CN108711016A - 一种基于bp神经网络的驾驶行为评分方法 - Google Patents
一种基于bp神经网络的驾驶行为评分方法 Download PDFInfo
- Publication number
- CN108711016A CN108711016A CN201810565779.XA CN201810565779A CN108711016A CN 108711016 A CN108711016 A CN 108711016A CN 201810565779 A CN201810565779 A CN 201810565779A CN 108711016 A CN108711016 A CN 108711016A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- neural network
- value
- data
- methods
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于BP神经网络的驾驶行为评分方法,包括下述步骤:(1)收集驾驶行为数据,确定驾驶行为指标体系;(2)构建BP神经网络拓扑模型;(3)将收集到的驾驶行为数据样本进行数据归一化处理;(4)用已构建的BP神经网络拓扑模型进行训练学习;(5)根据评分体系公式计算驾驶员行为评分。本发明的基于BP神经网络的驾驶行为评分方法,解决了传统评分方法存在的准确率不足和评价片面的技术问题,实现了通过建立BP神经网络,能够全面、客观、科学和规范地对驾驶员的驾驶行为做出评价。
Description
技术领域
本发明涉及驾驶行为数据分析的研究领域,具体是一种基于BP神经网络的驾驶行为评分方法。
背景技术
随着我国经济的高速发展和人民生活水平的不断提高,车辆的保有量呈现井喷般的速度不断增长,与此同时,交通事故,尤其是恶性交通事故也呈现不断上升的趋势,虽然国家也出台和规范了相关交通法规,从一定程度上对交通事故和经济损失有所降低,但对于驾驶安全方面仍然缺乏行之有效的、科学化、体系化的技术手段和社会共识。
驾驶员作为道路交通的决策和实施主体,其不良驾驶行为具有一定的顽固性和潜在性,往往是不良的习惯逐步形成自然的违规。生活中,我们往往无法客观评价自己的驾驶行为,容易发生超速行驶、弯道超车、见车就超、不鸣笛、越线占道行驶、逆向行驶、疲劳驾驶等情况。据官方统计,不良驾驶行为导致的交通事故死亡人数占86.5%,所以客观了解自己的驾驶行为对于安全行车至关重要。要想客观了解自己的驾驶行为,最简单的方式莫过于利用一种可靠的驾驶行为分析模型。
现有的用户驾驶行为评分方法使用逻辑回归模型或智能手机收集数据,判断司机用户在驾驶过程中的驾驶行为,其具有两方面的局限性:1.数据不够全面,未能考虑到天气环境,路况以及驾驶时间段等外在信息,致使驾驶行为数据维度略显不足;2.通过逻辑回归模型分析驾驶行为数据,其中的权重比人为性干扰较大,不足以正确判断驾驶行为的准确性。
发明内容
本发明的主要目的在于弥补现有驾驶评分模型的不足,更加全面的收集数据,克服数据维度的不足,并尽力减少人为性质的干扰数据,提供一种基于深度学习的驾驶评分模型,通过建立BP神经网络的驾驶行为评分的预测模型,对输入的实时驾驶行为数据都能够的出客观的行为评分。
为实现上述目的,本发明提供如下技术方案:
一种基于BP神经网络的驾驶行为评分方法,包括以下步骤:
(1)收集驾驶行为数据,确定驾驶行为指标体系;
(2)构建BP神经网络拓扑模型;
(3)将收集到的驾驶行为数据样本进行数据归一化处理;
(4)用已构建的BP神经网络拓扑模型进行训练学习;
(5)根据评分体系公式计算驾驶员行为评分。
作为本发明进一步的方案:步骤(1)中所述的驾驶行为包括:车道偏离、前车碰撞、车距保持、急加速、急减速、急转弯和超速;步骤(1)利用车载ADAS系统进行数据的收集,驾驶行为数据由车载系统ADAS摄像头采集到的路况信息、由路况信息计算出的车道偏离次数、前车碰撞次数、车距保持距离低于设定阈值的次数,以及传感器采集到的急加速次数、急减速次数、急转弯次数、超速次数,及可由地图API得到的天气信息、时间、驾驶持续时间、地理位置信息构成。
3.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(2)中所述BP神经网络模型为4层的前馈神经网络,隐藏层节点数分别为8个、6个,输出层节点表示驾驶行为发生事故的概率,采用1个节点;BP网络的隐含层和输出层中的神经元的特性函数均采用对sigmoid型变换函数求导数,其表达式为:f=1/(1+e-x)。
