CN115455079A - 一种基于事故数据和特征因素的事故多发点推荐方法 - Google Patents
一种基于事故数据和特征因素的事故多发点推荐方法 Download PDFInfo
- Publication number
- CN115455079A CN115455079A CN202211104968.XA CN202211104968A CN115455079A CN 115455079 A CN115455079 A CN 115455079A CN 202211104968 A CN202211104968 A CN 202211104968A CN 115455079 A CN115455079 A CN 115455079A
- Authority
- CN
- China
- Prior art keywords
- accident
- point
- points
- data
- method based
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 206010039203 Road traffic accident Diseases 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000034994 death Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000411 inducer Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0129—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
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于事故数据和特征因素的事故多发点推荐方法,它解决了现有交通管理系统对于不同交通场景适应性较差问题,其包括如下步骤:获取事故参数;对事故对应矩阵降维;对降维后的矩阵做聚类分析;计算离群因子LOF并剔除离群点;对多发点打分排名。本发明具有事故分析效果好、对于不同交通系统适应性好等优点。
Description
技术领域
本发明属于智能交通管理技术领域,具体涉及一种基于事故数据和特征因素的事故多发点推荐方法
背景技术
智能交通系统作为一种大范围、全方位覆盖的运输和管理系统,依托于近年来物联网的迅猛发展,将先进的控制、传感、通讯、信息技术与计算机技术高效结合,综合应用于整个交通管理体系。由于其极大地缓解了交通拥堵,有效减少了交通事故的发生,提高了交通系统的安全性,减少了环境污染。智能交通系统中风险隐患治理以预防和减少道路交通事故为目标,采用新技术、新方法开展道路交通事故易发风险评估,提早发现新建及改扩建路段存在的交通安全隐患。通过大数据分析交通事故情况,分析事故多发的原因、事故特征及分布特点等,确定与道路相关的重点调查内容。但目前交通系统只是对于交通事故数据进行简单统计分类,没有进行相关分析,无法判断交通系统中各要素对交通事故的影响。除此之外,现有的交通管理系统对于不同交通场景适应性较差。
为了解决现有技术存在的不足,人们进行了长期的探索,提出了各式各样的解决方案。例如,中国专利文献公开了一种基于多重对应和K-means聚类的交通事故成因分析方法 [201811150213.7],其包括如下步骤:根据获取的交通事故数据集,选取影响交通事故发生的变量并分类;通过数据库统计各变量的类别数和相应事故数量,筛选合并异常值的变量类别,得到事故数据表;将得到的事故数据表处理得到二进制指标矩阵;将事故类型作为表征事故特征的变量进行多重对应分析,得到各变量类别的多重对应分析坐标;使用局部线性嵌入算法对事故数据多重对应分析所得变量类别坐标进行降维,得到LLE降维坐标;使用K-means聚类算法对变量类别进行聚类,并根据聚类结果进行分析。
上述方案在一定程度上解决了交通系统各要素与交通事故影响因素分析的问题,但是该方案依然存在着诸多不足,例如对于不同交通系统适应性较差等问题。
发明内容
本发明的目的是针对上述问题,提供一种设计合理,对于不同交通系统适应性好的基于事故数据和特征因素的事故多发点推荐方法。
为达到上述目的,本发明采用了下列技术方案:一种基于事故数据和特征因素的事故多发点推荐方法,包括如下步骤:
S1:获取事故参数;
S2:对事故对应矩阵降维;
S3:对降维后的矩阵做聚类分析;
S4:计算离群因子LOF并剔除离群点;
S5:对多发点打分排名。在考虑事故点数据维度和交通多发点的特点,在现有的K-means算法和LOF算法的原理基础上,剔除了相对稀疏的单发事故点,优化设计了CLOF算法,对交通场景具有很好的适用性。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S1包括如下步骤:
S11:获取某地区以往某时间段内的交通事故数据;
S12:构建事故点及事故特征矩阵。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S11中的交通事故数据包括事故严重程度、事故点致死率、事故点夜间事故次数、事故点的历史事故频度和人为原因占比;步骤S12以事故点作为行,各事故参数作为列构建矩阵。根据死亡人数、死亡交通事故次数、伤亡交通事故、事故原因等条件设置不同过滤规则,将交通事故多发点段不同级别的不同类型。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S2包括如下步骤:
S21:确定样本点的近邻点;
S22:计算局部重构权重系数;
S23:计算最优重构向量Yi;
S24:计算降维后坐标D。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,
步骤S21确定每个样本点Xi(i=1,2,3,...,N)的K(K<N)个近邻点;
步骤S24重构权重系数Wij构成权重系数矩阵W,设矩阵 M=(I-W)T(I-W),计算矩阵M的前(d+1)个非零特征值对应的特征向量组成的矩阵记为LLE降维坐标D={u1,u1,...,ud+1}。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S3包括如下步骤:
S31:选取初始聚类中心;
S32:计算样本与当前中心的距离D(x);
S33:计算下一聚类中心C2的概率;
S34:得到聚类结果。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,
步骤S31从数据集中随机选取一个样本作为初始聚类中心 C1;
步骤S34重复步骤S33直到选择出k个多发点圆的聚类中心。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S4包括如下步骤:
S41:计算所有单发事故点到中心距离的平均值;
S42:筛选离群点;
S43:计算离群因子LOF。
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,
步骤S41根据K-means聚类完成后得到k个多发点圆的中心,求出每个圆中所有单发事故点到中心距离的平均值,记为半径R;
步骤S42针对圆中所有的单发点,若该点到中心的距离大于R,则将其放入可能会被剔除的点集中;
步骤S43通过LOF算法,给步骤S42得到的数据集中的每个点计算一个离群因子LOF,通过判断LOF是否接近于1来判定是否是离群点,计算公式为:
在上述的一种基于事故数据和特征因素的事故多发点推荐方法中,步骤S5包括如下步骤:
S51:对交通事故特征进行筛选;
S52:以交通事故致死量、夜间事故占比、历史事故频度和人为原因占比进行加权求和;
S53:累加单发事故点计算出集中多发点的分数,按照分数高低进行排名。
与现有的技术相比,本发明的优点在于:考虑事故点数据维度和交通多发点的特点,在K-means算法和LOF算法的基础上优化设计了CLOF算法,对交通场景具有很好的适用性;根据死亡人数、死亡交通事故次数、伤亡交通事故、事故原因等条件设置不同过滤规则,将交通事故多发点段不同级别的不同类型;通过设计的评价算法对每个多发点打分,给出隐患程度排名,在设计评价算法时,参考了交通国标的交通管制部分文件,选择了诸如事故频度、致死率、夜间事故占比等多项指标,并依据重要程度科学分配了不同的权重参数。
附图说明
图1是本发明的方法示意图;
图2是本发明的计算离群因子LOF的流程图;
图3是本发明的对多发点打分排名的原理图;
图4是本发明的结构示意图;
图5是本发明的显示已设置好的各项指标界面图;
图6是本发明的坐标轴上显示通过算法计算后的聚类中心
图7是本发明的通过算法计算后的聚类中心可视化地图界面。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1所示,一种基于事故数据和特征因素的事故多发点推荐方法,包括如下步骤:
S1:获取事故参数;
S2:对事故对应矩阵降维;
S3:对降维后的矩阵做聚类分析;
S4:计算离群因子LOF并剔除离群点;
S5:对多发点打分排名。
具体地,步骤S1包括如下步骤:
S11:获取某地区以往某时间段内的交通事故数据;同时获取单发事故点每个事故的死亡人数、伤亡人数、事故原因、驾驶车辆、发生时间等;
S12:构建事故点及事故特征矩阵。
深入地,步骤S11中的交通事故数据包括事故严重程度、事故点致死率、事故点夜间事故次数、事故点的历史事故频度和人为原因占比;步骤S12以事故点作为行,各事故参数作为列构建矩阵。事故严重程度包括无财产损失、轻微财产损失、严重财产损失、轻微伤、轻伤、重伤和死亡等。事故点致死率即某一历史时段内死亡总人数占所有事故总人数(包括伤亡人数和非伤亡人数)的比重。事故点夜间事故次数即夜间事故次数占所有事故次数的比重。事故点的历史事故频度即某一历史时段内该点发生事故的总次数。人为原因占比即某事故点的人为原因在所有事故诱因中的比重,从而构建出事故点-事故特征矩阵。
进一步地,步骤S2包括如下步骤:
S21:确定样本点的近邻点;
S22:计算局部重构权重系数;
S23:计算最优重构向量Yi;
S24:计算降维后坐标D。采用LLE非线性降维方法,提取两者之间潜在的非线性关系,深入探究事故对应关系,挖掘出和事故关联度较高的重点交通事故点。
更进一步地,步骤S21确定每个样本点Xi(i=1,2,3,...,N)的 K(K<N)个近邻点;
步骤S24重构权重系数Wij构成权重系数矩阵W,设矩阵 M=(I-W)T(I-W),计算矩阵M的前(d+1)个非零特征值对应的特征向量组成的矩阵记为LLE降维坐标D={u1,u1,...,ud+1}。
除此之外,K-means算法也称为K均值算法,用于聚类算法。聚类是一种无监督学习,他将相似的对象归于一个簇中,簇中心通过簇中所有点的均值来计算。聚类算法与分类算法的主要区别就是分类的目标类别已知,而聚类的目标类别未知。
由传统的K-means算法的原理可知,随机性地挑取初始聚类中心点会使最终结果具有不确定性和随机性,初始聚类中心点选择得恰当与否对最后聚类效果的影响至关重要。K-Means对LLE 降维数据进行聚类分析步骤包括为:
S31:选取初始聚类中心;
S32:计算样本与当前中心的距离D(x);
S33:计算下一聚类中心C2的概率;
S34:得到聚类结果。选择K个聚类的初始中心;对任意一个事故点,求其到K个聚类中心的距离,将事故点归类到距离最小的中心的聚类,如此迭代n次;每次迭代过程中,利用均值等方法更新各个聚类的中心点;
如图2所示,步骤S31从数据集中随机选取一个样本作为初始聚类中心C1;
步骤S34重复步骤S33直到选择出k个多发点圆的聚类中心。
可见地,通过K-means聚类完成后得到的k个多发点圆的中心,然后需要剔除“离群点”,即单发事故点,CLOF就是用于检测离群点的算法,步骤包括为::
S41:计算所有单发事故点到中心距离的平均值;
S42:筛选离群点;
S43:计算离群因子LOF。LOF算法也叫做局部离群因子检测方法,是一种无监督的离群检测方法,是基于密度的离群点检测方法中一个比较有代表性的算法。该算法会给数据集中的每个点计算一个离群因子LOF,通过判断LOF是否接近于1来判定是否是离群因子。若LOF远大于1,则认为是离群因子,接近于1,则是正常点。根据K-means聚类完成后的结果,通过LOF算法,给数据集中的每个点计算一个一个离群因子LOF,通过判断LOF是否接近于1来判定是否是离群点。
很明显,步骤S41根据K-means聚类完成后得到k个多发点圆的中心,求出每个圆中所有单发事故点到中心距离的平均值,记为半径R;
CLOF算法即基于孤立因子的层次聚类算法,该算法是基于K-means和LOF两种算法提出的,K-means可以完成对所有单个事故的聚类,CLOF则是在完成K-means聚类的基础上剔除了相对稀疏的单发事故点。步骤S42针对圆中所有的单发点,若该点到中心的距离大于R,则将其放入可能会被剔除的点集中;
步骤S43通过LOF算法,给步骤S42得到的数据集中的每个点计算一个离群因子LOF,通过判断LOF是否接近于1来判定是否是离群点,计算公式为:
优选地,对多发点打分排名时主要考量的是交通事故历史数据各项指标的重要程度,从而对各项指标分配不同的百分比,最终加权求和得到每个点的打分,并通过累加单发事故点计算出各个集中多发点的分数,按照分数高低进行排名。综合考虑事故次数、事故严重程度等因素,提出了以交通事故致死率、夜间事故占比、历史事故频度为主的危险度计算方法。如图3所示,具体步骤如下:
S51:对交通事故特征进行筛选;
S52:以交通事故致死量、夜间事故占比、历史事故频度和人为原因占比进行加权求和;
S53:累加单发事故点计算出集中多发点的分数,按照分数高低进行排名。具体的打分标准如下表所示:
如图3所示,本实施例通过设计一个可视的交通系统,基于某市某区域内2020年4月份一个月内总共66起交通事故数据,数据包含了个人信息、事故信息和违法信息等。通过这些数据,对本发明的方法进行验证。具体实施步骤如下:
首先将某市某区域内每个交通数据录入数据库。并对交通事故点进行坐标编号,其数据库类型如下表所示:
如图3界面所示,在操作界面内据颗粒度(粒度可设置的阈值为5-500m,手动键入数值,单位默认为m,其中点颗粒度指路口位置,段颗粒度指路段,两者可以独立设置,默认值分别为25m 和200m,分别代表点半径和段长),时间颗粒度、辖区、事故次数条件设置不同的过滤规则以进行事故检索。
设置完成后,在顶栏会显示已设置好的各项指标,并设置k 值和舍弃单发点数,如图4所示。然后根据本发明设计的方法在后台计算。
图5显示了该实施例区域内,交通事故点通过K-means算法得出k个多发点圆的聚类中心,从图中可以看出每个聚类中心可以作为一个事故多发区域,可以在地图上的对应坐标展示。然后通过对每个事故点进行打分,即可对事故多发区域进行排名。
最后根据算出的聚类中心相关坐标即可在地图可视化展示事故多发点段,如图6所示。
综上所述,本实施例的原理在于:采集某地区以往交通事故数据,对事故建立对应的矩阵并降维处理,之后对降维后的矩阵进行聚类分析,计算并剔除离群点后,对交通事故历史数据进行加权打分,从而实现交通危险度的计算。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了离群因子等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,包括如下步骤:
S1:获取事故参数;
S2:对事故对应矩阵降维;
S3:对降维后的矩阵做聚类分析;
S4:计算离群因子LOF并剔除离群点;
S5:对多发点打分排名。
2.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S1包括如下步骤:
S11:获取某地区以往某时间段内的交通事故数据;
S12:构建事故点及事故特征矩阵。
3.根据权利要求2所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S11中的交通事故数据包括事故严重程度、事故点致死率、事故点夜间事故次数、事故点的历史事故频度和人为原因占比;所述的步骤S12以事故点作为行,各事故参数作为列构建矩阵。
4.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S2包括如下步骤:
S21:确定样本点的近邻点;
S22:计算局部重构权重系数;
S23:计算最优重构向量Yi;
S24:计算降维后坐标D。
5.根据权利要求4所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,
所述的步骤S21确定每个样本点Xi(i=1,2,3,...,N)的K(K<N)个近邻点;
所述的步骤S24重构权重系数Wij构成权重系数矩阵W,设矩阵M=(I-W)T(I-W),计算矩阵M的前(d+1)个非零特征值对应的特征向量组成的矩阵记为LLE降维坐标D={u1,u1,...,ud+1}。
6.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S3包括如下步骤:
S31:选取初始聚类中心;
S32:计算样本与当前中心的距离D(x);
S33:计算下一聚类中心C2的概率;
S34:得到聚类结果。
8.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S4包括如下步骤:
S41:计算所有单发事故点到中心距离的平均值;
S42:筛选离群点;
S43:计算离群因子LOF。
10.根据权利要求1所述的一种基于事故数据和特征因素的事故多发点推荐方法,其特征在于,所述的步骤S5包括如下步骤:
S51:对交通事故特征进行筛选;
S52:以交通事故致死量、夜间事故占比、历史事故频度和人为原因占比进行加权求和;
S53:累加单发事故点计算出集中多发点的分数,按照分数高低进行排名。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104968.XA CN115455079A (zh) | 2022-09-09 | 2022-09-09 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211104968.XA CN115455079A (zh) | 2022-09-09 | 2022-09-09 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115455079A true CN115455079A (zh) | 2022-12-09 |
Family
ID=84303540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211104968.XA Pending CN115455079A (zh) | 2022-09-09 | 2022-09-09 | 一种基于事故数据和特征因素的事故多发点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455079A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434543A (zh) * | 2023-03-27 | 2023-07-14 | 南京理工大学 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
-
2022
- 2022-09-09 CN CN202211104968.XA patent/CN115455079A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434543A (zh) * | 2023-03-27 | 2023-07-14 | 南京理工大学 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
CN116434543B (zh) * | 2023-03-27 | 2024-04-05 | 南京理工大学 | 一种基于事故分布规律和事故成因的交通隐患点预警方法 |
CN116485280A (zh) * | 2023-06-15 | 2023-07-25 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
CN116485280B (zh) * | 2023-06-15 | 2023-09-19 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
CN116644373B (zh) * | 2023-07-27 | 2023-10-31 | 广东小途汽车科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115455079A (zh) | 一种基于事故数据和特征因素的事故多发点推荐方法 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN106923846B (zh) | 一种心理压力评估与反馈系统 | |
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN115689040B (zh) | 基于卷积神经网络的交通事故严重程度预测方法及系统 | |
CN113822387B (zh) | 路面损坏状况指数预测方法、系统、设备及介质 | |
CN110929939A (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN104598993A (zh) | 基于眨眼次数的驾驶员疲劳驾驶预测方法 | |
CN108074025B (zh) | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN111462919A (zh) | 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统 | |
CN110674858A (zh) | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 | |
Tamim et al. | A simple and efficient approach for coarse segmentation of Moroccan coastal upwelling | |
CN110598129A (zh) | 基于两级信息熵的跨社交网络用户身份识别方法 | |
CN110245692B (zh) | 一种用于集合数值天气预报成员的层次聚类方法 | |
CN111582370B (zh) | 一种基于粗糙集优化的脑转移瘤预后指标约简及分类方法 | |
CN113569920A (zh) | 基于自动编码的第二近邻异常检测方法 | |
CN112488236B (zh) | 一种集成的无监督学生行为聚类方法 | |
Yasaswini et al. | Identifying road accidents severity using convolutional neural networks | |
CN114580874A (zh) | 一种适用于高速公路风险评估的多维分布式数据分析系统 | |
WO1992017853A2 (en) | Direct data base analysis, forecasting and diagnosis method | |
CN112579849A (zh) | 基于全量数据的结构安全影响因素关联分析方法 | |
Gong | The road traffic safety risk projection based on improved random forest. | |
CN116434543B (zh) | 一种基于事故分布规律和事故成因的交通隐患点预警方法 | |
CN117829370B (zh) | 一种交通事故严重程度预测方法、系统及计算机设备 |
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 |