CN115691130B - 交通事故通畅时长预测系统 - Google Patents
交通事故通畅时长预测系统 Download PDFInfo
- Publication number
- CN115691130B CN115691130B CN202211332103.9A CN202211332103A CN115691130B CN 115691130 B CN115691130 B CN 115691130B CN 202211332103 A CN202211332103 A CN 202211332103A CN 115691130 B CN115691130 B CN 115691130B
- Authority
- CN
- China
- Prior art keywords
- traffic
- road section
- duration
- accident
- traffic road
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种交通事故通畅时长预测系统,包括:时长预测机构,用于针对在设定交通路段发生的当前交通事故,基于相同事故类型且最近发生的固定数量的多起历史交通事故分别对应的多个堵塞持续时长、设定交通路段的车道数量、设定交通路段的路段长度以及设定交通路段交汇的其他交通路段的数量预测当前交通事故的预测堵塞持续时长;分配执行机构,用于在预测堵塞持续时长超限时,发出现场疏通请求,否则,发出自动疏通信号。本发明的交通事故通畅时长预测系统应用广泛、操作简便。由于能够智能预测相同类别的当前交通事故的堵塞持续时长,并基于预测结果确定是否需要调配交管人员进行现场疏通,从而避免滥用有限的交通管理资源。
Description
技术领域
本发明涉及城市交通管理领域,尤其涉及一种交通事故通畅时长预测系统。
背景技术
交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件。交通事故不仅是由不特定的人员违反道路交通安全法规造成的;也可以是由于地震、台风、山洪、雷击等不可抗拒的自然灾害造成。
一般地,构成交通事故应当具备下列要素:(1)必须是车辆造成的,车辆包括机动车和非机动车,没有车辆就不能构成交通事故,例如行人与行人在行进中发生碰撞的就不构成交通事故;(2)是在道路上发生的,道路是指公路、城市道路和虽在单位管辖范围但允许社会机动车通行的地方,包括广场、公共停车场等用于公众通行的场所;(3)在运动中发生,是指车辆在行驶或停放过程中发生的事件,若车辆处于完全停止状态,行人主动去碰撞车辆或乘车人上下车的过程中发生的挤、摔、伤亡的事故,则不属于交通事故;(4)有事态发生,是指有碰撞、碾压、刮擦、翻车、坠车、爆炸、失火等其中的一种现象发生;(5)必须有损害后果的发生,损害后果仅指直接的损害后果,且是物质损失,包括人身伤亡和财产损失。
已经公开的发明中存在相关领域的研究,例如:
1.一种基于大数据的高速事故路段预警方法及系统(申请公布号CN112820107A),公开一种基于大数据的高速事故路段预警方法及系统,车辆监测设备通过北斗卫星定位模块实时获取车辆信息,并将车辆信息传递至管理服务器;在所述管理服务器中,对车辆信息进行监控,当车辆信息显示滞留时间较长时,设定该车辆为目标车辆,发出警示信号;根据该目标车辆的位置信息,将其后方路段定义为事故路段;从大数据数据库中调取位于该事故路段内的车辆,并向该车辆的车辆监测设备发送警示提醒,预警前方路段需要注意事故发生。该公开解决的技术问题是,对发生事故的高速路段进行检测,对后方车辆起到警示作用,精准确定后侧车辆,精准推送预警提示信息,避免二次事故的发生;监测完善,能够避免监测遗漏问题,实施方便减少工程实施成本。
2.一种智慧城市交通视频监控系统(申请公布号:CN112738481A),公开了一种智慧城市交通视频监控系统,包括前端视频监控装置、监控定位模块、无线传输模块、网络数据交换模块、数据处理模块、中央控制终端、磁盘阵列存储服务器、声光报警模块和移动终端,该公开解决的技术问题是,通过设有的前端视频监控装置、监控定位模块、无线传输模块、网络数据交换模块、数据处理模块、中央控制终端、磁盘阵列存储服务器、声光报警模块和移动终端能够能快速的对事故路段进行报警通知,可以对身处事故路段的司机进行短信电话的方式进行通报,从而增加救援的时间,并对阻碍救援的车辆进行监控,处罚。
3.一种基于无人机投影的事故路段交通应急疏导方法(申请公布号:CN111785036A)提供了一种基于无人机投影的事故路段交通应急疏导方法,所述基于无人机投影的交通应急疏导方法包括:远程人工控制载有投影设备的无人机到达指定地点上空;实时采集路面及无人机投影装置的数据;利用模型及算法对所采集的数据进行分析,得到所需投影图案的大小和形状;在路面上投影出相关图案;不断对所采集的路面数据进行分析,通过算法缓解无人机的抖动。该公开解决的技术问题是,借助无人机与光投影技术,实现了交通事故等突发事件下对路段车辆的智能引导与分流,达到交通应急组织管理的目的。
然而在智慧城市内,由于交管资源有限,如果所有路段的交通事故不考虑具体情况都派遣相同力度的交管资源进行现场疏通,则交管资源很快会耗尽,无法再应对更多路段的交通事故,相反,对于一些因为发生特定类型事故或者因为发生路段道路特性导致某一路段交通事故无法自行疏通的场景,如果不派遣现场交管资源,则会加大整个城市的拥堵程度。
发明内容
为了解决相关领域的技术问题,本发明提供了一种交通事故通畅时长预测系统,能够针对每一设定交通路段搜集历史上发送的每一起交通事故的事故类型以及事故引起的堵塞持续时长,基于搜集数据以及设定交通路段的道路特性信息执行对相同类别的当前交通事故的堵塞持续时长的智能预测,并基于预测结果确定是否需要调配交管人员进行现场疏通,从而在保证疏通效果的同时,提升了交管资源的利用率。
根据本发明的一方面,提供了一种交通事故通畅时长预测系统,所述系统包括:
类型鉴别器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型;
时刻记录器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻;
