买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种连续流道路场景下的交通事故风险评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117238126B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311103644.9，技术领域涉及：G06Q10/0635；该发明授权一种连续流道路场景下的交通事故风险评估方法是由陆建;马潇驰;车忠兴;叶凡;夏萧菡;霍宗鑫设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本一种连续流道路场景下的交通事故风险评估方法在说明书摘要公布了：本发明公开了一种连续流道路场景下的交通事故风险评估方法，包括：构造病例对照数据集，划分为历史样本数据和测试数据，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型；输入待测数据集，判断待测数据所属的风险场景，将所属风险场景的历史样本数据作为训练集进行基学习器模型训练，并输出待测数据的预测结果；对测试数据的预测结果绘制ROC曲线，采用AUC指标评估优度，并根据约登指数选择最佳风险阈值；实时获取待评估道路上的交通流参数，确定风险场景，实时计算待评估道路上的风险水平。本发明以较低成本对道路交通事故风险进行准确实时预警，提高交通系统运行的安全性和可靠性。

本发明授权一种连续流道路场景下的交通事故风险评估方法在权利要求书中公布了：1.一种连续流道路场景下的交通事故风险评估方法，其特征在于，所述交通事故风险评估方法包括以下步骤： S1：获取待评估道路的历史道路事故数据和历史交通流信息，采集一定时间范围内发生的事故数据和以及在此时间范围内的交通流参数，以事故发生与否为因变量，交通流信息为自变量，构造病例对照数据集；所述事故数据包括事故发生的事件、位置、上下行方向；所述交通流参数包括路段断面的交通量、平均车速、车道占有率； S2：将病例对照数据集中的数据划分为历史样本数据和测试数据两类，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型； S3：输入待测数据集，判断待测数据所属的风险场景，将所属风险场景的历史样本数据作为训练集进行基学习器模型训练，并输出待测数据的预测结果； S4：对测试数据的预测结果绘制ROC曲线，采用AUC指标评估优度，并根据约登指数选择最佳风险阈值； S5：实时获取待评估道路上的交通流参数，使用步骤S2确定的风险场景识别模型确定风险场景，使用步骤S3和步骤S4确定的风险评估模型实时计算待评估道路上的风险水平； 步骤S2中，使用历史样本数据进行自组织映射聚类分析，构建风险场景识别模型的过程包括以下子步骤： S201：按照预测划分比例从病例对照数据集中提取得到历史样本数据和测试数据，且保持历史样本数据集和测试数据集中事故数据和正常行驶数据比例与病例对照数据集中的事故数据和正常行驶数据比例一致； S202：使用历史样本数据集进行自组织映射网络模型的训练，根据历史样本数据集的数量N，按以下公式选择SOM网络边长M： 其中，SOM网络每一边有M个神经元，共M列，共计M2个神经元，每个神经元按六边形与其他神经元相连，形成蜂巢网络结构； S203：初始化SOM网络，给每一个神经元随机赋予K维权重wj＝[ak]，k的值和历史样本数据中的flowdata自变量元素数一致；j为神经元编号，j＝1,2,…,M2； S204：对历史样本数据集X＝[x1,x2,...xi...,xN]，依次输入样本进行训练，比较第i个历史样本xi和每一个神经元权重之间的欧氏距离，将欧氏距离最短的神经元作为该历史样本的聚类标号，按下式确定历史样本数据xi的类别： 式中，i＝1,2,…,N； S205：更新SOM网络权值： w←w+ηhdxi-w 其中，w为待更新的权值，η是学习率，h·是衰减函数，d是激活神经元和其他神经元之间的距离； S206：根据每一个SOM神经元中的样本数量和事故样本数量划分风险场景，计算每一个神经元的事故率rc： 其中，Nsample是所有属于神经元c的样本，Ncrash是神经元c中的事故样本量； S207，将聚类神经元中的事故比例与历史样本数据集中事故数据的占有比例进行比对，如果聚类神经元中的事故比例超过历史样本数据集中事故数据的占有比例时，则认定为高风险场景，否则，认定为低风险场景。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210000 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。