CN105976615A - 实现车辆轨迹流数据异常检测的方法 - Google Patents
实现车辆轨迹流数据异常检测的方法 Download PDFInfo
- Publication number
- CN105976615A CN105976615A CN201610423221.9A CN201610423221A CN105976615A CN 105976615 A CN105976615 A CN 105976615A CN 201610423221 A CN201610423221 A CN 201610423221A CN 105976615 A CN105976615 A CN 105976615A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- time window
- adjacent vehicles
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种实现车辆轨迹流数据异常检测的方法,其中包括确定车辆轨迹时间窗口大小及滑动步径;在当前时间窗口中,记录每个时间点中,待测车辆的相邻车辆信息及对应的时间点;统计当前时间窗口中,相邻车辆总数及具有相邻车辆的时间点的总数;根据相邻车辆总数及对应的时间点的总数,判断当前时间窗口中,待测车辆的轨迹是否异常;选取下一个时间窗口进行待测车辆的轨迹异常检测。采用该种结构的实现车辆轨迹流数据异常检测的方法,引入车辆轨迹异常的定义、引入车辆轨迹流异常检测算法,能判断该车辆轨迹是否为异常;引入车辆轨迹流异常检测优化算法,大大缩短判断该车辆轨迹是否为异常时间,满足实时判定需求,具有更广泛的应用范围。
Description
技术领域
本发明涉及计算机数据挖掘技术领域,尤其涉及流数据挖掘技术领域,具体是指一种实现车辆轨迹流数据异常检测的方法。
背景技术
车辆轨迹流数据异常检测方法主要实现交通路网车辆轨迹实时流数据的异常检测。近年来,随着流处理技术的深入研究,使得海量车辆轨迹流数据的异常检测问题有望能得到解决,流数据异常检测新算法是车辆轨迹流数据异常检测能否实用的关键。现有车辆轨迹数据分析和挖掘研究常采用在静态数据集上实现轨迹异常检测,轨迹聚类和模式挖掘等。
Knorr等人在其发表的论文中采用基于距离异常检测方法实现时空静态数据库中轨迹数据挖掘,文中首先把轨迹数据映射到特征空间;然后基于轨迹之间的距离去度量轨迹之间的关系,此方法不适合流数据轨迹的挖掘。
Li等人在其发表的论文提出基于分类轨迹异常检测算法,首先轨迹采用离散分段模式的motifs表示,然后采用通过训练学习后的基于规则分类器,把轨迹分类成正常和异常标签,但是此算法不能被应用到流数据轨迹挖掘中,因为此算法需要离线学习训练阶段和含有分类标签的训练数据集去训练分类器。
Lee等人在其发表的论文中提出采用两步轨迹异常检测方法,第一步,每一个轨迹被分区成t个分区序列,然后采用基于距离或密度方法去度量t个分区序列,以发现异常轨迹,但本发明的目的去发现异常车辆。
Bu等人提出检测异常分段轨迹流数据方法,假定轨迹流数据是分段连续,并且在短时间间隔内,轨迹数据被认为一致。他采用一个基础窗口把感兴趣一段轨迹分成小段,然后在一个大的窗口中去分析其与历史轨迹分段的相似性,以发现此轨迹分段是否异常,此方法聚焦于发现异常轨迹分段。而不是发现异常轨迹对象。
Liu等人研究交通流数据中异常发现方法,他首先把城市划分成区域,把每一个区域映射成1个顶点,轨迹被简化成各区域之间的连线,最后形成一张图,交通流数据挖掘问题被转化成频繁子图挖掘,能挖掘出每一个时间帧子图两点之间异常连接的数目,此方法聚焦于发现异常区域,而不是异常的轨迹对象。
Lee等人还研究了轨迹聚类和模式挖掘等其他问题。
综上可知,现有的轨迹流数据异常检测方法主要在以下3方面:静态时空数据的轨迹异常检测;轨迹流数据的异常检测,轨迹聚类和模式挖掘。但针对于车辆轨迹流对象异常检测方面研究很少。本发明在分析车辆轨迹时空特性基础上,提出了基于车辆轨迹流数据异常检测算法;为交通管理实时侦测异常车辆轨迹提供技术支撑。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种实现车辆轨迹流数据异常检测的方法,主要解决实时发现车辆轨迹异常问题,首先定义车辆轨迹异常问题,然后提出车辆轨迹异常检测算法,并提出合适的数据结构存储车辆轨迹异常检测数据,并在此算法基础上,提出了车辆轨迹异常检测优化方法,为交通路网车辆轨迹异常发现的实用奠定基础。
为了实现上述目的,本发明具有如下构成:
该实现车辆轨迹流数据异常检测的方法,其主要特点是,所述的方法包括如下步骤:
(1)确定车辆轨迹时间窗口大小及滑动步径;
(2)在当前时间窗口中,记录每个时间点中,待测车辆的相邻车辆信息及对应的时间点;
(3)统计当前时间窗口中,相邻车辆总数及具有相邻车辆的时间点的总数;
(4)根据相邻车辆总数及对应的时间点的总数,判断当前时间窗口中,待测车辆的轨迹是否异常;
(5)待测车辆的轨迹正常时选取下一个时间窗口进行待测车辆的轨迹异常检测。
较佳地,所述的相邻车辆为与待测车辆的距离d小于预设阈值D的车辆。
所述的步骤(2),包括以下步骤:
