CN107153846A - 一种基于模糊c均值聚类算法的道路交通状态建模方法 - Google Patents
一种基于模糊c均值聚类算法的道路交通状态建模方法 Download PDFInfo
- Publication number
- CN107153846A CN107153846A CN201710386031.9A CN201710386031A CN107153846A CN 107153846 A CN107153846 A CN 107153846A CN 201710386031 A CN201710386031 A CN 201710386031A CN 107153846 A CN107153846 A CN 107153846A
- Authority
- CN
- China
- Prior art keywords
- cluster
- algorithm
- fuzzy
- road traffic
- congestion
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于模糊C均值聚类算法的道路交通状态建模方法,属于数据挖掘技术领域。本发明针对道路交通状态本身具有的模糊性,使用模糊c均值聚类算法对采集的交通数据进行聚类分析。鉴于传统模糊c均值聚类算法在初始化聚类中心时存在盲目性,因此本发明首先使用Canopy聚类算法来解决该问题,在此基础上又引入了Xie‑Beni指标(XB指标)来自适应确定m的值,从而改善该算法的聚类效果,为后面的道路交通状态识别提供良好的数据处理基础。本发明在对交通信息进行聚类时具有更好的聚类效果,而且发生误判的概率更小,在此基础上得到的数据挖掘结果更加准确,因此能够更加真实地反映道路交通状态。
Description
技术领域
本发明属于数据挖掘技术领域,涉及一种基于模糊c均值聚类算法的道路交通状态建模方法。
背景技术
目前,随着经济的快速发展,人们的生活也发生了翻天覆地的变化,尤其是在外出交通方式方面,私家车已成为最主要的交通工具之一,因此汽车数量迅猛增长。到2015年底,中国机动车的保有量已经有2.79亿辆,其中汽车保有量1.72亿辆。汽车数量的急剧增长已经引发了严重的交通问题。当前我国城市交通中存在的问题主要体现在以下几个方面:(1)道路交通拥堵严重,已经严重影响了经济的发展,同时也对环境造成了污染;(2)交通管理落后,在发生交通事件时,信息采集与决策的缓慢以及信息发布不到位,导致不能及时进行救援;(3)停车信息少,停车难等问题,在有限的空间内如何解决好停车问题对于维持好城市交通和谐、优化交通结构和帮助市民出行有很大的帮助。
如何解决交通问题早已引起人们的热切关注,因此现在国内都在积极研究智能交通、车联网等技术,努力打造智慧城市。智能交通系统(Intelligent TransportationSystem,简称ITS)是解决当前拥堵问题的有效途径,也是交通事业中的历史性转择点。智能交通系统是现在一种新的交通系统发展模式,它以互联网、车联网等技术为基础,让人们在交通运输上更加智能、高效、安全和完善。车联网是指通过无线射频识别(Radio FrequencyIdentification,RFID)技术、GPS(Global Positioning System,全球定位系统)定位技术以及各种传感器设备,来进行道路及车辆相关信息的采集;然后通过各种通信网络,在车与车、车与人、车与道路基础设施之间进行信息共享;之后将采集到的信息传递到信息处理中心进行处理,根据不同的需求进行不同的分析,从而实现人、车以及路的协同合作。随着交通数据采集技术的迅速发展,每天都会产生海量的数据,因此产生了车联网大数据现象。面对海量的数据,需要使用数据挖掘技术来发掘潜藏的信息,以便用于道路交通状态的识别,为出行者提供实时的路况信息,以达到缓解交通问题的目的。
综合以上信息可知,要想获取准确的路况信息,最重要的一步就是要做好数据挖掘。现在已经有很多数据挖掘算法被用来对交通状态进行挖掘,其中以聚类算法使用的最为普遍。道路交通状态本身具有模糊性,因此一般会使用模糊算法对其进行研究。而模糊c均值聚类算法在对数据进行聚类分析时,与其它方法相比有更高的稳定性和精确性。但是模糊c均值聚类算法自身存在一个缺点,就是在选择初始聚类质心的时候存在一定的盲目性。如何解决选择初始聚类质心的盲目性,以实现更高的稳定性和精确性是一个需要解决的技术问题。
发明内容
本发明目的在于解决上述现有的技术问题,提出了一种基于模糊c均值聚类算法的道路交通状态识别建模方法,该方法首先使用Canopy算法来初始化聚类中心与聚类数量,而且使用XB指标确定模糊加权指数m;然后计算每个聚类集群内的车辆平均行驶速度;最后根据道路交通状态分类及评价标准来判断每个集群内的交通状态,从而判断整个路段内的交通状态。
为实现上述目的,本发明提出的技术方案是一种基于模糊C均值聚类算法的道路交通状态建模方法,该方法包括如下步骤:
步骤1:定义模糊加权指数为m,迭代终止条件为ε,而且将常数k和迭代次数r设置为0;
步骤2:根据Canopy聚类算法获得初始的聚类中心V(0)及聚类数量c;
步骤3:计算隶属度矩阵U(r);
步骤4:更新聚类中心V(r+1);
步骤5:计算||V(r+1)-V(r)||的值,如果||V(r+1)-V(r)||≤ε,那么输出隶属度矩阵U和聚类中心V,否则,设置r=r+1,并且返回第3步;
步骤6:计算vXBk的值,如果vXBk≥vXBk-1,则终止算法,同时输出隶属度矩阵Uk-1和聚类中心Vk-1,否则,将k加1,分别选择新的聚类数量c与模糊加权指数为mk,返回第1步;
步骤7:通过改进的模糊c均值聚类算法获取每个集群后,计算每个集群区域内的平均速度,然后根据道路交通分类模型与道路交通分类标准来判断道路的交通状况。
进一步,上述Canopy聚类算法的具体实现步骤如下:
步骤1:将样本数据存放在集合List中,同时设置两个初始距离阈值参数T1与T2,其中T1>T2;
步骤2:在List中选择一个样本数据A,然后分别计算其与List中其它样本数据之间的距离d;
步骤3:对步骤2中的距离d进行判断,如果d<T1,则将A放入到它所满足要求的集群中,如果d<T2,则将A从List中剔除;
步骤4:一直重复步骤2和步骤3,直到集合List为空,算法结束。
进一步,上述道路交通分类模型在为基于训练集的J48决策树分类模型,包括以下两个步骤:
步骤1:利用二进制流量算法来获取拥堵区域上拥堵长度和判断交通灯的位置;
步骤2:通过J48决策树算法对在此之前的分类模型进行更新。
上述二进制流量算法首先计算每个集群内的平均速度V0,如果该速度处于交通拥堵状态时的速度阈值范围内,则在拥堵长度L的基础上加上当前集群的长度m,直到所有的集群都完成比较或者是下一个集群内的状态不再是拥堵状态的时候算法结束,最后将获得的拥堵长度L与交通拥堵长度阈值L0进行比较,如果L<L0,则判定当前区域为汽车的临时停靠,否则判定其为拥堵区域。
与现有技术相比,本发明的有益效果:
1、本发明在对交通信息进行聚类时具有更好的聚类效果,而且发生误判的概率更小,在此基础上得到的数据挖掘结果更加准确,因此能够更加真实地反映道路交通状态。
2、本发明为后续研究道路交通状态识别提供了一个良好的数据挖掘算法模型。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合说明书附图对本发明创造作进一步的详细说明。
本发明的应用主要表现在对道路交通状态识别的应用上。有效准确的道路交通状态识别可以帮助交通管理部门做好交通管理工作,同时也可以帮助出行者及时地了解道路交通状态,可以有效缓解现在的交通拥堵问题。现在随着技术的不断进步与汽车数量的增加,每天都会采集到海量的交通数据,从这些数据中可以分析出当前的交通状态,对交通管理和交通问题的解决都能带来很大的帮助。现在已经有很多数据挖掘算法被用来对交通状态进行挖掘,其中以聚类算法使用的最为普遍。很多研究中都使用模糊c均值聚类算法进行聚类分析,该方法与其它方法相比,有更高的稳定性和精确性。但是模糊c均值聚类算法自身存在一个缺点,就是在选择初始聚类质心的时候存在一定的盲目性。因此本发明为了解决这个问题,建立了一种基于模糊c均值聚类算法的道路交通状态识别建模模型,该模型首先使用Canopy算法来初始化聚类中心与聚类数量,而且使用XB指标来确定模糊加权指数m。
本发明的道路交通状态识别建模包括:
传统的模糊c均值聚类算法在初始化聚类中心时具有一定的盲目性,因此本发明使用Canopy算法来初始化聚类中心。Canopy算法也是一种聚类算法,但是它的优点是针对海量数据可以迅速聚类。该算法不仅能大概得出聚类的数量,而且还能估计出聚类的中心,因此它经常是作为其它聚类算法的预处理步骤,与其它算法结合使用。Canopy聚类算法的具体实现步骤如下:
步骤1:将样本数据存放在集合List中,同时设置两个初始距离阈值参数T1与T2,其中T1>T2;
步骤2:在List中选择一个样本数据A,然后分别计算其与List中其它样本数据之间的距离d;
步骤3:对步骤2中的距离d进行判断,如果d<T1,则将A放入到它所满足要求的集群中,如果d<T2,则将A从List中剔除。
步骤4:一直重复步骤2和步骤3,直到集合List为空,算法结束。
模糊c均值聚类算法是聚类算法中的一种,它允许一个数据同时属于两个或者更多的集群,而不是只把数据限定在一个集群中,可以用概率系数来表示这个特性。假设要对数据集合X={x1,x2,...,xn}进行聚类分析,其中n指该集合中数据的个数。模糊c均值聚类算法中的模糊划分用隶属度矩阵U=[μij]C×n来表示,这里μij是第j(j=1,2,…,n)个数据在第i(i=1,2,…,c)个集群中的隶属度。该算法的目标函数是:
其中μij应该满足下面的条件:
其中,xj是第j个样本数据;Vi是第i个集群的聚类中心;μij是xj在集群i中的隶属度;N代表样本的数量;c代表集群的数量。
为了使上面的目标函数达到最小值,通过拉格朗日定理可得μij和Vi:
传统模糊c均值聚类算法首先定义聚类个数为c,模糊加权指数为m,迭代终止条件为ε,初始聚类中心为V(0),且设置迭代次数r为0;然后根据公式3计算隶属度矩阵U(r);再使用如下公式更新聚类中心:
计算||V(r+1)-V(r)||的值。如果||V(r+1)-V(r)||≤ε,那么算法结束并且输出隶属度矩阵U和聚类中心V。否则,设置r=r+1,并且根据公式3计算隶属度矩阵U(r),直到满足算法终止条件。
为了对传统模糊c均值聚类算法进行进一步的改进,本发明利用XB指标来确定m的取值,XB指标可以用来描述聚类的效果。其具体公式如下:
本发明改进的模糊c均值聚类算法具体执行过程,如图1所示,如下:
步骤1:定义模糊加权指数为m,迭代终止条件为ε,而且将常数k和迭代次数r设置为0;
步骤2:根据Canopy聚类算法获得初始的聚类中心V(0)及聚类数量c;
步骤3:根据公式3计算隶属度矩阵U(r);
步骤4:根据公式5更新聚类中心V(r+1);
步骤5:计算||V(r+1)-V(r)||的值,如果||V(r+1)-V(r)||≤ε,那么输出隶属度矩阵U和聚类中心V。否则,设置r=r+1,并且返回第(3)步。
步骤6:根据公式6计算vXBk的值,如果vXBk≥vXBk-1,则终止算法同时输出隶属度矩阵Uk-1和聚类中心Vk-1。否则,将k加1,分别选择新的聚类数量c与模糊加权指数mk,返回第(1)步。
通过改进的聚类算法可以得到不同的集群,然后求得集群内的平均速度,就可以根据道路交通状态分类标准判断当前集群内的交通状态。比如在我国2002年公布的《城市交通管理评价指标体系》中提到用机动车平均行程车速作为衡量指标来对城市道路交通拥塞状况进行量化,具体如表1所示。但是在碰到由于交通灯造成汽车临时停靠的情况时,如果仅根据集群内的平均速度来判断的话,很可能会发生误判,因此还需要使用分类模型对交通状态进行进一步的判断。
表1我国城市道路交通拥堵评价标准
交通状态 | 车速(km/h) | 拥堵级别 |
畅通 | v>30 | 0 |
缓行 | 20<v≤30 | 1 |
拥堵 | 10<v≤20 | 2 |
严重拥堵 | v≤10 | 3 |
由交通灯造成的汽车临时停靠从集群的平均速度来看也具有交通拥堵的特征,但是这种短时的拥堵与真正的拥堵在拥塞长度与拥塞时间上不同。因此可以通过这个特征来判断拥堵是不是由于汽车的临时停靠引起的。但是交通拥堵长度的阈值与时间、地点等都有关系,因此需要根据特定的环境动态改变交通拥堵的阈值。在这里使用基于训练集的J48决策树分类模型。该分类模型主要是包括两个步骤:第一个是利用二进制流量算法来获取拥堵区域上拥堵长度和判断交通灯的位置;第二个是要通过J48决策树算法对在此之前的分类模型进行更新。
二进制流量算法的主要思想是首先计算每个集群内的平均速度V0,如果该速度处于交通拥堵状态时的速度阈值范围内,则在拥堵长度L的基础上加上当前集群的长度m,直到所有的集群都完成比较或者是下一个集群内的状态不再是拥堵状态的时候算法结束,最后将获得的拥堵长度L与交通拥堵长度阈值L0进行比较,如果L<L0,则判定当前区域为汽车的临时停靠,否则判定其为拥堵区域。
Claims (4)
1.一种基于模糊C均值聚类算法的道路交通状态建模方法,其特征在于,所述方法包括如下步骤:
步骤1:定义模糊加权指数为m,迭代终止条件为ε,而且将常数k和迭代次数r设置为0;
步骤2:根据Canopy聚类算法获得初始的聚类中心V(0)及聚类数量c;
步骤3:计算隶属度矩阵U(r);
步骤4:更新聚类中心V(r+1);
步骤5:计算||V(r+1)-V(r)||的值,如果||V(r+1)-V(r)||≤ε,那么输出隶属度矩阵U和聚类中心V,否则,设置r=r+1,并且返回第3步;
步骤6:计算vXBk的值,如果vXBk≥vXBk-1,则终止算法,同时输出隶属度矩阵Uk-1和聚类中心Vk-1,否则,将k加1,分别选择新的聚类数量c与模糊加权指数为mk,返回第1步;
步骤7:通过改进的模糊c均值聚类算法获取每个集群后,计算每个集群区域内的平均速度,然后根据道路交通分类模型与道路交通分类标准来判断道路的交通状况。
2.根据权利要求1所述的基于模糊C均值聚类算法的道路交通状态建模方法,其特征在于,所述Canopy聚类算法的具体实现步骤如下:
步骤1:将样本数据存放在集合List中,同时设置两个初始距离阈值参数T1与T2,其中T1>T2;
步骤2:在List中选择一个样本数据A,然后分别计算其与List中其它样本数据之间的距离d;
步骤3:对步骤2中的距离d进行判断,如果d<T1,则将A放入到它所满足要求的集群中,如果d<T2,则将A从List中剔除;
步骤4:一直重复步骤2和步骤3,直到集合List为空,算法结束。
