CN108665093B - 基于深度学习的高速公路交通事故严重度预测方法 - Google Patents

基于深度学习的高速公路交通事故严重度预测方法 Download PDF

Info

Publication number
CN108665093B
CN108665093B CN201810353740.1A CN201810353740A CN108665093B CN 108665093 B CN108665093 B CN 108665093B CN 201810353740 A CN201810353740 A CN 201810353740A CN 108665093 B CN108665093 B CN 108665093B
Authority
CN
China
Prior art keywords
accident
severity
layer
hidden layer
traffic accident
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.)
Active
Application number
CN201810353740.1A
Other languages
English (en)
Other versions
CN108665093A (zh
Inventor
何杰
章晨
刘子洋
邢璐
周博见
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810353740.1A priority Critical patent/CN108665093B/zh
Publication of CN108665093A publication Critical patent/CN108665093A/zh
Application granted granted Critical
Publication of CN108665093B publication Critical patent/CN108665093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的高速公路交通事故严重度预测方法，包括如下步骤：1、收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素，构成样本集；记录每个交通事故的严重度值rl；2、对收集到的L个事故样本的变量因素进行降维和归一化；3、建立深度学习神经网络，构建交通事故严重度预测模型；4、将降维后的待预测事故的变量因素向量x代入步骤3建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。该方法能够精确地预测高速公路事故的严重度。

