CN117609867A - 一种区域轨道交通安全等级确定方法、装置、设备及介质 - Google Patents
一种区域轨道交通安全等级确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117609867A CN117609867A CN202410064717.6A CN202410064717A CN117609867A CN 117609867 A CN117609867 A CN 117609867A CN 202410064717 A CN202410064717 A CN 202410064717A CN 117609867 A CN117609867 A CN 117609867A
- Authority
- CN
- China
- Prior art keywords
- track traffic
- traffic safety
- data
- regional
- regional track
- 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 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 58
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 230000009467 reduction Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 36
- 238000003064 k means clustering Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 29
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种区域轨道交通安全等级确定方法、装置、设备及介质。通过周期性地获取当前环境状态描述数据;将当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据区域轨道交通安全指数来确定区域轨道交通安全等级,并将区域轨道交通安全等级进行反馈处理,以实现根据区域轨道交通安全等级来辅助车辆的安全驾驶。解决了对于区域轨道交通线网整体安全水平评估精度低和适用性差的问题,提高了对区域轨道交通安全等级确定的精确度,实现了科学合理地掌握区域轨道交通的安全等级,减少了由于区域轨道交通安全等级的不准确而造成生命和财产的损失,提高了区域轨道交通的安全性和可靠性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种区域轨道交通安全等级确定方法、装置、设备及介质。
背景技术
随着城市群的区域化发展,旅客出行距离不断延伸,以区域轨道交通为核心的轨道交通网络规模不断扩张,保障多制式融合的网络化安全运营,给管理者带来的更大的挑战。建立区域轨道交通运营安全风险评价方法,最根本的目的就是辅助区域轨道交通运营管理者对网络运营过程的状态以及安全风险进行实时、全面、准确的把控,实现预警和预控,使安全风险处于可控状态,防患未然,保障运营安全。轨道交通系统线网安全性评价一直是轨道交通安全管理的重要内容之一,如何运用科学、有效的方法来评价轨道交通系统线网的安全性具有十分重要的意义。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:目前,随着综合评价理论的研究日益深入,以及评价方法越来越复杂化和多元化,每种方法的侧重点和落脚点都不尽相同。另外,安全综合评价指标丰富,且有较多的定量指标。并且,普遍存在主观性比较强、适用性差、以及结果精度不高等缺点。
发明内容
本发明提供了一种区域轨道交通安全等级确定方法、装置、设备及介质,以实现提高对区域轨道交通安全等级确定的精确度。
根据本发明的一方面,提供了一种区域轨道交通安全等级确定方法,其中,包括:
周期性地获取当前环境状态描述数据;其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;
将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;
根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
根据本发明的另一方面,提供了一种区域轨道交通安全等级确定装置,其中,包括:
当前环境状态描述数据获取模块,用于周期性地获取当前环境状态描述数据;
其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;
区域轨道交通安全指数确定模块,用于将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;
区域轨道交通安全等级反馈处理模块,用于根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
根据本发明的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现本发明任一实施例所述的区域轨道交通安全等级确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的区域轨道交通安全等级确定方法。
