CN115148026A - 一种数据驱动的交通安全风险评估与可变限速管控算法及系统 - Google Patents

一种数据驱动的交通安全风险评估与可变限速管控算法及系统 Download PDF

Info

Publication number
CN115148026A
CN115148026A CN202210753524.2A CN202210753524A CN115148026A CN 115148026 A CN115148026 A CN 115148026A CN 202210753524 A CN202210753524 A CN 202210753524A CN 115148026 A CN115148026 A CN 115148026A
Authority
CN
China
Prior art keywords
speed limit
traffic
data
risk assessment
variable 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.)
Pending
Application number
CN202210753524.2A
Other languages
English (en)
Inventor
袁月明
宦涣
尹伯华
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.)
Yunkong Zhihang Shanghai Automotive Technology Co ltd
Original Assignee
Yunkong Zhihang Shanghai Automotive Technology Co ltd
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 Yunkong Zhihang Shanghai Automotive Technology Co ltd filed Critical Yunkong Zhihang Shanghai Automotive Technology Co ltd
Priority to CN202210753524.2A priority Critical patent/CN115148026A/zh
Publication of CN115148026A publication Critical patent/CN115148026A/zh
Pending legal-status Critical Current

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
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请是数据驱动的交通安全风险评估与可变限速管控算法及系统，涉及高速公路管理领域。所述算法包括获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。本申请基于交通安全风险评估与可变限速管控算法，分车道进行可变限速管控，保障高速公路安全。