数据分析器件,与所述时刻记录器件连接,用于基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长;
时长预测机构,分别与所述类型鉴别器件以及所述数据分析器件连接,用于针对在所述设定交通路段发生的当前交通事故,基于所述当前交通事故对应的事故类型从所述数据分析器件处搜索事故类型相同且最近发生的固定数量的多起历史交通事故,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
分配执行机构,与所述时长预测机构连接,用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长超过或者等于预设时长阈值时,发出现场疏通请求以请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作;
其中,基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长包括:针对在所述设定交通路段发生的每一起交通事故,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长。
本发明的交通事故通畅时长预测系统应用广泛、操作简便。由于能够智能预测相同类别的当前交通事故的堵塞持续时长,并基于预测结果确定是否需要调配交管人员进行现场疏通,从而避免滥用有限的交通管理资源。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明第一实施方案示出的交通事故通畅时长预测系统的内部结构图。
图2为根据本发明第二实施方案示出的交通事故通畅时长预测系统的内部结构图。
图3为根据本发明第三实施方案示出的交通事故通畅时长预测系统的内部结构图。
具体实施方式
下面将参照附图对本发明的交通事故通畅时长预测系统的实施方案进行详细说明。
第一实施方案
图1为根据本发明第一实施方案示出的交通事故通畅时长预测系统的内部结构图,所述系统包括:
类型鉴别器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型;
时刻记录器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻;
数据分析器件,与所述时刻记录器件连接,用于基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长;
时长预测机构,分别与所述类型鉴别器件以及所述数据分析器件连接,用于针对在所述设定交通路段发生的当前交通事故,基于所述当前交通事故对应的事故类型从所述数据分析器件处搜索事故类型相同且最近发生的固定数量的多起历史交通事故,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
分配执行机构,与所述时长预测机构连接,用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长超过或者等于预设时长阈值时,发出现场疏通请求以请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作;
其中,基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长包括:针对在所述设定交通路段发生的每一起交通事故,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长;
其中,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长中,所述交通事故的堵塞持续时长可以采用毫秒为计算单位;
以及每一个设定交通路段为城市中各个通行路段中的任一通行路段。
第二实施方案
图2为根据本发明第二实施方案示出的交通事故通畅时长预测系统的内部结构图。图2中的交通事故通畅时长预测系统可以包括:
类型鉴别器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型;
时刻记录器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻;
数据分析器件,与所述时刻记录器件连接,用于基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长;
时长预测机构,分别与所述类型鉴别器件以及所述数据分析器件连接,用于针对在所述设定交通路段发生的当前交通事故,基于所述当前交通事故对应的事故类型从所述数据分析器件处搜索事故类型相同且最近发生的固定数量的多起历史交通事故,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
分配执行机构,与所述时长预测机构连接,用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长超过或者等于预设时长阈值时,发出现场疏通请求以请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作;
其中,基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长包括:针对在所述设定交通路段发生的每一起交通事故,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长;
大数据服务器,分别与所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件连接,用于存储所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件的输出数据;
其中,所述大数据服务器采用不同服务节点用于分别完成对所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件的输出数据的分别存储。
第三实施方案
图3为根据本发明第三实施方案示出的交通事故通畅时长预测系统的内部结构图。图3中的交通事故通畅时长预测系统可以包括:
类型鉴别器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型;
时刻记录器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻;
数据分析器件,与所述时刻记录器件连接,用于基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长;
时长预测机构,分别与所述类型鉴别器件以及所述数据分析器件连接,用于针对在所述设定交通路段发生的当前交通事故,基于所述当前交通事故对应的事故类型从所述数据分析器件处搜索事故类型相同且最近发生的固定数量的多起历史交通事故,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
分配执行机构,与所述时长预测机构连接,用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长超过或者等于预设时长阈值时,发出现场疏通请求以请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作;
其中,基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长包括:针对在所述设定交通路段发生的每一起交通事故,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长;
串行服务接口,分别与所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件连接,用于实现对所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件各自工作参数的分时配置。
接着,继续对本发明的交通事故通畅时长预测系统的具体结构进行进一步的说明。
在根据本发明的任一实施方案的交通事故通畅时长预测系统中:
根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长包括:根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长采用循环神经网络智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
其中,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长采用循环神经网络智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长包括:将所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长作为所述循环神经网络的多项输入内容;
其中,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长采用循环神经网络智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长还包括:将在所述设定交通路段发生的当前交通事故的预测堵塞持续时长作为所述循环神经网络的输出内容;
其中,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长采用循环神经网络智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长还包括:所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长在输入循环神经网络之前被执行归一化处理。
在根据本发明的任一实施方案的交通事故通畅时长预测系统中:
所述分配执行机构还用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长小于所述预设时长阈值时,发出自行疏通指令以暂缓请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作。
在根据本发明的任一实施方案的交通事故通畅时长预测系统中:
所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件均设置在城市交通管理服务端。
以及在根据本发明的任一实施方案的交通事故通畅时长预测系统中:
鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型包括:事故类型包括单车事故、双车事故、多车事故以及车辆撞人事故;
其中,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻包括:所述设定交通路段在发生该起交通事故后路段通畅时刻为所述设定交通路段在发生该起交通事故后路段通畅的起始时刻。
另外,在所述交通事故通畅时长预测系统中,所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长在输入循环神经网络之前被执行归一化处理包括:所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长在输入循环神经网络之前被执行二进制转换的归一化处理以获得多项二进制表述形式的输入内容。
从上述实施方案可见,本发明至少具备以下几处显著的实质性特点:
1.针对设定交通路段,搜集历史上发送的每一起交通事故的事故类型以及事故引起的堵塞持续时长,从而为后续的交通事故的堵塞持续时长的预测提供关键数据;
2.针对在设定交通路段发生的当前交通事故,基于事故类型相同且最近发生的固定数量的多起历史交通事故分别对应的堵塞持续时长、设定交通路段的车道数量、设定交通路段的路段长度以及设定交通路段交汇的其他交通路段的数量智能预测当前交通事故的预测堵塞持续时长;
3.在智能预测的当前交通事故的预测堵塞持续时长超限时,发出现场疏通请求以请求调配交管人员到设定交通路段进行现场疏通拥堵操作,否则,发出自动疏通信号,从而在保证各个交通路段疏通效果的同时,实现在整个智慧城市范围内的有限交管资源的动态调配。
