期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
道路交通事故严重程度预测及致因分析
被引量：
2
1
作者
严利鑫
胡鑫辉
+1 位作者
刘清梅
金武杰
《华东交通大学学报》
2024年第5期65-73,共9页
【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建...
【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建事故分类预测模型。在此基础上,采用边际效用方法分析得出交通事故严重程度的显著影响因素。【结果】结果表明,相较于卷积神经网络(CNN)、随机森林(RF)、朴素贝叶斯(NaiveBayes)、回归分析(Logistics)、决策表(Decision_table)、引导聚集算法(Bagging)6种预测模型,CA-CNN模型在准确率、查准率、召回率等指标评价下,整体预测性能更优;在交通事故严重程度的影响因素中,季节、是否工作日、道路类型、事故形态、是否违法变更车道、未按规定让行及制动不当7个因素具有显著性(p≤0.05)。【结论】CA-CNN是一种有效的交通事故严重程度预测模型,其分析结果有助于降低交通事故发生率和严重程度。
展开更多
关键词
交通安全
事故严重程度预测
卷积神经网络
通道注意力
致因分析
在线阅读
下载PDF
职称材料
青藏高原双车道事故严重程度预测模型的建立
被引量：
2
2
作者
孙小端
侯洋洋
+1 位作者
贺玉龙
冯丙丙
《重庆交通大学学报（自然科学版）》
CAS
北大核心
2017年第7期106-110,共5页
分析了青藏高原地区的交通事故数据,发现大部分交通事故都是死伤人数较高的事故,即死伤事故占比较大。将事故严重程度作为因变量,选取海拔、氧含量、天气、事故地点的线形、事故地点的环境、肇事车辆的类型、交通量、大车比例、大小车...
分析了青藏高原地区的交通事故数据,发现大部分交通事故都是死伤人数较高的事故,即死伤事故占比较大。将事故严重程度作为因变量,选取海拔、氧含量、天气、事故地点的线形、事故地点的环境、肇事车辆的类型、交通量、大车比例、大小车的速度差等9个因素作为自变量,建立了累积Logistic回归预测模型,研究了影响高原地区交通事故严重程度的因素。结果表明:海拔、大车比例、交通量、肇事车辆类型和大小车的速度差与交通事故严重程度有显著的相关性。预测模型的建立能够为相关公路管理部门制定安全措施提供理论依据。
展开更多
关键词
交通工程
累积Logistic模型
青藏高原
事故严重程度预测
在线阅读
下载PDF
职称材料
基于集成学习模型的交通事故严重程度时空预测
被引量：
2
3
作者
柳一航
沈航先
《科技创新与应用》
2024年第8期28-35,共8页
为探究区域交通事故时空特征,精准预测事故严重程度,给交通运输主管部门提供决策支持,以英国交通事故统计数据作为研究基础,首先,将交通事故时空特征数据转化为网格化数据,并对空间特征进行二维卷积,利用时间特征合并二维卷积为三维卷积...
为探究区域交通事故时空特征,精准预测事故严重程度,给交通运输主管部门提供决策支持,以英国交通事故统计数据作为研究基础,首先,将交通事故时空特征数据转化为网格化数据,并对空间特征进行二维卷积,利用时间特征合并二维卷积为三维卷积,解决网格冲突问题;其次,利用卷积神经网络(CNN)、长短期记忆人工神经网络(LSTM)模型的工作原理建立Stacking模型的基学习器和元学习器;最后,输出结果传入分类与回归树(CART),构建完整的事故严重程度预测集成学习模型。研究结果表明,集成学习模型较单一模型对预测效果更优,其AUC比CNN、LSTM和Conv-LSTM单一模型预测分别提升0.02、0.04和0.01;最终决策树选择中,CART决策树比随机森林(RF)和梯度提升决策树(GBDT)预测效果更优;预测结果在时间纬度上,“严重事故”事件占比较实际低3.95%,在空间纬度上,预测热力区域在0.5~1区间范围内与实际接近。
展开更多
关键词
交通安全
交通
事故
事故严重程度预测
机器学习
集成学习模型
在线阅读
下载PDF
职称材料
题名
道路交通事故严重程度预测及致因分析
被引量：
2
1
作者
严利鑫
胡鑫辉
刘清梅
金武杰
机构
华东交通大学交通运输工程学院
南昌交通学院交通运输学院
出处
《华东交通大学学报》
2024年第5期65-73,共9页
基金
国家自然科学基金项目(52162049,51805169)
赣鄱俊才支持计划-主要学科学术和技术带头人培养项目(20232BCJ23012)
华东交通大学创新创业教育研究课题(23hict05)。
文摘
【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建事故分类预测模型。在此基础上,采用边际效用方法分析得出交通事故严重程度的显著影响因素。【结果】结果表明,相较于卷积神经网络(CNN)、随机森林(RF)、朴素贝叶斯(NaiveBayes)、回归分析(Logistics)、决策表(Decision_table)、引导聚集算法(Bagging)6种预测模型,CA-CNN模型在准确率、查准率、召回率等指标评价下,整体预测性能更优;在交通事故严重程度的影响因素中,季节、是否工作日、道路类型、事故形态、是否违法变更车道、未按规定让行及制动不当7个因素具有显著性(p≤0.05)。【结论】CA-CNN是一种有效的交通事故严重程度预测模型,其分析结果有助于降低交通事故发生率和严重程度。
关键词
交通安全
事故严重程度预测
卷积神经网络
通道注意力
致因分析
Keywords
traffic safety
accident severity prediction
convolutional neural network
channel attention
causa-tion analysis
分类号
U491.31 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
青藏高原双车道事故严重程度预测模型的建立
被引量：
2
2
作者
孙小端
侯洋洋
贺玉龙
冯丙丙
机构
北京工业大学交通工程北京市重点实验室
出处
《重庆交通大学学报（自然科学版）》
CAS
北大核心
2017年第7期106-110,共5页
基金
国家科技支撑计划课题(2014BAG05B02)
文摘
分析了青藏高原地区的交通事故数据,发现大部分交通事故都是死伤人数较高的事故,即死伤事故占比较大。将事故严重程度作为因变量,选取海拔、氧含量、天气、事故地点的线形、事故地点的环境、肇事车辆的类型、交通量、大车比例、大小车的速度差等9个因素作为自变量,建立了累积Logistic回归预测模型,研究了影响高原地区交通事故严重程度的因素。结果表明:海拔、大车比例、交通量、肇事车辆类型和大小车的速度差与交通事故严重程度有显著的相关性。预测模型的建立能够为相关公路管理部门制定安全措施提供理论依据。
关键词
交通工程
累积Logistic模型
青藏高原
事故严重程度预测
Keywords
traffic engineering
cumulative Logistic model
Qinghai-Tibet plateau
accident severity prediction
分类号
U491.31 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
基于集成学习模型的交通事故严重程度时空预测
被引量：
2
3
作者
柳一航
沈航先
机构
华设设计集团股份有限公司
出处
《科技创新与应用》
2024年第8期28-35,共8页
文摘
为探究区域交通事故时空特征,精准预测事故严重程度,给交通运输主管部门提供决策支持,以英国交通事故统计数据作为研究基础,首先,将交通事故时空特征数据转化为网格化数据,并对空间特征进行二维卷积,利用时间特征合并二维卷积为三维卷积,解决网格冲突问题;其次,利用卷积神经网络(CNN)、长短期记忆人工神经网络(LSTM)模型的工作原理建立Stacking模型的基学习器和元学习器;最后,输出结果传入分类与回归树(CART),构建完整的事故严重程度预测集成学习模型。研究结果表明,集成学习模型较单一模型对预测效果更优,其AUC比CNN、LSTM和Conv-LSTM单一模型预测分别提升0.02、0.04和0.01;最终决策树选择中,CART决策树比随机森林(RF)和梯度提升决策树(GBDT)预测效果更优;预测结果在时间纬度上,“严重事故”事件占比较实际低3.95%,在空间纬度上,预测热力区域在0.5~1区间范围内与实际接近。
关键词
交通安全
交通
事故
事故严重程度预测
机器学习
集成学习模型
Keywords
traffic safety
traffic accident
accident severity prediction
machine learning
integrated learning model
分类号
U491.3 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
道路交通事故严重程度预测及致因分析
严利鑫
胡鑫辉
刘清梅
金武杰
《华东交通大学学报》
2024
2
在线阅读
下载PDF
职称材料
2
青藏高原双车道事故严重程度预测模型的建立
孙小端
侯洋洋
贺玉龙
冯丙丙
《重庆交通大学学报（自然科学版）》
CAS
北大核心
2017
2
在线阅读
下载PDF
职称材料
3
基于集成学习模型的交通事故严重程度时空预测
柳一航
沈航先
《科技创新与应用》
2024
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