本发明实施例的技术方案,周期性地获取当前环境状态描述数据;将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。解决了对于区域轨道交通线网整体安全水平评估精度低和适用性差的问题,提高了对区域轨道交通安全等级确定的精确度,实现了科学合理地掌握区域轨道交通的安全等级,减少了由于区域轨道交通安全等级的不准确而造成生命和财产的损失,提高了区域轨道交通的安全性和可靠性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1a是根据本发明实施例一提供的一种区域轨道交通安全等级确定方法的流程图;
图1b是根据本发明实施例一提供的方法中的深度自编码网络对应的隐含层的结构示意图;
图2是根据本发明实施例二提供的一种区域轨道交通安全等级确定装置的结构示意图;
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1a为本发明实施例一提供了一种区域轨道交通安全等级确定方法的流程图,本实施例可适用于对区域轨道交通的安全等级进行确定的情况,该方法可以由区域轨道交通安全等级确定装置来执行,该区域轨道交通安全等级确定装置可以采用硬件和/或软件的形式实现。
相应的,如图1a所示,该方法包括:
S110、周期性地获取当前环境状态描述数据。
其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据。
其中,当前环境状态描述数据可以是从不同层面上来描述区域轨道交通的数据。
在本实施例中,可以周期性地进行采集当前环境状态描述数据,具体的,可以每隔3分钟采集一次,或者每隔1分钟采集一次,或者每隔1秒钟采集一次,这里的周期不做具体限定,可以预先在区域轨道交通安全等级确定系统中进行设定,可以理解的是,可以对周期进行修改操作等,提高了区域轨道交通安全等级确定系统的灵活性。
可选的,还包括:所述当前客流状态类数据包括下述至少一项:客流分布均衡性、平均满载率和车站客流拥挤度;所述当前基础设施设备状态类数据包括下述至少一项:基础设施设备故障率、平均故障间隔时间、故障集中度、基础设施设备失效率和平均恢复时间;所述当前管理运营情况类数据包括下述至少一项:平均列车密度、列车正点率和列车服务可靠度;所述当前运营环境类数据包括下述至少一项:极端天气出现次数、运营环境噪音和轨道线路条件。
在本实施例中,由于通过统计数据分析,客流量与运营事故有着较强的相关关系,同样,客流的分布状态也是区域轨道交通系统运营安全管理水平的直接体现。因此需要获取客流分布均衡性、平均满载率和车站客流拥挤度来描述当前客流状态类数据。
进一步的,基础设施设备是区域轨道交通系统最重要的组成部分,可以包括车辆、信号、供电、以及线路设施等系统。由于区域系统的高耦合性,任何一个系统发生故障都会对运营安全产生重要影响。因此,需要获取基础设施设备故障率、平均故障间隔时间、故障集中度、基础设施设备失效率和平均恢复时间来描述当前基础设施设备状态类数据。
相应的,管理运营情况主要是反映行车组织水平,评判调度人员是否按照运行图指挥列车安全和正点运行,较低的组织水平会引起区域轨道交通系统运营的混乱,使得系统整体安全水平降低。因此,需要进一步地获取平均列车密度、列车正点率和列车服务可靠度来描述管理运营情况类的数据。
另外的,良好的运营环境是区域轨道交通安全运营的基础。通过对轨道运营事故统计分析发现,影响运营安全的环境因素中极端天气造成的运营事故占绝大多数。运营环境噪声污染直接危害乘客与工作人员健康,使人为失误率明显上升,因此也需增加对噪声的关注。并且,轨道是是列车行车的基础,其线形一旦确定,无论优劣都不可改变,任何一个不良的设计都可能成为交通安全隐患,影响行车安全、乘客旅行舒适性。因此,需要采集极端天气出现次数、运营环境噪音和轨道线路条件三方面的数据来表征当前运营环境类数据。
其中,极端天气出现次数可以包括暴雨、大风、雪、雾、以及雷电等极端天气的出现次数的统计。
S120、将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数。
其中,区域轨道交通安全特征分类模型可以是能够对输入的当前环境状态描述数据进行安全特征分类的模型。区域轨道交通安全指数可以是用来描述当前区域轨道交通的安全指数的大小的情况。
在本实施例中,可以将获取到的当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,区域轨道交通安全特征分类模型能够对当前环境状态描述数据进行数据分析处理,从而得到区域轨道交通安全指数的大小状况。
进一步的,可以根据区域轨道交通安全指数来反映出区域轨道交通安全等级,从而来辅助道路上的车辆的安全驾驶,也能实时地提醒人们道路交通的拥堵情况,减少人们出行在道路上时间成本和金钱成本的浪费。
可选的,所述将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数,包括:对所述当前环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到当前环境状态描述降维数据;将所述当前环境状态描述降维数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数。
其中,深度自编码网络模型可以是能够对数据进行降维处理的模型。
具体的,由于当前环境状态描述数据的数据维度较高,并且不同的当前环境状态描述数据可能存在的数据维度不同,因此需要通过深度自编码网络模型来进行数据降维处理操作。
具体的,深度自编码网络(Deep Autoencoder Networks,DAN)模型,降低区域轨道交通系统安全状态评定指标的维度,压缩多维当前环境状态描述数据的特征,重新构造新的状态评定指标数据。具体的,通过使用了一个自适应的多层编码网络,将高维数据编码转化到低维数据,并使用一个类似的解码网络对低维数据进行重构、以及恢复。示例性的,深度自编码网络模型可以包括7层,可以采用随机权重对网络初始化,通过最小化原始数据与重构数据之间的差异,对网络的整体结构进行训练。进一步的,可以通过采用链式法则计算梯度,来更新网络的权重。
对于深度自编码网络可以设置在不同的网络层中设置隐含层,每个隐含层可以设置不同的节点数。比如说,如图1b为深度自编码网络中隐含层的结构示意图。具体的,可以设置3个隐含层,其中第1个隐含层的节点为5;第2个隐含层的节点为2;第3个隐含层的节点为5。其中,第二个隐含层中的z1和z2为新的状态评定指标数据,并且采用Tanh函数作为激活函数。
在本实施例中,需要对当前环境状态描述数据进行数据降维处理,得到降维处理之后的当前环境状态描述数据,可以将其输入至区域轨道交通安全特征分类模型中进行区域轨道交通安全指数的输出,这样可以得到更加准确地区域轨道交通安全指数,从而能够更好和更准确地衡量区域轨道交通的情况。
S130、根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
其中,区域轨道交通安全等级可以是与区域轨道交通安全指数相匹配的安全等级。
具体的,不同的区域轨道交通安全指数对应不同的安全等级,可以根据安全等级的高低来进一步地进行预警操作,从而能更好地保护区域轨道交通的安全。
可选的,在所述获取目标车辆的当前环境状态描述数据之前,还包括:获取多个历史环境状态描述数据;对各所述历史环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到各历史环境状态描述降维数据;将各所述历史环境状态描述降维数据输入至预先构建的混合层次K均值聚类算法模型进行聚类处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,并根据各所述历史聚类簇来分别确定出各历史区域轨道交通安全指数;根据每个所述历史环境状态描述数据,以及分别与各所述历史环境状态描述数据对应的历史区域轨道交通安全指数,来构建得到所述区域轨道交通安全特征分类模型。
其中,历史环境状态描述数据可以是从不同层面上来描述区域轨道交通的历史数据。历史环境状态描述降维数据可以是历史环境状态描述数据经过数据降维得到的数据。
其中,混合层次K均值聚类算法(Hybrid Hierarchical K-means Clustering,HHKMC)模型,可以将具有相似安全特征的区域轨道交通系统状态归为一簇(如客流分布不均衡的归为一簇、基础设施设备状态差的评价对象归为另一簇),属于同一簇的评价对象具有相同的区域轨道交通安全指数的值。
具体的,可以使用R语言的FactoMineR包来实现了模型中的混合层次K均值聚类算法。
在本实施例中,需要获取历史环境状态描述数据,并对历史环境状态描述数据进行降维和聚类处理,从而根据得到的历史区域轨道交通安全指数,来构建得到区域轨道交通安全特征分类模型,这样得到的区域轨道交通安全特征分类模型可以更加准确地进行环境状态描述数据的识别处理操作。
可选的,所述混合层次K均值聚类算法模型包括层次聚类算法子模型和K-均值聚类算法子模型;所述将各所述历史环境状态描述降维数据输入至预先构建的混合层次K均值聚类算法模型进行聚类处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,包括:将各所述历史环境状态描述降维数据输入至预先构建的层次聚类算法子模型进行初始聚类处理,得到初始安全特征聚类簇;通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇。
在本实施例中,需要对历史环境状态描述降维数据进行两次聚类处理操作,首先需要对历史环境状态描述降维数据通过层次聚类算法子模型进行初始聚类处理,得到初始安全特征聚类簇。
进而通过K-均值聚类算法子模型来进行聚类簇数量调整处理,从而使得得到更加满足各历史环境状态描述降维数据对应的聚类簇数量,从而能更好得进行历史区域轨道交通安全指数的确定。
可选的,所述通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇调整处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,包括:通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到不同聚类簇数量的初始安全特征聚类簇对应的至少一个整体轮廓系数;在各所述整体轮廓系数中选取最大的整体轮廓系数,并根据最大整体轮廓系数来确定聚类簇总数量。
在本实施例中,可以将初始安全特征聚类簇分为不同数量的聚类簇。根据不同的分类方式来确定最大整体轮廓系数,从而进一步地确定出聚类簇总数量。
具体的,由于聚类的最佳簇数会随着评估对象的不同而变化。最佳簇数由评估对象的样本数量和评估对象的多维状态指标数据确定。
示例性的,假设当聚类簇数量为3时,对应的整体轮廓系数为A;当聚类簇数量为4时,对应的整体轮廓系数为B;当聚类簇数量为5时,对应的整体轮廓系数为C。由于A<C<B,则确定最大整体轮廓系数为B,则可以确定聚类簇总数量为4。
可选的,所述根据各所述历史聚类簇来分别确定出各历史区域轨道交通安全指数,包括:获取各所述历史聚类簇的聚类簇总数量;根据所述聚类簇总数量,来确定出历史区域轨道交通安全指数。
在本实施例中,可以通过确定出的聚类簇总数量来进一步地确定出历史区域轨道交通安全指数,并且,聚类簇总数量等于历史区域轨道交通安全指数。
示例性的,假设聚类簇总数量为4,则可以确定历史区域轨道交通安全指数也为4类。比如说,历史区域轨道交通安全指数可以是[1,2,3,4]。
具体的一个例子,假设存在当前环境状态描述数据,其中,M表示M个评价指标体系,q1表示第1个评价指标。如果当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据,并且当前客流状态类数据包括3个评价指标,当前基础设施设备状态类数据包括3个评价指标,当前管理运营情况类数据和当前运营环境类数据也分别包括3个评价指标,则当前环境状态描述数据包括12个评价指标,也即M=12。
进一步的,将当前环境状态描述数据输入至区域轨道交通安全特征分类模型中,可以得到区域轨道交通安全指数,也即区域轨道交通安全特征分类模型能对当前环境状态描述数据进行解析,进一步地得到区域轨道交通安全指数,假设区域轨道交通安全指数,其中,S表示聚类簇总数量。
另外的,由于在区域轨道交通系统运营过程中,区域轨道交通系统的安全状态是动态变化的,在每个需要进行安全状态评估的时刻,管理者需要根据最新的当前环境状态描述数据来快速重新评定区域轨道交通安全指数。
具体的,这是由于区域轨道交通系统的安全状态变化具有“记忆性”。基于区域轨道交通系统历史多状态评定指标数据,得到的所有可能安全特征的集合包含了该评价对象未来的安全特征。所以,模型采用树扩张型朴素贝叶斯分类模型,深度挖掘已确定区域轨道交通安全指数的数值来评价对象样本的历史多状态评定指标数据,从而可以确定评价对象多状态评定指标与相应区域轨道交通安全指数的关联关系(即构建区域轨道交通安全特征分类模型)。当获取某个评价对象新的状态评定指标数据时,通过区域轨道交通安全特征分类模型可直接快速得到相应的区域轨道交通安全指数的数值。另外的,可以通过SuperParent算法来分析不同评价指标之间的相关程度。
本发明实施例的技术方案,周期性地获取当前环境状态描述数据;将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。解决了对于区域轨道交通线网整体安全水平评估精度低和适用性差的问题,提高了对区域轨道交通安全等级确定的精确度,实现了科学合理地掌握区域轨道交通的安全等级,减少了由于区域轨道交通安全等级的不准确而造成生命和财产的损失,提高了区域轨道交通的安全性和可靠性。
实施例二
图2为本发明实施例二提供的一种区域轨道交通安全等级确定装置的结构示意图。本实施例所提供的一种区域轨道交通安全等级确定装置可以通过软件和/或硬件来实现,可配置于终端设备或者服务器中,来实现本发明实施例中的一种区域轨道交通安全等级确定方法。如图2所示,该装置包括:当前环境状态描述数据获取模块210、区域轨道交通安全指数确定模块220和区域轨道交通安全等级反馈处理模块230。
其中,当前环境状态描述数据获取模块210,用于周期性地获取当前环境状态描述数据;
其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;
区域轨道交通安全指数确定模块220,用于将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;
区域轨道交通安全等级反馈处理模块230,用于根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
本发明实施例的技术方案,周期性地获取当前环境状态描述数据;将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。解决了对于区域轨道交通线网整体安全水平评估精度低和适用性差的问题,提高了对区域轨道交通安全等级确定的精确度,实现了科学合理地掌握区域轨道交通的安全等级,减少了由于区域轨道交通安全等级的不准确而造成生命和财产的损失,提高了区域轨道交通的安全性和可靠性。
可选的,还包括:所述当前客流状态类数据包括下述至少一项:客流分布均衡性、平均满载率和车站客流拥挤度;所述当前基础设施设备状态类数据包括下述至少一项:基础设施设备故障率、平均故障间隔时间、故障集中度、基础设施设备失效率和平均恢复时间;所述当前管理运营情况类数据包括下述至少一项:平均列车密度、列车正点率和列车服务可靠度;所述当前运营环境类数据包括下述至少一项:极端天气出现次数、运营环境噪音和轨道线路条件。
可选的,所述区域轨道交通安全指数确定模块220,可以具体用于:对所述当前环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到当前环境状态描述降维数据;将所述当前环境状态描述降维数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数。
可选的,还包括,区域轨道交通安全特征分类模型构建模块,可以具体用于:在所述获取目标车辆的当前环境状态描述数据之前,获取多个历史环境状态描述数据;对各所述历史环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到各历史环境状态描述降维数据;将各所述历史环境状态描述降维数据输入至预先构建的混合层次K均值聚类算法模型进行聚类处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,并根据各所述历史聚类簇来分别确定出各历史区域轨道交通安全指数;根据每个所述历史环境状态描述数据,以及分别与各所述历史环境状态描述数据对应的历史区域轨道交通安全指数,来构建得到所述区域轨道交通安全特征分类模型。
可选的,所述混合层次K均值聚类算法模型包括层次聚类算法子模型和K-均值聚类算法子模型。
可选的,所述区域轨道交通安全特征分类模型构建模块,还可以具体用于:将各所述历史环境状态描述降维数据输入至预先构建的层次聚类算法子模型进行初始聚类处理,得到初始安全特征聚类簇;通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇。
可选的,所述区域轨道交通安全特征分类模型构建模块,还可以具体用于:通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到不同聚类簇数量的初始安全特征聚类簇对应的至少一个整体轮廓系数;在各所述整体轮廓系数中选取最大的整体轮廓系数,并根据最大整体轮廓系数来确定聚类簇总数量。
可选的,所述区域轨道交通安全特征分类模型构建模块,还可以具体用于:获取各所述历史聚类簇的聚类簇总数量;根据所述聚类簇总数量,来确定出历史区域轨道交通安全指数。
本发明实施例所提供的区域轨道交通安全等级确定装置可执行本发明任意实施例所提供的区域轨道交通安全等级确定方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如区域轨道交通安全等级确定方法。
在一些实施例中,区域轨道交通安全等级确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的区域轨道交通安全等级确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行区域轨道交通安全等级确定方法。
该方法包括:周期性地获取当前环境状态描述数据;其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质,所述计算机可读指令在由计算机处理器执行时用于执行一种区域轨道交通安全等级确定方法,该方法包括:周期性地获取当前环境状态描述数据;其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的区域轨道交通安全等级确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述区域轨道交通安全等级确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种区域轨道交通安全等级确定方法,其特征在于,包括:
周期性地获取当前环境状态描述数据;其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;
将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;
根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
2.根据权利要求1所述的方法,其特征在于,还包括:
所述当前客流状态类数据包括下述至少一项:客流分布均衡性、平均满载率和车站客流拥挤度;
所述当前基础设施设备状态类数据包括下述至少一项:基础设施设备故障率、平均故障间隔时间、故障集中度、基础设施设备失效率和平均恢复时间;
所述当前管理运营情况类数据包括下述至少一项:平均列车密度、列车正点率和列车服务可靠度;
所述当前运营环境类数据包括下述至少一项:极端天气出现次数、运营环境噪音和轨道线路条件。
3.根据权利要求2所述的方法,其特征在于,所述将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数,包括:
对所述当前环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到当前环境状态描述降维数据;
将所述当前环境状态描述降维数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数。
4.根据权利要求3所述的方法,其特征在于,在所述周期性地获取当前环境状态描述数据之前,还包括:
获取多个历史环境状态描述数据;
对各所述历史环境状态描述数据通过预先构建的深度自编码网络模型进行数据降维处理,得到各历史环境状态描述降维数据;
将各所述历史环境状态描述降维数据输入至预先构建的混合层次K均值聚类算法模型进行聚类处理,得到与各所述历史环境状态描述降维数据对应的至少一个历史聚类簇,并根据各所述历史聚类簇来分别确定出各历史区域轨道交通安全指数;
根据每个所述历史环境状态描述数据,以及分别与各所述历史环境状态描述数据对应的历史区域轨道交通安全指数,来构建得到所述区域轨道交通安全特征分类模型。
5.根据权利要求4所述的方法,其特征在于,所述混合层次K均值聚类算法模型包括层次聚类算法子模型和K-均值聚类算法子模型;
所述将各所述历史环境状态描述降维数据输入至预先构建的混合层次K均值聚类算法模型进行聚类处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,包括:
将各所述历史环境状态描述降维数据输入至预先构建的层次聚类算法子模型进行初始聚类处理,得到初始安全特征聚类簇;
通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇。
6.根据权利要求5所述的方法,其特征在于,所述通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇调整处理,得到与各所述历史环境状态降维描述数据对应的至少一个历史聚类簇,包括:
通过K-均值聚类算法子模型对初始安全特征聚类簇进行聚类簇数量调整处理,得到不同聚类簇数量的初始安全特征聚类簇对应的至少一个整体轮廓系数;
在各所述整体轮廓系数中选取最大的整体轮廓系数,并根据最大整体轮廓系数来确定聚类簇总数量。
7.根据权利要求6所述的方法,其特征在于,所述根据各所述历史聚类簇来分别确定出各历史区域轨道交通安全指数,包括:
获取各所述历史聚类簇的聚类簇总数量;
根据所述聚类簇总数量,来确定出历史区域轨道交通安全指数。
8.一种区域轨道交通安全等级确定装置,其特征在于,包括:
当前环境状态描述数据获取模块,用于周期性地获取当前环境状态描述数据;
其中,所述当前环境状态描述数据包括当前客流状态类数据、当前基础设施设备状态类数据、当前管理运营情况类数据和当前运营环境类数据;
区域轨道交通安全指数确定模块,用于将所述当前环境状态描述数据输入至预先构建好的区域轨道交通安全特征分类模型中,得到区域轨道交通安全指数;
区域轨道交通安全等级反馈处理模块,用于根据所述区域轨道交通安全指数来确定区域轨道交通安全等级,并将所述区域轨道交通安全等级进行反馈处理,以实现根据所述区域轨道交通安全等级来辅助车辆的安全驾驶。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的一种区域轨道交通安全等级确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现如权利要求1-7中任一项所述的一种区域轨道交通安全等级确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064717.6A CN117609867A (zh) | 2024-01-17 | 2024-01-17 | 一种区域轨道交通安全等级确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064717.6A CN117609867A (zh) | 2024-01-17 | 2024-01-17 | 一种区域轨道交通安全等级确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117609867A true CN117609867A (zh) | 2024-02-27 |
Family
ID=89951885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064717.6A Pending CN117609867A (zh) | 2024-01-17 | 2024-01-17 | 一种区域轨道交通安全等级确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609867A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3093311A1 (fr) * | 2019-02-28 | 2020-09-04 | Psa Automobiles Sa | Assistance à la conduite d’un véhicule, par détermination de la contrôlabilité de sa conduite |
CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及系统 |
CN115796606A (zh) * | 2023-01-29 | 2023-03-14 | 北京迈道科技有限公司 | 高速公路运营安全指数的量化评估方法、装置及服务器 |
CN116090836A (zh) * | 2023-03-08 | 2023-05-09 | 北京全路通信信号研究设计院集团有限公司 | 应用于轨道交通的全局风险确定方法、装置、设备及介质 |
CN117078191A (zh) * | 2023-08-14 | 2023-11-17 | 北京全路通信信号研究设计院集团有限公司 | 一种数据驱动的多制式轨道交通应急协同决策方法及装置 |
-
2024
- 2024-01-17 CN CN202410064717.6A patent/CN117609867A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3093311A1 (fr) * | 2019-02-28 | 2020-09-04 | Psa Automobiles Sa | Assistance à la conduite d’un véhicule, par détermination de la contrôlabilité de sa conduite |
CN114239927A (zh) * | 2021-11-25 | 2022-03-25 | 武汉卓尔信息科技有限公司 | 一种基于深度学习的区域交通事故预警方法及系统 |
CN115796606A (zh) * | 2023-01-29 | 2023-03-14 | 北京迈道科技有限公司 | 高速公路运营安全指数的量化评估方法、装置及服务器 |
CN116090836A (zh) * | 2023-03-08 | 2023-05-09 | 北京全路通信信号研究设计院集团有限公司 | 应用于轨道交通的全局风险确定方法、装置、设备及介质 |
CN117078191A (zh) * | 2023-08-14 | 2023-11-17 | 北京全路通信信号研究设计院集团有限公司 | 一种数据驱动的多制式轨道交通应急协同决策方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qu et al. | Feature recognition of urban road traffic accidents based on GA-XGBoost in the context of big data | |
CN112508300B (zh) | 建立风险预测模型的方法、区域风险预测方法及对应装置 | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
CN101465059A (zh) | 城市道路交通安全态势鉴判预警系统 | |
CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN108460685A (zh) | 用于挖掘车险风险因子之间的关联规则的方法和装置 | |
CN111541751B (zh) | 一种轨迹监测的方法及装置 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN114971009A (zh) | 一种车险出险预测方法及计算机设备 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN113096405B (zh) | 预测模型的构建方法、车辆事故预测方法及装置 | |
Yuan et al. | An alternative reliability method to evaluate the regional traffic congestion from GPS data obtained from floating cars | |
CN117609867A (zh) | 一种区域轨道交通安全等级确定方法、装置、设备及介质 | |
CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
CN112884233B (zh) | 高速铁路系统多模态融合晚点预测方法 | |
Xue et al. | Traffic status evolution trend prediction based on congestion propagation effects under rainy weather | |
Zhong et al. | Finite mixture survival model for examining the variability of urban arterial travel time for buses, passenger cars and taxis | |
CN115936522A (zh) | 一种车辆停靠站点的评估方法、装置、设备以及存储介质 | |
CN115481170A (zh) | 一种车辆轨迹的处理方法、装置、电子设备及存储介质 | |
Yuan et al. | A gray prediction method for economic loss of road traffic accidents based on Logistic model. | |
CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
Huang | SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State |
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 |