尽管已经参考典型实施例说明了本发明,但是应该理解,本发明不限于所公开的典型实施例。所附权利要求书的范围符合最宽的解释,以包含所有这类修改、等同结构和功能。
Claims (6)
1.一种交通事故通畅时长预测系统,其特征在于,所述系统包括:
类型鉴别器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型;
时刻记录器件,用于针对设定交通路段,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻;
数据分析器件,与所述时刻记录器件连接,用于基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长;
时长预测机构,分别与所述类型鉴别器件以及所述数据分析器件连接,用于针对在所述设定交通路段发生的当前交通事故,基于所述当前交通事故对应的事故类型从所述数据分析器件处搜索事故类型相同且最近发生的固定数量的多起历史交通事故,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
其中,根据所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长采用循环神经网络智能预测在所述设定交通路段发生的当前交通事故的预测堵塞持续时长;
其中,将所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长作为所述循环神经网络的多项输入内容;
其中,将在所述设定交通路段发生的当前交通事故的预测堵塞持续时长作为所述循环神经网络的输出内容;
其中,所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长在输入循环神经网络之前被执行归一化处理;
其中,所述设定交通路段的车道数量、所述设定交通路段的路段长度、与所述设定交通路段交汇的其他交通路段的数量以及所述多起历史交通事故分别对应的多个堵塞持续时长在输入循环神经网络之前被执行二进制转换的归一化处理以获得多项二进制表述形式的输入内容;
分配执行机构,与所述时长预测机构连接,用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长超过或者等于预设时长阈值时,发出现场疏通请求以请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作;
其中,基于所述时刻记录器件记录的时刻数据分析并记录在所述设定交通路段发生的每一起交通事故的堵塞持续时长包括:针对在所述设定交通路段发生的每一起交通事故,将所述设定交通路段在发生该起交通事故后路段通畅时刻减去在所述设定交通路段发生的所述交通事故的起始时刻,获取所述交通事故的堵塞持续时长。
2.如权利要求1所述的交通事故通畅时长预测系统,其特征在于,所述系统还包括:
大数据服务器,分别与所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件连接,用于存储所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件的输出数据。
3.如权利要求1所述的交通事故通畅时长预测系统,其特征在于,所述系统还包括:
串行服务接口,分别与所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件连接,用于实现对所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件各自工作参数的分时配置。
4.如权利要求1-3任一所述的交通事故通畅时长预测系统,其特征在于:
所述分配执行机构还用于在所述设定交通路段发生的当前交通事故的预测堵塞持续时长小于所述预设时长阈值时,发出自行疏通指令以暂缓请求调配交管人员到所述设定交通路段进行现场疏通拥堵操作。
5.如权利要求1-3任一所述的交通事故通畅时长预测系统,其特征在于:
所述类型鉴别器件、所述时刻记录器件以及所述数据分析器件均设置在城市交通管理服务端。
6.如权利要求1-3任一所述的交通事故通畅时长预测系统,其特征在于:
鉴别在所述设定交通路段发生的每一起交通事故对应的事故类型包括:事故类型包括单车事故、双车事故、多车事故以及车辆撞人事故;
其中,鉴别在所述设定交通路段发生的每一起交通事故的起始时刻以及所述设定交通路段在发生该起交通事故后路段通畅时刻包括:所述设定交通路段在发生该起交通事故后路段通畅时刻为所述设定交通路段在发生该起交通事故后路段通畅的起始时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332103.9A CN115691130B (zh) | 2022-10-28 | 2022-10-28 | 交通事故通畅时长预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211332103.9A CN115691130B (zh) | 2022-10-28 | 2022-10-28 | 交通事故通畅时长预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115691130A CN115691130A (zh) | 2023-02-03 |
CN115691130B true CN115691130B (zh) | 2023-08-25 |
Family
ID=85046115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211332103.9A Active CN115691130B (zh) | 2022-10-28 | 2022-10-28 | 交通事故通畅时长预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691130B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006038469A (ja) * | 2004-07-22 | 2006-02-09 | Nissan Motor Co Ltd | 交通状況予測装置および方法 |