3.根据权利要求1所述的基于模糊C均值聚类算法的道路交通状态建模方法,其特征在于,所述道路交通分类模型在为基于训练集的J48决策树分类模型,包括以下两个步骤:
步骤1:利用二进制流量算法来获取拥堵区域上拥堵长度和判断交通灯的位置;
步骤2:通过J48决策树算法对在此之前的分类模型进行更新。
4.根据权利要求3所述的基于模糊C均值聚类算法的道路交通状态建模方法,其特征在于所述二进制流量算法首先计算每个集群内的平均速度V0,如果该速度处于交通拥堵状态时的速度阈值范围内,则在拥堵长度L的基础上加上当前集群的长度m,直到所有的集群都完成比较或者是下一个集群内的状态不再是拥堵状态的时候算法结束,最后将获得的拥堵长度L与交通拥堵长度阈值L0进行比较,如果L<L0,则判定当前区域为汽车的临时停靠,否则判定其为拥堵区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386031.9A CN107153846A (zh) | 2017-05-26 | 2017-05-26 | 一种基于模糊c均值聚类算法的道路交通状态建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386031.9A CN107153846A (zh) | 2017-05-26 | 2017-05-26 | 一种基于模糊c均值聚类算法的道路交通状态建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107153846A true CN107153846A (zh) | 2017-09-12 |
Family
ID=59793328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710386031.9A Pending CN107153846A (zh) | 2017-05-26 | 2017-05-26 | 一种基于模糊c均值聚类算法的道路交通状态建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107153846A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886742A (zh) * | 2017-11-01 | 2018-04-06 | 西南交通大学 | 一种用于道路交叉口的交通信号控制方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN109102028A (zh) * | 2018-08-20 | 2018-12-28 | 南京邮电大学 | 基于改进的快速密度峰值聚类和lof离群点检测算法 |
CN109147320A (zh) * | 2018-08-16 | 2019-01-04 | 北京航空航天大学 | 一种基于卡口数据的路段交通状态判别方法 |
CN109410588A (zh) * | 2018-12-20 | 2019-03-01 | 湖南晖龙集团股份有限公司 | 一种基于交通大数据的交通事故演化分析方法 |
CN109583797A (zh) * | 2019-01-28 | 2019-04-05 | 吉林大学 | 一种面向停车生成率获取的商业综合体模糊聚类方法 |
CN109858858A (zh) * | 2019-01-21 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种地下物流网络节点分级与选址系统及方法 |
CN110020141A (zh) * | 2017-11-15 | 2019-07-16 | 航天信息股份有限公司 | 一种基于改进聚类和Spark框架的个性化推荐方法及系统 |
CN110322704A (zh) * | 2019-06-14 | 2019-10-11 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN111291822A (zh) * | 2020-02-21 | 2020-06-16 | 南京航空航天大学 | 基于模糊聚类最优k值选择算法的设备运行状态判断方法 |
CN111881502A (zh) * | 2020-07-27 | 2020-11-03 | 中铁二院工程集团有限责任公司 | 一种基于模糊聚类分析的桥梁状态判别方法 |
CN113240048A (zh) * | 2021-06-03 | 2021-08-10 | 北京交通大学 | 一种基于改进模糊c均值的交通事故影响范围聚类方法 |
CN113361649A (zh) * | 2021-07-08 | 2021-09-07 | 南京邮电大学 | 一种改进模糊c均值算法的自主船舶航行场景聚类方法 |
