CN117275220A - 基于非完备数据的山区高速公路实时事故风险预测方法 - Google Patents
基于非完备数据的山区高速公路实时事故风险预测方法 Download PDFInfo
- Publication number
- CN117275220A CN117275220A CN202311119001.3A CN202311119001A CN117275220A CN 117275220 A CN117275220 A CN 117275220A CN 202311119001 A CN202311119001 A CN 202311119001A CN 117275220 A CN117275220 A CN 117275220A
- Authority
- CN
- China
- Prior art keywords
- accident
- data
- model
- data set
- training
- 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 30
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000013508 migration Methods 0.000 claims abstract description 6
- 230000005012 migration Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通安全技术领域，具体涉及一种基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于利用获取的山区高速公路同质路段事故和非事故交通流数据集，通过欠采样和过采样处理数据，利用二元Logit模型筛选显著变量。在此基础上构建源域数据集和目标数据集，然后在源域数据集建立多层感知机，并利用迁移学习方法建立基于目标域数据集的多层感知机，预测目标数据集中事故发生概率，并通过K‑Means聚类算法进行事故风险等级划分。这种方法解决了传统模型无法处理不完备数据和非线性问题的不足。
Description
技术领域
本发明属于交通安全技术领域，具体涉及一种基于非完备数据的山区高速公路实时事故风险预测方法。
背景技术
随着国家公路网的规划和实施，我国高速公路建设不断向快速化、规模化和网络化发展。与此同时，我国机动化交通需求迅速增长、机动车保有量以及驾驶证申领人数逐年增加。受复杂地形地貌、自然环境等因素限制，山区高速公路平纵横等线性指标标准安全性较平原高速低，行车条件不连续性高，在“人-车-路-环”要素的综合作用下，山区高速公路事故频发，交通安全形势尤其严峻。
公开号为CN115762140A的发明专利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：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；将当前高速公路划分成多段并统计事故发生数；构建常规负二项回归模型；引入时间参数构建随机效应负二项回归模型；计算交通事故风险值。由于该专利采用了负二项回归模型为线性模型，但是交通事故的发生受多维因素的非线性综合作用，研究天气特征、道路特征、交通流动态特征与事故风险的复杂关联关系及交互效应，但现有的事故预测模型无法处理这类非线性复杂关系的问题。另外，这种风险预测方法仍停留在传统的静态、被动、后评估层面，缺乏主动性、预见性和实时性。在当前安全形势下，定制出面向我国山区高速公路交通环境的实时事故风险预测模型与预警措施对山区高速公路事故防控具有积极意义。
近年来，机器学习等数据挖掘技术的快速发展提供了预测准确度更高的模型，为高速公路事故风险建模提供了新的方法。但是，目前我国大部分高速公路的信息采集更多面向运营管理，缺乏安全分析必要的信息。而多数山区高速公路还存在道路、环境等因素的记录不完善，交通事故信息记录简略，数据准确度低等问题。由于数据缺乏和样本数据的稀疏，无法充分支撑事故预测模型的建立。
发明内容
针对现有的风险预测模型存在无法预测非线性复杂关系、以及山区高速公路存在数据缺乏的问题，本发明提出一种基于非完备数据的山区高速公路实时事故风险预测方法。
实现上述目的，本发明采用的技术方案如下：
非完备数据的山区高速公路实时事故风险预测方法，包括如下步骤：
S1，获取山区高速公路同质路段事故交通流数据集和非事故交通流数据集。
S2，构建初始数据集So＝{so1,so2,…,soi,i＝1,…,n}，n为样本量大小，soi为第i条数据(事故数据或非事故数据)，包括j+1个字段，soi＝[xi1,xi2,…,xij,yi,j＝1,…,m[，xij为第j个交通流特征，m为交通流特征数量，yi表示是否发生事故，yi为0-1变量，发生事故为1，未发生事故为0；
S3，利用欠采样和过采样的方式处理初始数据集S0，使事故与非事故样本比例为1:1，对获得的数据集进行归一化处理，再利用二元Logit模型筛选得到显著变量
S4，根据S3中筛选的显著变量对初始数据集字段进行匹配，仅保留初始数据集S0中交通流数据的显著变量和是否发生事故数据，得到源域数据集S，再提取同质路段数据构建目标数据集T，所述目标数据集T数据样本量小，作为迁移目标；
S5，利用源域数据集S搭建多层感知机预测事故发生概率Prob，基于源域数据集S中数据与目标数据集T中数据共享部分模型参数的思想，分别固定MLP网络模型不同层参数，将源域数据集S搭建的网络模型部分参数迁移到目标数据集T上，再微调其他层，分别计算预测模型的AUC值，最终选择AUC值最大，即预测效果较好的模型作为最终迁移模型；
S6，利用K-Means聚类算法将S5中事故发生概率值与S2中显著变量作为聚类指标进行聚类分析，根据聚类结果对事故风险等级进行划分；
