关联规则在道路交通事故中的应用研究

针对近年来交通事故的频繁发生,本文提出了使用数据挖掘领域中的关联规则分析大量道路交通事故记录的方法,以便找出交通事故中各属性之间的关联,为交通管理部门采取预防举措提供依据。研究表明,该方法在道路交通事故的研究中有着良好的应用前景,能够挖掘出大量符合真实规律的关联规则。     

考虑时空相关的交通事故热点道路识别方法

目前交通事故热点道路分析多以交通事故为研究对象，较少考虑交通事故-道路的时空相关性，影响方法的实用性。针对上述问题，从交通设施管理部门角度出发，以道路为研究对象，给出交通事故-道路时空相关的定义，提出交通事故空间聚合算法，构建交通事故时空立方体，并进行线模式的热点道路分析。验证结果表明，该方法可直接发现交通事故热点道路，分析结果更为精细和准确，提升了交通事故高发道路识别的实用性。     

基于改进BP神经网络的道路交通事故预测

道路交通事故因受多种随机因素的影响而呈现出非线性的特点,传统的线性分析方法无法完全揭示其内涵。在分析道路交通事故与人、车、路等因素关系的基础上,利用神经网络具有描述非线性特性的能力,将影响交通事故的多种因素综合起来建立了基于改进BP神经网络的道路交通事故预测模型。选取人口密度、路网密度和机动车辆密度作为交通事故预测模型的输入神经元,采用道路交通综合死亡率作为道路交通事故的输出评价指标,对道路交通事故进行预测。实验结果表明,该预测模型能很好地适用于道路交通事故预测,验证了该模型的可行性和有效性。     

基于神经网络的交通事故仿真预测方法

通过对道路交通事故影响因素的分析,建立了关于道路交通事故影响因素的层次结构模型,并根据此模型建立基于RBF神经网络的道路交通事故计算机仿真预测方法.结合我国1978～2007年道路交通事故次数对RBF神经网络进行训练、检验和预测,同时与BP神经网络预测方法进行比较.结果表明RBF神经网络的平均误差和收敛次数分别为1.19%和701次,而BP神经网络则为9.8%和2401次,可见RBF神经网络具有更快的运算速度和更高的精度.     

高选择性酒精传感器

机动车驾驶人员"酒后驾车"及"醉酒驾车"极易发生道路交通事故,严重危害了道路交通安全和人民生命财产安全.     

基于灰色关联的LS-SVM道路交通事故预测

为提高道路交通事故的预测精度以及建模速度,在分析道路交通事故影响因素基础上,提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型首先采用灰色关联分析完成影响因素的相关性分析,结合关联度值,筛选最小二乘向量机模型的输入变量,简化LS-SVM模型结构;然后运用动态改变惯性权重自适应粒子群算法(DCW-APSO)对模型参数进行优化选取;最后应用模型预测1996-2000年的综合道路交通事故死亡率,并将预测结果与其他模型进行对比分析。结果表明：该模型具有较快的收敛速度,并能明显提高道路交通事故预测的精度。     

交通事故信息分析与责任认定系统建模研究

交通事故信息分析和事故责任认定是交通管理工作的重要内容之一,将交通事故信息分析放入人、车、路等交通大环境中考虑,以数据仓库为基础,采用联机分析、数据挖掘、知识发现等新一代信息分析手段和计算智能技术,构建了一个实用高效的交通事故信息智能分析与责任认定系统,并阐述了系统各主要组成部分功能及其关键技术与实现方法。系统正应用于我国南方某省的交通管理部门。     

交通事故的多维关联规则分析

城市机动车数量的增加已经导致城市交通事故的频繁发生,能否对已发生事故作出正确的分析将直接影响到能否对未来类似事故的成功避免。本文提出一种使用数据挖掘领域中的多维关联规则技术分析大量交通事故记录的方法,通过找出可能导致交通事故发生的频繁因素组合来发现某些事故发生的规律,并将这些规律作为现实中作出预防举措的依据。     

DrugChecking:一种多颜色空间下毒驾检测试纸识别方法

近年来,由"毒驾"所引发的重大交通事故数量不断增长,现有的毒品检测技术由于时效性、便捷性等原因,难以适用于常规道路毒驾稽查,不利于道路现场检测.对此,本文针对毒驾唾检试纸图像的特点,设计并实现了一种高效的毒品检测方法---DrugChecking.该方法首先对唾液检测试纸进行边缘检测,以提取试纸检测区域;其次,针对毒驾...     

中国道路交通事故原因甄别与对策建议

道路运输作为公共安全的重要组成部分,其安全关系到人民群众生命财产安全、经济社会协调发展、社会和谐稳定,是重大民生问题。随着中国汽车保有量、高速公路通车里程、驾驶人员数量逐年增加,道路运输业取得了长足发展,随之而来的是道路交通事故不断发生。道路交通事故的形成原因是多方面的,主要有驾驶人员、行人的不安全行为、机动车辆的不安全状态和负责的道路环境等因素,最主要的是对道路运输系统安全复杂性认识不足或缺失是造成事故的内在原因。本文主要对道路交通事故原因进行了简单的探讨,以供相关人员参考。     

城市交通事故的局部相关性可视分析方法

交通事故数据蕴含有交通事故规律,如交通事故与天气、时间、道路等因素的关 联规律,值得深入挖掘。虽然天气、时间、道路等因素对交通事故均有影响,但对不同区域交 通事故的影响不尽相同,即具有局部相关性。挖掘局部相关性能更好地揭示这些因素与交通事 故之间的相关性。为此提出一套分析挖掘交通事故数据中所蕴含的局部相关性的方法。首先基 于交通事故数据提取事故多发路段,每个事故多发路段包含有位置、时间以及相关的交通事故 信息;然后提出一套聚类支持的局部相关性可视分析方法分析事故多发路段：①以待分析因素 直方图(如天气直方图、时间直方图)刻画事故多发路段;②基于直方图相似性对事故多发路段 进行聚类分析;③在多关联视图支持的交互环境中进一步观察、分析聚类结果以挖掘待分析因 素与交通事故之间的局部相关性。通过分析安徽省合肥市 2015-2018 年交通事故接警数据,取 得了一些有意义的分析结果,验证了该方法的有效性。     

Accident history,risk perception and traffic safe behaviour

Abstract

This study clarifies the associations between accident history, perception of the riskiness of road travel and traffic safety behaviours by taking into account the number and severity of accidents experienced. A sample of 525 road users in Cameroon answered a questionnaire comprising items on perception of risk, safe behaviour and personal accident history. Participants who reported involvement in more than three accidents or involvement in a severe accident perceived road travel as less risky and also reported behaving less safely compared with those involved in fewer, or less severe accidents. The results have practical implications for the prevention of traffic accidents.

Practitioner Summary: The associations between accident history, perceived risk of road travel and safe behaviour were investigated using self-report questionnaire data. Participants involved in more than three accidents, or in severe accidents, perceived road travel as less risky and also reported more unsafe behaviour compared with those involved in fewer, or less severe accidents. Campaigns targeting people with a less serious, less extensive accident history should aim to increase awareness of hazards and the potential severity of their consequences, as well as emphasising how easy it is to take the recommended preventive actions. Campaigns targeting those involved in more frequent accidents, and survivors of serious accidents, should address feelings of invulnerability and helplessness.     

基于物联网的高速公路安全预警系统研究

高速公路与一般公路相比,在交通量大、气候恶劣的情况下,极易发生交通事故和交通阻塞.该文设计具有自主产权的高速公路安全预警系统,通过物联网与云计算服务,及时、准确、完整地收集并预告前方道路的各类信息,如交通量、事故、路况等.弥补国内智能交通物联网核心技术发展相对滞后,交通信息化相关技术的集成化程度比较低,相应软件设计不够成熟以及交通信息缺乏标准化等缺点,使交通管理朝着低成本、可靠性、节能型、智能化和环境友好型等五大方向发展,提高我国智能交通的发展,减少交通事故发生率.     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。     

基于模糊聚类的不同交通方式的交通事故特征分析

交通事故频发给人们的财产和人身安全带来了极大的危害,掌握交通事故特征对于预防交通事故发生、减少人身伤亡和财产损失至关重要.运用模糊聚类的数量积法对我国2010年交通事故相关数据进行分析,建立模糊相似矩阵,然后用平方法计算传递闭包,得到模糊等价矩阵,根据相似系数不同的值进行动态聚类.结果表明：在五类交通方式中,汽车的事故指标较高,拖拉机、非机动车和行人乘车人的事故指标比较接近,而摩托车的事故指标较低.     

基于Seq2Seq自编码器模型的交通事故实时检测与评价

路侧检测设备可以精准获取交通流量和速度等实时数据,交管部门可以借此显著提升对交通异常状态的感知水平.通过分析交通状态和交通流数据特征,建立一套基于交通流序列数据的交通事故实时检测系统和预警流程.首先,在交通状态感知方面,所建立的Seq2Seq自编码模型引入Attention机制,实现对交通状态重要特征的捕捉;其次,在交通状态异常判定方面,利用Seq2Seq自编码器对输入的原始序列数据进行重构,对比原始数据可得到结构重构误差,根据设定的阈值实现交通预警等级的判定和交通事故的实时检测;最后,以上海市延安高架的流量和速度数据为基础,分别确定不同时空状态下的事故判定阈值,并通过混淆矩阵评价方法论证所提出交通事故实时检测模型的可行性.     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

Risky behaviour at traffic signals: a traffic engineer's view

Abstract

Road accidents are reasonably predictable from a knowledge of traffic behaviour, although individual accident involvement is far less predictable. How do individuals perceive the relationship between their own involvement and objective accident risk? This question is explored in relation to Danish case studies of drivers' behaviour at traffic lights and different categories of pedestrians' ‘jay-walking’. On this evidence, it seems unlikely that road users perceive accidents as random negative outcomes of everyday risk taking. Thus it also appears improbable that overall traffic accident risk in any society is a major function of deliberate risk taking by its individual road users.     

基于AdaBoost分类器的实时交通事故预测

传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测,针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题,提出一种基于AdaBoost分类器的交通事故实时预测的方法。首先,将交通道路划分为正常、危险两种交通状态,利用实时采集的交通流数据作为特征变量对不同的状态进行表征,将事故的实时预测问题转化为分类问题;然后,采用Parzen窗非参数估计的方法对两种状态在不同时间尺度下候选交通流特征的概率密度函数（PDF）进行估计,利用基于概率分布的可分性判据分析估计的密度函数,选择合适的特征变量及时间尺度,确定样本数据;最后,根据样本数据训练AdaBoost分类器对不同的交通状态进行分类识别。实验结果表明,采用交通流特性的标准差特征对测试样本分类的正确率比平均值特征高7.9%,更能反映不同交通状态的差别,获得更好的分类结果。