CN117935563A - 一种基于交通运输网络的风险点辨识方法 - Google Patents

一种基于交通运输网络的风险点辨识方法 Download PDF

Info

Publication number
CN117935563A
CN117935563A CN202410331352.9A CN202410331352A CN117935563A CN 117935563 A CN117935563 A CN 117935563A CN 202410331352 A CN202410331352 A CN 202410331352A CN 117935563 A CN117935563 A CN 117935563A
Authority
CN
China
Prior art keywords
traffic
vehicle
point
risk
transportation
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.)
Granted
Application number
CN202410331352.9A
Other languages
English (en)
Other versions
CN117935563B (zh
Inventor
苗壮
袁帅
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202410331352.9A priority Critical patent/CN117935563B/zh
Publication of CN117935563A publication Critical patent/CN117935563A/zh
Application granted granted Critical
Publication of CN117935563B publication Critical patent/CN117935563B/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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通运输网络的风险点辨识方法，涉及风险点辨别技术领域，本发明包括运输数据获取分析、交通流量因子分析、交通点风险分析、执行提示，通过分析得到车辆的各交通点预计抵达时间点，并获取车辆的各交通点预计抵达时间点的天气数据和时间节点数据，进而分析得到车辆的交通流量因子，解决了当前交通运输网络的风险点辨识发展可行性分析过程中存在的局限性问题，再将各交通数据和各道路数据结合进行分析，实现了交通运输网络的风险点辨识可行性全面性和客观性的分析，保障了交通运输网络的风险点辨识分析结果的可靠性和真实性，进而为后续交通运输网络的风险点辨识的分析提供了可靠的依据。