S7，通过实时评估交通流数据集聚类指标与对应类别聚类中心的距离，来实时判断事故发生的风险等级。
进一步，步骤S1中，事故交通流数据包括路段事故发生前5-10分钟的上下游平均30秒车流量、车速、占有率、车流量标准差、车速标准差、占有率标准差、车流量绝对差、车速绝对差、占有率绝对差；非事故交通流数据采用配对式病例-对照研究方法，根据事故所在位置对应的上下游交调站点数据，以1：4的比例，分别选择4个符合规则的时间段，得到与事故数据相同字段的数据。
进一步，步骤S5中，基于多层感知机预测事故发生概率预测模型训练流程如下：
S51将源域数据集中显著变量作为分类模型的输入，构建两层隐藏层的多层感知器MLP的分类模型，输出结果为是否发生事故yi，训练得到模型的三层参数。
S52将目标数据集切分为训练集和测试集，其中使用70％的样本作为训练集，剩余30％的样本作为测试集，利用训练集数据训练模型；
S53将S51中训练好的多层感知机模型第一层参数迁移到训练集，即固定网络模型的第一层参数，将训练集样本输入到MLP网络模型中，训练得到第二三层参数，得到模型M1，输入测试集样本，得到预测结果Q1和AUC值；
S54将S51中训练好的多层感知器MLP网络模型第二层参数迁移到训练集，即固定网络模型的第二层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M2,输入测试集样本，得到预测结果Q2和AUC值；
S55将①中训练好的多层感知器MLP网络模型第三层参数迁移到训练集，即固定网络模型的第三层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M3,输入测试集样本，得到预测结果Q3和AUC值；
S56比较三次AUC值的大小。取AUC值最大的模型作为最终迁移学习的预测模型M；
S57利用⑥中最终迁移学习的预测模型M对目标数据集进行预测，得到预测事故概率值Prob。
进一步，步骤S6中，K-means聚类算法参数K取值为3，即将事故风险等级划分为3类，其中排名第一的设定为高风险，排名第二的设定为中风险，其余设定为相对低风险。
本发明与现有技术相比，其有益效果为：
(1)与现有技术相比，将传统事故预测转化为事故风险预测，从事故被动防控向事故主动防控转变，能够及时动态有效地发布前方道路风险，提升道路运行安全水平。
(2)与现有技术相比，针对非完备数据集，通过将完备数据集上训练模型的一部分参数迁移到样本量较小的数据集,能更好的提高小样本数据集的预测精度,解决了山区高速公路道路、环境等因素的记录不完善，交通事故信息记录简略，数据准确度低，无法充分支撑建模的问题。
附图说明
图1为本发明一种非完备数据下山区高速公路实时事故风险分级预警系统框架图；
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
实施例1:基于非完备数据的山区高速公路实时事故风险预测方法，包括如下步骤：
S1，获取山区高速公路同质路段事故和非事故交通流数据集，
(1)事故数据：提取路段事故发生前5-10分钟的上下游平均30秒车流量、车速、占有率、车流量标准差、车速标准差、占有率标准差、车流量绝对差、车速绝对差、占有率绝对差。
(2)非事故数据：采用配对式病例-对照研究方法，非事故样本交通流数据按照以下匹配条件提取：
日期：非事故组选择该地点整日都无事故的日期；
星期：非事故组的日期与对应事故所在星期相同；
时间：非事故组的时间与对应事故所在时间相同；
地点：非事故组的地点与对应事故所在地点相同；
无干扰：非事故组所对应事故前后各5小时内在相同地点无事故；
根据事故所在位置对应的上下游交调站点数据，以1：4的比例，分别选择4个符合规则的时间段，获取该时间段内上下游交调站的流量、占有率、车速数据等数据，得到与事故数据相同字段的数据。
S2，构建初始数据集So＝{so1,so2,…,soi,i＝1,…,n}，n为样本量大小，soi为第i条数据(事故数据或非事故数据)，包括j+1个字段，soi＝[xi1,xi2,…,xij,yi,j＝1,…,m]，xij为第j个交通流特征，m为交通流特征数量，yi表示是否发生事故，yi为0-1变量，发生事故为1，未发生事故为0。
S3，首先基于欠采样和过采样的方式处理初始数据集，从非事故交通流数据中抽取部分样本来代表非事故交通流状态下的交通流特征，事故与非事故样本比例1:1；之后，对自变量数据进行最大最小归一化处理，将数据集中的每个特征取值范围转化到0-1之间；利用二元logit回归对自变量进行显著性筛选，因变量是交通事故是否发生，自变量是多类交通流数据，事故发生的概率可用式(1)计算。
式中α和β分别为回归截距和回归系数。
S4，根据S3中筛选的显著变量对初始数据集字段进行处理得到源域数据集S，再提取同质路段数据构建目标数据集T，目标数据集是需进行事故风险等级预测的非完备数据集，但往往数据样本量较小、信息不完备，是训练模型的迁移目标。
S5，利用背景数据集S搭建多层感知机预测事故发生概率值Prob，训练流程如下：
S51将源域数据集中显著变量作为分类模型的输入，构建两层隐藏层的多层感知器MLP的分类模型，输出结果为是否发生事故yi，训练得到模型的三层参数。
S52将目标数据集切分为训练集和测试集，其中使用70％的样本作为训练集，剩余30％的样本作为测试集，利用训练集数据训练模型；
S53将S51中训练好的多层感知机模型第一层参数迁移到训练集，即固定网络模型的第一层参数，将训练集样本输入到MLP网络模型中，训练得到第二三层参数，得到模型M1，输入测试集样本，得到预测结果Q1和AUC值；
S54将S51中训练好的多层感知器MLP网络模型第二层参数迁移到训练集，即固定网络模型的第二层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M2,输入测试集样本，得到预测结果Q2和AUC值；
S55将①中训练好的多层感知器MLP网络模型第三层参数迁移到训练集，即固定网络模型的第三层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M3,输入测试集样本，得到预测结果Q3和AUC值；
S56比较三次AUC值的大小。取AUC值最大的模型作为最终迁移学习的预测模型M；
S57利用⑥中最终迁移学习的预测模型M对目标数据集进行预测，得到预测事故概率值Prob。
S6，利用K-Means聚类算法将S5中事故发生概率值与S2中显著变量作为聚类指标进行聚类分析K-means聚类算法参数K取值为3，即将事故风险等级划分为3类，其中排名第一的设定为高风险，排名第二的设定为中风险，其余设定为相对低风险。；
S7，通过实时评估交通流数据集聚类指标与第N类聚类中心的距离，来实时判断事故发生的风险等级；
S8，基于实时事故风险预测与等级划分模型，构建实时山区高速公路事故风险分级预警系统，主要由信息收集，控制中心，以及信息发布三个模块组成，能够及时动态有效地发布前方道路风险，提升道路运行安全水平。
Claims (4)
1.基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于包括如下步骤：
S1，获取山区高速公路同质路段事故交通流数据集和非事故交通流数据集。
S2，构建初始数据集So＝{so1,so2,…,soi,i＝1,…,n}，n为样本量大小，soi为第i条数据(事故数据或非事故数据)，包括j+1个字段，soi＝[xi1,xi2,…,xij,yi,j＝1,…,m]，xij为第j个交通流特征，m为交通流特征数量，yi表示是否发生事故，yi为0-1变量，发生事故为1，未发生事故为0；
S3，利用欠采样和过采样的方式处理初始数据集S0，使事故与非事故样本比例为1:1，对获得的数据集进行归一化处理，再利用二元Logit模型筛选得到显著变量
S4，根据S3中筛选的显著变量对初始数据集字段进行匹配，仅保留初始数据集S0中交通流数据的显著变量和是否发生事故数据，得到源域数据集S，再提取同质路段数据构建目标数据集T，所述目标数据集T数据样本量小，作为迁移目标；
S5，利用源域数据集S搭建多层感知机预测事故发生概率Prob，基于源域数据集S中数据与目标数据集T中数据共享部分模型参数的思想，分别固定MLP网络模型不同层参数，将源域数据集S搭建的网络模型部分参数迁移到目标数据集T上，再微调其他层，分别计算预测模型的AUC值，最终选择AUC值最大，即预测效果较好的模型作为最终迁移模型；
S6，利用K-Means聚类算法将S5中事故发生概率值与S2中显著变量作为聚类指标进行聚类分析，根据聚类结果对事故风险等级进行划分；
S7，通过实时评估交通流数据集聚类指标与对应类别聚类中心的距离，来实时判断事故发生的风险等级。
2.如权利要求1所述的基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于步骤S1中，事故交通流数据包括路段事故发生前5-10分钟的上下游平均30秒车流量、车速、占有率、车流量标准差、车速标准差、占有率标准差、车流量绝对差、车速绝对差、占有率绝对差；非事故交通流数据采用配对式病例-对照研究方法，根据事故所在位置对应的上下游交调站点数据，以1：4的比例，分别选择4个符合规则的时间段，得到与事故数据相同字段的数据。
3.如权利要求1所述的基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于步骤S5中，基于多层感知机预测事故发生概率预测模型训练流程如下：
S51将源域数据集中显著变量作为分类模型的输入，构建两层隐藏层的多层感知器MLP的分类模型，输出结果为是否发生事故yi，训练得到模型的三层参数。
S52将目标数据集切分为训练集和测试集，其中使用70％的样本作为训练集，剩余30％的样本作为测试集，利用训练集数据训练模型；
S53将S51中训练好的多层感知机模型第一层参数迁移到训练集，即固定网络模型的第一层参数，将训练集样本输入到MLP网络模型中，训练得到第二三层参数，得到模型M1，输入测试集样本，得到预测结果Q1和AUC值；
S54将S51中训练好的多层感知器MLP网络模型第二层参数迁移到训练集，即固定网络模型的第二层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M2,输入测试集样本，得到预测结果Q2和AUC值；
S55将①中训练好的多层感知器MLP网络模型第三层参数迁移到训练集，即固定网络模型的第三层参数，将训练集样本输入到MLP网络模型中，训练得到其他层参数，得到模型M3,输入测试集样本，得到预测结果Q3和AUC值；
S56比较三次AUC值的大小。取AUC值最大的模型作为最终迁移学习的预测模型M；
S57利用⑥中最终迁移学习的预测模型M对目标数据集进行预测，得到预测事故概率值Prob。
4.如权利要求1所述的基于非完备数据的山区高速公路实时事故风险预测方法，其特征在于步骤S6中，K-means聚类算法参数K取值为3，即将事故风险等级划分为3类，其中排名第一的设定为高风险，排名第二的设定为中风险，其余设定为相对低风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311119001.3A CN117275220A (zh) | 2023-08-31 | 2023-08-31 | 基于非完备数据的山区高速公路实时事故风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311119001.3A CN117275220A (zh) | 2023-08-31 | 2023-08-31 | 基于非完备数据的山区高速公路实时事故风险预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117275220A true CN117275220A (zh) | 2023-12-22 |
Family
ID=89203543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311119001.3A Pending CN117275220A (zh) | 2023-08-31 | 2023-08-31 | 基于非完备数据的山区高速公路实时事故风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275220A (zh) |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003085548A1 (fr) * | 2002-04-04 | 2003-10-16 | Ishihara Sangyo Kaisha, Ltd. | Dispositif et procede d'analyse de donnees |
| CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
| US20210129866A1 (en) * | 2019-11-06 | 2021-05-06 | Yandex Self Driving Group Llc | Method and processor for controlling in-lane movement of autonomous vehicle |
| 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 |
| KR20210064817A (ko) * | 2019-11-26 | 2021-06-03 | 에스케이텔레콤 주식회사 | 상이한 딥러닝 모델 간의 전이 학습방법 |
| WO2021114974A1 (zh) * | 2019-12-14 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
| US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
| US20210264106A1 (en) * | 2020-02-24 | 2021-08-26 | Microsoft Technology Licensing, Llc | Cross Data Set Knowledge Distillation for Training Machine Learning Models |
| KR102298119B1 (ko) * | 2020-12-10 | 2021-09-03 | 주식회사 에이슬립 | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 |
| FR3109002A1 (fr) * | 2020-04-02 | 2021-10-08 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Dispositif et procédé pour le transfert de connaissance d’un réseau neuronal artificiel |
| EP3916626A1 (en) * | 2020-05-29 | 2021-12-01 | IMRA Europe SAS | Computer-implemented method for multimodal egocentric future prediction |
| CN113782128A (zh) * | 2021-08-09 | 2021-12-10 | 中国中医科学院中医临床基础医学研究所 | 一种缺失数据拟合方法、装置及计算机设备 |
| CN113780641A (zh) * | 2021-08-31 | 2021-12-10 | 同济大学 | 一种基于迁移学习的事故预测方法及装置 |
| CN113792889A (zh) * | 2021-09-17 | 2021-12-14 | 支付宝(杭州)信息技术有限公司 | 一种模型的更新方法、装置及设备 |
| CN114548382A (zh) * | 2022-04-25 | 2022-05-27 | 腾讯科技（深圳）有限公司 | 迁移训练方法、装置、设备、存储介质及程序产品 |
| KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ａｉ 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
| 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 |
| CN116128047A (zh) * | 2022-12-08 | 2023-05-16 | 西南民族大学 | 一种基于对抗网络的迁移学习方法 |
| CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
| CN116229196A (zh) * | 2022-11-16 | 2023-06-06 | 上海高德威智能交通系统有限公司 | 一种噪声样本的识别方法及装置 |
| CN116304891A (zh) * | 2023-05-24 | 2023-06-23 | 之江实验室 | 基于多源数据迁移学习的类别预测方法和装置 |
| WO2023115596A1 (zh) * | 2021-12-21 | 2023-06-29 | 浙江工业大学台州研究院 | 一种基于迁移学习融合模型的桁架应力预测及轻量化方法 |
| CN116486896A (zh) * | 2022-10-28 | 2023-07-25 | 上海交通大学 | 基于域自适应和图网络的配体特异性结合残基预测方法 |
| WO2023138418A1 (zh) * | 2022-01-19 | 2023-07-27 | 四川大学华西第二医院 | 女性盆底功能障碍性疾病风险预警模型及其构建方法和系统 |
| US20230267549A1 (en) * | 2022-02-21 | 2023-08-24 | Carvi Inc. | Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device |
| KR102565227B1 (ko) * | 2022-10-06 | 2023-08-28 | (주)지앤티솔루션 | 위험도 예측 안내를 제공하는 교통 안전 장치 및 이를 포함하는 교통 안전 시스템 |
-
2023
- 2023-08-31 CN CN202311119001.3A patent/CN117275220A/zh active Pending
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003085548A1 (fr) * | 2002-04-04 | 2003-10-16 | Ishihara Sangyo Kaisha, Ltd. | Dispositif et procede d'analyse de donnees |
| CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
| US20210129866A1 (en) * | 2019-11-06 | 2021-05-06 | Yandex Self Driving Group Llc | Method and processor for controlling in-lane movement of autonomous vehicle |
| KR20210064817A (ko) * | 2019-11-26 | 2021-06-03 | 에스케이텔레콤 주식회사 | 상이한 딥러닝 모델 간의 전이 학습방법 |
| US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
| WO2021114974A1 (zh) * | 2019-12-14 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
| US20210264106A1 (en) * | 2020-02-24 | 2021-08-26 | Microsoft Technology Licensing, Llc | Cross Data Set Knowledge Distillation for Training Machine Learning Models |
| FR3109002A1 (fr) * | 2020-04-02 | 2021-10-08 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Dispositif et procédé pour le transfert de connaissance d’un réseau neuronal artificiel |
| EP3916626A1 (en) * | 2020-05-29 | 2021-12-01 | IMRA Europe SAS | Computer-implemented method for multimodal egocentric future prediction |
| KR20220076066A (ko) * | 2020-11-30 | 2022-06-08 | 주식회사 업데이터 | Ａｉ 건물화재 위험도 모델 활용 화재보험 비대면 역경매 서비스 시스템 및 방법 |
| KR102298119B1 (ko) * | 2020-12-10 | 2021-09-03 | 주식회사 에이슬립 | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 |
| 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 |
| CN113782128A (zh) * | 2021-08-09 | 2021-12-10 | 中国中医科学院中医临床基础医学研究所 | 一种缺失数据拟合方法、装置及计算机设备 |
| CN113780641A (zh) * | 2021-08-31 | 2021-12-10 | 同济大学 | 一种基于迁移学习的事故预测方法及装置 |
| CN113792889A (zh) * | 2021-09-17 | 2021-12-14 | 支付宝(杭州)信息技术有限公司 | 一种模型的更新方法、装置及设备 |
| WO2023115596A1 (zh) * | 2021-12-21 | 2023-06-29 | 浙江工业大学台州研究院 | 一种基于迁移学习融合模型的桁架应力预测及轻量化方法 |
| WO2023138418A1 (zh) * | 2022-01-19 | 2023-07-27 | 四川大学华西第二医院 | 女性盆底功能障碍性疾病风险预警模型及其构建方法和系统 |
| US20230267549A1 (en) * | 2022-02-21 | 2023-08-24 | Carvi Inc. | Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device |
| CN114548382A (zh) * | 2022-04-25 | 2022-05-27 | 腾讯科技（深圳）有限公司 | 迁移训练方法、装置、设备、存储介质及程序产品 |
| 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 |
| KR102565227B1 (ko) * | 2022-10-06 | 2023-08-28 | (주)지앤티솔루션 | 위험도 예측 안내를 제공하는 교통 안전 장치 및 이를 포함하는 교통 안전 시스템 |
| CN116486896A (zh) * | 2022-10-28 | 2023-07-25 | 上海交通大学 | 基于域自适应和图网络的配体特异性结合残基预测方法 |
| CN116229196A (zh) * | 2022-11-16 | 2023-06-06 | 上海高德威智能交通系统有限公司 | 一种噪声样本的识别方法及装置 |
| CN116128047A (zh) * | 2022-12-08 | 2023-05-16 | 西南民族大学 | 一种基于对抗网络的迁移学习方法 |
| CN116169675A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 考虑运行方式变化的电力系统动态稳定性在线评估方法 |
| CN116304891A (zh) * | 2023-05-24 | 2023-06-23 | 之江实验室 | 基于多源数据迁移学习的类别预测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张孟，王宽，张云，王骏涛: "车路协同在高速公路交通安全主动防控中的应用", 《中国交通信息化》, no. 09, 15 September 2020 (2020-09-15), pages 108 - 110 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
| Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
| CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
| CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
| Chen et al. | Sdcae: Stack denoising convolutional autoencoder model for accident risk prediction via traffic big data | |
| CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
| CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
| CN111667204A (zh) | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 | |
| 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 | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
| CN116542170A (zh) | 基于ssae和mlstm的排水管道淤积病害动态诊断方法 | |
| CN113985496B (zh) | 一种基于lstm-gm神经网络模型的风暴潮智能预报方法 | |
| CN117275220A (zh) | 基于非完备数据的山区高速公路实时事故风险预测方法 | |
| Dawood et al. | Watermain's failure index modeling via Monte Carlo simulation and fuzzy inference system | |
| CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
| Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China | |
| CN116434361A (zh) | 一种基于etc交易数据的高速公路拥堵识别方法 | |
| Liu et al. | Highway traffic congestion detection and evaluation based on deep learning techniques | |
| Yuan et al. | A gray prediction method for economic loss of road traffic accidents based on Logistic model. | |
| Chen et al. | Automatic freeway bottleneck identification and visualization using image processing techniques | |
| Ye et al. | Driving Cycle Condition Identification Model Based on Long Short-Term Memory Algorithm [J] |
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 |