CN115762140A - 一种考虑变量异质性的高速公路交通事故风险预测方法 - Google Patents
一种考虑变量异质性的高速公路交通事故风险预测方法 Download PDFInfo
- Publication number
- CN115762140A CN115762140A CN202211358105.5A CN202211358105A CN115762140A CN 115762140 A CN115762140 A CN 115762140A CN 202211358105 A CN202211358105 A CN 202211358105A CN 115762140 A CN115762140 A CN 115762140A
- Authority
- CN
- China
- Prior art keywords
- road
- formula
- accident
- ith
- section
- 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 32
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000036461 convulsion Effects 0.000 description 6
- CKRHKYHOTKICCR-UHFFFAOYSA-K aluminum;2,6-diphenylphenolate Chemical compound [Al+3].[O-]C1=C(C=2C=CC=CC=2)C=CC=C1C1=CC=CC=C1.[O-]C1=C(C=2C=CC=CC=2)C=CC=C1C1=CC=CC=C1.[O-]C1=C(C=2C=CC=CC=2)C=CC=C1C1=CC=CC=C1 CKRHKYHOTKICCR-UHFFFAOYSA-K 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008080 stochastic effect Effects 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑变量异质性的高速公路交通事故风险预测方法，其步骤包括：1、通过电子地图获取当前高速公路车辆数据、流量数据和事故数据；2、将当前高速公路划分成多段并统计事故发生数；3、构建常规负二项回归模型；4、引入时间参数构建随机效应负二项回归模型；5、计算交通事故风险值。本发明考虑了变量的异质性以及各路段危险驾驶行为的次数并作为自变量之一，提出了随机效应负二项回归模型，使得事故发事故发生数目预测结果与生概率预测结果预测的精度更高，为日后的高速公路事故的事故预防处理提供参考意见，更有利于管理者实时优化整个城市高速公路的运行状态。
Description
技术领域
本发明涉及高速公路交通安全领域，具体来说是一种考虑变量异质性的高速公路交通事故风险预测方法。
背景技术
近年来，随着人们生活水平的提高，全国汽车保有量逐年上升，给人们出行带来了极大的便利，同时也增加了交通事故风险，对人们的生命安全造成了巨大的威胁。交通事故风险预测对于城市公共安全具有重要意义，通过预测未来全市的交通事故风险分布，政府可以提前管控，减少人员伤亡和财产损失。交通事故数据复杂的时空相关性为准确预测事故风险带来了巨大挑战。现有的方法使用较多的都一些传统的回归模型。
然而，高速公路并非同质的，导致事故发生的不同的影响因素对于不同路段的效果也是不同的，使得所建立的预测模型中的自变量参数对于不同路段存在差异。另外，在现实中也存在许多可能导致高速公路事故发生的因素是难以观测与统计的，这些因素在各类模型中通常被忽略或者作为一种固定的随机参数而存在，这也导致一定的误差，从而降低预测的交通事故风险值的准确性。
发明内容
本发明为克服现有技术的不足之处，提出了一种考虑变量异质性的高速公路交通事故风险预测方法，以期能提高事故风险的预测准确性，从而为高速公路事故的事故预防处理提供参考意见，更有利于管理者实时优化整个城市高速公路的运行状态。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种考虑变量异质性的高速公路交通事故风险预测方法的特点包括以下步骤：
步骤1、通过电子地图获得当前高速公路的车辆数据、流量数据和事故数据并作为自变量；
所述车辆数据包括4个自变量：车辆平均速度X1、驾驶急行为的平均激烈程度X2、驾驶急行为的平均加速度X3和驾驶急行为的平均车速X4；
所述流量数据包括2个自变量：小时平均流量X5和公里平均流量X6；
所述事故数据包括8个自变量：客车占比X7、自由流速度X8、路段长度X9、匝道口数目X10、每公里左并道的急行为数目X11、每公里右并道的急行为数目X12、每公里加速急行为数目X13和每公里减速急行为数目X14；
令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；
步骤2、将当前高速公路划分成T段，统计第i段路段发生的实际事故数ni，统计第i段路段在第t个时间间隔的事故发生次数nit；
步骤3、构建常规负二项回归模型；
步骤3.1、根据式(1)计算第i段路段的事故发生次数均值μi，其中，i＝1,2,...,T；
式(1)中，εi为第i个误差项；Xi j为第i段路段的第j个自变量；βi j为第i段路段的第j个自变量Xi j的回归系数；其中，j＝1,2...,14；
步骤3.1、根据式(2)建立道路交通事故的常规负二项回归模型P(N＝niμi,α)；
式(2)中，α为过度离散随机变量；N为事故数；ni为第i段路段发生的实际事故数；Γ()为伽马函数；
步骤4、构建随机效应负二项回归模型；
步骤4.1、根据式(3)计算第i段路段在第t个时间间隔的事故发生次数的期望值ζit；
式(3)中，
为第i段路段在第t个时间间隔的第j个自变量；
为第i段路段在第t个时间间隔的第j个自变量
的回归系数，εit为第i段路段在第t个时间间隔的误差项；vi为第i段路段的截距项；
步骤4.2、根据式(4)建立道路交通事故的随机效应负二项回归模型
式(4)中，r，s为Beta分布参数；
步骤5、根据式(5)计算第i段路段在第t个时间间隔预测的交通事故风险值Ci(t)并作为风险预测结果；
式(5)中，τ为误差项。
本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述高速公路交通事故风险预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时执行所述高速公路交通事故风险预测方法的步骤。
与已有技术相比，本发明的有益技术效果体现在：
1、本发明考虑了变量的异质性，首次引入各路段危险驾驶行为的次数作为自变量之一，提出了随机效应负二项回归模型，使得事故发事故发生数目预测结果与生概率预测结果预测的精度更高，为日后的高速公路事故的事故预防处理提供参考意见，更有利于管理者实时优化整个城市高速公路的运行状态。
2、本发明所建立的随机效应负二项回归模型均是建立在实际交通数据之上，在实际应用的过程中，相关高速管理部门能够将实时收集的交通数据导入模型中进行预测，以获得未来事故可能发生的数目与概率，当预测结果显示发生事故概率较高时，可对此提前做好相应的准备，有针对性的对交通事故风险预测值高的路段采取相应的控制措施，有利于减少高速公路事故发生的次数，从而提高了高速公路的安全性。
3、本发明考虑了引入时间、空间和各路段危险驾驶行为的次数作为自变量，所考虑的指标更加全面，使得到的随机效应负二项回归模型更具适用性，使得预测的准确度更高。
附图说明
图1为本发明的总体流程图。
具体实施方式
本实施例中，一种考虑变量异质性的高速公路交通事故风险预测方法，如图1所示，包括以下步骤：
步骤1、通过电子地图获得当前高速公路车辆数据、流量数据和事故数据；
车辆数据包括：车辆平均速度并将记为X1、驾驶急行为平均激烈程度并将记为X2、驾驶急行为的平均加速度并将记为X3和驾驶急行为的平均车速并将记为X4；
流量数据包括：小时平均流量并将记为X5和公里平均流量并将记为X6；
事故数据包括：客车占比并将记为X7、自由流速度并将记为X8、路段长度并将记为X9、匝道口数目并将记为X10、每公里左并道急行为数目并将记为X11、每公里右并道急行为数目并将记为X12、每公里加速急行为数目并将记为X13和每公里减速急行为数目并将记为X14；
令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；
步骤2、将当前高速公路划分成T段，统计路段i发生的实际事故数ni，统计路段i在时间t时的事故发生事故次数nit；
步骤3、构建常规负二项回归模型；
步骤3.1、根据式(1)计算路段i的事故发生次数均值μi,其中i＝1,2,...,T；
式(1)中，εi为误差项；βj i为i路段自变量Xi j的回归系数；Xi j为i路段自变量；其中，j＝1,2...,14；
步骤3.1、根据式(2)建立对道路交通事故的常规负二项回归模型；
式(2)中，α为过度离散随机变量；N为事故数；ni为路段i发生的实际事故数；Γ()为伽马函数；
由于未统计的异质性与时空异质性的存在，α并非恒定不变的，而是随着路段而改变。因此，在负二项回归模型的基础上引入随机效应，其路段i的预测道路事故次数平均数预测值中加入随机效应vi。
步骤4、构建随机效应负二项回归模型；
步骤4.1、根据式(3)计算路段i在时间t时的事故发生事故次数期望值ζit；
式(3)中，
为路段i在时间t时的自变量
的回归系数和
为路段i在时间t时的自变量；εit为路段i在时间t时的误差项；vi为路段i的截距项；
步骤4.2、根据式(4)建立对道路交通事故的随机效应负二项回归模型；
式(4)中，r，s为Beta分布参数。
步骤5、根据式(5)计算第i段路段在第t个时间间隔预测的交通事故风险值Ci(t)；
式(5)中，τ为误差项。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述高速公路交通事故风险预测方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述高速公路交通事故风险预测方法的步骤。
本实施例中，以长深高速宜兴段为例，获得高速公路的车辆速度数据、驾驶行为数据、流量数据以及事故数据。在之前的模型变量确定中，为了使模型更加精确，一共确定了14个变量，分别是路段内激烈驾驶行为的平均车速、激烈驾驶行为的平均加速度、激烈驾驶行为平均激烈程度、每公里左并道驾驶激烈行为数目、每公里右并道驾驶激烈行为数目、每公里加速驾驶激烈行为数目、每公里减速驾驶激烈行为数目、车辆平均速度、自由流速度、路段长、匝道口数目、客车占比、小时平均流量、公里平均流量。但是交通事故发生的影响因素多种多样，总体可以概括为驾驶员因素、交通因素、道路因素、车辆因素、环境因素等，因此仍有许多因素没有被纳入作为变量，这些因素被称为“未被统计的因素”。
表1宜兴随机效应负二项回归模型结果表
如表1所示，为宜兴随机效应负二项回归模型结果，其中车辆平均速度(S)、小时平均流量(ATPH)、自由流速度(FS)、路段长(L)、每公里左并道急行为数目(NLPLPK)的显著性水平P均小于5％，说明车辆平均速度(S)、小时平均流量(ATPH)、自由流速度(FS)、路段长(L)、每公里左并道急行为数目(NLPLPK)与路段内发生事故次数这个因变量显著相关。其中车辆平均速度(S)、小时平均流量(ATPH)、自由流速度(FS)、路段长(L)、每公里左并道急行为数目(NLPLPK)的系数为正，说明这些自变量与因变量是正相关的。而驾驶急行为平均激烈程度(MIDHB)、驾驶急行为的平均加速度(AADHB)、驾驶急行为的平均车速(ASDHB)、公里平均流量(KAF)、客车占比(CP)、匝道口数目(NR)、每公里右并道急行为数目(NRPLPK)、每公里加速急行为数目(NAPL)、每公里减速急行为数目(NDPK)作为不显著的自变量将被剔除。
