CN116596307A - 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 - Google Patents
一种基于公交运营安全数据构建驾驶员安全画像模型的方法 Download PDFInfo
- Publication number
- CN116596307A CN116596307A CN202310536374.4A CN202310536374A CN116596307A CN 116596307 A CN116596307 A CN 116596307A CN 202310536374 A CN202310536374 A CN 202310536374A CN 116596307 A CN116596307 A CN 116596307A
- Authority
- CN
- China
- Prior art keywords
- data
- driver
- security
- class
- driving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 17
- 231100000279 safety data Toxicity 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 230000007123 defense Effects 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于公交运营安全数据构建驾驶员安全画像模型的方法，涉及公交驾驶安全技术领域，包括以下步骤：步骤一、对公交驾驶员安全相关数据进行整合，并在数据清洗后进行存储；步骤二、对上述步骤一中存储的数据项按照驾驶行为对驾驶车辆的危害程度将驾驶员安全数据划分为多项主类数据；步骤三、对上述步骤二中各主类数据再次进行子类划分，并分别实现子类权重的分配和主类权重的分配；步骤四、计算出驾驶员的主类风险指数和子类风险指数，并输出最终的驾驶员的综合风险指数安全画像。本发明生成的驾驶员安全画像能够涵盖有关驾驶员安全数据的各种纬度，使得对驾驶员评价的更加全面，同时对驾驶员的风险等级能够精准管控。
Description
技术领域
本发明属于公交驾驶安全技术领域，具体涉及一种基于公交运营安全数据构建驾驶员安全画像模型的方法。
背景技术
近年来随着公共交通在安全管理方面不断加强，公交事故的发生率有所下降，但安全事故仍有发生；据统计事故的发生主要受人为、车况及外部环境等因素的影响，其中人为导致的交通事故，如驾驶失误、麻痹大意和违章行驶等占80%，车况异常占比10%，其余占比5%-10%，因此对于公交驾驶员的安全管理不能简单的通过人工经验。
而随着公共交通信息化水平的不断提升，除了常规的智能调度、视频监控等业务系统外，一些先进公交企业在岗前检测、主动安全预警、驾驶员行为分析等方面已试点应用，为公交安全运营发挥了重要支撑作用。目前大多数采用的是通过主动安全预警系统的百公里报警次数来构建驾驶员安全画像，原因是该方法要求的数据源较为简单，较容易实现，能够最快出结果。
但是上述的方法由于报警数据大都是设备直接上传的，因此会存在误判等因素，同时数据源较为单一，无法从多个纬度对驾驶员进行评价；因此现有的构建驾驶员安全画像的方法对驾驶员安全数据的深度应用目前还比较欠缺，无法为综合研判、精准培训提供有力的支撑。
发明内容
针对现有构建驾驶员安全画像存在的数据源较为单一，无法从多个纬度对驾驶员进行评价；对驾驶员安全数据的深度应用目前还比较欠缺的缺陷和问题，本发明提供一种基于公交运营安全数据构建驾驶员安全画像模型的方法。
本发明解决其技术问题所采用的方案是：一种基于公交运营安全数据构建驾驶员安全画像模型的方法，包括以下步骤：
步骤一、从各业务系统中调取出公交驾驶员安全数据并进行整合，将多项数据整合之后进行清洗处理，并将最终符合需求的数据进行存储；
步骤二、对所述步骤一中存储的数据项进行分类，建立包括人防和技防两大类的驾驶员安全管理制度；并结合人防和技防两类数据信息，按照各类中的驾驶行为对驾驶员驾驶车辆的危害程度，将驾驶员安全数据进一步的划分为多项主类数据；
步骤三、对上述步骤二中各主类数据进一步的进行子类划分，同时根据各子类数据和各主类数据对驾驶员风险指数的影响程度，分别实现子类权重的分配和主类权重的分配；
步骤四、根据上述步骤三所分配的权重占比，分别计算出驾驶员的主类风险指数和子类风险指数；最终输出驾驶员的综合风险指数安全画像，实现对驾驶员的安全判定管理。
上述的基于公交运营安全数据构建驾驶员安全画像模型的方法，步骤一中对数据进行清洗处理的操作包括进行缺失值处理、异常值处理和一致化处理。
上述的基于公交运营安全数据构建驾驶员安全画像模型的方法，步骤一中驾驶员安全数据包括驾驶员个人基础数据、驾驶员健康数据、驾驶员行车状态数据、驾驶员违章数据、驾驶员事故数据、驾驶员驾驶习惯数据和驾驶员劳动强度数据。
上述的基于公交运营安全数据构建驾驶员安全画像模型的方法，步骤二中对驾驶员安全数据进一步划分为包括健康数据、违章数据、事故数据、行车状态数据、驾驶习惯数据和劳动强度数据的六大主类数据。
上述的基于公交运营安全数据构建驾驶员安全画像模型的方法，健康数据包括岗前血压异常、岗前心率异常、岗前体温异常、岗前体温异常、岗中血氧异常、岗中心率异常数据；所述违章数据包括记录有逆行、闯红灯、未避让行人、不会使用灭火器以及未按照规定使用灯光的行为的信息；所述事故数据包括发生事故时全部、主要、同等、次要责任的占比数据；所述驾驶习惯数据包括记录有急加速、急刹车、急转弯、前向碰撞、车距过近、车道偏离、行人碰撞的行为的信息；所述行车状态数据包括记录有疲劳驾驶、打哈欠和分神驾驶的状态信息；所述劳动强度数据包括当天的在车工作时长信息。
上述的基于公交运营安全数据构建驾驶员安全画像模型的方法，步骤四中通过加权法来计算子类对应的风险指数；并根据各主类对应的权重，以及每个子类的风险指数累加值，通过加权平均法计算该主类对应的风险指数。
与现有技术相比，本发明的有益效果是：
本发明提供的一种基于公交运营安全数据构建驾驶员安全画像模型的方法，不再依赖于传统的经验管理，而是通过数据整合、数据分类和构建模型等流程，来生成驾驶员的分散属性及数据，并对数据进行分散存储，从而方便查看与驾驶员有关的风险信息及安全数据；
本发明最终生产的驾驶员安全画像能够涵盖有关驾驶员安全数据的各种纬度，使得对驾驶员评价的更加全面；并且本发明通过从各个业务系统中调取有关驾驶员数据，使得数据来源更加广泛灵活，之后还能够无限接入更多相关数据，从而使驾驶员画像模型更加精准；
本发明还通过权重分析以能够快速的通过数据建模，来完成对驾驶员新的纬度评价，进一步的提高驾驶员安全评定效率；本发明能够从事前、事中和事后对驾驶员的违章和事故原因进行分析，建立基于公交运营安全数据的驾驶员安全画像模型，从而能够预测未来一段时间内驾驶员的安全风险系数；并能够根据驾驶员的风险等级进行精准管控，从而大幅度提高公交运营安全的智能化水平，助推公交安全数字化转型升级。
附图说明
图1为本发明整体流程图；
图2为本发明步骤一的流程图；
图3为本发明步骤二的结构分类图；
图4为本发明步骤四的流程图；
图5为本发明生成的驾驶员安全画像页面图。
实施方式
下面结合附图和实施例对本发明进一步说明。
请参阅图1-5，本发明提供了一种基于公交运营安全数据构建驾驶员安全画像模型的方法的技术方案，对驾驶员安全相关的数据进行了深度的挖掘；通过数据整合、数据分类和构建模型等流程，生成驾驶员的分散属性及数据，并对数据进行分散存储，构建驾驶员安全画像模型，从而方便对驾驶员进行全方位的分析判定。
实施例
本实施例提供一种基于公交运营安全数据构建驾驶员安全画像模型的方法，包括以下步骤：
步骤一、对公交驾驶员安全数据进行整合并存储，公交驾驶员安全相关数据分散于各个业务系统中，主要包括驾驶员个人基础数据、驾驶员健康数据、驾驶员行车状态数据、驾驶员违章数据、驾驶员事故数据、驾驶员驾驶习惯数据以及驾驶员劳动强度数据等一系列相关信息；并通过数据接口抽取从各个业务系统中存储的驾驶员安全相关数据，在拿到相关数据之后再进行数据清洗，包括进行缺失值处理、异常值处理，一致化处理，并将清洗处理后符合要求的数据进行存储。
步骤二、对上述步骤一中存储的数据项进行分类，建立包括人防和技防两大类的驾驶员安全管理制度，其中人防类包括需要现场执法、定期核查等手段才能识别的行为，如逆行、未避让行人、不会使用灭火器、不按照规定使用灯光等行为；而技防类包括通过夹装硬件设备等技术手段获取，并经安全人员核实确认的信息，如抽烟、打电话、酒测、超速等行为；
结合人防和技防两大类数据，并按照两类中对应的驾驶行为对驾驶员驾驶车辆的危害，将驾驶员安全数据进一步的划分为包括健康数据、违章数据、事故数据、行车状态数据、驾驶习惯数据和劳动强度数据的六大主类数据。
步骤三、对上述步骤二中各主类数据再次进行更加详细的子类划分，其中健康数据包括岗前血压异常、岗前心率异常、岗前体温异常、岗中血样异常、岗中心率异常等数据；违章数据包括记录有逆行、闯红灯、未按规定行驶、未避让行人、不会使用灭火器、不按规定使用灯管等的行为的信息；事故数据包括发生事故时全部、主要、同等、次要责任的占比信息；行车状态数据包括记录有疲劳驾驶、打哈欠和分神驾驶等状态的信息；驾驶习惯数据包括记录有急加速、急刹车、急转弯、前向碰撞、车距过近、车道偏离、行人碰撞等行为的信息；劳动强度数据包括当天的在车工作时长信息；
之后再根据各主类数据和子类数据对驾驶员风险指数的影响程度，分别实现主类权重的分配和子类权重的分配，具体地，
子类权重分配：根据各个子类对驾驶员风险指数影响的程度，设置不同的子类型权重；如某个驾驶员当月的行车状态告警次数超过了线路平均值的30%，则权重直接置为30，若超过20%，则直接置为20，若超过10%，则权重直接置为10；
主权重分配：根据各个主类对驾驶员风险指数影响的程度，设置不同的主类型权重；并能够根据统计平均法来确认各个主类的权重；
步骤四、根据上述步骤三所分配的权重占比，分别计算出驾驶员的主类风险指数和子类风险指数；最终输出驾驶员的综合风险指数安全画像，实现对驾驶员的安全判定管理；具体地，
驾驶员子类风险指数计算：各个子类型对应的权重，以及每个子类产生的次数，通过加权法来计算该子类对应的风险指数；如驾驶员闯红灯权重为30，则判定该驾驶员在一定时间内发生闯红灯的次数为5次，则该驾驶员在该时间段内闯红灯对应的风险指数为30*5=150；
驾驶员主类风险指数计算：根据各个主类型对应的权重，以及每个子类的风险指数累加值，通过加权平均法来计算该主类对应的风险指数；如该驾驶员运营违章主类的权重为20，各个子类的风险指数累加值为20，运营里程为100km，则该驾驶员在该段时间内运营违章主类对应的风险指数就是20*20/100=4；
驾驶员综合风险指数计算：根据各个主类的风险指数进行累加，然后进行平均；如某个驾驶员1月份各个主类风险指数累加值为300，2月份各个主类风险指数累加值为400，3月份各个主类风险指数累加值为200，此时驾驶员综合风险指数就是平均值300。
实际使用时，如图5所示为系统终端按照上述方法生成的某个驾驶员的安全画像页面图，其中页面左上角为驾驶员的基础信息，包括驾驶员所属的公司车队、线路、入职时长驾龄以及安全行驶里程等，左侧中间位置是驾驶员最近一个月的工作时长、运行里程、运行趟次以及酒测异常次数、问询异常次数等，左侧右下方是该驾驶员的健康异常趋势，主要包括驾驶员的心率异常和血压异常趋势；中间正上方是根据模型算法计算出来的该驾驶员的综合风险指数和对该驾驶员的整体评价，以及各个主类对应的风险指数，还有该驾驶员在总公司、分公司、车队和线路的排名，以及驾驶员各类风险指数的雷达图，右上方展示了该驾驶员最近几个月的总风险指数趋势；在中间下方位置展示了驾驶员年度违章次数、年度事故次数、月行车状态报警次数和月驾驶习惯报警次数，右下方是行车状态、驾驶习惯和劳动强度的趋势分析。
本发明提供的基于公交运营安全数据构建驾驶员安全画像模型的方法，能够从事前、事中和事后对驾驶员的违章和事故原因进行分析，建立基于公交运营安全数据的驾驶员安全画像模型，从而能够预测未来一段时间内驾驶员的安全风险系数；并能够根据驾驶员的风险等级进行精准管控，从而大幅度提高公交运营安全的智能化水平，助推公交安全数字化转型升级。
以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于公交运营安全数据构建驾驶员安全画像模型的方法，其特征在于：包括以下步骤：
步骤一、从各业务系统中调取出公交驾驶员安全数据并进行整合，将多项数据整合之后进行清洗处理，并将最终符合需求的数据进行存储；
步骤二、对所述步骤一中存储的数据项进行分类，建立包括人防和技防两大类的驾驶员安全管理制度；并结合人防和技防两类数据信息，按照各类中的驾驶行为对驾驶员驾驶车辆的危害程度，将驾驶员安全数据进一步的划分为多项主类数据；
步骤三、对上述步骤二中各主类数据进一步的进行子类划分，同时根据各子类数据和各主类数据对驾驶员风险指数的影响程度，分别实现子类权重的分配和主类权重的分配；
步骤四、根据上述步骤三所分配的权重占比，分别计算出驾驶员的主类风险指数和子类风险指数；最终输出驾驶员的综合风险指数安全画像，实现对驾驶员的安全判定管理。
2.根据权利要求1所述的构建驾驶员安全画像模型的方法，其特征在于：所述步骤一中对数据进行清洗处理的操作包括进行缺失值处理、异常值处理和一致化处理。
3.根据权利要求1所述的构建驾驶员安全画像模型的方法，其特征在于：所述步骤一中驾驶员安全数据包括驾驶员个人基础数据、驾驶员健康数据、驾驶员行车状态数据、驾驶员违章数据、驾驶员事故数据、驾驶员驾驶习惯数据和驾驶员劳动强度数据。
4.根据权利要求1所述的构建驾驶员安全画像模型的方法，其特征在于：所述步骤二中对驾驶员安全数据进一步划分为包括健康数据、违章数据、事故数据、行车状态数据、驾驶习惯数据和劳动强度数据的六大主类数据。
5.根据权利要求4所述的构建驾驶员安全画像模型的方法，其特征在于：所述健康数据包括岗前血压异常、岗前心率异常、岗前体温异常、岗前体温异常、岗中血氧异常、岗中心率异常数据；所述违章数据包括记录有逆行、闯红灯、未避让行人、不会使用灭火器以及未按照规定使用灯光的行为的信息；所述事故数据包括发生事故时全部、主要、同等、次要责任的占比数据；所述驾驶习惯数据包括记录有急加速、急刹车、急转弯、前向碰撞、车距过近、车道偏离、行人碰撞的行为的信息；所述行车状态数据包括记录有疲劳驾驶、打哈欠和分神驾驶的状态的信息；所述劳动强度数据包括当天的在车工作时长信息。
6.根据权利要求1所述的构建驾驶员安全画像模型的方法，其特征在于：所述步骤四中通过加权法来计算子类对应的风险指数；并根据各主类对应的权重，以及每个子类的风险指数累加值，通过加权平均法计算该主类对应的风险指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310536374.4A CN116596307A (zh) | 2023-05-12 | 2023-05-12 | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310536374.4A CN116596307A (zh) | 2023-05-12 | 2023-05-12 | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116596307A true CN116596307A (zh) | 2023-08-15 |
Family
ID=87605697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310536374.4A Pending CN116596307A (zh) | 2023-05-12 | 2023-05-12 | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596307A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541035A (zh) * | 2024-01-10 | 2024-02-09 | 交通运输部公路科学研究所 | 一种融合多源数据的道路运输驾驶员适岗性画像方法 |
-
2023
- 2023-05-12 CN CN202310536374.4A patent/CN116596307A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541035A (zh) * | 2024-01-10 | 2024-02-09 | 交通运输部公路科学研究所 | 一种融合多源数据的道路运输驾驶员适岗性画像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807930B (zh) | 危险车辆预警方法及装置 | |
| KR101617349B1 (ko) | 운전 습관 분석 진단 시스템 및 방법 | |
| CN110866677A (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
| Wong et al. | Rough set approach for accident chains exploration | |
| CN113066287B (zh) | 一种高速公路交通事故现场风险主动防控方法及系统 | |
| CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
| CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
| CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
| CN107918826A (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
| CN113870564A (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
| CN113905215A (zh) | 一种公交安全驾驶监控系统 | |
| Zhang et al. | Safety assessment of trucks based on GPS and in-vehicle monitoring data | |
| CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
| CN116453345B (zh) | 一种基于驾驶风险反馈的公交行车安全预警方法及系统 | |
| Wong et al. | Analyzing heterogeneous accident data from the perspective of accident occurrence | |
| Watanabe et al. | A method for the estimation of coexisting risk-inducing factors in traffic scenarios | |
| CN112837201A (zh) | 一种精准数据驱动的资源配置智能化系统 | |
| CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
| CN114997527B (zh) | 基于道路运输动态数据的企业考核评价方法、系统及终端 | |
| CN115049992A (zh) | 基于大数据的物流监控系统及方法 | |
| CN115871682A (zh) | 驾驶员安全驾驶行为的监测、评价和预警方法及系统 | |
| Hossain et al. | Data mining approach to explore emergency vehicle crash patterns: A comparative study of crash severity in emergency and non-emergency response modes | |
| Wang et al. | Identifying high risk locations of animal-vehicle collisions on Washington state highways | |
| Farid et al. | Enhancing Crash Data Reporting to Highway Safety Partners in Wyoming by Utilizing Big Data Analysis and Survey Techniques | |
| Toth et al. | Large truck crash causation study in the United States |
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 |