Description

基于深度学习的高速公路交通事故严重度预测方法
技术领域
本发明属于交通事故分析和预测领域，具体涉及一种基于深度学习的高速公路交通事故严重度预测方法。
背景技术
目前国内外对事故严重度的分析还主要停留在单一数据源和传统统计分析方法的层面，影响因素考虑较少，分析往往不透彻，模型误差较大。随着科技的进步，数据的收集正变得愈发容易。对交通事故有关的影响因素，如道路几何线型、线圈数据、天气状况、道路可见度、事故驾驶员状况等可以收集到海量的数据。如何通过科学的方法，基于对海量数据的分析使得事故的严重程度能够控制在一定的范围之内是当下亟待解决的一个重要议点。
发明内容
发明目的：本发明旨在提供一种高速公路交通事故严重度预测方法，该方法能够精确地预测高速公路事故的严重度。
技术方案：本发明采用如下技术方案：
基于深度学习的高速公路交通事故严重度预测方法，包括如下步骤：
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素，构成样本集S＝(s1,s2,…,sL)，其中sl＝(f1l,f2l,…,fMl)T，fhl为编号为l的事故的第h个变量因素；记录每个交通事故的严重度值，rl为编号为l的事故的严重度值，h＝1..M，l＝1..L；
(2)对收集到的L个事故样本的变量因素进行降维和归一化，设降维后的样本sl′为I维，I<M，sl′＝(f1l′,f2l′,…,fIl′)T，fil′为降维后保留的变量因素，i＝1..I；
归一化处理的公式为：
xil＝(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值，MinValue为{fi1′,fi2′,…,fiL′}中的最小值，MaxValue为{fi1′,fi2′,…,fiL′}中的最大值；
(3)建立深度学习神经网络，构建交通事故严重度预测模型；
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维，得到降维后的待预测事故变量因素向量x，将代入步骤(3)建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。
所述道路条件包括坡度方向、平曲线方向，分别由0或1表示正或负。
所述驾驶员情况包括驾驶员年龄、驾驶员性别；其中驾驶员性别由0或1表示男或女。
所述车辆情况包括事故车辆车龄。
步骤(2)中采用主成分分析法或独立成分分析法对变量因素样本集S进行降维。
步骤(3)中构建交通事故严重度预测模型的步骤为：
(3.1)建立具有一层隐含层的神经网络，所述神经网络输入层有I个输入单元，整个输入层为经步骤(2)降维和归一化后的样本xl＝(x1l,x2l,…,xIl)T，l＝1..L；所述神经网络的隐含层具有J个神经元；所述神经网络的输出层有K个输出单元，K＝1，为事故的严重度值；
(3.2)建立隐含层与输入层连接权重矩阵，公式如下：
Figure GDA0002992258410000021
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值，gj是隐含层第j个节点的激活函数，
Figure GDA0002992258410000022
表示输入层第i个节点和隐含层第j个节点的连接权重；j＝1..J；
(3.3)建立隐含层与输出层连接权重矩阵，公式如下：
Figure GDA0002992258410000023
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值，gk是输出层第k个节点的激活函数，
Figure GDA0002992258410000024
表示输出层第k个节点和隐含层第j个节点的连接权重；k＝1..K；
(3.4)通过Back-propagation算法分别计算输出层和隐含层的梯度，依据梯度确定每一迭代过程中连接权值的初始变化量，最后根据设定好的学习速率对权值进行更新，公式如下：
Figure GDA0002992258410000031
Figure GDA0002992258410000032
ek(m)＝Ok(m)-ψk(m)
Figure GDA0002992258410000033
Figure GDA0002992258410000034
为第m个样本在输出层的梯度，ek(m)为真实值与预测值的误差，
Figure GDA0002992258410000035
为连接隐含层和输出层权值的变化量。a(m)为学习速率，η(m)为迭代步长。
Figure GDA0002992258410000036
Figure GDA0002992258410000037
Figure GDA0002992258410000038
Figure GDA0002992258410000039
为第m个样本在隐含层的梯度，
Figure GDA00029922584100000310
为连接隐含层和输入层权值的变化量。
因此连接权值的更新如下：
Figure GDA00029922584100000311
Figure GDA00029922584100000312
(3.5)用步骤(2)降维和归一化后的样本作为输入，对应的事故严重度值作为输出，训练步骤(3.1)-(3.4)建立的模型，获取隐含层与输入层连接权重和隐含层与输出层连接权重。
有益效果：与现有技术相比，本发明公开的基于深度学习的高速公路交通事故严重度预测方法具有以下优点：1、考虑多个数据源而非单一的事故数据源，多个数据源能够使得模型的建立更为精确，并且训练和测试的误差更小；2、运用深度学习方法而非传统统计分析方法，传统的统计分析方法在处理多变量时运算速度慢，而且非线性部分较为复杂，逻辑不清晰。本发明提出的基于深度学习的高速公路交通事故严重度影响因素分析方法能够很好地解决上述问题。
附图说明
图1为本发明的总体控制流程图；
图2为事故数据集中事故月份分布图；
图3为车辆数据集中事故驾驶员年龄分布图；
图4为建立的深度学习网络示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。
本实施例采用的数据集为某市2011到2015年的事故、天气、驾驶员情况和道路条件多源数据集。如图1所示，基于深度学习的高速公路交通事故严重度预测，包括如下步骤：
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素，构成样本集S＝(s1,s2,…,sL)，其中sl＝(f1l,f2l,…,fMl)T，fhl为编号为l的事故的第h个变量因素；记录每个交通事故的严重度值，rl为编号为l的事故的严重度值，h＝1..M，l＝1..L；
事故发生的相关信息分别记录在原始事故数据集、驾驶员数据集中，此外道路相关信息记录在道路信息数据库中，部分原始数据展示见图2和图3。首先需要根据原始事故数据集中的记录，将多元数据集和数据库融合，包含数据清理，分类参数数值化，变量数值转化，运用数据库间共通的参数合并样本变量等步骤，具体如下：
(1-1)将原始事故数据集中的“事故编号”，“道路桩号”，“道路编号”等无关要素在样本变量中去除；将变量“天气”，“灯光”，“事故类型”中含有“0”，“未知”的样本删除；
(1-2)将变量“坡度方向”，“平曲线方向”由“正/负”转换为“1/0”；本实施例中，事故严重度按是否有人受伤分为2级，即将原始事故数据集中的变量“事故严重度”二值化，用1指代无人受伤的事故，0指代有人受伤的事故；将变量“事故车辆生产年份”转换为“事故车辆车龄”，具体转换公式：
Figure GDA0002992258410000051
其中，Vehyri表示编号为i的事故中事故车辆在事故发生年份的车龄，
Figure GDA0002992258410000052
为该事故车辆的生产年份，val(yeari)指编号为i的事故发生的年份。
(1-3)通过标签“事故编号”将驾驶员数据集中的“驾驶员年龄”和“驾驶员性别”增添至事故数据集，同样通过标签“道路编号”将道路相关变量增添事故数据集，实现多元数据的融合。
本实施例中，道路条件包括坡度方向、平曲线方向，分别由0或1表示正或负；驾驶员情况包括驾驶员年龄、驾驶员性别；其中驾驶员性别由0或1表示男或女；车辆情况包括事故车辆车龄。
(2)对收集到的L个事故样本的变量因素进行降维和归一化，设降维后的样本sl′为I维，I<M，sl′＝(f1l′,f2l′,…,fIl′)T，fil′为降维后保留的变量因素，i＝1..I；
归一化处理的公式为：
xil＝(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值，MinValue为{fi1′,fi2′,…,fiL′}中的最小值，MaxValue为{fi1′,fi2′,…,fiL′}中的最大值；
可以采用主成分分析法(Principal Component Analysis,PCA)或独立成分分析法(Independent ComponentAnalysis,ICA)对变量因素样本集S进行降维。
(3)建立深度学习神经网络，构建交通事故严重度预测模型；
构建交通事故严重度预测模型的步骤为：
(3.1)建立具有一层隐含层的神经网络，所述神经网络输入层有I个输入单元，整个输入层为经步骤(2)降维和归一化后的样本xl＝(x1l,x2l,…,xIl)T，l＝1..L；所述神经网络的隐含层具有J个神经元；所述神经网络的输出层有K个输出单元，K＝1，为事故的严重度值；
(3.2)建立隐含层与输入层连接权重矩阵，公式如下：
Figure GDA0002992258410000061
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值，gj是隐含层第j个节点的激活函数，
Figure GDA0002992258410000062
表示输入层第i个节点和隐含层第j个节点的连接权重；j＝1..J；
(3.3)建立隐含层与输出层连接权重矩阵，公式如下：
Figure GDA0002992258410000063
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值，gk是输出层第k个节点的激活函数，
Figure GDA0002992258410000064
表示输出层第k个节点和隐含层第j个节点的连接权重；k＝1..K；如图4所示，为建立的深度学习网络示意图。
(3.4)用步骤(2)降维和归一化后的样本作为输入，对应的事故严重度值作为输出，训练步骤(3.1)-(3.4)建立的模型，获取隐含层与输入层连接权重和隐含层与输出层连接权重。
本实施例中事故严重度按是否有人受伤分为2级，用数值0和1表示，有人受伤的事故样本指标，以数值0来表示；无人受伤的事故样本指标，以数值1来表示。即输出层有1个输出单元，K＝1。本实施例中初始参数设置如表1所示，即I＝20，J＝12。
表1初始参数设置
Figure GDA0002992258410000065
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维，得到降维后的待预测事故变量因素向量x，将x代入步骤(3)建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。
本实施例将2015年的高速路交通事故数据作为测试样本，对本发明提供的交通事故严重度预测方法进行了验证，得到了较高的预测精度。

Claims (7)

1.基于深度学习的高速公路交通事故严重度预测方法，其特征在于，包括如下步骤：
(1)收集L个交通事故发生时的道路条件、驾驶员情况、车辆情况等M个变量因素，构成样本集S＝(s1,s2,…,sL)，其中sl＝(f1l,f2l,…,fMl)T，fhl为编号为l的事故的第h个变量因素；记录每个交通事故的严重度值，rl为编号为l的事故的严重度值，h＝1..M，l＝1..L；
(2)对收集到的L个事故样本的变量因素进行降维和归一化，设降维后的样本sl′为I维，I<M，sl′＝(f1l′,f2l′,…,fIl′)T，fil′为降维后保留的变量因素，i＝1..I；
归一化处理的公式为：
xil＝(fil′-MinValue)/(MaxValue-MinValue)
其中xil为变量因素fil′归一化后的值，MinValue为{fi1′,fi2′,…,fiL′}中的最小值，MaxValue为{fi1′,fi2′,…,fiL′}中的最大值；
(3)建立深度学习神经网络，构建交通事故严重度预测模型；
(4)将待预测事故的变量因素按照步骤(2)中的降维方法进行降维，得到降维后的待预测事故变量因素向量x，将x代入步骤(3)建立的交通事故严重度预测模型中，得到待预测事故的严重度预测结果。
2.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述道路条件包括坡度方向、平曲线方向，分别由0或1表示正或负。
3.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述驾驶员情况包括驾驶员年龄、驾驶员性别；其中驾驶员性别由0或1表示男或女。
4.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，所述车辆情况包括事故车辆车龄。
5.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(2)中采用主成分分析法对变量因素样本集S进行降维。
6.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(2)中采用独立成分分析法对变量因素样本集S进行降维。
7.根据权利要求1所述的基于深度学习的高速公路交通事故严重度预测方法，其特征在于，步骤(3)中构建交通事故严重度预测模型的步骤为：
(3.1)建立具有一层隐含层的神经网络，所述神经网络输入层有I个输入单元，整个输入层为经步骤(2)降维和归一化后的样本xl＝(x1l,x2l,…,xIl)T，l＝1..L；所述神经网络的隐含层具有J个神经元；所述神经网络的输出层有K个输出单元，K＝1，为事故的严重度值；
(3.2)建立隐含层与输入层连接权重矩阵，公式如下：
Figure FDA0002992258400000021
其中Hj(l)为用第l个样本作为输入时隐含层第j个节点的值，gj是隐含层第j个节点的激活函数，
Figure FDA0002992258400000022
表示输入层第i个节点和隐含层第j个节点的连接权重；j＝1..J；
(3.3)建立隐含层与输出层连接权重矩阵，公式如下：
Figure FDA0002992258400000023
其中ψk(l)为用第l个样本作为输入时输出层第k个节点的值，gk是输出层第k个节点的激活函数，
Figure FDA0002992258400000024
表示输出层第k个节点和隐含层第j个节点的连接权重；k＝1..K；
(3.4)通过Back-propagation算法分别计算输出层和隐含层的梯度，依据梯度确定每一迭代过程中连接权值的初始变化量，最后根据设定好的学习速率对权值进行更新，公式如下：
Figure FDA0002992258400000025
Figure FDA0002992258400000026
ek(m)＝Ok(m)-ψk(m)
Figure FDA0002992258400000031
Figure FDA0002992258400000032
为第m个样本在输出层的梯度，ek(m)为真实值与预测值的误差，
Figure FDA0002992258400000033
为连接隐含层和输出层权值的变化量；a(m)为学习速率，η(m)为迭代步长；
Figure FDA0002992258400000034
Figure FDA0002992258400000035
Figure FDA0002992258400000036
Figure FDA0002992258400000037
为第m个样本在隐含层的梯度，
Figure FDA0002992258400000038
为连接隐含层和输入层权值的变化量；
因此连接权值的更新如下：
Figure FDA0002992258400000039
Figure FDA00029922584000000310
(3.5)用步骤(2)降维和归一化后的样本作为输入，对应的事故严重度值作为输出，训练步骤(3.1)-(3.4)建立的模型，获取隐含层与输入层连接权重和隐含层与输出层连接权重。
CN201810353740.1A 2018-04-19 2018-04-19 基于深度学习的高速公路交通事故严重度预测方法 Active CN108665093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810353740.1A CN108665093B (zh) 2018-04-19 2018-04-19 基于深度学习的高速公路交通事故严重度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810353740.1A CN108665093B (zh) 2018-04-19 2018-04-19 基于深度学习的高速公路交通事故严重度预测方法