选择对数似然函数值、AIC指标与BIC指标对两个路段的传统负二项回归模型和考虑随机效应的负二项回归模型进行分析。
极大似然值其目标是寻找系统发生树，其能以较高概率产生分析数据，通常是通过对于模型参数不断的迭代运算计算出来。由于本文采用的模型中含有指数函数，因此对模型的似然函数取对数值来简化其计算过程。并且对数似然函数值一般为负值，其绝对值越小说明其拟合度越高。
AIC指标又称为赤池信息量准则。它是在模型熵的概念基础上建立的，主要用于量化目标模型的复杂度以及此模型的拟合度。并且其值越小说明其拟合度越高。其计算公式如式(5)所示：
AIC＝-2ln(LH)+2m(5)
式(5)中：LH为极大似然值；m为模型中参数个数。
BIC指标又称为贝叶斯信息度量。它是基于贝叶斯因子，表示对于模型的释度，BIC的绝对值越小，该模型对数据解释力越强。其计算公式如式(6)所示：
BIC＝-2ln(LH)+mln(n)(6)
式(6)中：n为样本数目。
表2宜兴段模型检验结果
| 模型 | lnLH | m | n | AIC | BIC |
| 负二项回归模型 | -130.6391 | 7 | 283 | 275.2782 | 300.7964 |
| 随机效应负二项回归模型 | -126.5819 | 8 | 283 | 269.1637 | 298.3273 |
如表2所示，为宜兴段模型检验结果，宜兴段负二项回归模型与随机效应负二项回归模型拟合度结果，通过检验指标的结果可以发现，宜兴段随机效应负二项回归模型的对数似然函数绝对值、AIC指标和BIC指标均优于负二项回归模型，说明对于宜兴段来说随机效应负二项回归模型的拟合度更高，更适合用于预测宜兴段道路交通事故发生次数。
Claims (3)
1.一种考虑变量异质性的高速公路交通事故风险预测方法，其特征在于，包括以下步骤：
步骤1、通过电子地图获得当前高速公路的车辆数据、流量数据和事故数据并作为自变量；
所述车辆数据包括4个自变量：车辆平均速度X1、驾驶急行为的平均激烈程度X2、驾驶急行为的平均加速度X3和驾驶急行为的平均车速X4；
所述流量数据包括2个自变量：小时平均流量X5和公里平均流量X6；
所述事故数据包括8个自变量：客车占比X7、自由流速度X8、路段长度X9、匝道口数目X10、每公里左并道的急行为数目X11、每公里右并道的急行为数目X12、每公里加速急行为数目X13和每公里减速急行为数目X14；
令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；
步骤2、将当前高速公路划分成T段，统计第i段路段发生的实际事故数ni，统计第i段路段在第t个时间间隔的事故发生次数nit；
步骤3、构建常规负二项回归模型；
步骤3.1、根据式(1)计算第i段路段的事故发生次数均值μi，其中，i＝1,2,...,T；
式(1)中，εi为第i个误差项；Xi j为第i段路段的第j个自变量；
为第i段路段的第j个自变量Xi j的回归系数；其中，j＝1,2...,14；
步骤3.1、根据式(2)建立道路交通事故的常规负二项回归模型P(N＝ni|μi,α)；
式(2)中，α为过度离散随机变量；N为事故数；ni为第i段路段发生的实际事故数；Γ()为伽马函数；
步骤4、构建随机效应负二项回归模型；
步骤4.1、根据式(3)计算第i段路段在第t个时间间隔的事故发生次数的期望值ζit；
式(3)中，
为第i段路段在第t个时间间隔的第j个自变量；
为第i段路段在第t个时间间隔的第j个自变量
的回归系数，εit为第i段路段在第t个时间间隔的误差项；vi为第i段路段的截距项；
步骤4.2、根据式(4)建立道路交通事故的随机效应负二项回归模型
式(4)中，r，s为Beta分布参数；
步骤5、根据式(5)计算第i段路段在第t个时间间隔预测的交通事故风险值Ci(t)并作为风险预测结果；
式(5)中，τ为误差项。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述高速公路交通事故风险预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述高速公路交通事故风险预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358105.5A CN115762140B (zh) | 2022-11-01 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211358105.5A CN115762140B (zh) | 2022-11-01 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115762140A true CN115762140A (zh) | 2023-03-07 |
| CN115762140B CN115762140B (zh) | 2024-06-07 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725764A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
| KR102069087B1 (ko) * | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
| CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
| CN114386844A (zh) * | 2022-01-11 | 2022-04-22 | 合肥工业大学 | 一种基于事故前交通状态与事故关系的建模方法 |
