CN116259173A - 一种基于d-s证据理论的多检测方式交通事件融合方法 - Google Patents
一种基于d-s证据理论的多检测方式交通事件融合方法 Download PDFInfo
- Publication number
- CN116259173A CN116259173A CN202211300989.9A CN202211300989A CN116259173A CN 116259173 A CN116259173 A CN 116259173A CN 202211300989 A CN202211300989 A CN 202211300989A CN 116259173 A CN116259173 A CN 116259173A
- Authority
- CN
- China
- Prior art keywords
- event
- event data
- traffic
- decision
- fusion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 25
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002301 combined effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- PHIQHXFUZVPYII-UHFFFAOYSA-N carnitine Chemical compound C[N+](C)(C)CC(O)CC([O-])=O PHIQHXFUZVPYII-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012800 visualization 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
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于D‑S证据理论的多检测方式交通事件融合方法,包括:获取雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据;对上述三种信号源的事件数据的基本可信度进行赋值,生成信号源基本可信度分配表;根据上述信号源基本可信度分配表,使用D‑S合成规则进行融合,得到融合后的信任函数;使用D‑S证据理论进行决策输出完整的事件集合。本申请通过对视频交通事件数据、雷达交通事件数据和交通运行特征变化判断的交通事件数据进行的分析研究,提出多监测方式交通事件自动监测融合算法,以提高交通事件自动监测的效率与准确性。
Description
技术领域
本申请涉及智慧交通领域,特别涉及一种基于D-S证据理论的多检测方式交通事件融合方法。
背景技术
高速公路车辆感知体系下,高速公路交通事件采集方式多样,通常采用视频、雷达及交通运行特征变化监测交通事件,每种监测方式单一监测交通事件存在信息上报重复和误报等情况。交通事件对高速公路的运营安全与效率具有重要影响,及时、准确地发现高速上的交通事件一直是交通状态监测研究的难点。然而,受检测数据获取与处理方法的限制,交通事件自动监测在效率、效果以及经济性方面还存在较大的提升空间。
发明内容
本申请为了进一步改善交通事件自动监测的效率与效果,对视频交通事件数据、雷达交通事件数据和交通运行特征变化判断的交通事件数据进行的分析研究,提出多监测方式交通事件自动监测融合算法,以提高交通事件自动监测的效率与准确性。
本申请是通过以下技术措施来实现的:一种基于D-S证据理论的多检测方式交通事件融合方法,其特征在于,包括
S10:获取雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据;
S20:对上述三种信号源的事件数据的基本可信度进行赋值,生成信号源基本可信度分配表;
S30:根据上述信号源基本可信度分配表,使用D-S合成规则进行融合,得到融合后的信任函数;
S40:使用D-S证据理论进行决策输出完整的事件集合。
进一步地,S20中,以是否发生交通事件为命题构建识别框架θ,根据获取的三种信号源的事件数据为证据,结合记录的真实发生事件的数据,进行基本可信度赋值。
进一步地,在进行融合时,以可信度高的检测方式为主,其余方式为辅;通过D-S合成规则进行融合,命题为公路是否发生事件,A1表示有事件发生,A2表示无事件发生,使用交通运行特征判定的事件数据、雷达监测到的事件数据和视频监测到的事件数据作为证据,利用统计数据获得基本可信度赋值的方法对A1、A2的基本可信度分别进行赋值;
其中,信源A表示交通运行特征判定的事件数据,信源B表示雷达监测到的事件数据,信源C表示视频监测到的事件数据。
进一步地,S30中,采用两两融合的方法完成多证据的融合,得到合成后的基本可信度分配表,以此表征多证据联合作用下的信任函数。
进一步地,使用DS合成规则对其中两个算法的概率分配函数进行融合,规则如下:
对三种信号源的事件数据进行信任函数的融合,得到融合后的信任函数m(A1)、m(A2)、m(Θ)。
进一步地,选择基于信任函数的决策规则进行决策得到事件集合;具体如下:
若满足下式:
此时,A1为决策结果,ε1,ε2为预先针对实际应用问题确定的阈值;
将规则融合部分得出的m(A1)、m(A2)、m(Θ)带入(2)、(3)、(4)式,得到如下表所示的决策表,根据决策表每种组合结果对照雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据,进行判断该事件数据所属的组合,根据该组合的结果做出决策,输出事件集合;
其中mi表示第i种情况组合的结果;
当有新的雷达事件数据、视频事件数据和交通运行特征判定的事件数据时,根据D-S证据理论得到决策融合结果表便可做出决策是否输出事件。
本申请的有益效果:(1)使用D-S证据理论对多源交通数据进行融合,根据融合后的信任值进行决策,相较于单一交通事件检测算法或单源交通事件检测算法,减小了检测结果的不确定性,提高了交通事件检测算法的准确率;(2)根据D-S决策理论得到三种信号源的组合决策表后,直接通过对照决策表判别交通数据是否包含发生交通事件的数据,不仅提高了事件检测的准确率也提高了事件检测的效率。
附图说明
附图用来提供对本申请的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请,并不构成对本申请的限制。在附图中:
图1为基于D-S证据理论的多检测方式交通事件融合方法流程图;
图2为实施例所选用的沪杭甬测试路段交通图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
数据融合又称为信息融合或多传感器数据融合,是利用计算机技术对传感器数据进行处理,进而便于分析和决策的一种技术。数据融合技术包括三个层次,分别为:像素级融合、特征级融合和决策级融合。本申请是对不同传感器或方法得到的结果进行融合,根据一定的准则和决策的可信度做出最优决策,使在某些方法失效时仍能做出正确判断,进而提高决策准确度,所以属于决策级融合技术。对于通过视频、雷达、交通流运行特征变化检测到的交通事件数据,采用基于规则的D-S的融合算法进行数据融合。
一种基于D-S证据理论的多检测方式交通事件融合方法,如图1所示,包括:
S10:获取同一场景下分别通过雷达、视频监测到的事件数据和通过交通运行特征判定的事件数据;
所述雷达、视频监测到的事件数据和交通运行特征判定的事件数据包括设备ID、方向、路段ID、车道编号、创建时间等,通过雷达、视频识别事件算法识别出雷达、视频监测产生的数据得到事件数据,并对数据进行过滤、整理。例如(eventID,事件编号),事件编号为某种算法在某一时间判定出在某个路段某个车道处发生了事件,对此事件该算法对其进行了编号,通过事件编号获取监测到的事件数据,从而获知这段时间中发生的所有交通事件。
雷达监测到的事件数据包括如下项:
device_id string comment'设备编号',
target_id string comment'目标车辆id',
milestone string comment'雷达桩号,精确到米',
target_milestone string comment'目标桩号',
direct string comment'方向上下行',
road_id string comment'路段id',
lane_num int comment'车道号',
x_pos string comment'目标车辆x距离',
y_pos string comment'目标车辆y距离',
x_speed string comment'目标车辆x方向速度',
y_speed string comment'目标车辆y方向速度',
speed string comment'车速',
car_type int comment'车型1小车2中车,3大车',
car_num string comment'车牌',
car_color string comment'车牌颜色',
lng string comment'经度',
lat string comment'纬度',
createtime string comment'创建时间',
unique_id string comment'唯一id'
视频监测到的事件数据包括如下项:
device_id string comment'设备编号',
event_id string comment'事件id',
event_type int comment'事件类型',
milestone string comment'设备桩号精确到米',
target_milestone string comment'事件桩号',
direct string comment'方向上下行',
road_id int comment'路段id',
lane_num int comment'车道编号',
car_num string comment'车牌',
car_color string comment'车牌颜色',
car_type int comment'车辆类型1小车2中车',
x_pos string comment'X距离',
y_pos string comment'Y距离',
lng string comment'经度',
lat string comment'纬度',
server_address string comment'服务器地址',
pic_url string comment'图片位置',
video_url string comment'视频位置',
parking_type int comment'停车类型1:(违法停车)2:(异常停车)',
speed_type int comment'停车类型1:(超高速行驶)2:(超低速行驶)',
speed string comment'速度/逆行速度',
in_speed string comment'闯入速度',
lane_original int comment'变道前车道编号0/1/2/3(数字越大表示拥堵越严重',
laneno_current int comment'变道后车道编号',
createtime string comment'创建时间'