Publications (2)

Publication Number Publication Date
CN108665093A CN108665093A (zh) 2018-10-16
CN108665093B true CN108665093B (zh) 2021-07-27

Family

ID=63780340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810353740.1A Active CN108665093B (zh) 2018-04-19 2018-04-19 基于深度学习的高速公路交通事故严重度预测方法

Country Status (1)

Country Link
CN (1) CN108665093B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919140B (zh) * 2019-04-02 2021-04-09 浙江科技学院 车辆碰撞事故责任自动判定方法、系统、设备及存储介质
CN110807930B (zh) * 2019-11-07 2021-08-17 中国联合网络通信集团有限公司 危险车辆预警方法及装置
CN111105332B (zh) * 2019-12-19 2020-09-08 河北工业大学 一种基于人工神经网络的高速公路智能预养护方法及系统
CN111221880B (zh) * 2020-04-23 2021-01-22 北京瑞莱智慧科技有限公司 特征组合方法、装置、介质和电子设备
CN112561175A (zh) * 2020-12-18 2021-03-26 深圳赛安特技术服务有限公司 交通事故影响因子预测方法、装置、设备及存储介质
CN114582126A (zh) * 2022-03-04 2022-06-03 深圳市综合交通与市政工程设计研究总院有限公司 适用于特长隧道交通兼顾效率安全的智能管控方法及系统
CN115600726B (zh) * 2022-09-19 2023-04-21 浙江省交通运输科学研究院 一种基于神经网络的隧道交通事故严重程度预测方法
CN115689040B (zh) * 2022-11-11 2023-06-09 浙江省交通运输科学研究院 基于卷积神经网络的交通事故严重程度预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法

Also Published As

Publication number Publication date
CN108665093A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108665093B (zh) 基于深度学习的高速公路交通事故严重度预测方法
CN110287180B (zh) 一种基于深度学习的风控建模方法
CN111126868B (zh) 一种道路交通事故发生风险确定方法及系统
CN101794345B (zh) 一种数据处理方法及装置
CN112015863A (zh) 一种基于图神经网络的多元特征融合中文文本分类方法
CN108710967B (zh) 基于数据融合和支持向量机的高速路交通事故严重度预测方法
CN111242484A (zh) 基于转移概率的车辆风险综合评价方法
CN111860596A (zh) 基于深度学习的无监督路面裂缝分类方法及模型建立方法
CN108596664B (zh) 一种电子车票的单边交易费用确定方法、系统及装置
CN108985941A (zh) 一种结合新闻文本的股票智能预测方法
CN114971009A (zh) 一种车险出险预测方法及计算机设备
CN114139624A (zh) 一种基于集成模型挖掘时间序列数据相似性信息的方法
CN111985680B (zh) 基于胶囊网络与时序的刑事多罪名预测方法
CN110796301B (zh) 一种基于ic卡数据的乘客流量预测方法及装置
CN117078007A (zh) 一种融合尺度标签的多尺度风控系统及其方法
CN116738332A (zh) 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法
CN116703612A (zh) 一种汽车保险风险等级评估方法
CN116541786A (zh) 基于驾驶行为的网约车识别方法、装置及系统
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN110083637B (zh) 一种面向桥梁病害评级数据的去噪方法
CN111626508B (zh) 基于xgboost模型的轨道交通车载数据预测方法
CN114611399A (zh) 一种基于NGBoost算法的PM2.5浓度长时间序列预测方法
CN113326971A (zh) 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法
Yaghoubi et al. Model-based clustering (MBC) for road data via multivariate mixture of normal distributions and factor analysis (FA)
CN113538132B (zh) 一种基于回归树算法的信用评分方法、设备及介质

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
GR01 Patent grant
GR01 Patent grant