(2-1)从当前时间窗口的开始时间点,获取待测车辆的相邻车辆信息及对应的时间点,并记录为车辆轨迹相邻车辆数据结构<车辆信息;时间点>;
(2-2)随着时间窗口的滑动,在车辆轨迹相邻车辆数据结构中增加新增时间点的相邻车辆信息及对应的时间点,并删除失效的时间点及对应的相邻车辆信息,然后分别记录各个时间点的车辆轨迹相邻车辆数据结构。
所述的步骤(3),具体为:
遍历当前时间窗口中的车辆轨迹相邻车辆数据结构,统计相邻车辆的总数k,以及具有相邻车辆的时间点的总数s。
所述的步骤(4)包括以下步骤:
(4-1)判断相邻车辆的总数k是否小于预设阈值K且具有相邻车辆的时间点的总数s是否大于预设阈值S,如果是,则继续步骤(4-2),否则继续步骤(4-3);
(4-2)判断当前时间窗口中,待测车辆的轨迹异常,然后结束退出;
(4-3)判断当前时间窗口中,待测车辆的轨迹正常,然后继续步骤(5)。
所述的步骤(5),具体为:
选取下一个时间窗口作为当前时间窗口,然后继续步骤(2)。
所述的步骤(5),包括以下步骤:
(5-1)选取下一个时间窗口作为当前时间窗口;
(5-2)滑动当前时间窗口,判断当前时间窗口开始时间是否小于历史窗口中包含相邻车辆总数为k、时间窗口m中的s个时间窗口的开始时间,如果是,则继续步骤(5-3),否则继续步骤(2);
(5-3)判断当前时间窗口中,待测车辆的轨迹正常,然后继续步骤(5-1)。
采用了该发明中的实现车辆轨迹流数据异常检测的方法,引入车辆轨迹异常的定义、引入车辆轨迹流异常检测算法,能判断该车辆轨迹是否为异常;引入车辆轨迹流异常检测优化算法,大大缩短判断该车辆轨迹是否为异常时间,满足实时判定需求,具有更广泛的应用范围。
附图说明
图1为本发明的车辆轨迹流异常检测算法的流程图。
图2为本发明的车辆轨迹流异常检测优化算法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
本发明的车辆轨迹流数据异常检测方法,包括以下几方面:1)车辆轨迹异常的定义;2)车辆轨迹异常检测算法;3)车辆轨迹异常检测优化算法。
1)车辆轨迹异常的定义
车辆轨迹为Tri,通行时间点为t,车辆之间相隔距离为d(欧式距离),假定在同一时间点t,车辆之间相隔距离小于等于D(阀值)的相邻车辆总数为k,则在给定所属的时间窗口范围为[T1,Tm]中的m个时间点,若存在车辆间隔距离小于等于D的同一时间点总数s大于m中的S个时间点(S<m)(S为阀值),并且相邻车辆(指两车之间欧式距离d小于阀值D)总数k小于K,则称该车辆为轨迹异常,否则不是轨迹异常。
2)车辆轨迹流异常检测算法
获取当前时间窗口中每一个时间点,车辆之间相隔距离小于等于D的相邻车辆信息保存在<carid;timepointvalueList>数据结构中(carid为车辆标识,timepointvalueList为时间点集合),随着时间窗口滑动,在上述数据结构中,保存新增时间点的相邻车辆信息carid及对应的时间点,并删除失效时间点的相邻车信息carid及对应的时间点,到达时间窗口终止时间点时,可统计上述数据结构中相邻车carid的总数和时间点timepointvalueList的总数。如判断车辆1轨迹是否异常,先把与车辆1轨迹相邻的车辆信息保存如下形式,<Tr2;t1,t2,t3>,<Tr3;t2,t4>,<Tr4;t1,t4,t6>等数据结构中,等到当前时间窗口最后一个时间点m时,再判断carid与timepointvalueList相关的统计计数是否符合车辆轨迹异常定义要求,给出是否异常车辆轨迹结论。
3)车辆轨迹流异常检测优化算法
在2)中算法,需要全表扫描<carid;timepointvalueList>数据结构,获取统计信息,判断车辆轨迹异常,因1)中定义,存在时间窗口m中的s个时间点,并且存在至少相邻车辆总数小于K的条件,若在当前时间窗口已获知存在时间窗口m中的s个时间点及相邻车辆总数为k等判定条件,则提前判断此车辆轨迹不是异常轨迹。通过此优化,缩短判断车辆轨迹是否为异常的时间。
在2)中算法,若滑动历史时间窗口已获知时间窗口s个时间点及相邻车辆总数为k,此滑动历史时间窗口仅包含相邻车辆信息的完整时间范围为[Ta,Tb](1≤a≤b≤m),若下一次滑动的时间窗口仍包括上述[Ta,Tb]时间范围,则不需扫描<carid;timepointvalueList>数据结构,可直接判断该车辆轨迹不为异常,当滑动的时间窗口的起始位置大于Ta,需要重新扫描<carid;timepointvalueList>数据结构,再判断carid与timepointvalueList相关的统计计数是否符合车辆轨迹异常定义要求。通过此优化,大大提高判断车辆轨迹是否为异常的性能。
下面结合附图对本发明的实施做详细说明。实施步骤如下:
上述算法假定在车辆轨迹异常定义的基础上为例对算法构建思路进行解释。
车辆轨迹异常定义:车辆轨迹为Tri,通行时间点为t,车辆之间相隔距离为d(欧式距离),假定在同一时间点t,车辆之间相隔距离小于等于D(阀值)的相邻车辆总数为k,则在给定所属的时间窗口范围为[T1,Tm]中的m个时间点,若存在车辆间隔距离小于等于D的同一时间点总数s大于m中的S个时间点(S<m)(S为阀值),并且相邻车辆(指两车之间欧式距离d小于阀值D)总数k小于K,则称该车辆为轨迹异常,否则不是轨迹异常。