交通运行特征判定的事件数据包括如下项:
device_id string comment'设备编号',
event_id string comment'事件id',
event_type int comment'事件类型',
milestone string comment'雷达桩号',
target_milestone string comment'目标桩号',
direct string comment'方向上下行',
road_id int comment'路段id',
lane_num int comment'车道编号',
car_num string comment'车牌',
car_color string comment'车牌颜色',
car_type int comment'车辆类型1小车2中车',
x_pos string comment'X距离',
y_pos string comment'Y距离',
lng string comment'经度',
lat string comment'纬度',
server_address string comment'服务器地址',
pic_url string comment'图片位置',
video_url string comment'视频位置',
parking_type int comment'停车类型1:(违法停车)2:(异常停车)',
speed_type int comment'停车类型1:(超高速行驶)2:(超低速行驶)',
speed string comment'速度/逆行速度',
in_speed string comment'闯入速度',
lane_original int comment'变道前车道编号0/1/2/3(数字越大表示拥堵越严重',
laneno_current int comment'变道后车道编号',
createtime string comment'创建时间'。
S20:对上述三种信号源的事件数据的基本可信度进行赋值,生成信号源基本可信度分配表;
为能够准确、客观的判断是否发生交通事件,需要通过结合量化方法得到概率函数,经过融合后选取最大的概率事件为判定结果。在此过程中首先需要为每种信号源的基本可信度进行赋值,即计算mass函数。计算得到三种信号源下的基本可信度用于通过证据理论融合基本可信度从而得到更加准确的判定结果。
常用的基本可信度赋值方法有:a根据目标类型数和环境加权系数确定信任函数;b利用统计证据获得基本可信度赋值;c利用目标速度和加速度获得基本可信度赋值;d利用目标身份获得基本可信度赋值。本实施例中,通过采用每种信号源的统计数据对基本可信度进行赋值。统计雷达、视频检测设备监测到事件数据和交通运行特征判定的事件数据,计算相应的基本可信度。计算基本可信度的方法具体为:以是否发生交通事件为命题构建识别框架θ,根据获取的三种信号源的事件数据为证据,结合记录的真实发生事件的数据,进行基本可信度赋值。
具体地,以是否发生交通事件为命题(A1=发生交通事件;A2=没发生交通事件),统计某段时间内雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据的结果,对命题发生交通事件和没发生交通事件的基本可信度赋值,根据两个命题的基本可信度值构建每种信号源的基本可信度分配表,每种信号源的基本可信度分配表的计算规则如表1所示。
表1
其中,信源A表示交通运行特征判定的事件数据,信源B表示雷达监测到的事件数据,信源C表示视频监测到的事件数据。
例如:统计从数据库中获取的某段时间内记录的雷达检测到的事件数据、总的检测数据以及真实发生的事件数据,分别有N1、N2、Q件。利用统计到的数据,根据所示的计算公式计算雷达事件识别算法下A1和A2这两个命题的基本可信度值,组成每种信号源的基本可信度分配表。例如在雷达事件识别算法下m(A11)=(N1∩Q)/N2,m(A12)=(N1-(N1∩Q))/N1。由于视频检测时会受到白天和黑夜的影响,设置早上6点至晚上19点间为白天,其余为黑夜。根据白天黑夜分别设定不同的mass函数,如表2-4所示。
表2视频白天mass函数
表3雷达mass函数
表4交通运行特征判定的事件数据的mass函数
S30:根据上述信号源基本可信度分配表,使用D-S合成规则进行融合,得到融合后的信任函数;
本实施例中,根据来自雷达、视频以及交通运行特征判定的事件数据得到基本可信度分配表,进行融合,计算组合得到新的基本可信度分配。对事件信息进行融合时,由于数据量大,证据数量的增加可能导致计算量非常庞大,因此对同一个识别框架中的多个不完全冲突的证据进行融合时,使用D-S合成规则采用两两融合的方法完成多证据的融合,在进行融合时,以可信度高的检测方式为主,其余方式为辅,最终得出一个合成后的基本可信度分配,使用此表征多证据联合作用下的信任函数。
使用DS合成规则对其中两个算法的概率分配函数进行融合,规则如下:
表5
对三种信号源的事件数据进行信任函数的融合,得到融合后的信任函数m(A1)、m(A2)、m(Θ)。
S40:使用D-S证据理论进行决策输出完整的事件集合。
基于D-S证据理论的常用决策方法有:基于信任函数的决策、基于基本可信度赋值的决策和基于最小风险的决策。该实施例中,选择基于信任函数的决策规则进行决策得到事件集合;具体如下:
若满足下式:
此时,A1为决策结果,ε1,ε2为预先针对实际应用问题确定的阈值;不同的阈值组合有可能得到不同的决策结果,从而对决策结果产生影响。如公式2成立则A1为决策结果。
交通运行特征判定的事件数据A、雷达监测到的事件数据B和视频监测到的事件数据C三种信号源的信任函数融合共产生8种融合情况,如下:
(1)A有此事件,B有此事件,C有此事件;
(2)A有此事件,B有此事件,C无此事件;
(3)A有此事件,B无此事件,C有此事件;
(4)A有此事件,B无此事件,C无此事件;
(5)A无此事件,B有此事件,C有此事件;
(6)A无此事件,B有此事件,C无此事件;
(7)A无此事件,B无此事件,C有此事件;
(8)A无此事件,B无此事件,C无此事件。
将规则融合部分得出的m(A1)、m(A2)、m(Θ)带入(2)、(3)、(4)式,得到如下表所示的决策表,根据决策表每种组合结果对照雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据,进行判断该事件数据所属的组合,根据该组合的结果做出决策,输出事件集合;
表6
其中mi表示第i种情况组合的结果;当有新的交通运行特征判定的事件、雷达事件、视频事件时,根据D-S证据理论得到决策融合结果表便可做出决策是否输出事件。例如,在T时刻发生了一件交通事件,通过交通运行特征判定和视频识别算法识别出有交通事件发生,但是雷达算法并没有识别出有交通事件发生,此种情况对应决策表6中的(5),其对应的结果为A1,表示经过D-S融合算法进行融合决策后判决有事件发生,则输出此事件。
本次测试路段选择沪杭甬高速柯桥至绍兴段,全长10公里为测试路段,对选择测试段进行数据集准备。试验路段如图2所示。在数据库中导入此路段同一时间段的交通运行特征判定的事件数据、雷达监测到的事件数据和视频监测到的事件数据。加载2020年10月份数据,采用频率为80毫秒。
将mass函数经Dempster合成规则组合后,结果如表10所示:
表7D-S多检测方式交通事件融合决策表
筛选并融合后的数据如下:白天(1代表检测出事件发生,0代表未检测出事件发生),融合结果如表11所示。
表8D-S多检测方式交通事件融合表
以视频检测事件作为真实事件表,将三种方法检测的结果带入融合后的组合表,准确率为91.3%。
本申请提出基于D-S的多检测方式交通事件融合算法,对交通运行特征判定的事件数据、雷达监测到的事件数据和视频监测到的事件数据进行融合,以视频检测到的事件作为真实事件表,通过融合算法融合后,输出融合事件表,与真实事件对比,准确率达到91.3%,通过算法研究和开发,可以将算法封装为服务,通过算法平台进行调度执行,并基于高精度地图进行事件可视化和联动,应用于实际高速公路运营管理,减少重复上报事件、降低事件误报率、提高事件准确率。
在其他实施例中,使用D-S证据理论融合多源数据时,数据来源不限于雷达、视频检测数据和分析交通运行数据特征得到的数据,还可以使用神经网络算法、断面流量——速度算法等算法识别的数据。
在交通事件检测系统中,D-S证据理论融合算法针对的可以是多源数据的融合,当只有一种检测设备时,D-S证据理论也可以是针对单一数据源的多事件检测算法进行融合,如通过雷达设备检测到的交通运行特征数据、交通事件数据,通过使用加州算法、神经网络算法等算法对交通运行特征数据进行识别、学习,得到各自算法得到的交通事件集合在使用D-S证据理论进行融合,同样可以达到提高事件检测准确的效果。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于D-S证据理论的多检测方式交通事件融合方法,其特征在于,包括
S10:获取雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据;
S20:对上述三种信号源的事件数据的基本可信度进行赋值,生成信号源基本可信度分配表;
S30:根据上述信号源基本可信度分配表,使用D-S合成规则进行融合,得到融合后的信任函数;
S40:使用D-S证据理论进行决策输出完整的事件集合。
2.根据权利要求1所述的一种基于D-S证据理论的多检测方式交通事件融合方法,其特征在于,S20中,以是否发生交通事件为命题构建识别框架θ,根据获取的三种信号源的事件数据为证据,结合记录的真实发生事件的数据,进行基本可信度赋值。
4.根据权利要求3所述的一种基于D-S证据理论的多检测方式交通事件融合方法,其特征在于,S30中,采用两两融合的方法完成多证据的融合,得到合成后的基本可信度分配表,以此表征多证据联合作用下的信任函数。
6.根据权利要求5所述的一种基于D-S证据理论的多检测方式交通事件融合方法,其特征在于,
选择基于信任函数的决策规则进行决策得到事件集合;具体如下:
若满足下式:
此时,A1为决策结果,ε1,ε2为预先针对实际应用问题确定的阈值;
将规则融合部分得出的m(A1)、m(A2)、m(Θ)带入(2)、(3)、(4)式,得到如下表所示的决策表,根据决策表每种组合结果对照雷达监测到的事件数据、视频监测到的事件数据和交通运行特征判定的事件数据,进行判断该事件数据所属的组合,根据该组合的结果做出决策,输出事件集合;
其中mi表示第i种情况组合的结果;
当有新的雷达事件数据、视频事件数据和交通运行特征判定的事件数据计算到的事件数据时,根据D-S证据理论得到决策融合结果表便可做出决策是否输出事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211300989.9A CN116259173A (zh) | 2022-10-24 | 2022-10-24 | 一种基于d-s证据理论的多检测方式交通事件融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211300989.9A CN116259173A (zh) | 2022-10-24 | 2022-10-24 | 一种基于d-s证据理论的多检测方式交通事件融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116259173A true CN116259173A (zh) | 2023-06-13 |
