CN115830873B - 城市道路交通事件分类方法、装置、设备及可读存储介质 - Google Patents
城市道路交通事件分类方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115830873B CN115830873B CN202310030943.8A CN202310030943A CN115830873B CN 115830873 B CN115830873 B CN 115830873B CN 202310030943 A CN202310030943 A CN 202310030943A CN 115830873 B CN115830873 B CN 115830873B
- Authority
- CN
- China
- Prior art keywords
- index
- urban road
- evaluation index
- road traffic
- traffic event
- 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
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种城市道路交通事件分类方法、装置、设备及可读存储介质,涉及城市交通管理技术领域,包括获取评价指标;根据评价指标构建评价指标原始矩阵;基于灰色关联度分析方法得到评价指标标准化矩阵和指标权重;基于预设的城市道路交通事件影响指数的计算模型得到交通影响指数;基于k均值聚类算法得到每个城市道路交通事件的类别。本发明通过从多个维度构建评价指标,评价方面全、指标易搜集,可操作性强;采用灰色关联度分析从道路使用者或交通管理者的角度确定指标权重,根据指标权重计算出交通影响指数,采用k均值聚类算法得到城市道路交通事件所分的类别,从而克服了现有分类过于主观的缺点,使得分类分级具有客观依据。
Description
技术领域
本发明涉及城市交通管理技术领域,具体而言,涉及城市道路交通事件分类方法、装置、设备及可读存储介质。
背景技术
城市道路交通事件是指由于自然或者人为的缘故对城市道路交通系统造成影响的事件,目前现有技术中对城市道路交通事件分类分级的方法过于主观,缺乏客观依据。
发明内容
本发明的目的在于提供一种城市道路交通事件分类方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种城市道路交通事件分类方法,包括:
获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
基于k均值聚类算法对所有的所述交通影响指数进行处理,得到每个所述城市道路交通事件的类别。
第二方面,本申请还提供了一种城市道路交通事件分类装置,其特征在于,包括:
获取单元,用于获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
构建矩阵单元,用于根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
第一处理单元,用于基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
第一计算单元,用于基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
第二处理单元,用于基于k均值聚类算法对所有的所述交通影响指数进行处理,得到每个所述城市道路交通事件所分的类别。
第三方面,本申请还提供了一种城市道路交通事件分类设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述城市道路交通事件分类方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于城市道路交通事件分类方法的步骤。
本发明的有益效果为:
本发明通过从多个维度构建评价指标,评价方面全、指标易搜集,可操作性强;现有技术多采用层次分析法或模糊综合评价对交通突发事件分级,其中层次分析法过于依赖专家意见,而模糊综合评价则需要人为的构建隶属函数,等级间的阈值确定方法过于主观,缺乏客观依据。本发明采用灰色关联度分析确定出指标权重,然后根据指标权重计算出每个城市道路交通事件对应的交通影响指数,基于k均值聚类算法对所有的交通影响指数进行处理,从而得到每个城市道路交通事件所分的类别,从而克服了现有分类过于主观的缺点,使得城市道路交通事件的分类具有客观依据。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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为本发明实施例中所述的城市道路交通事件分类方法流程示意图;
图2为本发明实施例中所述的城市道路交通事件分类装置结构示意图;
图3为本发明实施例中所述的城市道路交通事件分类设备结构示意图。
图中标记:1、获取单元;2、构建矩阵单元;3、第一处理单元;4、第一计算单元;5、第二处理单元;6、第三处理单元;7、第二计算单元;21、第一计算子单元;22、第二计算子单元;23、第三计算子单元;24、构成单元;31、矩阵处理单元;32、划分指标单元;33、第四计算子单元;34、第五计算子单元;35、第六计算子单元;800、城市道路交通事件分类设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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,在本发明的描述中,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。
城市道路交通事件是指由于自然或者人为的缘故对城市道路交通系统造成影响的事件,主要包括社会安全事件、自然灾害事件、事故灾难事件、大型活动事件、交通设施设备故障事件5类。根据事件的可预测性与突发性,其中大型活动事件、交通设施设备故障属于可预测性事件,社会安全事件和事故灾难事件属于突发性事件,而自然灾害事件兼具可预测性和突发性。城市道路交通事件的分类分级是指根据城市交通事件对交通系统造成的影响从管控的角度对其分为两类,即可防止容许事件和需预警调控恢复事件。然后对可防止容许事件和需预警调控恢复事件又划分为四级,I级(轻微)、II级(一般)、III级(严重)、IV级(非常严重)。
现有技术中在交通事件的研究工作主要集中在应急管理、资源调度、事件检测和事件持续时间预测等研究方向;然而根据交通事件对于交通系统的影响进行分类分级的研究较少,评估理论、方法和应用还不够成熟。因此,针对性的构建交通事件评价指标体系,对扰动事件进行科学合理的分类分级,为城市交通管理者提供扰动事件的科学评估方法。
现有技术中采用模糊综合评价对交通突发事件分级,但考虑的因素较少,且需要人为的构建隶属函数,等级间的阈值确定方法过于主观,缺乏客观依据。还有的现有技术中从交通响应的紧急程度和交通救援的难易程度两个方面,构建了交通突发事件应急响应指标评价体系,并通过相关性分析和专家经验对指标进行了筛选,为突发交通事件等级的判定提供了基础,但定性指标较多,且定量指标难以收集,可操作性较差。还有的现有技术基于多源数据构建体育赛事、文艺演出等大型活动评价指标体系,采用离差最大化确定指标权重,但不能反映因素之间相互变化的影响。
本发明根据城市道路交通事件对交通系统造成的影响,从影响时间、影响范围、事件造成的严重程度等多个维度选择客观指标进行评价,并可从交通管理者或道路使用者的角度,采用灰色关联度分析确定指标权重,最后确定城市道路交通事件影响指数。将贝叶斯公式引入分级评价,采用累计频率法从客观的角度确定各等级间阈值,克服了主观性,具体的方法如下所述:
实施例1:
本实施例提供了一种城市道路交通事件分类方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
需要说明的是,在本步骤中,根据城市道路交通事件对交通系统造成的影响,从影响时间、影响范围和造成的后果严重程度选取三个维度作为城市道路交通事件的评价指标,值得注意的是,在本方法中,不限于此三个维度,在本实施例中,以发生的城市道路交通事件为降雨事件作为实际案例,分别选取拥堵延时指数增长率、拥堵路段里程增加比、平均速度降低率三个维度构建评价指标,如表1所示。
表1城市道路交通事件—评价指标
S200、根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
需要说明的是,在本步骤中,根据S100步骤所获得的评价指标,计算出评价指标中多个维度所对应的评价指标值,然后根据多个评价指标值构成评价指标原始矩阵,一个维度对应一个评价指标值,为了便于理解本发明的方案,本实施例以发生的城市道路交通事件为降雨事件作为实际案例,具体的在本实施例的步骤S200包括步骤S210、步骤S220、步骤S230和步骤S240;
S210、建立拥堵延时指数增长率计算模型,将所述第一信息作为所述拥堵延时指数增长率计算模型的输入信息,求解所述拥堵延时指数增长率计算模型得到每个所述城市道路交通事件的拥堵延时指数增长率;
需要说明的是,本实施例以发生的城市道路交通事件为降雨事件作为实际案例,因为第一信息获取了至少一个城市道路交通事件中对应的评价指标,一个城市道路交通事件中对应的评价指标包括多个维度的评价指标参数,根据一个维度的评价指标参数计算出一个维度对应的评价指标值,本步骤只选择用于计算拥堵延时指数增长率的评价指标参数,拥堵延时指数增长率计算模型如下:
(1)
式中:为拥堵延时指数增长率,为城市当天发生降雨时,降雨时间内拥堵延时指数的平均值,拥堵延时指数为实际旅行时间与自由流状态下旅行时间的比值;CIR为正常天气下对应降雨城市以及降雨时刻相邻一周的拥堵延时指数的平均值。
S220、建立拥堵路段里程增长比计算模型,将所述第一信息作为所述拥堵路段里程增长比计算模型的输入信息,求解所述拥堵路段里程增长比计算模型得到每个所述城市道路交通事件的拥堵路段里程增长比;
需要说明的是,本步骤只选取了用于计算拥堵路段里程增长比的评价指标参数,拥堵路段里程增长比计算模型为:
(2)
式中:为拥堵路段里程比,为城市当天发生降雨时,降雨时刻内拥堵路程里程比的平均值,拥堵路段里程比为道路网中各等级道路分别处于拥堵、严重拥堵的路段里程比例加权求和所得;CRR为正常天气下对应降雨城市以及降雨时刻相邻一周的拥堵路段里程比的平均值。
S230、建立平均速度降低率计算模型,将所述第一信息作为所述平均速度降低率计算模型的输入信息,求解所述平均速度降低率计算模型得到每个所述城市道路交通事件的平均速度降低率;
需要说明的是,本步骤只选取了用于计算平均速度降低率的评价指标参数,平均速度降低率计算模型为:
(3)
式中:为平均速度降低率;为城市在降雨时刻内道路网中车辆行驶的平均速度,为正常天气下对应降雨城市以及降雨时刻相邻一周的道路网中车辆行驶的平均速度。
S240、将所述拥堵延时指数增长率、所述拥堵路段里程增长比和所述平均速度降低率作为每个所述城市道路交通事件的评价指标值。
需要说明的是,在本实施例中一个城市道路交通事件中对应的评价指标包括三个评价指标值,即拥堵延时指数增长率、拥堵路段里程增长比和平均速度降低率,本方法收集m次城市道路交通事件和n个评价指标值的原始数据,构成评价指标原始矩阵,其表示为:
(4)
式中:A为评价指标原始矩阵,为第i次城市道路交通事件的第j个评价指标的评价指标值,由组成的评价指标原始矩阵共有m行,n列。
S300、基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
需要说明的是,本步骤的目的是将评价指标原始矩阵进行标准化处理,从而获得评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重,具体的步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。
S310、对所述评价指标原始矩阵进行标准化处理,得到所述评价指标标准化矩阵;
需要说明的是评价指标原始矩阵标准化的具体过程为:
收集m次城市道路交通事件和n个评价指标的原始数据。
(4)
式中:A为评价指标原始矩阵,为第i次城市道路交通事件的第j个评价指标的评价指标值,由组成的评价指标原始矩阵共有m行,n列。
采用极值处理法对原始矩阵标准化:
(5)
式中:为标准化后的第i次城市道路交通事件第j个评价指标值,为第j个指标的i次城市道路交通事件中最小的评价指标值,为第j个评价指标的i次城市道路交通事件中最大评价指标值;
(6)
式中:X为评价指标标准化矩阵,为第i次城市道路交通事件的第j个指标的评价指标值标准化后的值,由组成的评价指标值标准化后的矩阵共有m行,n列。
S320、根据预设规则在所述城市道路交通事件对应标准化后的评价指标值中选取其中一个作为母指标,其余的所述标准化后的评价指标值作为子指标;
需要说明的是,确定母指标与子指标的具体过程为:
本步骤所述的预设规则即为,根据道路使用者或者交通管理者认为最关心的指标作为母指标,选择第个指标作为母指标,其对应的指标值向量表示为:
(7)
式中:表示第m次城市道路交通事件的第个标准化后的评价指标值;表示m次事件的第个评价指标值组成的列向量。
其他指标作为子指标,对应的子序列为:
(8)
式中:表示第m次城市道路交通事件的第j个标准化后的评价指标值;表示m次城市道路交通事件的第个评价指标值组成的列向量。
举例说明,在本申请中比如选取拥堵延时指数增长率为母指标,那么拥堵路段里程增长比和平均速度降低率即为子指标。
S330、基于预设的灰色关联系数计算模型对所述子指标和所述母指标进行计算,得到子指标与母指标的灰色关联度系数;
需要说明的是,计算子指标与母指标的灰色关联系数的具体过程为:将子序列与母序列作比较,表示子序列与母序列的关联程度。
其中灰色关联系数计算模型为:
(9)
式中:为母指标与子指标的灰色关联系数,表示第k次城市道路交通事件的第个评价指标对应标准化后的评价指标值,表示第k次城市道路交通事件第j个评价指标标准化后的评价指标值;为分辨系数,其取值越小越能提高关联系数间的差异性,一般取。表示由与构成的差值矩阵中最大值,表示由与构成的差值矩阵中最小值。
S340、基于预设的灰色关联度计算模型对所述子指标、所述母指标和所述灰色关联度系数进行计算,得到子指标与母指标的灰色关联度;
需要说明的是,本步骤为确定子指标与母指标的灰色关联度具体过程,
其中子指标与母指标的灰色关联度计算模型为:
(10)
式中:为与的灰色关联度,灰色关联度越大,则评价指标j与评价指标的距离越近,对评价结果影响就越大,评价指标j在所有评价指标中的比重就越大。
S350、基于预设的指标权重计算模型对所述灰色关联度进行计算,得到每个所述标准化后的评价指标值所对应的指标权重。
本步骤为确定各指标权重,其中指标权重计算模型为:
(11)
式中:为第j个评价指标的指标权重,为第j个评价指标的灰色关联度。
S400、基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
需要说明的是,本步骤为确定交通影响指数(TII):
第i次城市道路交通事件的交通影响指数(TII)为:
(12)
上式为城市道路交通事件影响指数的计算模型,式中,为交通影响指数,为第i次城市道路交通事件的第j个评价指标的标准化后的评价指标值。
S500、基于k均值聚类算法对所有的所述交通影响指数进行处理,得到每个所述城市道路交通事件所分的类别。
需要说明的是,根据城市道路交通事件的数据,确定每次城市道路交通事件造成的交通影响指数,即步骤S400所获得的交通影响指数(TII),并使用Kmeans(K均值聚类,K代表类别)聚类将其分为可防止容许事件和需预警调控恢复事件。值得注意的是,本方法不限位次两类,本实施例中,将城市道路交通事件分为可防止容许事件和需预警调控恢复事件,并确定可防止容许事件和需预警调控恢复事件阈值范围。
进一步的,本方法还包括将每个城市道路交通事件在所述类别中划分为至少两个级别的级别划分方法,级别划分方法的步骤包括步骤S600和步骤S700。
S600、基于累计频率法对所述标准化后的评价指标值进行处理,得到每个所述类别中的划分阈值,所述划分阈值将每个所述类别划分为至少两个级别;
具体的步骤S600包括步骤S610、步骤S620和步骤S630。
S610、获取所述标准化后的评价指标值中满足条件的正整数;
需要说明的是,本步骤具体为:
i.将m个城市道路交通事件的评价指标j按照升序排列
(13)
式中:表示标准化后m次城市道路交通事件中的第j个评价指标值中最小的一个,表示标准化后m次城市道路交通事件中的第j个评价指标值中最大的一个。
ii.找到满足条件的正整数e ,条件为:
(14)
式中:m为城市道路交通事件的个数,e为正整数,p是取的累计频率百分比。
S620、将所述正整数按累计频率划分等级,得到划分等级后的正整数。
需要说明的是,本步骤是按累计频率达到20%,40%,60%划分等级,步骤S620中公式14中的。而求解公式14得到满足条件的正整数e。
S630、基于插值法对所述划分等级后的正整数进行处理,得到每个所述级别对应的所述划分阈值。
需要说明的是,本步骤是利用插值法计算各等级阈值:
(15)
式中:m为城市道路交通事件的个数,p是取的累计频率百分比,表示第j个评价指标对应标准化后的评价指标值按照升序排列排在第e位的值; 表示当累计频率为p时,第j个评价指标的评价指标值。
S700、基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别。
需要说明的是,本步骤是确定城市道路交通事件在类别中的所属级别,对可容许扰动事件和需预警调控事件进行分级,一共分为四级,I级(轻微)、II级(一般)、III级(严重)、IV级(非常严重)。将贝叶斯公式引入城市道路交通事件分级,通过累计频率法确定各评指标各等级阈值,利用已知信息,统计推断出事件属于某一级的可能性,并以最大可能性原则确定降雨事件所属等级。
城市道路交通事件贝叶斯分级方法:
贝叶斯计算公式为:
(16)
式中:代表扰动等级(I、II、III、IV);A代表样本指标;表示先验概率,通过经验判断城市道路交通事件属于某一级别的可能性; 表示后验概率,获得信息A的情况下,事件等级属于d的可能性;代表条件概率,用于度量事件属于不同等级时,出现某一等级指标的可能性:
将贝叶斯公式引入事件分级评价时,可将公式(16)改写为:
(17)
其中:d表示扰动级别数,d=1,2,…,s。依据《国家突发公共事件总体应急预案》分类方法,将城市交通事件根据严重程度分为四级,轻微、一般、严重、特别严重,分别对应I、II、III、IV级,即s=4;j表示指标个数j=1,2,...,n。共选择了三个指标,故n=3。表示城市交通事件的第j个评价指标对应标准化后的评价指标值;
表示事件等级为d时,第j个评价指标的划分阈值。
具体步骤S700包括步骤S710、步骤S720、步骤S730、步骤S740和步骤S750。
步骤S710、基于预设的先验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的先验概率;
首先,本申请先确定先验概率:
在没有任何信息的条件下,某次城市道路交通事件属于哪一等级难以确定,基本原则是在无信息条件下,扰动事件属于某种等级的概率相等,即取:
(18)
S720、基于预设的条件概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的条件概率;
本步骤为确定条件概率:
根据几何概率的概念,采用距离法确定条件概率,用样本评价指标标准化后的值与各等级阈值的距离绝对值的倒数进行计算。
(19)
式中: ,表示第j个评价指标标准化后的评价指标值,与当城市道路交通事件等级为d时第j个评价指标阈值的几何距离。
然后,计算:
由式(17)计算,在已知城市道路交通事件第j个评价指标标准化后的值为的情况下,计算该评价指标属于第d级的概率。
S730、基于预设的多指标综合扰动的后验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的多指标综合扰动的后验概率;
多指标综合扰动的后验概率计算模型为:
(20)
式中:表示城市道路交通事件属于d级的概率,d=1,2,3,4。
S740、基于预设的贝叶斯计算模型对所述先验概率、所述条件概率和所述多指标综合扰动的后验概率进行计算,得到划分为每个所述级别的概率;
城市道路交通事件贝叶斯分级方法,其中贝叶斯计算模型已经在步骤S700给出,以下再复述一遍:
贝叶斯计算公式为:
(16)
式中:代表扰动等级(I、II、III、IV);A代表样本指标;表示先验概率,通过经验判断城市道路交通事件属于某一级别的可能性; 表示后验概率,获得信息A的情况下,事件等级属于d的可能性;代表条件概率,用于度量事件属于不同等级时,出现某一等级指标的可能性。
将贝叶斯公式引入事件分级评价时,公式改写为:
(17)
式中:d表示扰动级别数,d=1,2,…,s。依据《国家突发公共事件总体应急预案》分类方法,将城市交通事件根据严重程度分为四级,轻微、一般、严重、特别严重,分别对应I、II、III、IV级,即s=4;j表示评价指标个数,j=1,2,...,n。共选择了三个评价指标,故n=3。
Xj表示城市交通事件的第j个评价指标标准化后的数值;表示事件等级为d时,第j个评价指标的划分阈值。
S750、基于最大概率原则对所述划分为每个所述级别的概率进行处理,得到每个所述城市道路交通事件在所述类别中的所属级别。
需要说明的是,本步骤为确定事件的最终分级。
采用最大概率原则,给定事件的最终分级h可由下式给出:
(21)
现有针对于城市道路交通事件评价指标体系,具有定性评价指标较多,定量评价指标难以搜集,可操作性较差等缺点。本发明从影响时间、影响范围、造成的后果严重程度三个维度分别选取拥堵延时指数变化率、拥堵路段里程增长比、平均速度降低构建评价指标体系,评价方面全、指标易搜集,可操作性强;相比于现有技术多采用层次分析法或模糊综合评价对交通突发事件分级方式,其现有技术层次分析法过于依赖专家意见,而模糊综合评价则需要人为的构建隶属函数,等级间的阈值确定方法过于主观,缺乏客观依据。但是本申请采用灰色关联度分析从道路使用者或交通管理者的角度确定评价指标权重,并采用累计频率法确定各评价指标各等级划分阈值,根据贝叶斯公式确定交通事件所属等级,克服了上述缺点,使得分类分级具有客观依据。
为了能够详细的描述本发明的方法,以下给出一个具体的实施例:
采用自然灾害事件中的降雨事件来验证提出的城市道路交通事件分类方法。数据来源于高德数据与中国气象局,选择11个城市共19次降雨事件进行分类分级。
降雨事件原始数据如表2所示。
表2 各城市降雨事件指标值
采用极值处理法得到标准矩阵表3。
表3各城市降雨事件标准化后指标值
采用灰色关联度分析确定评价指标权重。从道路使用者的角度,驾驶员希望降雨事件发生后能够准时到达目的地,则将拥堵延时指数增长率作为母指标,其他评价指标作为子指标,根据式(4-11)求得各指标权重:=(0.3810,0.3040,0.3160)
依据式(12)计算降雨事件交通影响指数TII:
(1)降雨事件的交通影响指数如表4所示。
表4 降雨事件交通影响指数
根据交通影响指数采用Kmeans聚类方法将降雨事件分为两类,即可防止容许事件和需预警调控恢复事件。
分类结果如表5所示:
表5 Kmeans算法分类结果
注:类别中1表示可防止容许事件,2表示需预警调控恢复事件。
分类结果统计如表6所示。
表6分类结果统计
考虑样本量的原因,各类交通影响指数阈值如表7。
表7 两类事件交通影响指数阈值范围
然后将可防止容许事件和需预警调控恢复事件分为四个等级。
首先采用累计频率法确定各指标阈值,取累计频率分别达到20%,40%,60%,然后利用插值法确定各指标等级阈值,两类事件各指标标准化后,根据式(16-18)得到各类各等级阈值如表8、表9所示。
表8可防止容许扰动各指标各等级阈值
表9需预警调控恢复各指标等级阈值
最后根据式(19-21)采用贝叶斯公式以最大概率原则确定事件所属等级,如表10所示:
表10 降雨事件分级结果
需要说明的是,本表10省略了城市的(%)、(%)、(%),可参考表5中的(%)、(%)、(%)。
按常理推断,降雨量越大对交通的影响程度就越严重,由表10中可知,降雨量较大的城市道路交通事件的分级较高,所以本专利所述的分级方法是合理的。同时合肥10月5日降大雨,交通影响指数为51.52,为需预警调控事件II级,临沂10月5日降小雨,交通影响指数为46.53然而降雨事件为需预警调控事件III级,高于合肥,这是因为从道路使用者的角度出发,将拥堵延时指数增长率作为母指标来计算权重,合肥10月5日降雨事件拥堵延时指数增长率为4.4137%,低于临沂10月5日降雨事件的4.2601%。
同样,也可以从交通管理者的角度考虑,交通管理者希望降雨事件发生后对交通系统造成的影响最小,可将拥堵路段里程增加比作为母指标,重新计算各指标权重,分类分级方法依照上文。
实施例2:
如图2所示,本实施例提供了一种城市道路交通事件分类装置,所述装置包括:
获取单元1,用于获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
构建矩阵单元2,用于根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
第一处理单元3,用于基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
第一计算单元4,用于基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
第二处理单元5,用于基于k均值聚类算法对所有的所述交通影响指数进行处理,得到每个所述城市道路交通事件的类别。
所述装置还包括:
第三处理单元6,用于基于累计频率法对所述标准化后的评价指标值进行处理,得到每个所述类别中的划分阈值,所述划分阈值将每个所述类别划分为至少两个级别;
第二计算单元7,用于基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别。
所述构建矩阵单元包括:
第一计算子单元21,用于建立拥堵延时指数增长率计算模型,将所述第一信息作为所述拥堵延时指数增长率计算模型的输入信息,求解所述拥堵延时指数增长率计算模型得到每个所述城市道路交通事件的拥堵延时指数增长率;
第二计算子单元22,用于建立拥堵路段里程增长比计算模型,将所述第一信息作为所述拥堵路段里程增长比计算模型的输入信息,求解所述拥堵路段里程增长比计算模型得到每个所述城市道路交通事件的拥堵路段里程增长比;
第三计算子单元23,用于建立平均速度降低率计算模型,将所述第一信息作为所述平均速度降低率计算模型的输入信息,求解所述平均速度降低率计算模型得到每个所述城市道路交通事件的平均速度降低率;
构成单元24,用于将所述拥堵延时指数增长率、所述拥堵路段里程增长比和所述平均速度降低率作为每个所述城市道路交通事件的评价指标值。
所述第一处理单元包括:
矩阵处理单元31,用于对所述评价指标原始矩阵进行标准化处理,得到所述评价指标标准化矩阵;
划分指标单元32,用于根据预设规则在所述城市道路交通事件对应标准化后的评价指标值中选取其中一个作为母指标,其余的所述标准化后的评价指标值作为子指标;
第四计算子单元33,用于基于预设的灰色关联系数计算模型对所述子指标和所述母指标进行计算,得到所述子指标与所述母指标的灰色关联度系数;
第五计算子单元34,用于基于预设的灰色关联度计算模型对所述子指标、所述母指标和所述灰色关联度系数进行计算,得到所述子指标与所述母指标的灰色关联度;
第六计算子单元35,用于基于预设的指标权重计算模型对所述灰色关联度进行计算,得到每个所述标准化后的评价指标值所对应的指标权重。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种城市道路交通事件分类设备,下文描述的一种城市道路交通事件分类设备与上文描述的一种城市道路交通事件分类方法可相互对应参照。
图3是根据示例性实施例示出的一种城市道路交通事件分类设备800的框图。如图3所示,该城市道路交通事件分类设备800可以包括:处理器801,存储器802。该城市道路交通事件分类设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该城市道路交通事件分类设备800的整体操作,以完成上述的城市道路交通事件分类方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该城市道路交通事件分类设备800的操作,这些数据例如可以包括用于在该城市道路交通事件分类设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该城市道路交通事件分类设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,城市道路交通事件分类设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的城市道路交通事件分类方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的城市道路交通事件分类方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由城市道路交通事件分类设备800的处理器801执行以完成上述的城市道路交通事件分类方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种城市道路交通事件分类方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的城市道路交通事件分类方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种城市道路交通事件分类方法,其特征在于,包括:
获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
基于k均值聚类算法对所有的所述城市道路交通事件对应的交通影响指数进行处理,将城市道路交通事件的类别分为两类,即可防止容许事件和需预警调控事件,并确定每个所述城市道路交通事件的类别;
其中,所述基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重,包括:
对所述评价指标原始矩阵进行标准化处理,得到所述评价指标标准化矩阵;
根据预设规则在所述城市道路交通事件对应标准化后的评价指标值中选取其中一个作为母指标,其余的所述标准化后的评价指标值作为子指标;
基于预设的灰色关联系数计算模型对所述子指标和所述母指标进行计算,得到所述子指标与所述母指标的灰色关联度系数;
基于预设的灰色关联度计算模型对所述子指标、所述母指标和所述灰色关联度系数进行计算,得到所述子指标与所述母指标的灰色关联度;
基于预设的指标权重计算模型对所述灰色关联度进行计算,得到每个所述标准化后的评价指标值所对应的指标权重。
2.根据权利要求1所述的城市道路交通事件分类方法,其特征在于,所述基于k均值聚类算法对所有的所述交通影响指数进行处理,得到每个所述城市道路交通事件的类别后,所述方法还包括:
基于累计频率法对所述标准化后的评价指标值进行处理,得到每个所述类别中的划分阈值,所述划分阈值将每个所述类别划分为至少两个级别;
基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别;
其中,基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别,包括:
基于预设的先验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的先验概率;
基于预设的条件概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的条件概率;
基于预设的多指标综合扰动的后验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的多指标综合扰动的后验概率;
基于预设的贝叶斯计算模型对所述先验概率、所述条件概率和所述多指标综合扰动的后验概率进行计算,得到划分为每个所述级别的概率;
基于最大概率原则对所述划分为每个所述级别的概率进行处理,得到每个所述城市道路交通事件在所述类别中的所属级别。
3.根据权利要求1所述的城市道路交通事件分类方法,其特征在于,根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成,包括:
建立拥堵延时指数增长率计算模型,将所述第一信息作为所述拥堵延时指数增长率计算模型的输入信息,求解所述拥堵延时指数增长率计算模型得到每个所述城市道路交通事件的拥堵延时指数增长率;
建立拥堵路段里程增长比计算模型,将所述第一信息作为所述拥堵路段里程增长比计算模型的输入信息,求解所述拥堵路段里程增长比计算模型得到每个所述城市道路交通事件的拥堵路段里程增长比;
建立平均速度降低率计算模型,将所述第一信息作为所述平均速度降低率计算模型的输入信息,求解所述平均速度降低率计算模型得到每个所述城市道路交通事件的平均速度降低率;
将所述拥堵延时指数增长率、所述拥堵路段里程增长比和所述平均速度降低率作为每个所述城市道路交通事件的评价指标值。
4.一种城市道路交通事件分类装置,其特征在于,包括:
获取单元,用于获取第一信息,所述第一信息包括至少一个城市道路交通事件中对应的评价指标,所述评价指标包括至少一个评价指标值;
构建矩阵单元,用于根据所述第一信息构建评价指标原始矩阵,所述评价指标原始矩阵由至少一个所述城市道路交通事件的至少一个所述评价指标值构成;
第一处理单元,用于基于灰色关联度分析方法对所述评价指标原始矩阵进行标准化处理,得到评价指标标准化矩阵和所述评价指标标准化矩阵中的标准化后的评价指标值所对应的指标权重;
第一计算单元,用于基于预设的城市道路交通事件影响指数的计算模型对所述标准化后的评价指标值和每个所述指标权重进行计算,得到所有的所述城市道路交通事件对应的交通影响指数;
第二处理单元,用于基于k均值聚类算法对所有的所述城市道路交通事件对应的交通影响指数进行处理,将城市道路交通事件的类别分为两类,即可防止容许事件和需预警调控事件,并确定每个所述城市道路交通事件的类别;
其中,所述第一处理单元包括:
矩阵处理单元,用于对所述评价指标原始矩阵进行标准化处理,得到所述评价指标标准化矩阵;
划分指标单元,用于根据预设规则在所述城市道路交通事件对应标准化后的评价指标值中选取其中一个作为母指标,其余的所述标准化后的评价指标值作为子指标;
第四计算子单元,用于基于预设的灰色关联系数计算模型对所述子指标和所述母指标进行计算,得到所述子指标与所述母指标的灰色关联度系数;
第五计算子单元,用于基于预设的的灰色关联度计算模型对所述子指标、所述母指标和所述灰色关联度系数进行计算,得到所述子指标与所述母指标的灰色关联度;
第六计算子单元,用于基于预设的指标权重计算模型对所述灰色关联度进行计算,得到每个所述标准化后的评价指标值所对应的指标权重。
5.根据权利要求4所述的城市道路交通事件分类装置,其特征在于,所述装置还包括:
第三处理单元,用于基于累计频率法对所述标准化后的评价指标值进行处理,得到每个所述类别中的划分阈值,所述划分阈值将每个所述类别划分为至少两个级别;
第二计算单元,用于基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别;
其中,基于预设的贝叶斯计算模型将所述标准化后的评价指标值和所述划分阈值以最大概率原则进行计算,得到每个所述城市道路交通事件在所述类别中的所属级别,包括:
基于预设的先验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的先验概率;
基于预设的条件概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的条件概率;
基于预设的多指标综合扰动的后验概率计算模型对所述标准化后的评价指标值和所述划分阈值进行计算,得到所述城市道路交通事件的多指标综合扰动的后验概率;
基于预设的贝叶斯计算模型对所述先验概率、所述条件概率和所述多指标综合扰动的后验概率进行计算,得到划分为每个所述级别的概率;
基于最大概率原则对所述划分为每个所述级别的概率进行处理,得到每个所述城市道路交通事件在所述类别中的所属级别。
6.根据权利要求4所述的城市道路交通事件分类装置,其特征在于,所述构建矩阵单元包括:第一计算子单元,用于建立拥堵延时指数增长率计算模型,将所述第一信息作为所述拥堵延时指数增长率计算模型的输入信息,求解所述拥堵延时指数增长率计算模型得到每个所述城市道路交通事件的拥堵延时指数增长率;
第二计算子单元,用于建立拥堵路段里程增长比计算模型,将所述第一信息作为所述拥堵路段里程增长比计算模型的输入信息,求解所述拥堵路段里程增长比计算模型得到每个所述城市道路交通事件的拥堵路段里程增长比;
第三计算子单元,用于建立平均速度降低率计算模型,将所述第一信息作为所述平均速度降低率计算模型的输入信息,求解所述平均速度降低率计算模型得到每个所述城市道路交通事件的平均速度降低率;
构成单元,用于将所述拥堵延时指数增长率、所述拥堵路段里程增长比和所述平均速度降低率作为每个所述城市道路交通事件的评价指标值。
7.一种城市道路交通事件分类设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述城市道路交通事件分类方法的步骤。
8.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述城市道路交通事件分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310030943.8A CN115830873B (zh) | 2023-01-10 | 2023-01-10 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310030943.8A CN115830873B (zh) | 2023-01-10 | 2023-01-10 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830873A CN115830873A (zh) | 2023-03-21 |
CN115830873B true CN115830873B (zh) | 2023-05-02 |
Family
ID=85520538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310030943.8A Active CN115830873B (zh) | 2023-01-10 | 2023-01-10 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830873B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629974A (zh) * | 2018-05-17 | 2018-10-09 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289933B (zh) * | 2011-08-08 | 2013-05-22 | 上海电科智能系统股份有限公司 | 一种城市快速路交通事件影响空间范围等级预测方法 |
CN103514743B (zh) * | 2013-09-28 | 2016-01-06 | 上海电科智能系统股份有限公司 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
CN105915402A (zh) * | 2016-07-05 | 2016-08-31 | 杨林 | 工业控制网络安全防护系统 |
CN106920040A (zh) * | 2017-03-01 | 2017-07-04 | 西南交通大学 | 基于模糊层次分析的高速公路隧道交通事故风险评估方法 |
CN107644532A (zh) * | 2017-09-20 | 2018-01-30 | 中山大学 | 一种基于贝叶斯网络的交通违法行为严重等级预测方法 |
CN107909247A (zh) * | 2017-10-26 | 2018-04-13 | 东南大学 | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 |
CN109409713B (zh) * | 2018-10-15 | 2021-10-08 | 北京交通大学 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
CN109243178A (zh) * | 2018-11-14 | 2019-01-18 | 上海应用技术大学 | 一种不良气候条件下城镇公路交通安全分析与评价方法 |
CN109859467B (zh) * | 2019-01-30 | 2020-11-10 | 银江股份有限公司 | 一种交通模型中环境影响因子的挖掘分析方法 |
CN110618082B (zh) * | 2019-10-29 | 2021-06-04 | 中国石油大学(北京) | 基于神经网络的储层微观孔隙结构评价方法及装置 |
US11776406B2 (en) * | 2020-03-26 | 2023-10-03 | Gm Cruise Holdings Llc | System and method for detecting severe road events |
CN112085348A (zh) * | 2020-08-19 | 2020-12-15 | 浙江工业大学 | 基于模糊神经网络的土壤肥力评估方法 |
CN115223381A (zh) * | 2021-04-19 | 2022-10-21 | 阿里巴巴新加坡控股有限公司 | 交通信息处理方法、装置、电子设备及计算机存储介质 |
CN113298367B (zh) * | 2021-05-12 | 2023-12-12 | 北京信息科技大学 | 一种主题公园感知价值评估方法 |
CN114742389A (zh) * | 2022-04-02 | 2022-07-12 | 中冶南方城市建设工程技术有限公司 | 基于gra和改进topsis的城市道路施工期缓堵交通组织方案比选方法 |
-
2023
- 2023-01-10 CN CN202310030943.8A patent/CN115830873B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629974A (zh) * | 2018-05-17 | 2018-10-09 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115830873A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11335179B1 (en) | Water environment risk prediction and early warning method | |
CN108710984B (zh) | 一种矿山地质环境综合评价方法及系统 | |
Hasekioğulları et al. | A new approach to use AHP in landslide susceptibility mapping: a case study at Yenice (Karabuk, NW Turkey) | |
Chen et al. | Design of deep belief networks for short-term prediction of drought index using data in the Huaihe river basin | |
CN102956023B (zh) | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN113780902B (zh) | 一种基于云计算的灾害风险预警管理系统 | |
Shashaani et al. | Multi-stage prediction for zero-inflated hurricane induced power outages | |
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 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN112287018A (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
CN112085869A (zh) | 一种基于飞参数据的民机飞行安全性分析方法 | |
CN115796376A (zh) | 基于深度学习的堰塞坝稳定性及溃决参数快速预测方法 | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN113887872A (zh) | 一种基于态势评估技术的交通风险分级方法 | |
CN115830873B (zh) | 城市道路交通事件分类方法、装置、设备及可读存储介质 | |
CN113379318A (zh) | 公共交通系统运营服务质量评价方法、装置和计算机设备 | |
CN109241320A (zh) | 基于时间序列聚类的未成年犯罪地区簇的划分方法 | |
CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
US20110015967A1 (en) | Methodology to identify emerging issues based on fused severity and sensitivity of temporal trends | |
CN112365092A (zh) | 城市轨道交通路网大客流风险自适应预警系统 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
CN114997666A (zh) | 一种区域泥石流易发性评估方法 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Teh Noranis et al. | Fuzzy AHP in a knowledge-based framework for early flood warning |
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 |