| CN115206088A (zh) * | 2022-06-06 | 2022-10-18 | 合肥工业大学 | 考虑动态交通流的城市快速路交通事故风险量化评估方法 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118773A (zh) * | 2018-09-30 | 2019-01-01 | 中交第公路勘察设计研究院有限公司 | 一种高速公路交通事故风险评估方法 |
| KR102069087B1 (ko) * | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技（深圳）有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
| CN112837533A (zh) * | 2021-01-08 | 2021-05-25 | 合肥工业大学 | 一种考虑风险因素时变特征的公路事故频次预测方法 |
| CN114386844A (zh) * | 2022-01-11 | 2022-04-22 | 合肥工业大学 | 一种基于事故前交通状态与事故关系的建模方法 |
| CN115206088A (zh) * | 2022-06-06 | 2022-10-18 | 合肥工业大学 | 考虑动态交通流的城市快速路交通事故风险量化评估方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴佩洁;孟祥海;崔洪海;: "面向NSM的高速公路大区段事故风险预测方法", 交通信息与安全, no. 04, 28 August 2018 (2018-08-28) * |
| 夏萍萍;魏丽英;马壮林;: "基于负二项回归模型的高速公路交通事故影响因素分析", 山东科学, no. 04, 15 August 2013 (2013-08-15) * |
| 马聪;张生瑞;马壮林;张;: "高速公路交通事故非线性负二项预测模型", 中国公路学报, no. 11, 15 November 2018 (2018-11-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725764A (zh) * | 2024-02-07 | 2024-03-19 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
| CN117725764B (zh) * | 2024-02-07 | 2024-05-03 | 中汽研汽车检验中心（天津）有限公司 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
| CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
| CN110239559B (zh) | 基于新能源车数据的危险驾驶车辆检测方法及装置 | |
| CN110588658B (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
| CN113611157B (zh) | 一种高速公路车辆追尾碰撞风险估计方法 | |
| Hu et al. | Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models | |
| JP2021509978A (ja) | 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体 | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
| CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
| CN114970943A (zh) | 一种高速公路事故类型与严重程度预测方法 | |
| CN114037015A (zh) | 基于驾驶模式原语的驾驶行为安全性分析方法 | |
| CN116245367A (zh) | 基于层次模糊神经网络的危货车运输风险评估方法及系统 | |
| CN109145401B (zh) | 一种计算机动车排放清单的方法、系统及终端设备 | |
| JP2016042298A (ja) | 事故情報算出装置、及びプログラム | |
| CN112124309B (zh) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 | |
| CN115762140A (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
| CN112927511A (zh) | 一种基于驾驶员年龄和性别识别的车辆预警方法 | |
| CN110705628B (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
| CN116092296B (zh) | 交通状态评估方法、装置、电子设备及存储介质 | |
| CN115762140B (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
| CN115794801B (zh) | 一种挖掘自动驾驶事故致因链式关系的数据分析方法 | |
| CN115482662B (zh) | 一种危险工况下驾驶员避撞行为预测方法及系统 | |
| CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
| CN115063976B (zh) | 基于多通道卷积神经网络的车辆冲突风险评估与预测方法 |
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 |