CN115148029B - 一种用于预测行人交通事故的方法、介质以及电子设备 - Google Patents

一种用于预测行人交通事故的方法、介质以及电子设备 Download PDF

Info

Publication number
CN115148029B
CN115148029B CN202210785105.7A CN202210785105A CN115148029B CN 115148029 B CN115148029 B CN 115148029B CN 202210785105 A CN202210785105 A CN 202210785105A CN 115148029 B CN115148029 B CN 115148029B
Authority
CN
China
Prior art keywords
accident
traffic
year
pedestrian
prediction coefficient
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
CN202210785105.7A
Other languages
English (en)
Other versions
CN115148029A (zh
Inventor
李欣
魏攀一
杨弘卿
龚柏岩
张建军
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202210785105.7A priority Critical patent/CN115148029B/zh
Publication of CN115148029A publication Critical patent/CN115148029A/zh
Application granted granted Critical
Publication of CN115148029B publication Critical patent/CN115148029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供一种用于预测行人交通事故的方法、介质以及电子设备，所述方法包括：获取待评估区域基准年交通出行数据、所述基准年行人交通事故数据及目标年交通出行数据；基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数。本申请的一些实施例提供了一种考虑集群安全效应的目标年行人交通事故伤亡预测方法可以为交通管理指挥部门提供数据支撑，解决现有技术中存在的问题。

