CN116665456B - 一种结合高维指标降维处理对交通状态进行评估的方法 - Google Patents

一种结合高维指标降维处理对交通状态进行评估的方法 Download PDF

Info

Publication number
CN116665456B
CN116665456B CN202310933321.6A CN202310933321A CN116665456B CN 116665456 B CN116665456 B CN 116665456B CN 202310933321 A CN202310933321 A CN 202310933321A CN 116665456 B CN116665456 B CN 116665456B
Authority
CN
China
Prior art keywords
traffic
index
traffic state
dimensional
dimension
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
Application number
CN202310933321.6A
Other languages
English (en)
Other versions
CN116665456A (zh
Inventor
尚赞娣
胡希元
于丹阳
何涛
林成功
王屾
夏晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Transportation Sciences
Original Assignee
China Academy of Transportation Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Transportation Sciences filed Critical China Academy of Transportation Sciences
Priority to CN202310933321.6A priority Critical patent/CN116665456B/zh
Publication of CN116665456A publication Critical patent/CN116665456A/zh
Application granted granted Critical
Publication of CN116665456B publication Critical patent/CN116665456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种结合高维指标降维处理对交通状态进行评估的方法，包括：构建混合交通下影响交通状态评估的高维指标集；对所述高维指标集进行处理以获取各指标间的相关性，所述相关性能够基于斯皮尔曼相关系数进行表示；基于所述斯皮尔曼相关系数对所述高维指标集进行筛选以获取降维指标集；对所述降维指标集进行处理以获取最小化高维指标集和降维后的低维映射点之间的概率分布距离的散度KL；对所述低维映射点进行模糊聚类以对交通的类别进行评估；对不同数目下的交通状态模糊划分系数进行评估，以获取最优的交通状态类别数目；对每个交通状态类别进行分析以获取每个交通状态类别所属的交通状态，进而获取混合交通下的交通状态。

