全致因的时空数据构建时空参数表;步骤4:计算一定时空区间各个时空窗下的安全致因与目标时空窗冲突风险的皮尔逊相关系数,将计算的皮尔逊相关系数进行显著性检验分析,以验证皮尔逊相关系数的显著性;步骤5:基于步骤4的分析结果提取安全致因的时空影响范围。与现有技术相比,本发明具有避免固定时空范围方法中忽略安全致因异质性的问题以及能够更精确地分析冲突影响的机理等优点。
Description
技术领域
本发明涉及交通大数据处理挖掘领域,尤其是涉及一种智能网联环境下的安全致因影响范围获取方法。
背景技术
安全致因影响范围分析是指划分安全致因在时间与空间层面上对冲突的影响范围。其中,在时间维度上,包括时间跨度和时间粒度的两个方面的选取,空间维度包括空间方向和空间跨度的选取。近年来,越来越多的网联车辆投入运行,网联车辆可提供时空连续的个体高精度运行数据,包括CAV(Connected-Automated Vehicle)的安全风险数据和车辆轨迹、其他非CAV的运行信息以及CV(Connected Vehicle)的轨迹数据,为安全风险分析提供了新的数据源。在此背景下,充分利用其特有的个性数据,更精细且精准地分析冲突机理,服务于连续流主动交通安全策略的制定,是亟待解决的现实问题。
在时间维度上,需要考虑时间跨度和时间粒度的选择。时间跨度指事故前多长时间内的参数对事故风险有影响,以往技术的最长时间跨度为事故前10~40分钟和0~30分钟,最高频次的时间跨度为事故前5~10分钟,选择事故前5~10分钟主要有两个原因:①减少事故精准时间未知带来的干扰。一般情况下事故会在5分钟之内被报告,报告时间被记录为事故时间,所以记录的事故时间与真实事故时间存在的误差,一般在5分钟以内,采用事故前5~10分钟数据,能保证这些数据不被事故影响;②为路侧管控措施提供缓冲时间。例如可变限速控制下的限速值在短时间内变化过大,将引起交通动荡,故需要一定的缓冲时间来逐步调整限速值。时间粒度指变量在时间上集计的程度,以往技术绝大部分以5分钟为时间粒度。现有技术因事故时间不精确和为路侧管控措施提供缓冲时间,未能充分利用事故前0~5分钟的参数,而且参数的集计程度较高,导致模型精度不高。
空间维度包括空间方向和空间跨度。以往技术的空间方向主要分为两种:①不区分上下游,使用最近的检测器;②包括上游和下游一定范围内的路段,这类技术的比例较高。空间跨度指安全致因的空间范围,如从事故地点的上游2.5英里到下游0.5英里范围、最近上下游检测器之间的范围。现有技术将空间范围固定,忽略了不同场景下安全致因的不同空间范围,未充分考虑参数在空间维度的变化对事故风险的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能网联环境下的安全致因影响范围获取方法。
本发明的目的可以通过以下技术方案来实现:
一种智能网联环境下的安全致因影响范围获取方法,该方法包括以下步骤:
步骤1:将少量车辆轨迹数据基于道路交通指数划分为不同的交通状态;
步骤2:基于少数轨迹数据获取影响交通安全的冲突风险和安全致因;
步骤3:基于冲突风险和安全致因的时空数据构建时空参数表;
步骤4:计算设定时空区间各个时空窗下的安全致因与目标时空窗冲突风险的皮尔逊相关系数,将计算的皮尔逊相关系数进行显著性检验分析,以验证皮尔逊相关系数的显著性;
步骤5:基于步骤4的分析结果提取安全致因的时空影响范围。
所述的步骤1中,交通状态包括拥堵、拥堵消散、拥堵形成以及畅通状态。
所述的步骤1中,将数据基于道路交通指数划分为不同的交通状态的过程具体为:
步骤101:计算道路交通指数,道路交通指数的计算公式为:
其中,Vf为路段自由流速度,vi为路段行程速度,TCI为道路交通指数;
步骤102:选取80km/h作为快速路自由流速度,以5min为粒度集计路段速度,分析数据的交通状态:
当TCI值小于25时,流量状态为拥堵;
当TCI值介于25和50之间且处于拥堵状态之前为拥堵形成;
当TCI值介于25和50之间且处于拥堵状态之后为拥堵消散;
当TCI值大于50或为负数时,流量状态为通畅。
所述的步骤2中,基于少数轨迹数据获取影响交通安全的冲突风险和安全致因的过程具体包括以下步骤:
步骤201:采用替换安全评估技术量化数据的安全风险,以冲突风险作为量化标准,采用累积危险碰撞时间作为量化指标,以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的冲突风险:
其中,TTC为碰撞时间,T为时刻,i为当前车辆,i+1为前一辆车辆,l为车长,x为一维的行程长度,TIT(k)为k时刻时的累积危险碰撞时间,T为计算周期,Δk为时间粒度,N为总车辆数,TTC*为判断为冲突风险的边界;
步骤202:基于全轨迹数据以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的安全致因。