Description

一种用于预测行人交通事故的方法、介质以及电子设备
技术领域
本申请涉及交通事故预测领域，具体而言本申请实施例涉及一种用于预测行人交通事故的方法、介质以及电子设备。
背景技术
随着全球范围内城市化的快速发展城市交通安全受到越来越多的关注。根据世界卫生组织于2018年发布的《全球道路安全状况报告》统计，全球范围内每年由于交通事故造成的死亡人数己经达到135万人，其中行人约占23％。行人作为所有道路使用者中最脆弱的人群在交通事故中受到的伤害往往比较严重，每年由于人车事故造成的行人受伤或者死亡给社会和经济造成了巨大的影响，然而步行有利于减少拥堵，提高城市交通效率，减少交通噪音和污染气体排放，是一种被鼓励的经济可行的交通方式。
近年来，随着“创新、协调、绿色、开放、共享”的五大发展理念的提出，国家开始大力倡导发展绿色交通、慢行交通，步行作为一种慢行交通的方式成为了研究的热点。如果想要提高步行交通方式的安全性和吸引力，就应该对行人交通事故进行更加深入的研究。目前，现有技术中对行人交通事故伤亡数预测方法较少，仍属于起步阶段，缺乏考虑集群安全效应的交通事故伤亡数的计算方法。
发明内容
本申请实施例的目的在于提供一种用于预测行人交通事故的方法、介质以及电子设备，本申请的一些实施例在预测行人交通事故时考虑集群安全效应，可以为交通管理指挥部门提供数据支撑解决现有技术中存在的问题。
本申请的一些实施例提供一种用于预测行人交通事故的方法，所述方法包括：获取待评估区域基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据；基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数。
本申请的一些实施例通过考虑集群安全效应的影响来预测行人伤亡数，与相关技术未考虑该因素的技术方案相比提升了事故预测的准确性。
在一些实施例中，所述事故预测系数采用指数函数形式来表征由于行人的数量增加使得相应事故风险降低的效应。
本申请的一些实施例采用指数函数形式表征由于行人数量增加导致的事故风险降低的变量关系，提升了行人事故预测的准确性。
在一些实施例中，所述基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程，包括：基于所述交通出行数据获取所述基准年的行驶里程，得到所述基准年出行距离；基于所述交通出行数据获取所述目标年的行驶里程，得到所述目标年出行距离。
在一些实施例中，所述根据所述行人交通事故数据和所述行驶里程计算事故预测系数，包括：通过如下公式计算与第i撞击行人的方式对应的事故预测系数：
其中，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数，VKTped，baseline表示在所述待评估区域中所有行人在所述基准年的出行距离，VKTped，goal表示在所述待评估区域中所述所有行人在所述目标年的出行距离，VKTi，baseline表示与所述第i撞击行人的方式对应的交通方式在所述基准年的行驶里程，VKTi，tar，get表示与所述第i撞击行人的方式对应的交通方式在所述目标年的行驶里程，m和n分别表示集群安全效应参数。
本申请的一些实施例提供了一种针对任一一种对行人的撞击方式对应的事故预测系数，提升了事故预测的客观性和准确性。
在一些实施例中，所述m和n的取值为：m＝0.51，n＝0.5。
在一些实施例中，所述根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数，包括：通过如下公式计算所述目标年的事故伤亡数：
其中，Injurytar，get表示通过计算得到的所述目标年的事故伤亡数，Injuryi，baseline表示所述第i撞击行人的方式在所述基准年的行人事故伤亡数，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数。
本申请的一些实施例提供了一种量化事故伤亡数的计算公式，提升了该结果的准确性和客观性。
在一些实施例中，所述交通出行数据包括：出行方式和与各出行方式对应的出行距离，所述出行方式包括：步行、自行车、摩托车、小汽车、公交以及货车；所述行人交通事故数据包括：事故伤亡数和撞击方交通方式。
第二方面，本申请的一些实施例提供一种用于预测行人交通事故的装置，所述装置包括：数据获取模块，被配置为获取待评估区域基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据；行驶里程获取模块，被配置为基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；事故预测系数获取模块，被配置为根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；事故伤亡数获取模块，被配置为根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数。
第三方面，本申请的一些实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现如第一方面任意实施例所述的方法。
第四方面，本申请的一些实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现如第一方面任意实施例所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的用于预测行人交通事故的方法的流程图之一；
图2为本申请实施例提供的用于预测行人交通事故的方法的流程图之二；
图3为本申请实施例提供的用于预测行人交通事故的装置的组成框图；
图4为本申请实施例提供的电子设备组成示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请的一些实施例在确定行人伤亡事故时考虑集群安全效应，因此能够更加准确的预测行人出行的交通事故风险，既能帮助了解研究区域人群的行人事故数，推进相关措施的改进；亦能为交通管理指挥部门提供数据支撑，有效地为决策者提供规划评估的先导信息，在交通事故风险预测方面具有实用价值。
