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基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化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：CN119723865B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202411597897.0，技术领域涉及：G06Q50/26；该发明授权基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法是由王晨;何治平;张季洋;徐嗣轩;谢昕博设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法在说明书摘要公布了：本发明公开了一种基于因果机器学习的交叉口行人‑左转车辆冲突风险因素量化方法，具体为：1：提取行人‑左转车辆冲突数据；2：将行人‑左转车辆冲突数据与信号控制类型Ttype以及安全影响因素匹配；3：构建有向无环图；4：基于有向无环图，利用双重鲁棒学习算法构建了不同信号控制类型下的因果推断模型，在安全影响因素中挖掘与对行人‑左转车辆冲突相关的因素作为冲突风险因素，并估计不同信号控制类型对行人‑左转车辆冲突风险的异质性因果效应。本发明能够有效地识别并处理混淆因素，提高了模型在面对真实世界数据时的鲁棒性和泛化能力。

本发明授权基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法在权利要求书中公布了：1.基于因果机器学习的交叉口行人-左转车辆冲突风险因素量化方法，其特征在于，具体为： 步骤1：在观测时间段内提取行人-左转车辆冲突数据； 步骤2：将行人-左转车辆冲突数据与信号控制类型Ttype以及安全影响因素匹配； 步骤3：将信号控制类型Ttype作为处置变量，安全影响因素作为混杂变量，行人-左转车辆冲突频率Y作为输出变量，构建有向无环图； 步骤4：基于有向无环图，利用双重鲁棒学习算法构建不同信号控制类型下的因果推断模型，在安全影响因素中挖掘出对行人-左转车辆冲突相关的因素作为冲突风险因素，并估计不同信号控制类型对行人-左转车辆冲突风险的异质性因果效应； 步骤2中的信号控制类型Ttype包括保护型左转相位，允许型左转相位，保护-允许左转相位； 安全影响因素包括交通量属性Xvol，道路几何属性Xroad，信号配时属性Xsignal以及基本属性Xbasic；所述交通量属性Xvol包括左转交通量Vol_Veh，行人交通量Vol_Ped，左转车辆的对向直行车辆交通量Vol_Opp；道路几何属性Xroad包括：左转弯车道数LT，进口车道数EntL，出口车道数ExitL，对向通行的车道数Thr_Opp，左转弯的限速Slim和对向通行的限速Slim_Opp；信号配时属性Xsignal包括最小绿灯时长GM，平均左转绿灯时长AG，信号控制的最大周期MaxC，最小周期MinC，行人步行时间ExiW和红灯闪烁时间ExiFDW；基本属性Xbasic包括：工作日，周末，非高峰时间段和早晚高峰时间段； 所述步骤3在构建有向无环图时，将处置变量Ttype到输出变量Y的任何非直接路径作为后门路径，也即将链路Ttype←Xc→Y作为后门路径，Xc为安全影响因素； 采用双鲁棒学习算法估计不同信号控制类型的异质性因果效应 其中，表示期望值，Xc为安全影响因素，KXc表示相似性度量指标，θt表示处置效应，θtXc的表达式为： 其中，YTtype＝t表示信号控制类型下行人-左转车辆冲突的频率； 的表达式如下所示： 其中，Yi为实际观测到的行人-左转车辆冲突的频率，所述观测区间段为对观测时间段进行划分得到，为gtXc的估计值，为ptXc的估计值，t＝0,1,2；t＝0时，表示信号控制类型为保护型左转相位；t＝1时，表示信号控制类型为允许型左转相位，t＝2时，表示信号控制类型为保护-允许左转相位；gtXc和ptXc的表达式如下所示： gtXc+εt＝YTtype＝t ptXc+δ＝PrTtype＝t|Xc 其中，εt和δ为不观测的噪声，PrTtype＝t|Xc指在给定Xc的条件下，预测信号控制类型的概率；基于有向无环图，采用回归模型估计gtXc，采用分类模型估计ptXc。

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：210096 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”。

以上内容由龙图腾AI智能生成。