1.车辆轨迹流异常检测算法:
先获取当前时间窗口中每一个时间点(101),车辆之间相隔距离小于等于D的相邻车辆信息保存在<carid;timepointvalueList>(carid为车辆标识,timepointvalueList为时间点集合)数据结构中(102),随着时间窗口滑动,在上述数据结构中,保存新增时间点的相邻车辆信息carid及对应的时间点,并删除失效时间点的相邻车辆信息carid及对应的时间点(103),当到达时间窗口终止点,可统计上述数据结构中相邻车carid的总数和时间点timepointvalueList的总数(104),并根据车辆轨迹异常定义可直接判断该车辆轨迹是否为异常(105)。
如判断车辆1轨迹是否异常,先获取整个时间窗口每一个时间点,并把与车辆1轨迹(Tr1)相邻的车辆信息保存如下形式,<Tr2;t1,t2,t3>,<Tr3;t2,t4>,<Tr4;t1,t4,t6>等数据结构中,上述时间窗口在滑动步径下,需要增加新的相邻车辆carid和对应的时间点信息到timepointvalueList,并删除失效的时间点相关信息及对应的相邻车辆信息carid。当到达最后一个时间点m时,获取carid与timepointvalueList数据结构的汇总信息,并统计车辆carid计数和timepointvalueList个数是否符合车辆轨迹异常定义要求,并直接给出该车辆1是否异常车辆轨迹结论,
2.车辆轨迹流异常检测优化算法:
先判断当前时间窗口是否已包含相邻车辆总数k和时间窗口m中的s个时间点(201),若是,则直接判断该车辆轨迹不是异常(206),若不是,则需要保存当前时间窗口每一个时间点的<carid;timepointvalueList>数据结构相关信息(202),当到达当前时间窗口的终止时间点,获取<carid;timepointvalueList>数据结构统计信息(205),根据车辆轨迹异常定义,判断车辆轨迹异常(206)。
在上述时间窗口滑动过程中,判断当前时间窗口开始时间是否小于历史窗口刚包含相邻车辆总数为k,时间窗口m中的s个时间窗口的开始时间,若是,则直接判断此车辆轨迹不是异常,若不是,则需要更新相邻车辆信息<carid;timepointvalueList>数据结构。增加新时间点的相邻车辆信息及对应的时间点,并删除失效的时间点。在时间窗口的终止时间点,统计相邻车辆信息<carid;timepointvalueList>数据结构,并判断此车辆轨迹是否异常。通过对车辆轨迹流异常检测算法的优化,则缩短判断车辆轨迹是否为异常的处理时间,大大提高判断车辆轨迹是否异常的效率,为交通行业实用奠定了基础。
采用了该发明中的实现车辆轨迹流数据异常检测的方法,引入车辆轨迹异常的定义、引入车辆轨迹流异常检测算法,能判断该车辆轨迹是否为异常;引入车辆轨迹流异常检测优化算法,大大缩短判断该车辆轨迹是否为异常时间,满足实时判定需求,具有更广泛的应用范围。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种实现车辆轨迹流数据异常检测的方法,其特征在于,所述的方法包括如下步骤:
(1)确定车辆轨迹时间窗口大小及滑动步径;
(2)在当前时间窗口中,记录每个时间点中,待测车辆的相邻车辆信息及对应的时间点;
(3)统计当前时间窗口中,相邻车辆总数及具有相邻车辆的时间点的总数;
(4)根据相邻车辆总数及对应的时间点的总数,判断当前时间窗口中,待测车辆的轨迹是否异常;
(5)待测车辆的轨迹正常时选取下一个时间窗口进行待测车辆的轨迹异常检测。
2.根据权利要求1所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的相邻车辆为与待测车辆的距离d小于预设阈值D的车辆。
3.根据权利要求1所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的步骤(2),包括以下步骤:
(2-1)从当前时间窗口的开始时间点,获取待测车辆的相邻车辆信息及对应的时间点,并记录为车辆轨迹相邻车辆数据结构<车辆信息;时间点>;
(2-2)随着时间窗口的滑动,在车辆轨迹相邻车辆数据结构中增加新增时间点的相邻车辆信息及对应的时间点,并删除失效的时间点及对应的相邻车辆信息,然后分别记录各个时间点的车辆轨迹相邻车辆数据结构。
4.根据权利要求3所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的步骤(3),具体为:
遍历当前时间窗口中的车辆轨迹相邻车辆数据结构,统计相邻车辆的总数k,以及具有相邻车辆的时间点的总数s。
5.根据权利要求1所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的步骤(4)包括以下步骤:
(4-1)判断相邻车辆的总数k是否小于预设阈值K且具有相邻车辆的时间点的总数s是否大于预设阈值S,如果是,则继续步骤(4-2),否则继续步骤(4-3);
(4-2)判断当前时间窗口中,待测车辆的轨迹异常,然后结束退出;
(4-3)判断当前时间窗口中,待测车辆的轨迹正常,然后继续步骤(5)。
6.根据权利要求1至5中任一项所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的步骤(5),具体为:
选取下一个时间窗口作为当前时间窗口,然后继续步骤(2)。
7.根据权利要求5所述的实现车辆轨迹流数据异常检测的方法,其特征在于,所述的步骤(5),包括以下步骤:
(5-1)选取下一个时间窗口作为当前时间窗口;
(5-2)滑动当前时间窗口,判断当前时间窗口开始时间是否小于历史窗口中包含相邻车辆总数为k、时间窗口m中的s个时间窗口的开始时间,如果是,则继续步骤(5-3),否则继续步骤(2);
(5-3)判断当前时间窗口中,待测车辆的轨迹正常,然后继续步骤(5-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610423221.9A CN105976615B (zh) | 2016-06-15 | 2016-06-15 | 实现车辆轨迹流数据异常检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610423221.9A CN105976615B (zh) | 2016-06-15 | 2016-06-15 | 实现车辆轨迹流数据异常检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105976615A true CN105976615A (zh) | 2016-09-28 |
CN105976615B CN105976615B (zh) | 2019-03-15 |
Family
ID=57021825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610423221.9A Active CN105976615B (zh) | 2016-06-15 | 2016-06-15 | 实现车辆轨迹流数据异常检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976615B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
CN108021561A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳建筑大学 | 一种基于轨迹数据流的异常移动对象检测方法 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
CN113111093A (zh) * | 2021-03-22 | 2021-07-13 | 浙江工业大学 | 一种基于时空成本融合框架的出租车驾驶欺诈检测方法 |
CN114822040A (zh) * | 2022-06-23 | 2022-07-29 | 南京城建隧桥智慧管理有限公司 | 一种辅助移动节点位置异常检测的良邻居集构造方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100495012B1 (ko) * | 2002-11-01 | 2005-06-13 | 에스케이 주식회사 | 스트림 정보를 이용한 교통 정보 제공 시스템, 방법 및단말기 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104598621A (zh) * | 2015-02-02 | 2015-05-06 | 南京邮电大学 | 一种基于滑动窗口的轨迹压缩方法 |
-
2016
- 2016-06-15 CN CN201610423221.9A patent/CN105976615B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100495012B1 (ko) * | 2002-11-01 | 2005-06-13 | 에스케이 주식회사 | 스트림 정보를 이용한 교통 정보 제공 시스템, 방법 및단말기 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN103150900A (zh) * | 2013-02-04 | 2013-06-12 | 合肥革绿信息科技有限公司 | 一种基于视频的交通拥堵事件自动检测方法 |
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104598621A (zh) * | 2015-02-02 | 2015-05-06 | 南京邮电大学 | 一种基于滑动窗口的轨迹压缩方法 |
Non-Patent Citations (1)
Title |
---|
孙玉砚等: "基于车牌识别系统车辆轨迹的行为异常检测", 《计算机研究与发展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021561A (zh) * | 2016-10-28 | 2018-05-11 | 沈阳建筑大学 | 一种基于轨迹数据流的异常移动对象检测方法 |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