请参看图1，图1为本申请的一些实施例提供一种用于预测行人交通事故的方法，该方法包括：S101，获取基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据；S102，基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；S103，根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；以及S104，根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数。
需要说明的是，基准年是在预测过程中，作为现状参数或基础参数选取的参考年份。目标年是在预测过程中，需要预测的目标年份。
本申请的一些实施例通过考虑集群安全效应的影响来预测行人伤亡数，与相关技术未考虑该因素的技术方案相比提升了事故预测的准确性。
下面示例性阐述上述各步骤的实现过程。
如图2所示，S101示例性包括：获取待评估区域内该方法所需的各类基础数据并构建数据库进行数据存储，其中所需数据包含但不限于基准年的交通出行数据和行人交通事故数据及目标年的交通出行数据。
如图2所示，所述区域交通出行数据包括但不限于：出行方式的构成(步行、自行车、摩托车、小汽车、公交以及货车)和分方式的出行距离。
如图2所示，所述区域的行人交通事故数据包括但不限于：基准年事故伤亡数和撞击方交通方式。
S102示例性包括：基于所述交通出行数据获取所述基准年的行驶里程，得到所述基准年出行距离；基于所述交通出行数据获取所述目标年的行驶里程，得到所述目标年出行距离。
S102根据待评估区域的交通出行数据获取基准年和目标年各出行方式的行驶里程(vehicle kilometers travelled,VKT)，出行方式可包括但不限于私家车、公交车、摩托车、步行和自行车等。
下面示例性阐述S103。
S103示例性包括：根据待评估区域行人交通事故数据和各交通方式VKT数据，考虑集群安全效应(safety in numbers)的影响(如图2所示)，采用指数函数形式来表征由于行人的数量增加使得相应事故风险降低的效应，计算事故预测系数。
例如，在本申请的一些实施例中，所述事故预测系数采用指数函数形式来表征由于行人的数量增加使得相应事故风险降低的效应。本申请的一些实施例采用指数函数形式表征由于行人数量增加导致的事故风险降低的变量关系，提升了行人事故预测的准确性。
例如，在本申请的一些实施例中，所述根据所述行人交通事故数据和所述行驶里程计算事故预测系数，包括：通过如下公式计算与第i撞击行人的方式对应的事故预测系数：
其中，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数，VKTped，baseline表示在所述待评估区域中所有行人在所述基准年的出行距离，VKTped，gal表示在所述待评估区域中所述所有行人在所述目标年的出行距离，VKTi，baseline表示与所述第i撞击方式对应的交通方式在所述基准年的行驶里程，VKTi，target表示与所述第i撞击方式对应的交通方式在所述目标年的行驶里程，m和n分别表示集群安全效应参数。
本申请的一些实施例提供了一种针对任一一种对行人的撞击方式对应的事故预测系数，提升了事故预测的客观性和准确性。
例如，在一些实施例中，所述m和n的取值为：m＝0.51，n＝0.5。
也就是说S103提供了一种计算行人(ped)与撞击方为不同交通出行方式时的事故预测系数。
下面示例性阐述S104。
在本申请的一些实施例中，S104包括：通过如下公式计算所述目标年的事故伤亡数：
其中，Injurytarget表示通过计算得到的所述目标年的事故伤亡数，Injuryi，baseline表示所述第i撞击行人的方式在所述基准年的行人事故伤亡数，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数。
本申请的一些实施例提供了一种量化事故伤亡数的计算公式，提升了该结果的准确性和客观性。
请参考图3，图3示出了本申请实施例通过的认证装置，应理解，该装置与上述图1和图2方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置的具体功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置包括至少一个能以软件或固件的形式存储于存储器中或固化在装置的操作系统中的软件功能模块，该用于预测行人交通事故的装置，包括：数据获取模块101、行驶里程获取模块102、事故预测系数获取模块103以及事故伤亡数获取模块104。
数据获取模块101，被配置为获取待评估区域基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据.
行驶里程获取模块102，被配置为基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程。
事故预测系数获取模块103，被配置为根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关。
事故伤亡数获取模块104，被配置为根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
本申请的一些实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现如图1或图2方法记载的实施例所述的方法。
如图4所示，本申请的一些实施例提供一种电子设备500，包括存储器510、处理器520以及存储在所述存储器510上并可在所述处理器520上运行的计算机程序，其中，所述处理器520通过总线530从存储器510读取程序并执行所述程序时可实现如图1或图2实施例所述的方法。
处理器520可以处理数字信号，可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中，处理器520可以是微处理器。
存储器510可以用于存储由处理器520执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码，用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器520可以用于执行存储器510中的指令以实现图1中所示的方法。存储器510包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。

Claims (9)

1.一种用于预测行人交通事故的方法，其特征在于，所述方法包括：
获取待评估区域基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据；
基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；
根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；
根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数；
其中，
所述根据所述行人交通事故数据和所述行驶里程计算事故预测系数，包括：
通过如下公式计算与第i撞击行人的方式对应的事故预测系数：
其中，Multiplieri表示与第i撞击行人的方式对应的事故预测系数，VKTped,baseline表示在待评估区域中所有行人在基准年的出行距离，VKTped,goal表示在待评估区域中所述所有行人在目标年的出行距离，VKTi,baseline表示与所述第i撞击行人的方式对应的交通方式在所述基准年的行驶里程，VKTi,target表示与所述第i撞击行人的方式对应的交通方式在所述目标年的行驶里程，m和n分别表示集群安全效应参数。
2.如权利要求1所述的方法，其特征在于，所述事故预测系数采用指数函数形式来表征由于行人的数量增加使得相应事故风险降低的效应。
3.如权利要求1所述的方法，其特征在于，所述基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程，包括：
基于所述交通出行数据获取所述基准年的行驶里程，得到所述基准年出行距离；
基于所述交通出行数据获取所述目标年的行驶里程，得到所述目标年出行距离。
4.如权利要求1所述的方法，其特征在于，所述m和n的取值为：m＝0.51，n＝0.5。
5.如权利要求3所述的方法，其特征在于，所述根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数，包括：
通过如下公式计算所述目标年的事故伤亡数：
其中，Injurytarget表示通过计算得到的所述目标年的事故伤亡数，Injuryi,baseline表示所述第i撞击行人的方式在所述基准年的行人事故伤亡数，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数。
6.如权利要求1所述的方法，其特征在于，所述交通出行数据包括：出行方式和与各出现方式对应的出行距离，所述出行方式包括：步行、自行车、摩托车、小汽车、公交以及货车；
所述行人交通事故数据包括：事故伤亡数和撞击方交通方式。
7.一种用于预测行人交通事故的装置，其特征在于，所述装置包括：
数据获取模块，被配置为获取待评估区域基准年的交通出行数据、所述基准年的行人交通事故数据及目标年的交通出行数据；
行驶里程获取模块，被配置为基于所述交通出行数据获取所述基准年和所述目标年各出行方式的行驶里程；
事故预测系数获取模块，被配置为根据所述行人交通事故数据和所述行驶里程计算事故预测系数，其中，所述事故预测系数考虑集群安全效应的影响，所述事故预测系数与撞击行人的方式相关；
事故伤亡数获取模块，被配置为根据所述事故预测系数和所述基准年的事故伤亡数计算所述目标年的事故伤亡数；
其中，
所述事故预测系数获取模块还被配置为：
通过如下公式计算与第i撞击行人的方式对应的事故预测系数：
其中，Multiplieri表示与所述第i撞击行人的方式对应的事故预测系数，VKTped,baseline表示在所述待评估区域中所有行人在所述基准年的出行距离，VKTped,goal表示在所述待评估区域中所述所有行人在所述目标年的出行距离，VKTi,baseline表示与所述第i撞击行人的方式对应的交通方式在所述基准年的行驶里程，VKTi,target表示与所述第i撞击行人的方式对应的交通方式在所述目标年的行驶里程，m和n分别表示集群安全效应参数。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时可实现权利要求1-6中任意一项权利要求所述的方法。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现权利要求1-6中任意一项权利要求所述的方法。
CN202210785105.7A 2022-06-29 2022-06-29 一种用于预测行人交通事故的方法、介质以及电子设备 Active CN115148029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210785105.7A CN115148029B (zh) 2022-06-29 2022-06-29 一种用于预测行人交通事故的方法、介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210785105.7A CN115148029B (zh) 2022-06-29 2022-06-29 一种用于预测行人交通事故的方法、介质以及电子设备

Publications (2)

Publication Number Publication Date
CN115148029A CN115148029A (zh) 2022-10-04
CN115148029B true CN115148029B (zh) 2023-09-19

Family

ID=83410042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210785105.7A Active CN115148029B (zh) 2022-06-29 2022-06-29 一种用于预测行人交通事故的方法、介质以及电子设备

Country Status (1)

Country Link
CN (1) CN115148029B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102325250A (zh) * 2011-10-13 2012-01-18 交通运输部公路科学研究所 基于社会力模型的监控系统
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
CN108256749A (zh) * 2017-12-29 2018-07-06 南京航空航天大学 基于事故修正系数配对技术的平面交叉口交通安全改善效果评价方法
CN109584565A (zh) * 2018-12-25 2019-04-05 天津易华录信息技术有限公司 一种交通安全评价系统及其评价指数计算方法
CN110633558A (zh) * 2019-11-05 2019-12-31 贵州财经大学 一种城市交通系统建模系统
CN111950603A (zh) * 2020-07-24 2020-11-17 中南大学 一种路段交通事故率的预测方法、装置及计算机存储介质
CN112937591A (zh) * 2019-12-11 2021-06-11 彩虹无线（北京）新技术有限公司 驾驶安全监测方法、装置、设备及计算机可读存储介质
CN113626175A (zh) * 2020-05-08 2021-11-09 北京沃东天骏信息技术有限公司 数据处理的方法和装置
CN113920732A (zh) * 2021-10-11 2022-01-11 长安大学 一种针对特定驾驶人群的道路交通事故风险预警方法
CN114419892A (zh) * 2022-01-28 2022-04-29 公安部交通管理科学研究所 一种判定有疲劳驾驶交通违法风险的车辆的方法
CN114550445A (zh) * 2022-01-24 2022-05-27 广东省城乡规划设计研究院有限责任公司 一种城市区域交通安全状态评估方法和装置
CN114627643A (zh) * 2022-02-28 2022-06-14 青岛海信网络科技股份有限公司 一种高速公路事故风险预测方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10627812B2 (en) * 2017-02-14 2020-04-21 Honda Research Institute Europe Gmbh Risk based driver assistance for approaching intersections of limited visibility
US11150104B2 (en) * 2019-10-31 2021-10-19 International Business Machines Corporation Route management utilizing geolocation based clustering

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102325250A (zh) * 2011-10-13 2012-01-18 交通运输部公路科学研究所 基于社会力模型的监控系统
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
CN108256749A (zh) * 2017-12-29 2018-07-06 南京航空航天大学 基于事故修正系数配对技术的平面交叉口交通安全改善效果评价方法
CN109584565A (zh) * 2018-12-25 2019-04-05 天津易华录信息技术有限公司 一种交通安全评价系统及其评价指数计算方法
CN110633558A (zh) * 2019-11-05 2019-12-31 贵州财经大学 一种城市交通系统建模系统
CN112937591A (zh) * 2019-12-11 2021-06-11 彩虹无线（北京）新技术有限公司 驾驶安全监测方法、装置、设备及计算机可读存储介质
CN113626175A (zh) * 2020-05-08 2021-11-09 北京沃东天骏信息技术有限公司 数据处理的方法和装置
CN111950603A (zh) * 2020-07-24 2020-11-17 中南大学 一种路段交通事故率的预测方法、装置及计算机存储介质
CN113920732A (zh) * 2021-10-11 2022-01-11 长安大学 一种针对特定驾驶人群的道路交通事故风险预警方法
CN114550445A (zh) * 2022-01-24 2022-05-27 广东省城乡规划设计研究院有限责任公司 一种城市区域交通安全状态评估方法和装置
CN114419892A (zh) * 2022-01-28 2022-04-29 公安部交通管理科学研究所 一种判定有疲劳驾驶交通违法风险的车辆的方法
CN114627643A (zh) * 2022-02-28 2022-06-14 青岛海信网络科技股份有限公司 一种高速公路事故风险预测方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
从集群智能角度分析协同驾驶: 综述和展望;郭宇晴;《控制理论与应用》;全文 *
申昕.基于Multinomial Logit 模型的美国北卡罗莱纳州 慢行交通事故严重程度分析.《交通与运输》.2021,全文. *

Also Published As

Publication number Publication date
CN115148029A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Chang et al. Analysis of injury severity and vehicle occupancy in truck-and non-truck-involved accidents
Maizlish et al. Health cobenefits and transportation-related reductions in greenhouse gas emissions in the San Francisco Bay area
Pai et al. Modelling motorcyclist injury severity by various crash types at T-junctions in the UK
Wang Lane change/merge crashes: problem size assessment and statistical description
Lyon et al. Pedestrian collision prediction models for urban intersections
CN104978853A (zh) 一种道路交通安全评估方法及系统
Rabbani et al. a comparison between seasonal autoregressive integrated moving average (SARIMA) and exponential smoothing (ES) based on time series model for forecasting road accidents
Isaksson-Hellman A study of bicycle and passenger car collisions based on insurance claims data
Yuan et al. The role of striking and struck vehicles in side crashes between vehicles: Bayesian bivariate probit analysis in China
Hao et al. Severity of injuries to motor vehicle drivers at highway–rail grade crossings in the United States
CN107731007B (zh) 基于交通冲突随机过程演化的交叉口事故预测方法
Wang Single-vehicle roadway departure crashes: problem size assessment and statistical description
CN115148029B (zh) 一种用于预测行人交通事故的方法、介质以及电子设备
KR20130092915A (ko) 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템
Gordon et al. Analysis of crash rates and surrogate events: unified approach
Mehta et al. A methodology to estimate the number of unsafe vehicle-cyclist passing events on urban arterials
Ivan et al. Motor vehicle speeds: Recommendations for urban sustainability
Dean et al. Potential crash benefits of motorcycle-detecting automatic emergency braking systems
Ebner et al. Identifying and analyzing reference scenarios for the development and evaluation of active safety: application to preventive pedestrian safety
Gates et al. Economic analysis of freeway speed limit policy alternatives
Broughton The influence of car registration year on driver casualty rates in Great Britain
Lu et al. The differences of driving behavior among different driver age groups at signalized intersections
Wang Backing crashes: Problem size assessment and statistical description
Wang et al. Temporal assessment of injury severities of two types of pedestrian-vehicle crashes using unobserved-heterogeneity models
Newstead et al. Trends in aggressivity of the Australian light vehicle fleet by year of manufacture and market group: 1964 to 2000

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