CN113409578A (zh) * | 2021-06-25 | 2021-09-17 | 北京航空航天大学 | 一种基于模糊聚类的交通网络健康画像方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6177885B1 (en) * | 1998-11-03 | 2001-01-23 | Esco Electronics, Inc. | System and method for detecting traffic anomalies |
CN102136190A (zh) * | 2011-05-03 | 2011-07-27 | 上海理工大学 | 城市公交客运事件应急响应调度管理系统及方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
-
2017
- 2017-05-26 CN CN201710386031.9A patent/CN107153846A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6177885B1 (en) * | 1998-11-03 | 2001-01-23 | Esco Electronics, Inc. | System and method for detecting traffic anomalies |
CN102136190A (zh) * | 2011-05-03 | 2011-07-27 | 上海理工大学 | 城市公交客运事件应急响应调度管理系统及方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
Non-Patent Citations (4)
Title |
---|
丁志敏: "基于MapReduce的并行聚类算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
普运伟等: "核空间中的Xie_Beni指标及其性能", 《控制与决策》 * |
董文杰: "基于数据挖掘的车联网交通拥塞检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
顾超然: "基于模糊c均值的城市道路交通状态判别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886742A (zh) * | 2017-11-01 | 2018-04-06 | 西南交通大学 | 一种用于道路交叉口的交通信号控制方法 |
CN110020141A (zh) * | 2017-11-15 | 2019-07-16 | 航天信息股份有限公司 | 一种基于改进聚类和Spark框架的个性化推荐方法及系统 |
CN108682153B (zh) * | 2018-05-31 | 2020-12-29 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN109147320A (zh) * | 2018-08-16 | 2019-01-04 | 北京航空航天大学 | 一种基于卡口数据的路段交通状态判别方法 |
CN109102028A (zh) * | 2018-08-20 | 2018-12-28 | 南京邮电大学 | 基于改进的快速密度峰值聚类和lof离群点检测算法 |
CN109410588A (zh) * | 2018-12-20 | 2019-03-01 | 湖南晖龙集团股份有限公司 | 一种基于交通大数据的交通事故演化分析方法 |
CN109410588B (zh) * | 2018-12-20 | 2022-03-15 | 湖南晖龙集团股份有限公司 | 一种基于交通大数据的交通事故演化分析方法 |
CN109858858A (zh) * | 2019-01-21 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种地下物流网络节点分级与选址系统及方法 |
CN109583797A (zh) * | 2019-01-28 | 2019-04-05 | 吉林大学 | 一种面向停车生成率获取的商业综合体模糊聚类方法 |
CN109583797B (zh) * | 2019-01-28 | 2022-08-02 | 吉林大学 | 一种面向停车生成率获取的商业综合体模糊聚类方法 |
CN110322704A (zh) * | 2019-06-14 | 2019-10-11 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN110322704B (zh) * | 2019-06-14 | 2021-05-04 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN110674858B (zh) * | 2019-09-16 | 2023-06-09 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通舆情检测方法 |