Family
ID=86685091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211300989.9A Pending CN116259173A (zh) | 2022-10-24 | 2022-10-24 | 一种基于d-s证据理论的多检测方式交通事件融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116259173A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095540A (zh) * | 2023-10-18 | 2023-11-21 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-24 CN CN202211300989.9A patent/CN116259173A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095540A (zh) * | 2023-10-18 | 2023-11-21 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
CN117095540B (zh) * | 2023-10-18 | 2024-01-23 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210375128A1 (en) | System and method for detection and quantification of irregular traffic congestion | |
CN111462484B (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
KR100820467B1 (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
CN114707035A (zh) | 一种可视化交通起始点分析系统 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
Mitra et al. | Safety assessment of urban un-signalized intersections using conflict analysis technique | |
US20220319323A1 (en) | Method for identifying road risk based on networked vehicle-mounted adas | |
Abdel-Aty et al. | Real-time big data analytics and proactive traffic safety management visualization system | |
Evans et al. | Evolution and future of urban road incident detection algorithms | |
Gomari et al. | Development of a data-driven on-street parking information system using enhanced parking features | |
CN113724499A (zh) | 一种道路交通事件三维可视化分析方法及系统 | |
Klein et al. | Decision support system for advanced traffic management through data fusion | |
Jin et al. | Freeway recurrent bottleneck identification algorithms considering detector data quality issues | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
Petty | Incidents on the freeway: detection and management | |
Rashid et al. | Automated traffic measurement system based on FCD and image processing | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
KR102400842B1 (ko) | 교통사고 정보를 제공하기 위한 서비스 방법 | |
Wang et al. | Traffic Risk Assessment Based on Warning Data | |
Pereira et al. | Decision Support Dashboard for Traffic and Environment Analysis of a Smart City. | |
CN117894181B (zh) | 一种全域通行异常状况集成监测方法及系统 |
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 |