Description

一种数据驱动的交通安全风险评估与可变限速管控算法及 系统
技术领域
本申请涉及高速公路管理领域，尤其涉及数据驱动的交通安全风险评估与可变限速管控算法及系统。
背景技术
目前，高速公路交通安全风险评估模型，一般利用高速公路历史的交通事故统计数据与交通流检测数据，构建交通事故与交通流平均车头时距之间的数学函数关系，即模型驱动的高速交通安全风险评估模型。但是，模型驱动的交通安全风险评估模型，要求长时间序列的交通事故历史数据作为数据源，更适用于宏观层面研判高速公路交通安全，很难支撑动态的对车道级的高速交通安全风险进行动态评估，而且无法综合考虑不同车辆类型构成、不同天气条件、不同道路几何特征等影响因素条件下的车道级精细化安全风险等级评估。此外，若考虑上述影响因素将导致模型复杂化，同时存在模型参数拟合困难等问题。
因此，期望提供一种数据驱动的交通安全风险评估与可变限速管控算法及系统，基于实时采集的分车道分车型交通流数据、动态的天气数据以及道路交通事件数据，构建车道级的交通安全风险评估模型，支持不同车辆类型构成、不同天气条件、不同道路几何特征条件下智慧高速分车道动态限速管控，有效提高高速公路路段安全水平，保障高速公路安全。
发明内容
根据本申请的一些实施例的第一方面，提供了一种数据驱动的交通安全风险评估与可变限速管控算法，应用于终端(例如，管控系统等)中，所述算法可以包括获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
在一些实施例中，所述构建交通事故预测模型，具体包括输入所述第一数据，所述第一数据包括交通事故预测模型的自变量x；输入所述第二数据，所述第二数据包括交通事故预测模型的因变量y；构建所述交通事故预测模型y＝f(x)。
在一些实施例中，所述构建所述交通事故预测模型y＝f(x)，具体包括采用广义线性回归模型构建所述交通事故预测模型y＝f(x)，
Figure BDA0003719069380000021
其中，yi样本i的因变量，xi样本i的自变量，xi,d为样本i第d维自变量，1≤d≤7，ω0、ω1…ω7为权重系数，εi为分布误差项；利用交通事故关联的第二数据对所述交通事故预测模型y＝f(x)进行拟合。
在一些实施例中，所述构建交通安全风险评估模型，具体包括设置y为交通事故件数，概率p(y＝y)为发生交通事故件数y的概率，采用负二项模型构建y的分布函数：
Figure BDA0003719069380000022
其中，参数θ为随机变量假设服从伽玛分布，λ是y的均值λ＝E(y)；确定参数θ的最优估计。
在一些实施例中，所述确定参数θ的最优估计，具体包括：
步骤1，根据贝叶斯理论，设置样本yi(i＝1,…,n)参数θ的后验概率为：
Figure BDA0003719069380000023
其中，P(θ|yi)为参数θ的后验概率，P(θ|yi)∝P(y＝yi|θ)π(θ)；
步骤2，确定似然函数L(θ)，设y1,y2,…,yn来自总体y的样本，y1,y2,…,yn假设是独立同分布的，参数θ的似然函数
Figure BDA0003719069380000024
步骤3，确定先验概率π(θ)：
Figure BDA0003719069380000025
其中，α、β为先验概率π(θ)的超参数；
步骤4，设y1,y2,…,yn来自总体y的样本，后验概率P(θ|y1,y2,…,yn)∝L(θ)π(θ)，令
P(θ|y1,y2,…,yn)＝k×L(θ)×π(θ)
其中，k为常数，k＝1/∫ΘP(y＝yi|θ)π(θ)dθ；
步骤5，确定最优参数估计
Figure BDA0003719069380000026
设置
Figure BDA0003719069380000027
为参数θ的估计值，最优参数估计
Figure BDA0003719069380000028
为后验概率P(θ|y1,y2,…,yn)的期望均值，即
Figure BDA0003719069380000029
在一些实施例中，所述确定似然函数L(θ)具体包括，
Figure BDA00037190693800000210
其中，n为样本数量，交通事故件数yi为样本i的因变量，i∈[1,n]；λi为yi的均值λi＝E(yi)，λi＝exp{xiω}，x′i＝(xi1,xi2,…,xip)为样本i的自变量，所述自变量包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率和天气能见度，p＝7,ω为(p+1)×1参数向量，当无先验信息时采用均匀分布作为ω的先验分布。
在一些实施例中，所述生成可变限速管控算法，具体包括若所述风险评估值大于预设阈值，根据第一车道的风险评估值确定所述第一车道的交通状态；根据所述交通状态，确定所述第一车道的可变限速区间及第一限速值；根据所述交通状态，确定所述第一车道的上游限速路段的空间范围；根据所述空间范围，确定所述第一车道的可变限速值。
在一些实施例中，所述交通状态包括非常安全、安全、正常、危险、非常危险；所述确定所述第一车道的上游限速路段的空间范围，具体包括若交通状态为非常危险，开启限速管控措施的管控范围为所述第一车道的上游第一距离路段；若交通状态为危险，开启限速管控措施的管控范围为所述第一车道的上游第二距离路段，所述第一距离大于所述第二距离；若交通状态为正常、安全、非常安全，不开启限速管控措施。
在一些实施例中，所述确定所述第一车道的可变限速值，具体包括输入所述第一车道的第一限速值v0和上游第一距离路段的平均车速vu,计算速度差值Δv＝vu-v0；确定上游第一距离路段的情报板龙门架的数量m，设置所述上游最近距离处的情报板1对应龙门架1，设置所述上游最远距离处的情报板m对应龙门架m；设置上游限速路段的可变限速值由远及近逐渐减小，确定m个情报板的限速值；确定第1个情报板的限速值
Figure BDA0003719069380000031
第2个情报板的限速值
Figure BDA0003719069380000032
第m个情报板的限速值
Figure BDA0003719069380000033
即vu。
根据本申请的一些实施例的第二方面，提供了一种数据驱动的交通安全风险评估与可变限速管控系统，所述系统包括：获取模块，被配置为获取第一车道的数据，所述数据包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度；评估模块，被配置为基于交通事故预测模型，预测所述第一车道的交通事故件数，基于交通安全风险评估模型评估所述第一车道的风险评估值；管控模块，被配置为根据所述风险评估值，进行分车道可变限速管控；一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
因此，根据本申请的一些实施例的数据驱动的交通安全风险评估与可变限速管控算法及系统，基于实时采集的分车道分车型交通流数据、动态的天气数据以及道路交通事件数据，构建车道级的交通安全风险评估模型，支持不同车辆类型构成、不同天气条件、不同道路几何特征条件下智慧高速分车道动态限速管控，有效提高高速公路路段安全水平，保障高速公路安全。
附图说明
为更好地理解并阐述本申请的一些实施例，以下将结合附图参考实施例的描述，在这些附图中，同样的数字编号在附图中指示相应的部分。
图1是根据本申请的一些实施例提供的数据驱动的交通安全风险评估与可变限速管控系统的示例性示意图。
图2是根据本申请的一些实施例提供的数据驱动的交通安全风险评估与可变限速管控算法的示例性流程图。
具体实施方式
以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解，但这些仅被视为示例性的。因此，本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外，为简要并清楚地描述本申请，本申请将省略对公知功能和结构的描述。
在以下说明书和权利要求书中使用的术语和短语不限于字面含义，而是仅为能够清楚和一致地理解本申请。因此，对于本领域技术人员，可以理解，提供对本申请各种实施例的描述仅仅是为说明的目的，而不是限制所附权利要求及其等效定义的本申请。
下面将结合本申请一些实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性，仅仅被用于区分一种元件与另一元件，而不限制相应元件。
根据本申请一些实施例的终端可以是智能终端，平台，装备和/或电子设备等；该智能终端可以包括管控系统等。该平台可以包括云控平台等，所述平台可以包括由一个或多个电子设备组成的系统平台；该装备可以包括智能网联车辆(Intelligent ConnectedVehicle，ICV)；该电子设备可以包括个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例，所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等，或几种的组合。在本申请的一些实施例中，所述电子设备可以是灵活的，不限于上述设备，或者可以是上述各种设备中的一种或几种的组合。在本申请中，术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。
本申请实施例提供了一种数据驱动的交通安全风险评估与可变限速管控算法及系统。为了便于理解本申请实施例，以下将参考附图对本申请实施例进行详细描述。
图1是根据本申请的一些实施例提供的数据驱动的交通安全风险评估与可变限速管控系统的示例性示意图。如图1所述，数据驱动的交通安全风险评估与可变限速管控系统100可以包括网络110、控制端120(例如，数据驱动的交通安全风险评估与可变限速管控系统)、用户端130和服务器140等。所述数据驱动的交通安全风险评估与可变限速管控系统可以包括获取模块、评估模块、管控模块、存储器、与存储器建立通信的处理器等。具体的，控制端120与用户端130在通过网络建立通信，例如，控制端120与用户端130可以在同一个局域网(比如，同一个路由器的网络环境等)中通信。进一步，控制端120可以通过有线(例如，网线等)或无线(例如，云端服务器等)等方式与网络110连接，用户端130可以通过有线或无线(例如，WIFI等)等方式与网络110建立通信连接。在一些实施例中，用户端130可以向控制端120、服务器140发送车辆速度信息等。进一步地，控制端120、服务器140可以向用户端130反馈可变限速管控措施等。根据反馈的信息，用户端130可以根据可变限速管控措施进行变速操作等。作为示例，服务器140和/或控制端120可以基于实时采集的分车道分车型交通流数据、动态的天气数据以及道路交通事件数据，构建车道级的交通安全风险评估模型等，例如，所述数据驱动的交通安全风险评估与可变限速管控系统可以支持不同车辆类型构成、不同天气条件、不同道路几何特征条件下，智慧高速分车道动态限速管控等。
根据本申请的一些实施例，控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于管控系统，云控平台，智能终端，移动终端，计算机等。在智能交通场景中，控制端120可以包括管控系统等，用户端130可以包括显示装置等。在一些实施例中，控制端120和用户端130可以集成在一个设备中，例如，管控系统等。在一些实施例中，服务器140是计算机的一种，具有比普通计算机运行更快、负载更高等优势，而相对应的价格更高昂。在网络环境中，服务器可以为其它客户机(例如，PC机、智能手机、ATM等终端，以及交通系统等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备，具有极其复杂的内部结构，包括与普通计算机相近的内部结构等，作为示例，所述服务器的内部结构可以包括中央处理器(Central Processing Unit，CPU)、硬盘、内存，系统、系统总线等。
在本申请的一些实施例中，数据驱动的交通安全风险评估与可变限速管控系统100可以省略一个或多个元件，或者可以进一步包括一个或多个其它元件。作为示例，数据驱动的交通安全风险评估与可变限速管控系统100可以包括多个用户端130，如多个智能装备等。又例如，数据驱动的交通安全风险评估与可变限速管控系统100可以包括一个或多个控制端120。再例如，数据驱动的交通安全风险评估与可变限速管控系统100可以包括多个服务器140等。在一些实施例中，数据驱动的交通安全风险评估与可变限速管控系统100可以包括但不限于基于城市智能交通场景下发管控措施等的系统。网络110可以为任意类型的通信网络，所述通信网络可以包括计算机网络(例如，局域网(LAN，Local Area Network)或广域网(WAN，Wide Area Network))、互联网和/或电话网络等，或几种的组合。在一些实施例中，网络110可以为其他类型的无线通信网络。所述无线通信可以包括微波通信和/或卫星通信等。所述无线通信可以包括蜂窝通信，例如，全球移动通信(GSM，Global Systemfor Mobile Communications)、码分多址(CDMA，Code Division Multiple Access)、第三代移动通信(3G，The 3rd Generation Telecommunication)、第四代移动通信(4G)、第五代移动通信(5G)、第六代移动通信(6G)、长期演进技术(LTE，Long Term Evolution)、长期演进技术升级版(LTE-A，LTE-Advanced)、宽带码分多址(WCDMA，Wideband Code DivisionMultiple Access)、通用移动通信系统(UMTS，Universal Mobile TelecommunicationsSystem)、无线宽带(WiBro，Wireless Broadband)等，或几种的组合。在一些实施例中，用户端130可以为其他具备同等功能模块的装备和/或电子设备，该装备和/或电子设备可以包括智能网联车辆(Intelligent Connected Vehicle，ICV)、虚拟现实设备(VR)、渲染机、个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。
在一些实施例中，所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例，所述无线通信可以包括无线局域网(WiFi，Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE，Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC，Near FieldCommunication)、磁安全传输、射频和体域网(BAN，Body Area Network)等，或几种的组合。根据本申请的一些实施例，所述有线通信可以包括全球导航卫星系统(Glonass/GNSS，Global Navigation Satellite System)、全球定位系统(GPS，Global Position System)、北斗导航卫星系统或伽利略(欧洲全球卫星导航系统)等。所述有线通信可以包括通用串行总线(USB，Universal Serial Bus)、高清多媒体接口(HDMI，High-Definition MultimediaInterface)、推荐标准232(RS-232，Recommend Standard 232)、和/或简易老式电话服务(POTS，Plain Old Telephone Service)等，或几种的组合。
需要说明的是，以上对于数据驱动的交通安全风险评估与可变限速管控系统100的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本系统的原理，可能在不背离该原理的前提下，对各个元件进行任意组合，或者构成子系统与其他元件连接，对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。例如，服务器140和/或控制端120可以通过路侧设备(例如，毫米波雷达、气象检测站、能见度检测仪、交通事件检测器等)等获取分车道分车型交通流数据、气象监测数据以及交通事件数据等。又例如，控制端120/用户端130可以集成在管控系统中等。诸如此类的变形，均在本申请的保护范围之内。
图2是根据本申请的一些实施例提供的数据驱动的交通安全风险评估与可变限速管控算法的示例性流程图。如图2所述，流程200可以通过数据驱动的交通安全风险评估与可变限速管控系统100实现。在一些实施例中，所述数据驱动的交通安全风险评估与可变限速管控算法200可以自动启动或通过指令启动。所述指令可以包括系统指令、设备指令、用户指令、动作指令等，或几种的组合。
在201，获取交通安全关联的第一数据和交通事故关联的第二数据。操作201可以通过数据驱动的交通安全风险评估与可变限速管控系统100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以获取获取交通安全关联的第一数据和交通事故关联的第二数据。所述第一数据和第二数据可以通过高速公路路侧沿线部署多种类型检测设备等获取，所述检测设备可以包括但不限于毫米波雷达(例如，超视距毫米波雷达)、气象检测站、能见度检测仪、交通事件检测器等。作为示例，所述超视距毫米波雷达可以感知的分车道交通流数据等。所述交通安全关联的第一数据可以包括但不限于不同时刻不同车道的交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度等。所述交通事故关联的第二数据可以包括交通事故件数等。作为示例，所述能见度检测仪可以检测能见度数据；又例如，其他检测设备可以获取高速公路线型数据，高速公路交通事故件数等。
在202，基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据。操作202可以通过数据驱动的交通安全风险评估与可变限速管控系统100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型可以输出交通事故关联的预测数据。
在一些实施例中，所述构建交通事故预测模型具体包括，输入所述第一数据，所述第一数据包括交通事故预测模型的自变量x；输入所述第二数据，所述第二数据包括交通事故预测模型的因变量y；构建所述交通事故预测模型y＝f(x)。自变量x为交通事故预测模型的自变量，包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度。
作为示例，所述构建所述交通事故预测模型y＝f(x)具体包括，采用广义线性回归模型构建所述交通事故预测模型y＝f(x)，预测交通事故发生件数y是交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度等7个自变量x的函数；具体如下：
Figure BDA0003719069380000081
其中，yi样本i的因变量，xi样本i的自变量，xi,d为样本i第d维自变量，1≤d≤7，ω0、ω1…ω7为权重系数，εi为分布误差项；利用交通事故关联的第二数据对所述交通事故预测模型y＝f(x)进行拟合。作为示例，交通事故预测模型拟合可以利用高速公路收集的分车道交通事故相关数据对所述广义线性回归模型y＝f(x)进行拟合，得到交通事故预测函数。
在203，基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值。操作203可以通过数据驱动的交通安全风险评估与可变限速管控系统100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值。
在一些实施例中，所述构建交通安全风险评估模型具体包括，设置y为交通事故件数，概率p(y＝y)为发生交通事故件数y的概率，采用负二项模型构建y的分布函数：
Figure BDA0003719069380000091
其中，参数θ为随机变量假设服从伽玛分布，λ是y的均值λ＝E(y)；确定参数θ的最优估计。
在一些实施例中，所述确定参数θ的最优估计，具体包括：
步骤1，根据贝叶斯理论，设置样本yi(i＝1,…,n)参数θ的后验概率为：
Figure BDA0003719069380000092
其中，P(θ|yi)为参数θ的后验概率，P(θ|yi)∝P(y＝yi|θ)π(θ)；
步骤2，确定似然函数L(θ)，设y1,y2,…,yn来自总体y的样本，y1,y2,…,yn假设是独立同分布的，参数θ的似然函数
Figure BDA0003719069380000093
作为示例，所述确定似然函数L(θ)，具体包括：
Figure BDA0003719069380000094
其中，n为样本数量，交通事故件数yi为样本i的因变量，i∈[1,n]；λi为yi的均值λi＝E(yi)，λi＝exp{xiω}，x′i＝(xi1,xi2,…,xip)为样本i的自变量，所述自变量包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率和天气能见度，p＝7,ω为(p+1)×1参数向量，当无先验信息时采用均匀分布作为ω的先验分布。
步骤3，确定先验概率π(θ)：
Figure BDA0003719069380000095
其中，α、β为先验概率π(θ)的超参数；
步骤4，设y1,y2,…,yn来自总体y的样本，后验概率P(θ|y1,y2,…,yn)∝L(θ)π(θ)，令
P(θ|y1,y2,…,yn)＝k×L(θ)×π(θ)
其中，k为常数，k＝1/∫ΘP(y＝yi|θ)π(θ)dθ；
步骤5，确定最优参数估计
Figure BDA0003719069380000101
设置
Figure BDA0003719069380000102
为参数θ的估计值，最优参数估计
Figure BDA0003719069380000103
为后验概率P(θ|y1,y2,…,yn)的期望均值，即
Figure BDA0003719069380000104
作为示例，可以采用MCMC方法利用海量数据进行最优参数估计得到
Figure BDA0003719069380000105
以得到预测交通事故发生件数y的分布函数。
在204，生成可变限速管控算法。操作204可以通过数据驱动的交通安全风险评估与可变限速管控系统100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以生成可变限速管控算法。
根据本申请的一些实施例，所述生成可变限速管控算法具体包括，若所述风险评估值大于预设阈值，根据第一车道的风险评估值确定所述第一车道的交通状态；根据所述交通状态，确定所述第一车道的可变限速区间及第一限速值；根据所述交通状态，确定所述第一车道的上游限速路段的空间范围；根据所述空间范围，确定所述第一车道的可变限速值。在一些实施例中，所述第一车道可以包括高速公路的监测路段的每一车道，所述监测路段可以包括事故易发路段、高车流量路段等。作为示例，所述交通状态可以包括非常安全、安全、正常、危险、非常危险等。作为示例，根据所述交通状态，可以确定所在车道的可变限速值，每一等级可变限速值可结合对应交通状态等级进行分类确定，如下表所示：
交通状态 非常安全 安全 正常 危险 非常危险
平均速度 ≥90 [70,90) [50,70) [30,50) <30
限速值 / 70 50 30 20
作为示例，通过设置如上表所示的五个等级的交通状态，以确定所述每一等级的交通状态所对应的车辆平均速度，以及车辆限速值。例如，当交通状态为“非常安全”时，车辆的平均速度大于等于90km/h，不通过限速值进行限速；当交通状态为“非常危险”时，车辆的平均速度小于30km/h，通过限速值20km/h进行限速。具体的，通过平均速度vu与限速值v0的差值Δv可以确定上游路段由远及近的可变限速值由
Figure BDA0003719069380000106
即vu，逐渐减小至
Figure BDA0003719069380000107
在205，根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施。操作205可以通过数据驱动的交通安全风险评估与可变限速管控系统100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施。
在一些实施例中，所述确定所述第一车道的上游限速路段的空间范围，具体包括，若交通状态为非常危险，开启限速管控措施的管控范围为所述第一车道的上游第一距离路段；若交通状态为危险，开启限速管控措施的管控范围为所述第一车道的上游第二距离路段，所述第一距离大于所述第二距离。
作为示例，若所在车道交通状态为非常危险，管控的空间范围为所在车道上游2000m；若所在车道交通运行安全状态为危险，管控的空间范围为所在车道上游1000m；若所在车道交通运行安全状态为正常、安全、非常安全，不进行限速。需要说明的是，上述2000m、1000m为示例性说明，具体数值可以根据实际高速公路交通安全运行情况评估确认。
在206，若所述风险评估值不大于所述预设阈值，不开启限速管控措施。操作206可以通过数据驱动的交通安全风险评估与可变限速管控系统100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以基于所述风险评估值不大于所述预设阈值，不开启限速管控措施。在一些实施例中，所述确定所述第一车道的上游限速路段的空间范围，具体包括，若交通状态为正常、安全、非常安全，不开启限速管控措施。
根据本申请的一些实施例，所述确定所述第一车道的可变限速值，具体包括，输入所述第一车道的第一限速值v0和上游第一距离路段的平均车速vu,计算速度差值Δv＝vu-v0；确定上游第一距离路段的情报板龙门架的数量m，设置所述上游最近距离处的情报板1对应龙门架1，即所述龙门架1为当前事件距离最近的龙门架，设置所述龙门架1的限速值为当前路段的最小限速值(如
Figure BDA0003719069380000111
)；上游设置所述上游最远距离处的情报板m对应龙门架m，即所述龙门架m为上游第一距离路段中(例如，2000米的限速管控路段)距离最远的龙门架，设置所述龙门架m的限速值为所述限速管控路段的最大限速值(如vu)。作为示例，设置上游限速路段的可变限速值由远及近逐渐减小，确定m个情报板的限速值；确定第1个情报板的限速值
Figure BDA0003719069380000112
第2个情报板的限速值
Figure BDA0003719069380000113
第m个情报板的限速值
Figure BDA0003719069380000114
即vu。
根据本申请的一些实施例，所述可变限速管控措施信息可以在用户端130的用户界面(UI)中显示，所述可变限速管控措施信息的显示场景可以包括但不限于通过VR，AR，MR，XR任一形式或组合形式进行场景显示。
根据本申请的一些实施例，提供数据驱动的交通安全风险评估与可变限速管控系统，所述系统包括：获取模块，被配置为获取第一车道的数据，所述数据包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度；评估模块，被配置为基于交通事故预测模型，预测所述第一车道的交通事故件数，基于交通安全风险评估模型评估所述第一车道的风险评估值；管控模块，被配置为根据所述风险评估值，进行分车道可变限速管控；一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取交通安全关联的第一数据和交通事故关联的第二数据；基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；生成可变限速管控算法；根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
需要说明的是，以上对于流程200的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本系统的原理，可能在不背离该原理的前提下，对各个操作进行任意组合，或者构成子流程与其它操作组合，对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如，流程200可以进一步包括基于车道级交通安全风险评估模型，反馈至管控系统，并下发可变限速管控措施等操作。诸如此类的变形，均在本申请的保护范围之内。
综上所述，根据本申请实施例的数据驱动的交通安全风险评估与可变限速管控算法及系统，基于实时采集的分车道分车型交通流数据、动态的天气数据以及道路交通事件数据，构建车道级的交通安全风险评估模型，支持不同车辆类型构成、不同天气条件、不同道路几何特征条件下智慧高速分车道动态限速管控，有效提高高速公路路段安全水平，保障高速公路安全。
需要注意的是，上述的实施例仅仅是用作示例，本申请不限于这样的示例，而是可以进行各种变化。
需要说明的是，在本说明书中，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本申请一些优选的实施例，不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，包括：
获取交通安全关联的第一数据和交通事故关联的第二数据；
基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；
基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；
生成可变限速管控算法；
根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；
若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
2.根据权利要求1所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建交通事故预测模型具体包括：
输入所述第一数据，所述第一数据包括交通事故预测模型的自变量x；
输入所述第二数据，所述第二数据包括交通事故预测模型的因变量y；
构建所述交通事故预测模型y＝f(x)。
3.根据权利要求2所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建所述交通事故预测模型y＝f(x)具体包括：
采用广义线性回归模型构建所述交通事故预测模型y＝f(x)，
Figure FDA0003719069370000011
其中，yi样本i的因变量，xi样本i的自变量，xi,d为样本i第d维自变量，1≤d≤7，ω0、ω1…ω7为权重系数，εi为分布误差项；
利用交通事故关联的第二数据对所述交通事故预测模型y＝f(x)进行拟合。
4.根据权利要求3所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述构建交通安全风险评估模型具体包括：
设置y为交通事故件数，概率p(y＝y)为发生交通事故件数y的概率，采用负二项模型构建y的分布函数：
Figure FDA0003719069370000021
其中，参数θ为随机变量假设服从伽玛分布，λ是y的均值λ＝E(y)；
确定参数θ的最优估计。
5.根据权利要求4所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述确定参数θ的最优估计，具体包括：
步骤1，根据贝叶斯理论，设置样本yi(i＝1,…,n)参数θ的后验概率为：
Figure FDA0003719069370000022
其中，P(θ|yi)为参数θ的后验概率，P(θ|yi)∝P(y＝yi|θ)π(θ)；
步骤2，确定似然函数L(θ)，设y1,y2,…,yn来自总体y的样本，y1,y2,…,yn假设是独立同分布的，参数θ的似然函数
Figure FDA0003719069370000023
步骤3，确定先验概率π(θ)：
Figure FDA0003719069370000024
其中，α、β为先验概率π(θ)的超参数；
步骤4，设y1,y2,…,yn来自总体y的样本，后验概率P(θ|y1,y2,…,yn)∝L(θ)π(θ)，令
P(θ|y1,y2,…,yn)＝k×L(θ)×π(θ)
其中，k为常数，k＝1/∫ΘP(y＝yi|θ)π(θ)dθ；
步骤5，确定最优参数估计
Figure FDA0003719069370000025
设置
Figure FDA0003719069370000026
为参数θ的估计值，最优参数估计
Figure FDA0003719069370000027
为后验概率P(θ|y1,y2,…,yn)的期望均值，即
Figure FDA0003719069370000028
6.根据权利要求5所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述确定似然函数L(θ)，具体包括：
Figure FDA0003719069370000029
其中，n为样本数量，交通事故件数yi为样本i的因变量，i∈[1,n]；λi为yi的均值λi＝E(yi)，λi＝exp{xiω}，x′i＝(xi1,xi2,…,xip)为样本i的自变量，所述自变量包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率和天气能见度，p＝7,ω为(p+1)×1参数向量，当无先验信息时采用均匀分布作为ω的先验分布。
7.根据权利要求5所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述生成可变限速管控算法具体包括：
若所述风险评估值大于预设阈值，根据第一车道的风险评估值确定所述第一车道的交通状态；
根据所述交通状态，确定所述第一车道的可变限速区间及第一限速值；
根据所述交通状态，确定所述第一车道的上游限速路段的空间范围；
根据所述空间范围，确定所述第一车道的可变限速值。
8.根据权利要求7所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述交通状态包括非常安全、安全、正常、危险、非常危险；所述确定所述第一车道的上游限速路段的空间范围，具体包括：
若交通状态为非常危险，开启限速管控措施的管控范围为所述第一车道的上游第一距离路段；
若交通状态为危险，开启限速管控措施的管控范围为所述第一车道的上游第二距离路段，所述第一距离大于所述第二距离；
若交通状态为正常、安全、非常安全，不开启限速管控措施。
9.根据权利要求8所述的数据驱动的交通安全风险评估与可变限速管控算法，其特征在于，所述确定所述第一车道的可变限速值，具体包括：
输入所述第一车道的第一限速值v0和上游第一距离路段的平均车速vu,计算速度差值Δv＝vu-v0；
确定上游第一距离路段的情报板龙门架的数量m，设置所述上游最近距离处的情报板1对应龙门架1，设置所述上游最远距离处的情报板m对应龙门架m；
设置上游限速路段的可变限速值由远及近逐渐减小，确定m个情报板的限速值；
确定第1个情报板的限速值
Figure FDA0003719069370000031
第2个情报板的限速值
Figure FDA0003719069370000032
第m个情报板的限速值
Figure FDA0003719069370000033
即vu。
10.一种数据驱动的交通安全风险评估与可变限速管控系统，其特征在于，包括：
获取模块，被配置为获取第一车道的数据，所述数据包括交通量、平均速度、平均车头时距、货车比例、平曲线曲率、竖曲线曲率、天气能见度；
评估模块，被配置为基于交通事故预测模型，预测所述第一车道的交通事故件数，基于交通安全风险评估模型评估所述第一车道的风险评估值；
管控模块，被配置为根据所述风险评估值，进行分车道可变限速管控；
一个存储器，被配置为存储数据及指令；
一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：
获取交通安全关联的第一数据和交通事故关联的第二数据；
基于所述第一数据与所述第二数据，构建交通事故预测模型，所述交通事故预测模型输出交通事故关联的预测数据；
基于所述预测数据及交通事故预测模型，构建交通安全风险评估模型，所述交通安全风险评估模型输出交通安全关联的风险评估值；
生成可变限速管控算法；
根据所述可变限速管控算法，若所述风险评估值大于预设阈值，开启限速管控措施；
若所述风险评估值不大于所述预设阈值，不开启限速管控措施。
CN202210753524.2A 2022-06-28 2022-06-28 一种数据驱动的交通安全风险评估与可变限速管控算法及系统 Pending CN115148026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210753524.2A CN115148026A (zh) 2022-06-28 2022-06-28 一种数据驱动的交通安全风险评估与可变限速管控算法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210753524.2A CN115148026A (zh) 2022-06-28 2022-06-28 一种数据驱动的交通安全风险评估与可变限速管控算法及系统

Publications (1)

Publication Number Publication Date
CN115148026A true CN115148026A (zh) 2022-10-04

Family

ID=83409576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210753524.2A Pending CN115148026A (zh) 2022-06-28 2022-06-28 一种数据驱动的交通安全风险评估与可变限速管控算法及系统

Country Status (1)

Country Link
CN (1) CN115148026A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739354A (zh) * 2023-08-14 2023-09-12 深圳市城市交通规划设计研究中心股份有限公司 道路安全风险评估指标计算方法、电子设备及存储介质
CN116978233A (zh) * 2023-09-22 2023-10-31 深圳市城市交通规划设计研究中心股份有限公司 一种面向事故多发区的主动可变限速方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
CN111815967A (zh) * 2020-05-15 2020-10-23 中国市政工程华北设计研究总院有限公司 一种基于二次交通事故预防的高速公路动态限速控制方法
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法
US20220076570A1 (en) * 2020-09-08 2022-03-10 Tongji University Collaborative controlling method of variable speed limit and ramp metering for expressways based on crash risk

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355883A (zh) * 2016-10-20 2017-01-25 同济大学 基于风险评估模型的交通事故发生概率获取方法及系统
CN111815967A (zh) * 2020-05-15 2020-10-23 中国市政工程华北设计研究总院有限公司 一种基于二次交通事故预防的高速公路动态限速控制方法
US20220076570A1 (en) * 2020-09-08 2022-03-10 Tongji University Collaborative controlling method of variable speed limit and ramp metering for expressways based on crash risk
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟祥海;覃薇;霍晓艳;: "基于统计与假设检验的高速公路交通事故数据分布特性", 交通运输工程学报, no. 01, 15 February 2018 (2018-02-15), pages 139 - 149 *
钟连德;孙小端;陈永胜;贺玉龙;刘小明;: "高速公路事故预测模型", 北京工业大学学报, no. 07, 15 July 2009 (2009-07-15), pages 966 - 971 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739354A (zh) * 2023-08-14 2023-09-12 深圳市城市交通规划设计研究中心股份有限公司 道路安全风险评估指标计算方法、电子设备及存储介质
CN116739354B (zh) * 2023-08-14 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 道路安全风险评估指标计算方法、电子设备及存储介质
CN116978233A (zh) * 2023-09-22 2023-10-31 深圳市城市交通规划设计研究中心股份有限公司 一种面向事故多发区的主动可变限速方法
CN116978233B (zh) * 2023-09-22 2023-12-26 深圳市城市交通规划设计研究中心股份有限公司 一种面向事故多发区的主动可变限速方法

Similar Documents

Publication Publication Date Title
CN115148026A (zh) 一种数据驱动的交通安全风险评估与可变限速管控算法及系统
JP6506460B2 (ja) サービスの供給状況を管理するシステム及び方法
EP3252705A1 (en) Order allocation system and method
Driss et al. A federated learning framework for cyberattack detection in vehicular sensor networks
CN105589939B (zh) 识别群体运动轨迹方法和装置
US11367053B2 (en) System and method for damage assessment and restoration
US20180240054A1 (en) Systems and methods for order pairing
US20190171724A1 (en) Method and apparatus for determining hot event
EP3635675A1 (en) Systems and methods for allocating orders
Tak et al. Study on the framework of hybrid collision warning system using loop detectors and vehicle information
CN114444607A (zh) 一种基于lstm的设备评估方法及系统
CN112288162B (zh) 短时公交站客流预测方法、装置、计算机设备及存储介质
Yuan et al. A Roadway Safety Sustainable Approach: Modeling for Real‐Time Traffic Crash with Limited Data and Its Reliability Verification
US20240127373A1 (en) Computer-based systems for determining a travel time to an airport departure point and methods of use thereof
CN110730416A (zh) 基于定位数据的车辆安全管理方法和装置
US20170301148A1 (en) Method and system of automatic billing of transportation services
Zaki et al. Enhanced feature selection method based on regularization and kernel trick for 5G applications and beyond
CN117454416A (zh) 具有隐私保护激励的空中计算网络用联邦学习方法及系统
CN115116226A (zh) 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置
CN115423303A (zh) 一种基于动态交通流的v2x动态电子车道规划方法及装置
CN111710187A (zh) 确定车辆驾驶风险的方法、装置、介质及电子设备
US20220414394A1 (en) Method of determining state of target object, electronic device, and storage medium
US11093975B2 (en) Integrated location-based message personalization
CN115114782A (zh) 一种基于元胞自动机的车流仿真方法及系统
CN112329106A (zh) 道路安全设计方法、系统、计算机设备和可读存储介质

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