CN106530748A (zh) * | 2015-09-12 | 2017-03-22 | 石立公 | 车道拥堵指数预测系统和方法 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN111859291A (zh) * | 2020-06-23 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN112991719A (zh) * | 2021-01-28 | 2021-06-18 | 北京奥泽尔科技发展有限公司 | 一种基于拥堵画像的交通拥堵预测方法及系统 |
-
2022
- 2022-10-28 CN CN202211332103.9A patent/CN115691130B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006038469A (ja) * | 2004-07-22 | 2006-02-09 | Nissan Motor Co Ltd | 交通状況予測装置および方法 |
CN106530748A (zh) * | 2015-09-12 | 2017-03-22 | 石立公 | 车道拥堵指数预测系统和方法 |
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN111859291A (zh) * | 2020-06-23 | 2020-10-30 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN112991719A (zh) * | 2021-01-28 | 2021-06-18 | 北京奥泽尔科技发展有限公司 | 一种基于拥堵画像的交通拥堵预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115691130A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cook | The detection of freeway capacity reducing incidents by traffic stream measurements | |
CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
CN109326139B (zh) | 一种小区诱导停车管理方法 | |
CN105427610A (zh) | 一种基于车路协同技术的交通管理方法 | |
CN104754011A (zh) | 一种车联网多方协同控制方法以及车联网协同平台 | |
EP3053155B1 (en) | System for traffic behaviour surveillance | |
CN113936463B (zh) | 一种基于雷达和视频数据融合的隧道交通管控方法及系统 | |
CN112562407B (zh) | Odd状态预判的方法、装置及自主代客泊车系统 | |
WO2022027763A1 (zh) | 一种基于广域雷达的路面诱导系统及方法 | |
CN111739191A (zh) | 违章预警方法、装置、设备及存储介质 | |
CN109979220A (zh) | 一种用于汽车出行的高速服务区智能系统 | |
CN111754767B (zh) | 基于智慧灯杆的高速公路交通预警方法、装置和系统 | |
CN111932899B (zh) | 一种基于交通仿真的交通突发事件控制方法及装置 | |
CN114639231B (zh) | 公路交通处理方法、装置及系统 | |
CN114170792A (zh) | 一种交通疏导方法、装置、系统及存储介质 | |
CN110675625A (zh) | 智慧交通大数据方法及系统 | |
CN112016735A (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
CN113112804A (zh) | 一种智慧高速综合管控方法 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN114093143A (zh) | 一种车辆驾驶风险感知预警方法及装置 | |
Skabardonis et al. | The I-880 field experiment: effectiveness of incident detection using cellular phones | |
CN115691130B (zh) | 交通事故通畅时长预测系统 | |
CN113628461B (zh) | 交通监管设备及方法 | |
CN111626598B (zh) | 基于云计算的道路信息管理系统 | |
CN113344379A (zh) | 一种基于智能化集成系统的全域安全分析办法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230805 Address after: No. 2185, No. 7 Liulin Road East, Sujiatuo Town, Haidian District, Beijing, 100000 Applicant after: Easy Point (Beijing) Network Technology Co.,Ltd. Address before: 650041 No. 191, Huancheng East Road, Guandu District, Kunming District, China (Yunnan) Pilot Free Trade Zone, Kunming, Yunnan Province Applicant before: Tian Haiyan |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |