CN115497293A - 一种动态交通事故隐患点识别方法 - Google Patents
一种动态交通事故隐患点识别方法 Download PDFInfo
- Publication number
- CN115497293A CN115497293A CN202211154033.2A CN202211154033A CN115497293A CN 115497293 A CN115497293 A CN 115497293A CN 202211154033 A CN202211154033 A CN 202211154033A CN 115497293 A CN115497293 A CN 115497293A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- accident
- points
- cluster
- distance
- 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.)
- Granted
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004931 aggregating effect Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000002679 ablation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种动态交通事故隐患点识别方法，属于城市交通安全领域。本发明首先对前一时段隐患点数据及当前时段事故数据流采集与筛选处理，并且根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合。其次根据种子隐患点对交通事故点进行聚类。然后在对未聚合事故点进行重新识别聚合。最后进行阈值判断与隐患点输出，并进入下一轮循环。本发明自适应的调整聚类数，同时基于实际交通事故数据流，实现事故隐患点的动态更新。
Description
技术领域
本发明属于城市交通安全领域，具体涉及一种动态交通事故隐患点识别方法，用于城市交通安全防控与治理。
背景技术
交通事故隐患点的识别分析，是城市交通管理部门交通事故预防与交通安全措施评价的基础，通过对事故隐患点的识别有利于开展后续事故致因的分析，以及提出针对性的改进措施，改善交通安全状况，提高道路安全性能。随着交通事故数据信息采集的逐步完善，相关信息日益丰富，为动态化交通事故分析提供可能。
目前国内在该领域开展的理论研究较多，但缺少实用化方法。实际应用中主要采用简单的数理统计方法和空间统计方法，缺乏智能交通技术的支撑。同时，交通事故的发生受多种因素的影响，在时空上存在动态性。现有方法多采用截面数据进行统计分析，无法满足交通事故的动态分析需要，致使交通安全管理部门在实际工作中存在盲目性，难以取得预期的效果。在这种背景下，迫切需要在交通事故数据信息采集的基础上，识别交通事故隐患点并动态化跟踪事故隐患点演化情况。
发明内容
为了解决上述问题，本发明提供了一种动态交通事故隐患点识别方法。该方法的核心思想是基于采集的实时交通事故数据流，采用动态仿生聚类算法，对交通事故点进行时空聚类。
本发明采用的技术方案，具体步骤包括：
c1、前一时段隐患点数据及当前时段事故数据流采集与筛选处理；
c2、根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合；
c3、根据种子隐患点对交通事故点进行聚类；
c4、对未聚合事故点进行重新识别聚合；
c5、阈值判断与隐患点输出，并进入下一轮循环。
进一步地，步骤c1中，前一时段隐患点数据及当前时段事故数据流采集与处理。具体过程包括：
C11，将当前时段T内发生的事故数据流提取经纬度信息和地址信息，整理为数组
loni和lati分别表示事故i的经纬度，ti表示事故i的发生时间，addssi表示事故i的地址，N为事故个数。
C12，将事故数据集合XT与路网link的地理信息数据进行地理空间连接操作，筛选出与路网link空间距离小于50米的事故点集合XT'。
C13，采集前一时段T-1识别出的交通事故隐患点：
FVj表示事故隐患点j的簇强度，将集合内隐患点的数量值nh赋值0。
进一步地，步骤c2中，根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合。具体过程包括：
C21，设置以下参数值，分别是初始种子事故隐患点比例f，聚类距离阈值maxDist，衰变率D，消融阈值th。
C22，从当前时段发生事故点XT'中随机选取f·N个事故点，作为种子隐患点集合ST，为每个种子隐患点建立新簇h(h＝1,2,…,f·N)，并将该簇的簇强度FVh赋值为1，数量值nh赋值为0；剩余事故点集合RT＝XT-ST，作为待聚合集合。
C23，对于种子隐患点集合ST内元素
若距离
i≠j，将
所属簇归入簇i，同时隐患点的数量值ni加1，得到聚合后种子隐患点集合S；将种子隐患点集合S与HT-1合并为集合HS。
进一步地，步骤c3中，根据种子隐患点对交通事故点进行聚类。具体过程包括：
C31，对于待聚合集合RT＝XT-ST内元素ri T，遍历计算与HS集合内元素的半正弦距离，取最小距离，若
标记ri T属于簇k，同时簇k的数量值nk加1。
进一步地，步骤c4中，RT中剩余待聚合事故点新建隐患点并合并。具体过程包括：
C41，若RT中元素不为空，则为每个元素rl T建立新簇l，并将该簇的强度FVl赋值为1，数量值nl赋值为0。对该集合内任意
若距离
l≠j，将
归入簇l，同时数量值nl加1，得到冗余隐患点集合R。
进一步地，步骤c5中，阈值判断与隐患点输出。具体过程包括：
C51，将集合HS与R合并为HT，对HT内元素
其簇强度值FVh更新为FVh(1-D)+nh，若更新后的FVh<th，删除
得到当前时段T内的识别隐患点集合HT及对应FVh。
本发明的有益效果：本发明提出了一种动态交通事故隐患点识别方法，相比传统的事故隐患点聚类方法，本发明不需要事先指定聚类数k，会自适应的调整聚类数，同时基于实际交通事故数据流，实现隐患点的动态更新。
附图说明
图1计算过程流程图；
图2本发明的方法计算结果示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而非全部实施方式。基于本发明中的实施方式，本领域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方式，都属于本发明保护的范围。
本发明提出的一种动态交通事故隐患点识别方法包括：前一时段隐患点数据及当前时段事故数据流采集与筛选处理；根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合；根据种子隐患点对交通事故点进行聚类；对未聚合事故点进行重新识别聚合；阈值判断与隐患点输出，并进入下一轮循环。
以某城市的交警事故信息平台获取的6-8三个月，共3649条交通事故数据为例，以月为单位，应用本发明识别城市交通隐患点，流程如图1所示。
步骤1，前一时段隐患点数据及当前时段事故数据流采集与处理。
(1)将当前时段(7月)内发生的事故数据流提取经纬度信息和地址信息，整理为数组
即事故点，
loni和lati分别表示事故i的经纬度，ti表示事故i的发生时间，addssi表示事故i的地址，N为事故个数。
(2)将事故数据XT与城区路网link的地理信息数据进行地理空间连接操作，筛选出与路网link空间距离小于50米的事故点集合XT'。
(3)模型冷启动时集合HT-1可为空集，由于采用冷启动，故前一时段(6月)的交通事故隐患点集合为，HT-1 
为空集。
步骤2，根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合。
(1)设置以下参数值，分别是初始种子事故隐患点比例f＝0.1，聚类距离阈值maxDist＝100米，衰变率D＝0.3，消融阈值th＝3。
(2)由于HT-1为空，则从当前时段发生事故点集合XT'中随机抽取f·N＝109个事故点作为种子隐患点集合ST，为每个隐患点建立新簇h(h＝1,2,…,109)，并将该簇的强度FVh赋值为1，数量值nh赋值为0；剩余事故点集合RT＝XT-ST，作为待聚合集合。
(3)对于种子隐患点集合ST内元素
若
i≠j，将
所属簇归入簇i，同时隐患点的数量值ni加1，得到聚合后种子隐患点集合S，共62个种子隐患点。其中距离
的度量方法可选择曼哈顿距离、半正弦距离或者欧几里得距离，本实施例选用半正弦距离。将种子隐患点集合S与HT-1合并为HS。
步骤3，根据种子隐患点对交通事故进行聚类。
对于待聚合集合RT＝XT-ST内987个元素ri T，遍历计算与HS集合内元素的半正弦距离，取最小距离，若
标记ri T属于簇k，同时簇k的数量值nk加1。
步骤4，对RT中剩余83个事故点新建隐患点并合并。为RT中每个元素rl T建立新簇l，并将该簇的强度FVh赋值为1，数量值nl赋值为0。对该集合内任意rl T，若距离
l≠j，将
归入簇l，同时数量值nl加1，得到冗余隐患点集合R。
步骤5，阈值判断与隐患点输出。将集合HS与R合并为HT，对HT内元素
其簇强度值FVh更新为FVh(1-D)+nh，若更新后的FVh<th，删除
得到该时段T内的识别隐患点集合HT26个及对应FVh，并进入8月份的循环聚合。如图2所示，大圆点表示已被事故隐患点聚合的事故点，小亮点代表未被聚合的散发事故点，相同亮度点代表属于同一组隐患点集合。
Claims (3)
1.一种动态交通事故隐患点识别方法，其特征在于包括以下具体步骤：
C1、前一时段隐患点数据及当前时段事故数据流采集与筛选处理；
C11，将当前时段T内发生的事故数据流提取经纬度信息和地址信息，整理为数组
loni和lati分别表示事故i的经纬度，ti表示事故i的发生时间，addssi表示事故i的地址，N为事故个数；
C12，将事故数据集合XT与路网link的地理信息数据，进行地理空间连接操作，筛选出与路网link空间距离小于50米的事故点集合XT'；
C13，采集前一时段T-1识别出的交通事故隐患点：
FVj表示交通事故隐患点j的簇强度，将集合内交通事故隐患点的数量值nh赋值0；
C2、根据当前时段事故数据对种子隐患点初始化及种子隐患点聚合；
C21，设置初始种子事故隐患点比例f，聚类距离阈值maxDist，衰变率D，消融阈值th；
C22，从当前时段发生事故点集合XT'中随机选取f·N个事故点，作为种子隐患点集合ST，为每个种子隐患点建立新簇h，并将该簇的簇强度FVh赋值为1，数量值nh赋值为0；其中h＝1,2,…,f·N；
剩余事故点集合RT＝XT-ST，作为待聚合集合；
C23，对于种子隐患点集合ST内元素
若距离
将
所属簇归入簇i，同时隐患点的数量值ni加1，得到聚合后种子隐患点集合S；
将聚合后种子隐患点集合S与HT-1合并为集合HS；
C3、根据种子隐患点对交通事故点进行聚类；
C31，对于待聚合集合RT＝XT-ST内元素ri T，遍历计算与HS集合内元素的半正弦距离，取最小距离，若
标记ri T属于簇k，同时簇k的数量值nk加1；
C4、对RT中未聚合事故点进行重新识别聚合；
C41，若RT中元素不为空，则为每个元素rl T建立新簇l，并将该簇的强度FVl赋值为1，数量值nl赋值为0；对该集合内任意
若距离
将
归入簇l，同时数量值nl加1，得到冗余隐患点集合R；
C5、阈值判断与隐患点输出，并进入下一轮循环；
C51，将集合HS与R合并为集合HT，对HT内元素
其簇强度值FVh更新为FVh(1-D)+nh，若更新后的FVh<th，删除
得到当前时段T内的识别隐患点集合HT及对应FVh。
2.根据权利要求1所述的一种动态交通事故隐患点识别方法，其特征在于：步骤C23所述距离
的度量方法选择曼哈顿距离、半正弦距离或者欧几里得距离。
3.根据权利要求1所述的一种动态交通事故隐患点识别方法，其特征在于：步骤C13中，模型冷启动时集合HT-1为空集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154033.2A CN115497293B (zh) | 2022-09-21 | 2022-09-21 | 一种动态交通事故隐患点识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154033.2A CN115497293B (zh) | 2022-09-21 | 2022-09-21 | 一种动态交通事故隐患点识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115497293A true CN115497293A (zh) | 2022-12-20 |
| CN115497293B CN115497293B (zh) | 2024-05-14 |
Family
ID=84470790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211154033.2A Active CN115497293B (zh) | 2022-09-21 | 2022-09-21 | 一种动态交通事故隐患点识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115497293B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346291A (zh) * | 2018-04-08 | 2018-07-31 | 谢利明 | 基于手机app的城市道路交通事故采集与分析方法 |
| CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
| CN111179141A (zh) * | 2019-12-04 | 2020-05-19 | 江苏大学 | 一种基于双阶段分类的事故多发路段识别方法 |
| 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 |
| CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
| CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
| CN113807220A (zh) * | 2021-09-06 | 2021-12-17 | 丰图科技(深圳)有限公司 | 交通事件检测方法、装置、电子设备和可读存储介质 |
| CN113821913A (zh) * | 2021-08-27 | 2021-12-21 | 桂林电子科技大学 | 一种基于事故点高斯辐射的道路潜在风险评估方法及系统 |
| CN114078319A (zh) * | 2020-08-11 | 2022-02-22 | 华为技术有限公司 | 一种检测交通事故隐患地点的方法及装置 |
-
2022
- 2022-09-21 CN CN202211154033.2A patent/CN115497293B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346291A (zh) * | 2018-04-08 | 2018-07-31 | 谢利明 | 基于手机app的城市道路交通事故采集与分析方法 |
| CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
| CN111179141A (zh) * | 2019-12-04 | 2020-05-19 | 江苏大学 | 一种基于双阶段分类的事故多发路段识别方法 |
| CN114078319A (zh) * | 2020-08-11 | 2022-02-22 | 华为技术有限公司 | 一种检测交通事故隐患地点的方法及装置 |
| 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 |
| CN112966941A (zh) * | 2021-03-09 | 2021-06-15 | 宁波工程学院 | 一种基于交通事故大数据的事故黑点识别方法及系统 |
| CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
| CN113821913A (zh) * | 2021-08-27 | 2021-12-21 | 桂林电子科技大学 | 一种基于事故点高斯辐射的道路潜在风险评估方法及系统 |
| CN113807220A (zh) * | 2021-09-06 | 2021-12-17 | 丰图科技(深圳)有限公司 | 交通事件检测方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| FAUSTINO PRIETO;;EMILIO GÓMEZ-DÉNIZ;;JOSÉ MARÍA SARABIA: "Modelling road accident blackspots data with the discrete generalized Pareto distribution", 《ACCIDENT ANALYSIS AND PREVENTION》, 31 December 2014 (2014-12-31) * |
| 陈玲娟, 王殿海: "短时事故扰动下的逐日路网流量演化模型", 《交通运输系统工程与信息》, 30 April 2017 (2017-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115497293B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
| CN110579359B (zh) | 自动驾驶失效场景库的优化方法及系统、服务器及介质 | |
| CN110929939B (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 | |
| CN108833139B (zh) | 一种基于类别属性划分的ossec报警数据聚合方法 | |
| CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| CN105426441B (zh) | 一种时间序列自动预处理方法 | |
| WO2020108219A1 (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
| CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
| CN112800115B (zh) | 数据处理方法及数据处理装置 | |
| CN112084716B (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
| CN111179592A (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
| CN116189436B (zh) | 一种基于大数据的多源数据融合算法 | |
| CN106055689A (zh) | 一种基于时序相关性的空间聚类方法 | |
| CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
| CN109272760B (zh) | 一种scats系统检测器数据异常值的在线检测方法 | |
| CN108510010A (zh) | 一种基于预筛选的密度峰值聚类方法及系统 | |
| CN108460424B (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
| CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
| CN115497293A (zh) | 一种动态交通事故隐患点识别方法 | |
| CN109344729B (zh) | 一种识别道路中人员运动的方法 | |
| CN117275215A (zh) | 一种基于图过程神经网络的城市道路拥堵时空预测方法 | |
| CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
| CN112309129B (zh) | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 | |
| CN113516850A (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 |
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 |