所述的步骤202中,安全致因包括8个参数,分别为路段平均速度、速度标准差、速度变异系数、纵向平均加速度、流量、换道率、刹车率以及上下游速度差。
所述的路段平均速度的计算公式为:
其中,L为区间路段长度,ti为车辆i通过区间路段的时间,n为测定车辆数;
速度标准差s的计算公式为:
其中,vi为车辆i的速度;
所述的速度变异系数CV的计算公式为:
所述的纵向平均加速度a的计算公式为:
其中,ai为车辆i的纵向加速度;
所述的换道率β的计算公式为:
其中,nlc为换道次数;
所述的刹车率γ的计算公式为:
其中,nb为驾驶过程中横向加速度小于0.8m/s2的次数;
所述的上下游速度差vdiff的计算公式为:
其中,vk+1为上一个路段平均车速,vk-1为下一个路段平均车速。
所述的步骤3中,基于冲突风险和安全致因参数的时空数据构建时空参数表的过程具体为:
将所有路段以及其上下游两个路段前10分钟的安全致因参数重新排列,在每个交通状态下,提取整条路段中除上游100米、下游100米和前10分钟外的路段,轮流作为目标路段,统计其上下游100米以及前10分钟的安全致因参数作为一条数据,以形成时空参数表。
所述的步骤4中,基于时空参数表分析目标路段之前10分钟以及其上下游100米范围的各个安全致因参数与目标路段的关系,计算每一列参数与目标列冲突风险的皮尔逊相关系数,同时对皮尔逊相关系数进行显著性检验,对皮尔逊相关系数进行显著性检验的过程具体为:
计算统计量t,该统计量符合自由度为t-2的t分布,采用t分布对皮尔逊相关系数进行相关性的检验,在t检验中,原假设H0:r=0,即没有线性相关关系,备择假设H1:r不等于0,即存在线性相关关系,统计量t的计算公式为:
其中,n为样本的数量,r为计算得到的皮尔逊相关系数;
基于统计量t计算p值,p值的计算公式为:
p=(1-tadf(t,n-2))2
其中,n为样本的数量;
当p值小于0.01时,在99%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且非常显著;
当p小于0.05时,在95%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且较为显著。
所述的皮尔逊相关系数的计算公式为:
其中,r为计算得到的皮尔逊相关系数,n为样本的数量,Xi和Yi分别为变量X和Y对应的i点观测值,为X样本平均数,/>为Y样本平均数。
所述的步骤5中,基于分析结果提取安全致因的时空影响范围的过程具体为:
将分析结果进行可视化,基于分析获取的数值,将显著性强的时空窗合并作为影响范围,最终确定冲突风险和安全致因的影响范围。
与现有技术相比,本发明具有以如下有益效果:
1、本发明提出了时空影响范围分析框架,避免了固定时空范围方法中忽略安全致因异质性的问题,提高了准确性;
2、本发明采用细粒度的基本单位能够更精确划分冲突影响范围,分析冲突影响的机理,以更准确地制定连续流主动交通安全策略;
3、本发明提出将不同交通状态下的安全致因影响范围作为冲突机理分析的基础,提供了冲突风险研究的新视角,具有更大的创新性。
附图说明
图1为本发明的流程图;
图2为时空参数表变量命名规则示意图,其中,图(2a)为区域示意图,图(2b)为命名规则示意图;
图3为时空参数表构成过程示意图;
图4为本发明的实施例中分析案例示意图,其中,图(4a)为畅通状态皮尔森相关系数可视化结果示意图,图(4b)为畅通状态皮尔森相关系数显著性检验可视化结果示意图,图(4c)为拥堵消散或形成状态皮尔森相关系数可视化结果示意图,图(4d)为拥堵消散或形成状态皮尔森相关系数显著性检验可视化结果示意图,图(4e)为拥堵状态皮尔森相关系数可视化结果示意图,图(4f)为拥堵状态皮尔森相关系数显著性检验可视化结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供了一种智能网联环境下的安全致因影响范围获取方法,该方法基于智能网联技术提取的少数轨迹数据获取影响交通安全的冲突风险和安全致因,以此构建时空参数表,采用皮尔逊相关系数对安全致因的影响范围进行分析,包括以下步骤:
步骤1:将少量车辆轨迹数据基于交通指数划分为4个不同的交通状态,分别为拥挤、拥挤形成、拥挤消散以及畅通;
步骤2:基于少数轨迹数据获取影响交通安全的冲突风险和安全致因;
步骤3:基于冲突风险和安全致因参数的时空数据构建时空参数表;
步骤4:计算一定时空区间各个时空窗下的安全致因与目标时空窗冲突风险的皮尔逊相关系数,将计算的相关系数进行显著性检验,验证系数的显著性;
步骤5:基于步骤4的分析结果提取安全致因的时空影响范围。
在步骤1中,基于上海市地方标准计算道路交通指数(TCI),道路交通指数将数据分为拥堵、拥堵消散、拥堵形成以及畅通四个状态,计算道路交通指数的公式为:
其中,Vf为路段自由流速度,vi为路段行程速度,TCI为道路交通指数;
选取80km/h作为快速路自由流速度,以5min为粒度集计路段速度,分析数据的交通状态:
当TCI值小于25时,流量状态为拥堵;
当TCI值介于25和50之间且处于拥堵状态之前为拥堵形成;
当TCI值介于25和50之间且处于拥堵状态之后为拥堵消散;
当TCI值大于50或为负数时,流量状态是通畅。
在步骤2中,基于少数轨迹数据获取影响交通安全的冲突风险和安全致因的过程具体包括以下步骤:
步骤201:使用替换安全评估(Surrogate safety assessment)技术量化数据的安全风险,以冲突作为量化标准,采用累积危险碰撞时间(TIT)作为量化指标,以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的冲突风险:
其中,TTC为碰撞时间,T为时刻,i为当前车辆,i+1为前一辆车辆,l为车长,x为一维的行程长度,TIT(k)为k时刻时累积危险碰撞时间的数值,T为计算周期,Δk为时间粒度,N为总车辆数,TTC*为判断为冲突风险的边界,数值取6s;
步骤202:基于全轨迹数据以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的安全致因,安全致因包括8个参数,分别为平均速度、速度标准差、速度变异系数、纵向平均加速度、流量、换道率、刹车率以及上下游速度差,具体的计算公式分别为:
路段平均速度的计算公式为:
其中,L为区间路段长度(不含路口),ti为车辆i通过区间路段的时间,n为测定车辆数;
速度标准差s的计算公式为:
其中,vi为车辆i的速度;
速度变异系数CV的计算公式为:
纵向平均加速度a的计算公式为:
其中,ai为车辆i的纵向加速度;
换道率β的计算公式为:
其中,nlc为换道次数;
刹车率γ的计算公式为:
其中,nb为驾驶过程中横向加速度小于0.8m/s2的次数;
上下游速度差vdiff的计算公式为:
其中,vk+1为上一个路段平均车速,Vk-1为下一个路段平均车速。
在步骤3中,将所有路段以及其上下游两个路段前10分钟的安全致因参数重新排列,在每个交通状态下,提取整条路段中非上游100米、非下游100米以及非前10分钟的路段,轮流作为目标路段,统计其上下游100米以及前10分钟的安全致因作为一条数据(一条数据包含9600项数据),以形成时空参数表。
在步骤4中,基于时空参数表分析目标路段之前10分钟以及其上下游100米范围的各个安全致因参数与目标路段的关系,计算每一列参数(共计9599个)与目标列冲突风险的皮尔逊相关系数,皮尔逊相关系数的计算公式为:
其中,r为计算得到的皮尔逊相关系数,n为样本的数量,Xi和Yi分别为变量X和Y对应的i点观测值,为X样本平均数,/>为Y样本平均数。
同时对皮尔逊相关系数进行显著性检验,分析其显著性,对皮尔逊相关系数进行显著性检验的过程具体为:
计算统计量t,该统计量符合自由度为t-2的t分布,采用t分布对皮尔逊相关系数进行相关性的检验,在t检验中,原假设h0:r=0,即没有线性相关关系,备择假设H1:r不等于0,即存在线性相关关系,统计量t的计算公式为:
其中,n为样本的数量,r为计算得到的皮尔逊相关系数;
基于统计量t计算p值,p值的计算公式为:
p=(1-tadf(t,n-2))2
其中,n为样本的数量;
当p值小于0.01时,在99%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且非常显著;
当p小于0.05时,在95%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且较为显著。
在步骤5中,将结果进行可视化,基于分析获取的数值,将显著性较强的时空窗合并作为影响范围,最终确定冲突风险和安全致因的影响范围。
如图1所示,整个方法流程图包含五个步骤,交通状态划分、冲突风险和安全致因提取、时空参数表构建、相关性分析及检验以及冲突风险影响范围确定。
如图2所示,图(2a)中A1区域的表示目标路段上游第二个路段前5秒的时空窗,根据图(2b)所示的命名规则示意图,在A1时空窗中的速度表示为up02_0_speed,图(2a)中A2区域的表示目标路段下游第1个路段前15秒-20秒的时空窗,根据命名规则,在A2时空窗中的上下游速度窗表示为dw01_4_diffspeed,以此构建出整个时刻参数表的表头,共计9600个数据。
如图3所示,若以2路段3时刻作为观察目标,则2路段1时刻的速度值将会放入00_2_speed,2路段2时刻的速度值将会放入00_1_speed,2路段3时刻的速度值将会放入00_0_speed,依次选取观察目标以此构建出整个时刻参数表的数据。