CN107316459B (zh) * | 2017-07-21 | 2019-07-23 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
CN113111093A (zh) * | 2021-03-22 | 2021-07-13 | 浙江工业大学 | 一种基于时空成本融合框架的出租车驾驶欺诈检测方法 |
CN113111093B (zh) * | 2021-03-22 | 2022-05-24 | 浙江工业大学 | 一种基于时空成本融合框架的出租车驾驶欺诈检测方法 |
CN114822040A (zh) * | 2022-06-23 | 2022-07-29 | 南京城建隧桥智慧管理有限公司 | 一种辅助移动节点位置异常检测的良邻居集构造方法 |
CN114822040B (zh) * | 2022-06-23 | 2022-11-11 | 南京城建隧桥智慧管理有限公司 | 一种辅助移动节点位置异常检测的良邻居集构造方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105976615B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976615A (zh) | 实现车辆轨迹流数据异常检测的方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN105424330A (zh) | 一种货车轴端螺栓故障检测方法及装置 | |
EP4170605A1 (en) | Multi-level transferable region-based domain adaptive object detection apparatus and method | |
CN108847022B (zh) | 一种微波交通数据采集设备的异常值检测方法 | |
CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
CN114580978A (zh) | 一种环评报告质量检查系统及其方法 | |
Zeng et al. | Prediction of mud pumping in railway track using in-service train data | |
CN117115562B (zh) | 一种基于深度学习的进站铁路货运列车车厢计数方法 | |
CN107247967A (zh) | 一种基于r‑cnn的车窗年检标检测方法 | |
Ghofrani et al. | Rail breaks arrival rate prediction: A physics-informed data-driven analysis for railway tracks | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
Wang et al. | Development of metro track geometry fault diagnosis convolutional neural network model based on car-body vibration data | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
LI et al. | Developing technologies for the practical application of deep learning-based distress segmentation in subway tunnel images | |
CN115376315B (zh) | 一种面向路网排放核算的多层级卡口质量控制方法 | |
KR101791947B1 (ko) | 프랙탈 차원 분석에 기반한 주행 평가 방법 및 장치 | |
CN109635702A (zh) | 基于卫星遥感图像的林业生物灾害监测方法和系统 | |
CN114022826B (zh) | 一种基于区块链的铁轨检测方法及系统 | |
CN114005097A (zh) | 基于图像语义分割的列车运行环境实时检测方法及系统 | |
CN115062192B (zh) | 基于空间分析的燃气管道检测数据自动对齐方法 | |
CN114022772B (zh) | 流动摊贩空间分布的预测方法、系统、装置和存储介质 | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
Kok et al. | Severity estimation of potholes in imagery using convolutional neural networks | |
Tejeda et al. | Proposal of a segmentation procedure for skid resistance data. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |