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！

龙图腾网获悉武汉大学申请的专利一种识别街道感知安全及对交通事故调节效应的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：CN118967999B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202411048156.7，技术领域涉及：G06V10/20；该发明授权一种识别街道感知安全及对交通事故调节效应的方法是由谢波;张鼎璘;周芳羽;庞哲;李晗;张伊阳;耿云明;高景峰;魏照轩设计研发完成，并于2024-08-01向国家知识产权局提交的专利申请。

本一种识别街道感知安全及对交通事故调节效应的方法在说明书摘要公布了：本发明提供一种识别街道感知安全及对交通事故调节效应的方法，所述方法包括：以路段为评估单元，通过API接口获取城市街景影像图片，构建并训练端到端卷积神经网络模型以评估街景影像的感知安全水平，建立主观层面的城市街道感知安全数据集；并结合交通事故的客观风险因素以及历史交通事故数据，建立综合数据集；随后基于综合数据集构建负二项回归模型，根据模型的变量显著性检验和系数检验结果，识别主观感知安全与客观风险因素与交通事故之间的关系；最后，在原模型中加入交互项变量，基于交互项变量结果，探索街道感知安全对于客观事故风险因素的调节效应。本发明技术方法成熟，操作简洁明确，可操作性较强。

本发明授权一种识别街道感知安全及对交通事故调节效应的方法在权利要求书中公布了：1.一种识别街道感知安全及对交通事故调节效应的方法，其特征在于，所述方法包括： S1沿研究范围内路网划分路段，设置采样点，获取所述采样点对应的街景影像； S2随机抽取部分街景影像，邀请志愿者对其进行感知安全分数评估，构建样本数据集，并对所述样本数据集进行预处理； S3构建端到端卷积神经网络并通过预处理后的样本数据集进行训练； S4将街景影像输入训练完成的卷积神经网络模型中进行评估，输出每张街景影像图片对应的感知安全分数； S5获取历史交通事故数据、感知安全数据和交通事故客观风险因素，并进行处理，建立包含历史交通事故数据、感知安全数据和客观风险因素数据的综合数据集； S6根据综合数据集，构建负二项回归模型并进行分析，根据模型结果，识别城市街道感知安全与交通事故的相关性，以及其他与交通事故具有相关性的客观风险因素； S7计算交通事故的客观风险因素变量与感知安全变量的交乘项结果，将其作为交互项变量依次加入到负二项回归模型中，并对模型结果进行分析，识别感知安全对于交通事故的调节效应； 所述历史交通事故数据包括事故地理坐标和事故发生时间； 所述感知安全数据包括街景影像编号、街景影像地理坐标以及街景影像图片对应的感知安全分数； 所述交通事故客观风险因素包括街道网络特征、发展模式特征、社会经济特征和交通流特征四个方面； 所述S5具体为： 历史交通事故数据处理具体包括：根据交通事故发生的地理坐标对交通事故点进行处理，将其划归到距离事故发生位置最近的路段，以路段内交通事故数量与路段长度的比值表示该路段的交通事故风险，数学公式为： 其中，Ri表示第i个路段的交通事故风险，Ci表示第i个路段的交通事故数量，li表示第i个路段的路段长度； 感知安全数据处理具体包括：对于每个采样点，取该采样点获取的6个方向街景影像的感知安全分数的平均值，作为该采样点的感知安全水平；对于每个路段，取该路段上所有采样点的感知安全分数的平均值，作为该路段的感知安全水平，数学公式为： 其中，yi表示第i个路段的平均感知安全分数，ymg表示路段i上的第m个采样点的第g张街景影像对应的感知安全分数；n代表采样点数量； 交通事故客观风险因素处理具体包括：以路段为基本单位，通过设置特定的搜索半径和缓冲区半径，对路段周边的街道网络特征、发展模式特征、社会经济特征和交通流特征指标进行计算； 所述街道网络特征包括拓扑特征和几何特征，其中，拓扑特征包括中介中心性、绕行率、平均测地距离和链节比，几何特征包括路段长度和路段宽度； 所述发展模式特征包括建筑密度和土地利用混合度； 所述社会经济特征包括人口密度和就业密度； 所述交通流特征包括交通速度和交通流量； 街道网络的中介中心性的数学公式为： 其中，是节点u的中介中心性，gvku是节点v和k经过节点u的最短路径的数量，表示点u随机落在的节点v和k最短路径上的概率； 街道网络的绕行率的数学公式为： 其中，Divx是节点x的绕行性，CFDx,y是x和y中心之间的直线距离，dMx,y为x和y中心之间的路径距离，Wy为折线y的权重，Py为任意折线的比例； 街道网络的平均测地距离的数学公式为： 其中，GDavg是街道网络的平均测地距离，N为街道网络中的节点数，gvk为节点v和k的测地线数，[NN-12]为节点对总数； 街道网络的链节比的数学公式为： 其中，A是节点u的链节比，eu是节点u邻接的边数，N是节点数； 土地利用混合度表示路段缓冲区范围内土地利用类型的混合度水平，通过香农多样性指数计算，数学公式为： 其中，H表示土地利用多样性，s表示不同的用地类型数量，pt表示第t种用地类型的面积比例； 建筑密度表示路段缓冲区范围内的建筑密度水平，数学公式为： 其中，ρbuiding表示建筑密度，Abuilding表示缓冲区内所有建筑面积的总和，Abuffer表示缓冲区面积； 人口密度表示路段缓冲区范围内的人口密度水平，数学公式为： 其中，ρpop表示人口密度，Apop表示缓冲区内所有人口的数量，Abuffer表示缓冲区面积； 就业密度表示路段缓冲区范围内的就业密度水平，数学公式为： 其中，ρwork表示就业密度，Awork表示缓冲区内就业人口的数量，Abuffer表示缓冲区面积； 交通速度表示该路段上机动车的平均行驶速度，交通流量表示该路段上的平均机动车流量； 所述S6具体为： 根据综合数据集，以路段为基本单元，将交通事故数量作为因变量，感知安全分数作为解释变量，客观风险因素作为控制变量，建立负二项回归模型； 对模型结果进行变量的显著性检验，若变量对应的显著性检验值低于0.05，则说明该变量与交互项之间的相关性显著；反之，若变量对应的显著性检验值不低于0.05，则说明该变量与交互项之间的相关性不显著； 对于通过了显著性检验的变量，对该变量的结果进行系数检验，若变量对应的系数结果为正，则说明该变量与交通事故数量之间具有正相关关系；反之，若变量对应的系数结果为负，则说明该变量与交通事故数量之间具有负相关关系；基于变量的显著性检验结果，识别与交通事故具有显著相关关系的变量类型，并基于变量的系数检验结果，识别其对于交通事故的影响效应； 所述S7具体为： 首先，对于每项客观交通风险因素，计算其与感知安全的交乘项； 随后，将各类客观交通风险因素与感知安全的交乘项依次加入负二项回归模型中，基于基础模型中的变量结果和交互项结果进行分析：若基础模型中变量的结果与交互项结果均显著，且原模型结果中该变量的系数符号与交互项变量的符号相同，则表明对于该类型客观交通风险因素对交通事故的影响而言，感知安全具有增强的正向调节效应；反之，若基础模型中变量的结果与交互项结果均显著，且原模型结果中该变量的系数符号与交互项变量的符号相反，则表明对于该类型客观交通风险因素对交通事故的影响而言，感知安全具有削弱的负向调节效应；若原模型中变量的结果显著，而交互项结果不显著，则表明对于该类型客观交通风险因素对交通事故的影响效应而言，感知安全并不具有显著的调节作用。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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”。