Description

一种结合高维指标降维处理对交通状态进行评估的方法
技术领域
本发明涉及智能交通技术领域，具体涉及一种结合高维指标降维处理对交通状态进行评估的方法。
背景技术
随着经济的发展，道路中出现的多种车辆混行会影响道路车辆整体的运行稳定性，例如自重大、尺寸高的货车与自重小、速度快的客车混行，会影响到交通状态的稳定性及道路的运行效率，进而易发生交通拥堵与事故。因此，应该从混合交通下实际情况出发，考虑不同车辆类型对交通状态的影响，获得更能反映实际道路情况的交通运行状态。准确的交通状态信息能够帮助车辆及时根据车辆状态进行线路调整，并有助于交通管理部门及时进行道路管控，提高道路运行效率和安全，助力智能交通的发展。
以往研究受制于有限的数据，在交通状态划分方面将不同车辆类型的特征仅通过一个系数转换成一个统一的指标来进行判定，忽略了不同车辆类型自身的特征，因而以往的交通状态判定方法存在一定弊端，不能较为全面的反映道路交通状态。
发明内容
针对现有技术中存在的不足，本发明目的是提供一种能够更清楚反映道路的实际运行状态、辅助制定交通管制措施、提高交通效率和安全的结合高维指标降维处理对交通状态进行评估的方法。
为解决上述技术问题，本发明提供的技术方案是：所述的结合高维指标降维处理对交通状态进行评估的方法，该方法包括以下步骤：
（1）构建混合交通下影响交通状态评估的指标集；
（2）将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数 的计算公式为：
；
在上式中，和/>分别代表第/>和第/>个高维指标，其中/>，/>为指标的个数，/>为/>和/>的协方差，/>和/>表示/>和/>的标准差；
（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个；
（4）将步骤（3）中剔除结束后剩余的指标集输入到T分布随机邻居嵌入算法中，将高维指标集降维到二维；
（5）步骤（4）中，T分布随机邻居嵌入算法的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的KL散度，KL最小化的公式为：
；
在上式中，是高维指标集的联合概率密度，/>是低维映射点的联合概率密度，二者的计算公式为：
；
；
在上式中，和/>分别代表第/>和第/>个高维指标，/>和/>分别代表第/>和第/>个低维映射点指标，/>代表方差；
（6）将步骤（4）中降维后的低维映射点输入到模糊C均值算法中，评估交通的类别；
（7）通过肘部法对不同数目下的交通状态模糊划分系数进行评估，选出最优的交通状态类别数目；
（8）对步骤（6）中交通的类别进行分析，评估每个类别所属的交通状态，得到异构交通下的交通状态。
进一步地，在步骤（6）中，模糊C均值算法的目标函数计算公式为：
；
在上式中，为算法的目标函数值，/>为模糊聚类中心，/>，/>为交通状态类别/>的中心点，初始中心点设定为/>，/>表示第/>个指标，且/>，/>为算法的权重，/>为指标/>属于交通状态类别/>的权重，/>为系数；
在求解过程中，根据计算得到的值更新聚类的中心，以寻找/>值最小时对应的交通状态类别，此时即为交通状态结果。
进一步地，在步骤（7）中，交通状态模糊划分系数FPC的计算公式为：
；
在上式中，为交通状态类别/>中所有样本的均值。
与现有技术相比，本方案具备的显著优点有：
本方案从混合交通中不同车辆类型的特征出发，构建了高维特征下的交通状态评估模型，从特征选择和特征降维来提高算法效率，引入肘部法科学选择最佳交通状态数目，可结合经典格林希尔治交通流模型来判定最后的交通状态结果，保证判定结果的可靠性。
本方案考虑实际工程问题全面，实际应用价值高，可以更加可靠地反映道路的实际运行状态，辅助制定交通管制措施，提高交通效率和安全。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明在实施例中混合交通下不同车辆特征的指标数据图；
图2为本发明在实施例中TSNE可视化效果；
图3为本发明在实施例中聚类中心数目从2到9的聚类结果及模糊划分系数示意图；
图4为本发明在实施例中用折线图展示的聚类中心数目从2到9的FPC；
图5为本发明在实施例中格林希尔治交通流模型示意图；
图6为本发明在实施例中总速度指标在不同交通状态编号下的箱型图；
图7为本发明在实施例中排序后的箱型图及对应的交通状态等级示意图；
图8为本发明在实施例中整体的步骤流程示意图。
具体实施方式
以下结合附图对本发明的优选实例进行说明，应当理解，此处所描述的优选实例仅用于说明和解释本发明，并不用于限定本发明。
如图8所示，本发明所述的结合高维指标降维处理对交通状态进行评估的方法，主要包括以下步骤：
（1）构建混合交通下影响交通状态评估的指标集；
在本实施例中，高速公路混合交通包括多种车辆类型，按照《公路工程技术标准》中的规定，见下表：
可以看到车辆按照不同的荷载及功率被分为了六种车型，并且每种车辆类型均给出了转换成标准小汽车的换算系数。
因此，六中车型的流量及速度；所有车型总流量、总速度；道路的时间占有率、跟车百分比、平均车头间距；货车混合流率及客车占有率作为评估混合交通状态的指标，共有23个指标，形成高维特征。
选择北京首都国际机场附近的一处高速公路路段作为研究对象，数据收集时长为3天，时间间隔为1小时，并且由线圈检测直接获得和简单的数据清洗，获得的指标数据如图1所示。
（2）将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数的计算公式为：
；
在上式中，和/>分别代表第/>和第/>个高维指标，其中/>，/>为指标的个数，/>为/>和/>的协方差，/>和/>表示/>和/>的标准差。
在本实施例中，两两指标之间的斯皮尔曼相关性系数计算部分结果如下表所示：
（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个，本实施例中，斯皮尔曼相关性系数大于0.8的指标如下表所示：
斯皮尔曼相关性系数大于0.8的两个指标之间存在指标冗余，因此，为了提高模型的运行效率，剔除其中一个，由上可知，将中小型客车流量、中小型客车速度、客车混合流率、客车速度及总流量共5个指标作为冗余指标进行删除，此时，交通状态评估指标体系由原来的23维度变成了18维度，18维度的指标体系属于高维特征。
（4）将18维的高维异构交通状态指标集输入到T分布随机邻居嵌入（T-Distributed Stochastic Neighbor Embedding，TSNE）算法中，将高维指标集降维到二维。
（5）TSNE的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的Kullback-Leibler（KL）散度，KL最小化的公式为：
；
在上式中，是高维指标集的联合概率密度，/>是低维映射点的联合概率密度，二者的计算公式为：
；
；
在上式中，和/>分别代表第/>和第/>个高维指标，/>和/>分别代表第/>和第/>个低维映射点指标，/>代表方差。
TSNE是一种非线性的机器学习算法，非常擅长将高维数据降到二维，并进行可视化，降到二维的TSNE可视化效果如图2所示。
由于TSNE是机器学习算法，主要从数据角度来挖掘高维特征之间的关系，应用TSNE将18维的交通指标体系降维到二维后，数据没有单位实际意义，因此横纵坐标没有标题。
（6）将步骤（4）中降维后的低维映射点输入到模糊C均值算法中，评估交通的类别，模糊C均值算法的目标函数计算公式为：
；
在上式中，为算法的目标函数值，/>为模糊聚类中心，/>，/>为交通状态类别/>的中心点，初始中心点设定为/>，/>表示第/>个指标，且/>，/>为算法的权重，/>为指标/>属于交通状态类别/>的权重，/>为系数；
在求解过程中，根据计算得到的值更新聚类的中心，以寻找/>值最小时对应的交通状态类别，此时即为交通状态结果。
聚类中心数目从2到9的聚类结果及模糊划分系数如图3所示，图3中，center代表聚类中心的数目，FPC代表模糊划分系数，serious 0代表交通状态聚类簇的编号为0。
（7）考虑到不同数量的交通状态数目会影响到交通状态的评估水平，因而引入肘部法队不同数目下的交通状态模糊划分系数（Fuzzy Partition Coefficient，FPC）进行评估，进而选出最优的交通状态类别数目，FPC的计算公式为：
；
在上式中，为交通状态类别/>中所有样本的均值。
肘部法则原理为评估类别的成本，成本是类别划分程度之和，每个类别的划分程度等于每个特征点到各自类别中心的位置距离平方和。如果类别内成员之间越紧凑，则划分程度越高，反之越分散，划分程度越低。在类别的数量选择上，肘部法将不同类别数量的模糊划分系数通过折线图呈现出来。随着类别数量增加，每个类别内包括的样本数目会减少，样本距离其类别质心会更近，因而类别划分程度越高；当类别划分的改善效果下降幅度最大的位置对应的值就是肘部，或者说找到下降途中的拐点就是肘部，该肘部对应的类别数量就是最佳类别数量。
将图3中的聚类中心数目从2到9的FPC用折线图展示，结果如图4所示。从图4中可以看出，当聚类中心为5的时候，图4中灰色圆圈区域，FPC的下降趋势开始变缓慢，根据肘部法则，看出最佳聚类中心数为5。
（8）对每个类别进行分析，评估出每个类别所属的交通状态，进而评估得到异构交通下的交通状态。具体来说，采用格林希尔治（Greenshields）交通流模型中流量与速度之间的关系来进行评判。格林希尔治交通流模型从1934年被提出，其流量与速度之间负线性相关关系在交通届获得广泛的认可，具体如图5所示。
从图5中可以看出，当流量接近0，同时速度接近为0km/h时，此时交通出现堵塞到无法前行，此时为非常拥堵状态；而当流量接近为0，但速度接近120km/h时，此时车辆在道路中自由行驶，因而此时为非常畅通状态；并且速度从120km/h开始逐渐降低至60km/h时，通过道路的交通流量逐渐增加，此时交通状态由非常畅通转为一般畅通；当速度从60km/h继续降低时，此时通过的交通流量开始逐渐降低了，此时交通状态由一般畅通逐渐转为一般拥堵状态。通过上述交通流量与速度之间的关系，可以对聚类划分后的类别进行交通状态的判定。
对最优聚类簇进行分析，画出指标在每个簇下的箱型图，根据箱型图评估出每个簇属于的交通状态，进而评估得到异构交通下的交通状态。由图4可知，最佳聚类中心数为5时，总速度指标在不同交通状态编号下的箱型图如图6所示。
2011年北京市发布的地方标准《城市道路交通运行评价指标体系》（DB11/T 785-2011），将北京市交通运行状态根据速度的大小划分了5种交通状态，按照速度数值从小到大依次划分为严重拥堵、中度拥堵、轻度拥堵、基本畅通和畅通五个等级。因此，将图6中交通状态编号按照总速度的大小重新进行降序排列，并将交通状态等级进行对应，排序后的箱型图及对应的交通状态等级如图7所示。
进一步地，每个交通状态等级下的交通指标模糊区间如下表所示：
得到的表每个交通状态等级下的交通指标模糊区间可以为交通管理部门提供异构交通下交通特征的交通状态判别指标区间建议，有助于政策制定的精细化。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种结合高维指标降维处理对交通状态进行评估的方法，其特征在于，该方法包括以下步骤：
（1）构建混合交通下影响交通状态评估的指标集；
（2）将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数 的计算公式为：
；
在上式中，和/>分别代表第/>和第/>个高维指标，其中/>，/>为指标的个数，为/>和/>的协方差，/>和/>表示/>和/>的标准差；
（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个；
（4）将步骤（3）中剔除结束后剩余的指标集输入到T分布随机邻居嵌入算法中，将高维指标集降维到二维；
（5）步骤（4）中，T分布随机邻居嵌入算法的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的KL散度，KL最小化的公式为：
；
在上式中，是高维指标集的联合概率密度，/>是低维映射点的联合概率密度，二者的计算公式为：
；
；
在上式中，和/>分别代表第/>和第/>个高维指标，/>和/>分别代表第/>和第/>个低维映射点指标，/>代表方差；
（6）将步骤（4）中降维后的低维映射点输入到模糊C均值算法中，评估交通的类别；
（7）通过肘部法对不同数目下的交通状态模糊划分系数进行评估，选出最优的交通状态类别数目；
（8）对步骤（6）中交通的类别进行分析，评估每个类别所属的交通状态，得到异构交通下的交通状态。
2.根据权利要求1所述的结合高维指标降维处理对交通状态进行评估的方法，其特征在于，在步骤（6）中，模糊C均值算法的目标函数计算公式为：
；
在上式中，为算法的目标函数值，/>为模糊聚类中心，/>，/>为交通状态类别/>的中心点，初始中心点设定为/>，/>表示第/>个指标，且/>，/>为算法的权重，/>为指标/>属于交通状态类别/>的权重，/>为系数；
在求解过程中，根据计算得到的值更新聚类的中心，以寻找值最小时对应的交通状态类别，此时即为交通状态结果。
3.根据权利要求2所述的结合高维指标降维处理对交通状态进行评估的方法，其特征在于，在步骤（7）中，交通状态模糊划分系数FPC的计算公式为：
；
在上式中，为交通状态类别/>中所有样本的均值。
CN202310933321.6A 2023-07-27 2023-07-27 一种结合高维指标降维处理对交通状态进行评估的方法 Active CN116665456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310933321.6A CN116665456B (zh) 2023-07-27 2023-07-27 一种结合高维指标降维处理对交通状态进行评估的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310933321.6A CN116665456B (zh) 2023-07-27 2023-07-27 一种结合高维指标降维处理对交通状态进行评估的方法

Publications (2)

Publication Number Publication Date
CN116665456A CN116665456A (zh) 2023-08-29
CN116665456B true CN116665456B (zh) 2023-12-19

Family

ID=87715677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310933321.6A Active CN116665456B (zh) 2023-07-27 2023-07-27 一种结合高维指标降维处理对交通状态进行评估的方法

Country Status (1)

Country Link
CN (1) CN116665456B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830102A (zh) * 2019-02-14 2019-05-31 重庆邮电大学 一种面向复杂城市交通网络的短时交通流量预测方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真系统
CN110634294A (zh) * 2019-09-26 2019-12-31 刘秀萍 一种强化递阶学习驱动的时空交通流预测方法
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
CN113096381A (zh) * 2021-03-03 2021-07-09 南京理工大学 基于gsa-svr算法的短时道路交通拥堵预测方法
AU2021104800A4 (en) * 2021-08-02 2021-09-30 Wuhan University Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety
CN116205024A (zh) * 2022-11-09 2023-06-02 吉林大学 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830102A (zh) * 2019-02-14 2019-05-31 重庆邮电大学 一种面向复杂城市交通网络的短时交通流量预测方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真系统
CN110634294A (zh) * 2019-09-26 2019-12-31 刘秀萍 一种强化递阶学习驱动的时空交通流预测方法
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
CN113096381A (zh) * 2021-03-03 2021-07-09 南京理工大学 基于gsa-svr算法的短时道路交通拥堵预测方法
AU2021104800A4 (en) * 2021-08-02 2021-09-30 Wuhan University Urban Compactness Measurement, Evaluation and Optimization Method Based on Traffic Safety
CN116205024A (zh) * 2022-11-09 2023-06-02 吉林大学 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法

Also Published As

Publication number Publication date
CN116665456A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109733390B (zh) 一种基于驾驶人特性的自适应换道预警方法
CN110796859A (zh) 基于交通流的实时交通状态辨识及事故风险预警方法
CN112201038A (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN106022561A (zh) 驾驶行为综合评价方法
CN113920732B (zh) 一种针对特定驾驶人群的道路交通事故风险预警方法
CN114168646B (zh) 基于多数据融合的营运车辆运输监控方法及系统
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN105946860A (zh) 一种考虑驾驶风格的弯道车速预测方法
CN110633729A (zh) 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法
CN114999181A (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
CN112150046A (zh) 一种道路交叉口安全风险指数计算方法
CN112651666A (zh) 一种基于驾驶模式转移特征的驾驶员风险评估方法
CN116957345A (zh) 用于无人驾驶系统中的数据处理方法
CN116186884A (zh) 一种智能网联汽车功能安全与预期功能安全联动验证方法
CN105205312A (zh) 道路事故热点成因分析和破坏度评估方法
Sobreira et al. Disaggregated traffic conditions and road crashes in urban signalized intersections
CN118025193A (zh) 一种驾驶员风险评价管理方法及系统
CN116665456B (zh) 一种结合高维指标降维处理对交通状态进行评估的方法
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN116092296B (zh) 交通状态评估方法、装置、电子设备及存储介质
CN116432864A (zh) 一种区域营运驾驶员群体安全态势的预测方法及系统
CN111489061A (zh) 基于虚拟现实提高汽车产品安全性的交互控制方法
Chen et al. The impact of truck proportion on traffic safety using surrogate safety measures in China
CN112036709B (zh) 基于随机森林的降雨天气高速公路二次事故致因分析方法
CN115936541A (zh) 一种安全道路推荐方法及设备

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