CN111291822A (zh) * | 2020-02-21 | 2020-06-16 | 南京航空航天大学 | 基于模糊聚类最优k值选择算法的设备运行状态判断方法 |
CN111881502A (zh) * | 2020-07-27 | 2020-11-03 | 中铁二院工程集团有限责任公司 | 一种基于模糊聚类分析的桥梁状态判别方法 |
CN113240048A (zh) * | 2021-06-03 | 2021-08-10 | 北京交通大学 | 一种基于改进模糊c均值的交通事故影响范围聚类方法 |
CN113240048B (zh) * | 2021-06-03 | 2023-08-22 | 北京交通大学 | 一种基于改进模糊c均值的交通事故影响范围聚类方法 |
CN113409578A (zh) * | 2021-06-25 | 2021-09-17 | 北京航空航天大学 | 一种基于模糊聚类的交通网络健康画像方法及系统 |
CN113409578B (zh) * | 2021-06-25 | 2022-05-13 | 北京航空航天大学 | 一种基于模糊聚类的交通网络健康画像方法及系统 |
CN113361649A (zh) * | 2021-07-08 | 2021-09-07 | 南京邮电大学 | 一种改进模糊c均值算法的自主船舶航行场景聚类方法 |
CN113361649B (zh) * | 2021-07-08 | 2024-04-02 | 南京邮电大学 | 一种改进模糊c均值算法的自主船舶航行场景聚类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107153846A (zh) | 一种基于模糊c均值聚类算法的道路交通状态建模方法 | |
CN107862864B (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
WO2022206974A1 (zh) | 一种基于路侧感知单元的静态和非静态物体点云识别方法 | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN110210509A (zh) | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 | |
CN106373397B (zh) | 基于模糊神经网络的遥感图像道路通行情况分析方法 | |
CN103921743A (zh) | 汽车行驶工况判别系统及其判别方法 | |
CN106448165B (zh) | 一种基于网络约租车数据的路网行程时间可靠性评价方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN113837446B (zh) | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 | |
CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
CN104951764A (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN113536232B (zh) | 用于无人驾驶中激光点云定位的正态分布变换方法 | |
CN113033899B (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
Chen et al. | Discrimination and prediction of traffic congestion states of urban road network based on spatio-temporal correlation | |
CN111028504A (zh) | 一种城市快速路智慧交通管控方法和系统 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
Zhang et al. | Vehicle trajectory data mining for artificial intelligence and real-time traffic information extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170912 |
|
RJ01 | Rejection of invention patent application after publication |