Description

一种基于交通运输网络的风险点辨识方法
技术领域
本发明涉及风险点辨别技术领域，具体涉及一种基于交通运输网络的风险点辨识方法。
背景技术
随着大数据时代的来临，交通风险点辨别技术逐渐成熟。在同类交通运输网络的风险点辨识方法中，做好各交通点预计到达时间点的交通流量因子、各交通数据和各道路数据进行分析是交通运输网络的风险点辨识的关键和核心，其决定了交通运输网络的风险点辨识的可行性，因此对各交通点预计到达时间点的交通流量因子、各交通数据和各道路数据进行分析十分的重要。
目前交通运输网络的风险点辨识的可行性进行分析主要是通过道路的风险情况进行分析，很显然这种分析方式存在以下几个问题：
1、当前对交通运输网络的风险点辨识的分析主要是通过对历史记录中道路的风险情况进行分析，并没有通过分析得出各交通点预计到达时间点，进而通过各交通点预计到达时间点，获取各交通点预计到达时间点的天气数据和时间节点数据、各交通数据和各道路数据，从而无法对各交通点预计到达时间点的各交通数据和各道路数据进行分析，并无法更加准确地了解到当前交通运输网络的风险点辨识实际情况，同时也无法保障交通运输网络的风险点辨识可行性分析过程的全面性和真实性，进而无法保障分析结果的参考性和准确性，并且也无法给交通运输网络的风险点辨识提供可靠的依据，不能为运输人员提供准确的风险数据。
2、当前并没有根据车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，和各交通点预计到达时间点对应的天气数据和时间节点数据，对交通流量因子进行分析，无法真实地展示出交通运输网络的风险点辨识的辨别情况，进而无法保障交通运输网络的风险点辨识的准确性和真实性，从而无法提高交通运输网络的风险点辨识的效率，并没有对运输路线的风险情况进行分析，一定程度上降低了交通运输网络的风险点辨识的效果。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种基于交通运输网络的风险点辨识方法。
为解决上述技术问题，本发明采用如下技术方案：本发明提供一种基于交通运输网络的风险点辨识方法，该方法包括以下步骤：步骤一、运输数据获取：获取车辆的出发时间点、出发地点、到达地点、出发区域人口规模、到达区域人口规模和运输路线，并获取车辆的运输路线的距离长度和各交通点，在数据库中获取相同出发时间点时车辆的各交通点的各历史抵达时间点，进而分析得出车辆抵达各交通点的预计时间点，从而在网络数据中获取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据。
步骤二、交通流量因子分析：提取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，提取车辆的出发区域人口规模和到达区域人口规模和运输路线的距离长度，进而分析得出车辆的交通流量因子。
步骤三、交通点风险获取分析：提取车辆的运输路线的交通流量因子，并根据车辆抵达各交通点的预计时间点在交通网络实时数据中获取各交通数据和各道路数据，记为车辆抵达各交通点的预计时间点的各交通数据和各道路数据，进而分析得出车辆的运输路线的各交通点的交通风险评估系数，从而判断车辆的运输路线的各交通点的风险情况是否严重，由此获取车辆的运输路线中风险情况严重的交通点数量。
步骤四、运输路线风险分析：提取车辆的运输路线中风险情况严重的交通点数量、距离长度和交通点总数，进而分析得出车辆的运输路线的风险评估系数，从而判断车辆的运输路线的风险情况是否严重。
步骤五、执行提示：将车辆的运输路线中风险情况为严重的各交通点进行预警提示；当车辆的运输路线的风险情况为严重时，进行预警提示，并提取车辆的出发时间点、出发地点、到达地点，进而获取车辆的各推荐新路线，从而提示各推荐新路线。
优选地，所述分析得出车辆抵达各交通点预计的时间点，具体获取过程如下：将车辆的各交通点的各历史抵达时间点记为，其中q表示为各交通点对应的编号，，b表示为交通点总数，b为大于2的自然整数；其中p表示为各历史抵达时间点对应的编号，/>，d表示为历史抵达时间点总数，d为大于2的自然整数，代入计算公式/>得出车辆抵达第q个交通点预计的时间点/>。
优选地，所述分析得出车辆的交通流量因子，具体分析过程如下：将车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，分别记为、/>；将车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，分别记为/>、/>和/>。
根据计算公式分析得出车辆的交通流量因子/>，其中/>表示为自然常数，/>表示为数据库中的距离衰减系数，/>、/>和/>表示为数据库中的车辆的人口交通流量的参考值、车辆抵达第q个交通点的预计时间点的天气数据的参考值和时间节点数据的参考值，/>、/>和/>表示为数据库中的车辆的人口交通流量的允许浮动值、车辆抵达第q个交通点的预计时间点的天气数据的允许浮动值和时间节点数据的浮动值，/>、/>和/>表示为数据库中的车辆的交通流量对应的权重因子、天气数据对应的权重因子和时间节点数据对应的权重因子。
优选地，所述分析得出车辆的运输路线的各交通点的交通风险评估系数，具体分析过程如下：将车辆的车辆抵达各交通点的预计时间点的各交通数据和各道路数据分别记为和/>，i表示为各交通数据对应的编号，/>，n表示为交通数据的总数，n为大于2的自然整数；j表示为各道路数据对应的编号，/>，m表示为道路数据的总数，m为大于2的自然整数。
根据计算公式分析得出车辆的运输路线的第q个交通点的交通风险评估系数/>，其中/>表示为数据库中的车辆的第q个交通点的第i个交通数据的参考值，/>表示为数据库中的车辆的第q个交通点的第i个交通数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的交通数据对应的权重因子；/>表示为数据库中的车辆的第q个交通点的第j个道路数据的参考值，/>表示为数据库中的车辆的第q个交通点的第j个道路数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的道路数据对应的权重因子。
优选地，所述判断车辆的运输路线的各交通点的风险情况是否严重，具体分析过程如下：将车辆的运输路线的各交通点的交通风险评估系数与数据库中的各交通点的交通风险评估系数阈值进行对比，当车辆的运输路线的某交通点的交通风险评估系数大于或等于数据库中的该交通点的交通风险评估系数阈值时，判断车辆的运输路线的该交通点的风险情况为严重，由此获取车辆的运输路线的各交通点的风险情况是否严重，并由此获取车辆的运输路线中风险情况为严重的交通点数量。
优选地，所述分析得出车辆的运输路线的风险评估系数，具体判断过程如下：将车辆的运输路线中风险情况严重的交通点数量记为、根据交通点总数在数据库中获取对应的距离长度参考值，并记为/>，代入计算公式/>得出车辆的运输路线的风险评估系数/>，其中/>表示为数据库中的车辆的运输路线的风险评估系数对应的权重因子。
优选地，所述判断车辆的运输路线的风险情况是否严重，具体判断过程如下：将车辆的运输路线的风险评估系数与数据库中的该运输路线的风险评估系数阈值进行对比，当车辆的运输路线的风险评估系数大于数据库中的该运输路线的风险评估系数阈值时，判断车辆的运输路线的风险情况为严重，反之判断车辆的运输路线的风险情况为不严重。
优选地，所述获取车辆的各推荐新路线，并进行推荐，具体获取过程如下：在数据库中获取与车辆的出发时间点、出发地点、到达地点相同的运输路线集合，并对运输路线集合中的各运输路线进行分析，最终选取风险情况为不严重的各运输路线作为各推荐新路线，并进行推荐。
本发明的有益效果在于：1、本发明提供的一种基于交通运输网络的风险点辨识方法，通过分析得到车辆的各交通点预计抵达时间点，并获取车辆的各交通点预计抵达时间点的各交通数据和各道路数据，进而分析得到车辆的交通流量因子，解决了当前交通运输网络的风险点辨识发展可行性分析过程中存在的局限性问题，再将数据结合进行分析，实现了交通运输网络的风险点辨识可行性全面性和客观性的分析，保障了交通运输网络的风险点辨识分析结果的可靠性和真实性，进而为后续交通运输网络的风险点辨识的均衡性分析提供了可靠的依据。
2、本发明通过分析得出各交通点预计到达时间点，进而通过各交通点预计到达时间点获取各交通点预计到达时间点的各交通数据和各道路数据，从而对各交通点预计到达时间点的各交通数据和各道路数据进行分析，并更加准确地了解到当前交通运输网络的风险点辨识实际情况，同时也保障交通运输网络的风险点辨识可行性分析过程的全面性和真实性，进而保障分析结果的参考性和准确性，并且也给交通运输网络的风险点辨识提供可靠的依据。
3、当前并根据车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，和各交通点预计到达时间点对应的天气数据和时间节点数据，对交通流量因子进行分析，真实地展示出交通运输网络的风险点辨识的辨别情况，进而保障交通运输网络的风险点辨识的准确性和真实性，从而提高交通运输网络的风险点辨识的效率，并对运输路线的风险情况进行分析，一定程度上提高了交通运输网络的风险点辨识的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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1为本发明方法实施步骤流程示意图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1所示，本发明在提供了一种基于交通运输网络的风险点辨识方法，包括，步骤一、运输数据获取：获取车辆的出发时间点、出发地点、到达地点、出发区域人口规模、到达区域人口规模和运输路线，并获取车辆的运输路线的距离长度和各交通点，在数据库中获取相同出发时间点时车辆的各交通点的各历史抵达时间点，进而分析得出车辆抵达各交通点的预计时间点，从而在网络数据中获取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据。
需要说明的是，天气数据表示为天气越差时天气数据的数值越大；例如雾越大天气越差，雨越大天气越差等。
需要说明的是，时间节点数据表示为时间点越趋近于繁忙时间段时，时间节点数据的数值越大；例如时间点趋近于早晚高峰时间段或节假日时间段时，时间节点数据的数值越大等。
还需要说明的是，各交通点预计抵达时间点的各交通数据和各道路数据均不相同。
在一个具体实例中，所述分析得出车辆抵达各交通点预计的时间点，具体获取过程如下：将车辆的各交通点的各历史抵达时间点记为，其中q表示为各交通点对应的编号，/>，b表示为交通点总数，b为大于2的自然整数；其中p表示为各历史抵达时间点对应的编号，/>，d表示为历史抵达时间点总数，d为大于2的自然整数，代入计算公式/>得出车辆抵达第q个交通点预计的时间点/>。
还需要说明的是，相同出发时间点时车辆的各交通点的各历史抵达时间点，相同出发时间点表示为从各交通点的出发时间点，不限于同一路线的出发时间点，仅需出发交通点和出发交通点的下一交通点均相同即可。
步骤二、交通流量因子分析：提取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，提取车辆的出发区域人口规模和到达区域人口规模和运输路线的距离长度，进而分析得出车辆的交通流量因子。
需要说明的是，基于交通网络的研究局限性在于：由于每段连接等同看待，并不区分其交通容量和实际流量的差异，对城市规模的解释也不够。交通网络的最终服务对象是客货运输需求，也即表现为客货流。同样，城市体系的变化对流的有效组织具有关键的影响，而流对定位城市节点地位乃至城市结构的演变也有重要的作用，最终可由交通流量计算。
在一个具体实例中，所述分析得出车辆的交通流量因子，具体分析过程如下：将车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，分别记为、/>；将车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，分别记为/>、/>和/>。
根据计算公式分析得出车辆的交通流量因子/>，其中/>表示为自然常数，/>表示为数据库中的距离衰减系数，/>、/>和/>表示为数据库中的车辆的人口交通流量的参考值、车辆抵达第q个交通点的预计时间点的天气数据的参考值和时间节点数据的参考值，/>、/>和/>表示为数据库中的车辆的人口交通流量的允许浮动值、车辆抵达第q个交通点的预计时间点的天气数据的允许浮动值和时间节点数据的浮动值，/>、/>和/>表示为数据库中的车辆的交通流量对应的权重因子、天气数据对应的权重因子和时间节点数据对应的权重因子。
需要说明的是，、/>和/>。
当前并根据车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，和各交通点预计到达时间点对应的天气数据和时间节点数据，对交通流量因子进行分析，真实地展示出交通运输网络的风险点辨识的辨别情况，进而保障交通运输网络的风险点辨识的准确性和真实性，从而提高交通运输网络的风险点辨识的效率，并对运输路线的风险情况进行分析，一定程度上提高了交通运输网络的风险点辨识的效果。
步骤三、交通点风险获取分析：提取车辆的运输路线的交通流量因子，并根据车辆抵达各交通点的预计时间点在交通网络实时数据中获取各交通数据和各道路数据，记为车辆抵达各交通点的预计时间点的各交通数据和各道路数据，进而分析得出车辆的运输路线的各交通点的交通风险评估系数，从而判断车辆的运输路线的各交通点的风险情况是否严重，由此获取车辆的运输路线中风险情况严重的交通点数量。
需要说明的是，各交通数据包括拥堵长度、行驶车流量等。
还需要说明的是，各道路数据包括道路不平整度、道路受损面积等。
在一个具体实例中，所述分析得出车辆的运输路线的各交通点的交通风险评估系数，具体分析过程如下：将车辆的车辆抵达各交通点的预计时间点的各交通数据和各道路数据分别记为和/>，i表示为各交通数据对应的编号，/>，n表示为交通数据的总数，n为大于2的自然整数；j表示为各道路数据对应的编号，/>，m表示为道路数据的总数，m为大于2的自然整数。
根据计算公式分析得出车辆的运输路线的第q个交通点的交通风险评估系数/>，其中/>表示为数据库中的车辆的第q个交通点的第i个交通数据的参考值，/>表示为数据库中的车辆的第q个交通点的第i个交通数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的交通数据对应的权重因子；/>表示为数据库中的车辆的第q个交通点的第j个道路数据的参考值，/>表示为数据库中的车辆的第q个交通点的第j个道路数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的道路数据对应的权重因子。
需要说明的是，、/>。
在一个具体实例中，所述判断车辆的运输路线的各交通点的风险情况是否严重，具体分析过程如下：将车辆的运输路线的各交通点的交通风险评估系数与数据库中的各交通点的交通风险评估系数阈值进行对比，当车辆的运输路线的某交通点的交通风险评估系数大于或等于数据库中的该交通点的交通风险评估系数阈值时，判断车辆的运输路线的该交通点的风险情况为严重，由此获取车辆的运输路线的各交通点的风险情况是否严重，并由此获取车辆的运输路线中风险情况为严重的交通点数量。
步骤四、运输路线风险分析：提取车辆的运输路线中风险情况严重的交通点数量、距离长度和交通点总数，进而分析得出车辆的运输路线的风险评估系数，从而判断车辆的运输路线的风险情况是否严重。
在一个具体实例中，所述分析得出车辆的运输路线的风险评估系数，具体判断过程如下：将车辆的运输路线中风险情况严重的交通点数量记为、根据交通点总数在数据库中获取对应的距离长度参考值，并记为/>，代入计算公式/>得出车辆的运输路线的风险评估系数/>，其中/>表示为数据库中的车辆的运输路线的风险评估系数对应的权重因子。
在一个具体实例中，所述判断车辆的运输路线的风险情况是否严重，具体判断过程如下：将车辆的运输路线的风险评估系数与数据库中的该运输路线的风险评估系数阈值进行对比，当车辆的运输路线的风险评估系数大于数据库中的该运输路线的风险评估系数阈值时，判断车辆的运输路线的风险情况为严重，反之判断车辆的运输路线的风险情况为不严重。
本发明通过分析得出各交通点预计到达时间点，进而通过各交通点预计到达时间点获取各交通点预计到达时间点的各交通数据和各道路数据，从而对各交通点预计到达时间点的各交通数据和各道路数据进行分析，并更加准确地了解到当前交通运输网络的风险点辨识实际情况，同时也保障交通运输网络的风险点辨识可行性分析过程的全面性和真实性，进而保障分析结果的参考性和准确性，并且也给交通运输网络的风险点辨识提供可靠的依据。
步骤五、执行提示：将车辆的运输路线中风险情况为严重的各交通点进行预警提示；当车辆的运输路线的风险情况为严重时，进行预警提示，并提取车辆的出发时间点、出发地点、到达地点，进而获取车辆的各推荐新路线，从而提示各推荐新路线。
在一个具体实例中，所述获取车辆的各推荐新路线，并进行推荐，具体获取过程如下：在数据库中获取与车辆的出发时间点、出发地点、到达地点相同的运输路线集合，并对运输路线集合中的各运输路线进行分析，最终选取风险情况为不严重的各运输路线作为各推荐新路线，并进行推荐。
需要说明的是，方法中各修正因子、各权重因子、各阈值和各系数，均为提前设定值，各提前设定值由各专业交通人员进行预估，并取均值赋值给各提前设定值。
本发明提供的一种基于交通运输网络的风险点辨识方法，通过分析得到车辆的各交通点预计抵达时间点，并获取车辆的各交通点预计抵达时间点的各交通数据和各道路数据，进而分析得到车辆的交通流量因子，解决了当前交通运输网络的风险点辨识发展可行性分析过程中存在的局限性问题，再将数据结合进行分析，实现了交通运输网络的风险点辨识可行性全面性和客观性的分析，保障了交通运输网络的风险点辨识分析结果的可靠性和真实性，进而为后续交通运输网络的风险点辨识的均衡性分析提供了可靠的依据。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本说明书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于交通运输网络的风险点辨识方法，其特征在于，包括：
步骤一、运输数据获取：获取车辆的出发时间点、出发地点、到达地点、出发区域人口规模、到达区域人口规模和运输路线，并获取车辆的运输路线的距离长度和各交通点，在数据库中获取相同出发时间点时车辆的各交通点的各历史抵达时间点，进而分析得出车辆抵达各交通点的预计时间点，从而在网络数据中获取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据；
步骤二、交通流量因子分析：提取车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，提取车辆的出发区域人口规模和到达区域人口规模和运输路线的距离长度，进而分析得出车辆的交通流量因子；
步骤三、交通点风险获取分析：提取车辆的运输路线的交通流量因子，并根据车辆抵达各交通点的预计时间点在交通网络实时数据中获取各交通数据和各道路数据，记为车辆抵达各交通点的预计时间点的各交通数据和各道路数据，进而分析得出车辆的运输路线的各交通点的交通风险评估系数，从而判断车辆的运输路线的各交通点的风险情况是否严重，由此获取车辆的运输路线中风险情况严重的交通点数量；
步骤四、运输路线风险分析：提取车辆的运输路线中风险情况严重的交通点数量、距离长度和交通点总数，进而分析得出车辆的运输路线的风险评估系数，从而判断车辆的运输路线的风险情况是否严重；
步骤五、执行提示：将车辆的运输路线中风险情况为严重的各交通点进行预警提示；当车辆的运输路线的风险情况为严重时，进行预警提示，并提取车辆的出发时间点、出发地点、到达地点，进而获取车辆的各推荐新路线，从而提示各推荐新路线。
2.根据权利要求1所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述分析得出车辆抵达各交通点预计的时间点，具体获取过程如下：
将车辆的各交通点的各历史抵达时间点记为，其中q表示为各交通点对应的编号，，b表示为交通点总数，b为大于2的自然整数；其中p表示为各历史抵达时间点对应的编号，/>，d表示为历史抵达时间点总数，d为大于2的自然整数，代入计算公式/>得出车辆抵达第q个交通点预计的时间点/>。
3.根据权利要求2所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述分析得出车辆的交通流量因子，具体分析过程如下：
将车辆抵达各交通点的预计时间点对应的天气数据和时间节点数据，分别记为、；将车辆的出发区域人口规模、到达区域人口规模和运输路线的距离长度，分别记为、/>和/>；
根据计算公式分析得出车辆的交通流量因子/>，其中/>表示为自然常数，/>表示为数据库中的距离衰减系数，/>、/>和/>表示为数据库中的车辆的人口交通流量的参考值、车辆抵达第q个交通点的预计时间点的天气数据的参考值和时间节点数据的参考值，/>、/>和/>表示为数据库中的车辆的人口交通流量的允许浮动值、车辆抵达第q个交通点的预计时间点的天气数据的允许浮动值和时间节点数据的浮动值，/>、/>和/>表示为数据库中的车辆的交通流量对应的权重因子、天气数据对应的权重因子和时间节点数据对应的权重因子。
4.根据权利要求3所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述分析得出车辆的运输路线的各交通点的交通风险评估系数，具体分析过程如下：
将车辆的车辆抵达各交通点的预计时间点的各交通数据和各道路数据分别记为和，i表示为各交通数据对应的编号，/>，n表示为交通数据的总数，n为大于2的自然整数；j表示为各道路数据对应的编号，/>，m表示为道路数据的总数，m为大于2的自然整数；
根据计算公式分析得出车辆的运输路线的第q个交通点的交通风险评估系数/>，其中/>表示为数据库中的车辆的第q个交通点的第i个交通数据的参考值，/>表示为数据库中的车辆的第q个交通点的第i个交通数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的交通数据对应的权重因子；/>表示为数据库中的车辆的第q个交通点的第j个道路数据的参考值，/>表示为数据库中的车辆的第q个交通点的第j个道路数据的允许浮动值，/>表示为数据库中的车辆的第q个交通点的道路数据对应的权重因子。
5.根据权利要求4所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述判断车辆的运输路线的各交通点的风险情况是否严重，具体分析过程如下：
将车辆的运输路线的各交通点的交通风险评估系数与数据库中的各交通点的交通风险评估系数阈值进行对比，当车辆的运输路线的某交通点的交通风险评估系数大于或等于数据库中的该交通点的交通风险评估系数阈值时，判断车辆的运输路线的该交通点的风险情况为严重，由此获取车辆的运输路线的各交通点的风险情况是否严重，并由此获取车辆的运输路线中风险情况为严重的交通点数量。
6.根据权利要求5所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述分析得出车辆的运输路线的风险评估系数，具体判断过程如下：
将车辆的运输路线中风险情况严重的交通点数量记为、根据交通点总数在数据库中获取对应的距离长度参考值，并记为/>，代入计算公式/>得出车辆的运输路线的风险评估系数/>，其中/>表示为数据库中的车辆的运输路线的风险评估系数对应的权重因子。
7.根据权利要求6所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述判断车辆的运输路线的风险情况是否严重，具体判断过程如下：
将车辆的运输路线的风险评估系数与数据库中的该运输路线的风险评估系数阈值进行对比，当车辆的运输路线的风险评估系数大于数据库中的该运输路线的风险评估系数阈值时，判断车辆的运输路线的风险情况为严重，反之判断车辆的运输路线的风险情况为不严重。
8.根据权利要求7所述的一种基于交通运输网络的风险点辨识方法，其特征在于，所述获取车辆的各推荐新路线，并进行推荐，具体获取过程如下：
在数据库中获取与车辆的出发时间点、出发地点、到达地点相同的运输路线集合，并对运输路线集合中的各运输路线进行分析，最终选取风险情况为不严重的各运输路线作为各推荐新路线，并进行推荐。
CN202410331352.9A 2024-03-22 2024-03-22 一种基于交通运输网络的风险点辨识方法 Active CN117935563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410331352.9A CN117935563B (zh) 2024-03-22 2024-03-22 一种基于交通运输网络的风险点辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410331352.9A CN117935563B (zh) 2024-03-22 2024-03-22 一种基于交通运输网络的风险点辨识方法

Publications (2)

Publication Number Publication Date
CN117935563A true CN117935563A (zh) 2024-04-26
CN117935563B CN117935563B (zh) 2024-06-14

Family

ID=90751130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410331352.9A Active CN117935563B (zh) 2024-03-22 2024-03-22 一种基于交通运输网络的风险点辨识方法

Country Status (1)

Country Link
CN (1) CN117935563B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016135561A1 (en) * 2015-02-27 2016-09-01 Caring Community Sa Method and apparatus for determining a safest route within a transportation network
CN108520353A (zh) * 2018-04-09 2018-09-11 交通运输部公路科学研究所 一种综合交通运输网络安全风险点辨识方法
IT201900011280A1 (it) * 2019-07-09 2021-01-09 Milano Politecnico Metodo per elaborare informazioni di navigazione per la circolazione su strada e dispositivo per elaborare e visualizzare tali informazioni.
US11017475B1 (en) * 2015-10-06 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for analyzing and visualizing traffic accident risk
CN114266490A (zh) * 2021-12-24 2022-04-01 安徽省道路运输管理服务中心 一种高效且精确的综合交通运输网络安全风险点辨识方法
CN116030627A (zh) * 2022-12-31 2023-04-28 东南大学 一种融合预测交通风险变量的道路交通事故分析方法
US20230215270A1 (en) * 2021-12-03 2023-07-06 Southeast University Method and system for evaluating road safety based on multi-dimensional influencing factors

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016135561A1 (en) * 2015-02-27 2016-09-01 Caring Community Sa Method and apparatus for determining a safest route within a transportation network
US11017475B1 (en) * 2015-10-06 2021-05-25 United Services Automobile Association (Usaa) Systems and methods for analyzing and visualizing traffic accident risk
CN108520353A (zh) * 2018-04-09 2018-09-11 交通运输部公路科学研究所 一种综合交通运输网络安全风险点辨识方法
IT201900011280A1 (it) * 2019-07-09 2021-01-09 Milano Politecnico Metodo per elaborare informazioni di navigazione per la circolazione su strada e dispositivo per elaborare e visualizzare tali informazioni.
US20230215270A1 (en) * 2021-12-03 2023-07-06 Southeast University Method and system for evaluating road safety based on multi-dimensional influencing factors
CN114266490A (zh) * 2021-12-24 2022-04-01 安徽省道路运输管理服务中心 一种高效且精确的综合交通运输网络安全风险点辨识方法
CN116030627A (zh) * 2022-12-31 2023-04-28 东南大学 一种融合预测交通风险变量的道路交通事故分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
沈鸿飞;贾利民;: "区域路网交通安全风险分析及管控策略研究", 交通运输系统工程与信息, no. 05, 15 October 2011 (2011-10-15), pages 187 - 192 *
黄秋阳: "基于多源数据的城市路网状态监测与交通事故风险评估方法研究", 中国博士学位论文全文数据库 工程科技Ⅱ辑, no. 04, 15 April 2022 (2022-04-15) *

Also Published As

Publication number Publication date
CN117935563B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
EP2255347B1 (en) Travel pattern information obtaining device, travel pattern information obtaining method, travel pattern information obtaining program and computer readable medium
CN100463009C (zh) 一种交通信息融合处理方法和系统
CA2811879C (en) Driver profiling system and method
CN110807919A (zh) 基于过车数据的城市路网交通运行态势评价方法
CN103761430A (zh) 一种基于浮动车的路网高峰时段识别方法
CN107886188B (zh) 液化天然气公交尾气排放预测方法
CN107918826B (zh) 一种驾驶环境感知的司机评价与调度方法
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN114863675B (zh) 基于路警数据融合的重点车辆位置推测与异常报警方法
CN117557122B (zh) 基于数据关系图谱技术的公路养护决策分析方法及系统
CN115099721B (zh) 一种基于大数据分析的客车交通拥挤度评估系统及方法
CN115375234A (zh) 基于gnss的运输车辆运行轨迹规划方法
CN108345987A (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
CN114757447B (zh) 一种多模型混合的客运枢纽站客流量预测方法及系统
CN113724497A (zh) 一种目标道路实时交通流量预测方法和装置
CN110909907A (zh) 卡车的油耗预测方法、装置及存储介质
CN117935563B (zh) 一种基于交通运输网络的风险点辨识方法
CN113095387A (zh) 基于联网车载adas的道路风险识别方法
CN110120154B (zh) 大规模路网下利用检测器数据的交通路况预测方法
CN112489422A (zh) 一种基于算法模型分析的车流量预测方法
CN107248282B (zh) 获取道路运行状态等级的方法
CN115497306A (zh) 一种基于gis数据的速度区间权重计算方法
CN116740948B (zh) 车辆行程速度的预测估值方法、装置、介质及应用

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