如图4所示,以流量为例,图(4a)为畅通状态皮尔森相关系数可视化结果,图(4b)为畅通状态皮尔森相关系数显著性检验可视化结果,图(4c)为拥堵消散或形成状态皮尔森相关系数可视化结果,图(4d)为拥堵消散或形成状态皮尔森相关系数显著性检验可视化结果,图(4e)为拥堵状态皮尔森相关系数可视化结果,图(4f)为拥堵状态皮尔森相关系数显著性检验可视化结果。分析时空范围,可以看到不同交通状态下,结果具有多样性,说明了安全致因在不同交通状态下具有异质性,以此可以分析出,在通畅状态下,流量的影响范围主要在于本路段的历史数据;在拥堵形成或者拥堵消散状态下,流量的影响范围主要在于靠近目标时空窗的时空范围;在拥挤状态下,流量的影响范围更广,主要在于本路段以及上下游两个路段的10分钟内所有历史数据。
如表1所示,展示了时空参数表的样例,证明了本发明提供的方法的可行性:
表1 时空参数表
本发明提出了安全致因影响范围分析框架,避免了固定时空范围方法中忽略安全致因异质性的问题,提出将不同交通状态下的安全致因影响范围作为冲突机理分析的基础,提供了交通安全的研究新视角,本发明依赖于智能网联环境下少量车辆运行数据,具有创新性。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种智能网联环境下的安全致因影响范围获取方法,其特征在于,该方法包括以下步骤:
步骤1:将少量车辆轨迹数据基于道路交通指数划分为不同的交通状态;交通状态包括拥堵、拥堵消散、拥堵形成以及畅通状态;
步骤2:基于少数轨迹数据获取影响交通安全的冲突风险和安全致因,具体包括以下步骤:
步骤201:采用替换安全评估技术量化数据的安全风险,以冲突风险作为量化标准,采用累积危险碰撞时间作为量化指标,以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的冲突风险:
其中,TTC为碰撞时间,t为时刻,i为当前车辆,i+1为前一辆车辆,l为车长,x为一维的行程长度,TIT(k)为k时刻时的累积危险碰撞时间,T为计算周期,Δk为时间粒度,N为总车辆数,TTC*为判断为冲突风险的边界;
步骤202:基于全轨迹数据以10m为空间最小单位,以5s为时间最小单位,计算各个时空窗的安全致因,安全致因包括8个参数,分别为路段平均速度、速度标准差、速度变异系数、纵向平均加速度、流量、换道率、刹车率以及上下游速度差;
步骤3:基于冲突风险和安全致因的时空数据构建时空参数表;
步骤4:计算设定时空区间各个时空窗下的安全致因与目标时空窗冲突风险的皮尔逊相关系数,将计算的皮尔逊相关系数进行显著性检验分析,以验证皮尔逊相关系数的显著性,具体的,基于时空参数表分析目标路段之前10分钟以及其上下游100米范围的各个安全致因参数与目标路段的关系,计算每一列参数与目标列冲突风险的皮尔逊相关系数,同时对皮尔逊相关系数进行显著性检验,对皮尔逊相关系数进行显著性检验的过程具体为:
计算统计量t,该统计量符合自由度为t-2的t分布,采用t分布对皮尔逊相关系数进行相关性的检验,在t检验中,原假设H0:r=0,即没有线性相关关系,备择假设H1:r不等于0,即存在线性相关关系,统计量t的计算公式为:
其中,n为样本的数量,r为计算得到的皮尔逊相关系数;
基于统计量t计算p值,p值的计算公式为:
p=(1-tadf(t,n-2))2
其中,n为样本的数量;
当p值小于0.01时,在99%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且非常显著;
当p小于0.05时,在95%的置信水平上拒绝原假设,接受备择假设,即样本有线性相关性,且较为显著;
步骤5:基于步骤4的分析结果提取安全致因的时空影响范围。
2.根据权利要求1所述的一种智能网联环境下的安全致因影响范围获取方法,其特征在于,所述的步骤1中,将数据基于道路交通指数划分为不同的交通状态的过程具体为:
步骤101:计算道路交通指数,道路交通指数的计算公式为:
其中,vf为路段自由流速度,vi为路段行程速度,TCI为道路交通指数;
步骤102:选取80km/h作为快速路自由流速度,以5min为粒度集计路段速度,分析数据的交通状态:
当TCI值小于25时,流量状态为拥堵;
当TCI值介于25和50之间且处于拥堵状态之前为拥堵形成;
当TCI值介于25和50之间且处于拥堵状态之后为拥堵消散;
当TCI值大于50或为负数时,流量状态为通畅。
3.根据权利要求1所述的一种智能网联环境下的安全致因影响范围获取方法,其特征在于,所述的路段平均速度的计算公式为:
其中,L为区间路段长度,ti为车辆i通过区间路段的时间,n为测定车辆数;
速度标准差s的计算公式为:
其中,vi为车辆i的速度;
所述的速度变异系数CV的计算公式为:
所述的纵向平均加速度a的计算公式为:
其中,ai为车辆i的纵向加速度;
所述的换道率β的计算公式为:
其中,nlc为换道次数;
所述的刹车率γ的计算公式为:
其中,nb为驾驶过程中横向加速度小于0.8m/s2的次数;
所述的上下游速度差vdiff的计算公式为:
其中,vk+1为上一个路段平均车速,vk-1为下一个路段平均车速。
4.根据权利要求1所述的一种智能网联环境下的安全致因影响范围获取方法,其特征在于,所述的步骤3中,基于冲突风险和安全致因参数的时空数据构建时空参数表的过程具体为:
将所有路段以及其上下游两个路段前10分钟的安全致因参数重新排列,在每个交通状态下,提取整条路段中除上游100米、下游100米和前10分钟外的路段,轮流作为目标路段,统计其上下游100米以及前10分钟的安全致因参数作为一条数据,以形成时空参数表。
5.根据权利要求1所述的一种智能网联环境下的安全致因影响范围获取方法,其特征在于,所述的皮尔逊相关系数的计算公式为:
其中,r为计算得到的皮尔逊相关系数,b为样本的数量,Xi和Yi分别为变量X和Y对应的i点观测值,为X样本平均数,/>为Y样本平均数。
6.根据权利要求1所述的一种智能网联环境下的安全致因影响范围获取方法,其特征在于,所述的步骤5中,基于分析结果提取安全致因的时空影响范围的过程具体为:
将分析结果进行可视化,基于分析获取的数值,将显著性强的时空窗合并作为影响范围,最终确定冲突风险和安全致因的影响范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455990.2A CN115083146B (zh) | 2022-04-27 | 2022-04-27 | 一种智能网联环境下的安全致因影响范围获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455990.2A CN115083146B (zh) | 2022-04-27 | 2022-04-27 | 一种智能网联环境下的安全致因影响范围获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083146A CN115083146A (zh) | 2022-09-20 |
CN115083146B true CN115083146B (zh) | 2023-08-29 |
Family
ID=83247738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210455990.2A Active CN115083146B (zh) | 2022-04-27 | 2022-04-27 | 一种智能网联环境下的安全致因影响范围获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083146B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229305A (zh) * | 2022-12-16 | 2023-06-06 | 上海工程技术大学 | 一种基于视频识别的地铁车站流线拥堵状态实时评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010096856A1 (en) * | 2009-02-26 | 2010-09-02 | Raymond Mchale | A method and system for collecting stakeholder relationship data |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN114387818A (zh) * | 2022-01-10 | 2022-04-22 | 合肥工业大学 | 一种基于非完全弹性碰撞理论的交通单元安全评价方法 |
-
2022
- 2022-04-27 CN CN202210455990.2A patent/CN115083146B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010096856A1 (en) * | 2009-02-26 | 2010-09-02 | Raymond Mchale | A method and system for collecting stakeholder relationship data |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN114387818A (zh) * | 2022-01-10 | 2022-04-22 | 合肥工业大学 | 一种基于非完全弹性碰撞理论的交通单元安全评价方法 |
Non-Patent Citations (1)
Title |
---|
城市道路交通拥堵状态时空相关性分析;张婧;任刚;;交通运输系统工程与信息(02);第175-181页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115083146A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN108447256B (zh) | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
US9008954B2 (en) | Predicting impact of a traffic incident on a road network | |
CN115083146B (zh) | 一种智能网联环境下的安全致因影响范围获取方法 | |
CN112885089B (zh) | 一种基于多维指标的干线绿波智能诊断方法 | |
CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
CN116153078B (zh) | 基于毫米波雷达的道路安全度评估方法、装置及存储介质 | |
CN111583641A (zh) | 道路拥堵分析方法、装置、设备和存储介质 | |
Azizi et al. | Estimation of freeway platooning measures using surrogate measures based on connected vehicle data | |
CN106960572A (zh) | 一种基于延迟时间系数的高速公路行程时间可靠性计算方法 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN111915880A (zh) | 一种高速公路异常事件事发点有效通行能力估计方法 | |
CN107665581B (zh) | 考虑汇入车流的干道车队判别方法 | |
Langer et al. | An improved moving observer method for traffic flow estimation at signalized intersections | |
Brunauer et al. | Deriving driver-centric travel information by mining delay patterns from single GPS trajectories | |
Azizi | Freeway Performance Measurement in a Connected Vehicle Environment Utilizing Traffic Disturbance Metrics | |
Chen et al. | A Bayesian Estimation Approach for Spatiotemporal Vehicle Trajectory Reconstruction Using Multi-Source Traffic Flow Data | |
CN112509336B (zh) | 一种高速公路单点测速设备震慑范围分析方法 | |
JPH0973595A (ja) | 旅行時間予測方法および旅行時間予測装置 | |
Humoody et al. | Congestion Identification for Multilane Highway by Vehicle Lane Change as Driver Behavior | |
Meng et al. | Signal offset optimization using vehicle trajectory data with different sampling frequencies | |
Liang et al. | Development and application of multi-scale urban traffic flow models based on different spatial and temporal characteristics | |
Wang | Real-Time Traffic Performance Measurement of Signalized Intersections Using Connected Vehicle Data: A Simulation-Based Study | |
CN116343474B (zh) | 基于微观交通仿真的高速公路瓶颈动态预测方法及系统 |
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 |