作为本发明进一步的方案:步骤(3)采用最值法对数据进行归一化处理,具体公式如下:
其中,xi表示归一化前的值,表示归一化后的值,xmax表示最大值,xmin表示最小值。
作为本发明进一步的方案:步骤(4)中BP神经网络拓扑模型进行训练学习的步骤如下:
(4.1)输入数据:步骤(3)中对收集到的驾驶行为进行预处理后有K种,即用户驾驶行为可用K个变量表示,则训练组有L对输入输出组成{XK,Ak}(k=1,2,3,…L),其中XK为输入,AK为真实值;
(4.2)计算方差:XK经过神经网络传播后得到的预测输出为YK,则YK与真实值之间存在误差,用均方误差来衡量预测值与真实值之间的误差:
(4.3)逆向反馈:调整w和b值使误差函数的值最小;
对目标函数E求w和b的偏导,得到w和b的更新量:
其中,η为学习率,取值为0.1,根据链式求导法则有:
根据神经元输出值a的定义有:
Sigmoid求导数:f'=f(x)(1-f(x)),得出:
则权重w的更新量为:
同理b的更新量为:
(4.4)重复执行逆向反馈更新神经网络中每条连接线的权重和每层的偏置,在没有到达停止条件情况下重复上述过程;其中停止条件有以下两种:①预测的错误率E低于0.001的阈值;②达到100次的迭代次数。
作为本发明进一步的方案:步骤(5)中建立百分制评分体系公式如下:
Score=30+(1-y)*70
Score为百分制评分,y为BP神经网络输出的发生事故的概率。
作为本发明进一步的方案:对任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行归一化得到输入向量{x1,x2,x3,x4...xk},运用训练好的神经网络模型,得到该用户的驾驶行为发生事故的概率;将所得发生事故概率带入评分体系公式,计算得出驾驶行为评分。
与现有技术相比,本发明的有益效果是:
1、BP神经网络具有非线性并兼备自组织、自适应和自学习的能力,采用BP神经网络进行驾驶行为评分,相对于传统方法具有创新优势;
2、相比较于基于Logistic回归的模型算法,BP神经网络是二层以上的前馈神经网络,相较于Logistic回归的单层神经网络,可以将误差反向传播,及时修正各层单元的权值和偏置,具有较高准确度的优势;
3、本发明算法考虑了天气、路况、时间、驾驶持续时间及地理位置此类的外在因素参数,扩大了数据集的维度。
附图说明
图1为本发明所涉及的BP神经网络示意图;
图2为本发明所涉及的驾驶行为评分模型流程图;
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1-2,一种基于BP神经网络的驾驶行为评分方法,包括以下步骤:
(1)收集驾驶行为数据,确定驾驶行为指标体系;运用神经网络评价驾驶行为时,必须首先确定能正确反映驾驶员驾驶行为的主要特征,所述的驾驶行为包括:车道偏离、前车碰撞、车距保持、急加速、急减速、急转弯、超速;
首先利用车载ADAS系统进行数据的收集,驾驶行为数据由车载系统ADAS摄像头采集到的路况信息、由路况信息计算出的车道偏离次数、前车碰撞次数、车距保持距离低于设定阈值的次数,以及传感器采集到的急加速次数、急减速次数、急转弯次数、超速次数,及可由地图API得到的天气信息、时间、驾驶持续时间、地理位置信息构成;
(2)构建BP神经网络拓扑模型;
所述BP神经网络模型为4层的前馈神经网络,隐藏层节点数分别为8个、6个,输出层节点表示驾驶行为发生事故的概率,本发明采用1个节点;BP网络的基本处理单元量为非线性输入-输出的关系,隐含层和输出层中的神经元的特性函数(激活函数与阈值函数的复合函数)均采用对sigmoid型变换函数求导数,其表达式为:
f=1/(1+e-x)(公式1)
神经元的每一输入都经过相关的加权,以影响输人的激励作用;
(3)将收集到的驾驶行为数据样本进行数据归一化处理;采用最值法对数据进行归一化处理,具体公式如下:
其中xi表示归一化前的值,表示归一化后的值,xmax表示最大值,xmin表示最小值;
(4)用已构建的BP神经网络拓扑模型进行训练学习;BP神经网络拓扑模型进行训练学习的步骤如下:
(4.1)输入数据:步骤(3)中对收集到的驾驶行为进行预处理后有K种,即用户驾驶行为可用K个变量表示,则训练组有L对输入输出组成{XK,AK}(k=1,2,3,…L),其中XK为输入,AK为真实值,此过程是前向传输过程即由输入层到隐藏层再到输出层,逐层神经元输出值的过程;
(4.2)计算方差:XK经过神经网络传播后得到的预测输出为YK,则YK与真实值之间存在误差,可以用均方误差来衡量预测值与真实值之间的误差:
其中yj表示第l层第j个神经元的预测值,aj表示第l层的第j个神经元的真实值;
(4.3)逆向反馈:目标就是让E函数的尽可能的小,而每个神经元的输出值就是由该点的连接线对应的权重值和该层对应的偏置所决定的,因此要让误差函数达到最小,需调整w和b值,使得误差函数的值最小;
其中w表示权重值,b表示偏置值,表示权重的更新量,表示偏置的更新量;对目标函数E求w和b的偏导可以得到w和b的对应的梯度:
其中η为学习率,取值为0.1,即单次梯度所迈的步伐,根据链式求导法则有:
根据神经元输出值a的定义有:
其中whj表示第h个隐含节点到第j个输出节点之间的权重,xh表示第h个隐含节点的输入值;
Sigmoid求导数:f'=f(x)(1-f(x))故得出:
则权重w的更新量为:
其中,表示l层误差对第j个神经元的变化率,表示l-1层经过激活函数转化后的输出值;
同理b的更新量为:
其中,表示l层误差对第j个神经元的变化率;
(4.4)重复执行逆向反馈更新神经网络中每条连接线的权重和每层的偏置,在没有到达停止条件情况下重复上述过程;其中停止条件可以有以下两种:
①预测的错误率E低于0.001的阈值;
②达到100次的迭代次数;
(5)根据评分体系公式计算驾驶员行为评分;
对任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行归一化得到输入向量{x1,x2,x3,x4...xk}运用步骤(4)中训练学习好的神经网络模型,得到该用户的驾驶行为发生事故的概率;
建立百分制评分体系公式如下:
Score=30+(1-y)*70 (公式12)
Score为百分之评分,y为BP神经网络输出的发生事故的概率;
将所得发生事故概率带入评分体系公式,计算得出驾驶行为评分。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (7)
1.一种基于BP神经网络的驾驶行为评分方法,其特征在于,包括以下步骤:
(1)收集驾驶行为数据,确定驾驶行为指标体系;
(2)构建BP神经网络拓扑模型;
(3)将收集到的驾驶行为数据样本进行数据归一化处理;
(4)用已构建的BP神经网络拓扑模型进行训练学习;
(5)根据评分体系公式计算驾驶员行为评分。
2.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(1)中所述的驾驶行为包括:车道偏离、前车碰撞、车距保持、急加速、急减速、急转弯和超速;步骤(1)利用车载ADAS系统进行数据的收集,驾驶行为数据由车载系统ADAS摄像头采集到的路况信息、由路况信息计算出的车道偏离次数、前车碰撞次数、车距保持距离低于设定阈值的次数,以及传感器采集到的急加速次数、急减速次数、急转弯次数、超速次数,及可由地图API得到的天气信息、时间、驾驶持续时间、地理位置信息构成。
3.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(2)中所述BP神经网络模型为4层的前馈神经网络,隐藏层节点数分别为8个、6个,输出层节点表示驾驶行为发生事故的概率,采用1个节点;BP网络的隐含层和输出层中的神经元的特性函数均采用对sigmoid型变换函数求导数,其表达式为:f=1/(1+e-x)。
4.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(3)采用最值法对数据进行归一化处理,具体公式如下:
其中,xi表示归一化前的值,表示归一化后的值,xmax表示最大值,xmin表示最小值。
5.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(4)中BP神经网络拓扑模型进行训练学习的步骤如下:
(4.1)输入数据:步骤(3)中对收集到的驾驶行为进行预处理后有K种,即用户驾驶行为可用K个变量表示,则训练组有L对输入输出组成{XK,AK}(k=1,2,3,…L),其中XK为输入,AK为真实值;
(4.2)计算方差:XK经过神经网络传播后得到的预测输出为YK,则YK与真实值之间存在误差,用均方误差来衡量预测值与真实值之间的误差:
(4.3)逆向反馈:调整w和b值使误差函数的值最小;
w=w-▽w
b=b-▽b
对目标函数E求w和b的偏导,得到w和b的更新量:
其中,η为学习率,取值为0.1,根据链式求导法则有:
根据神经元输出值a的定义有:
Sigmoid求导数:f'=f(x)(1-f(x)),得出:
则权重w的更新量为:
同理b的更新量为:
(4.4)重复执行逆向反馈更新神经网络中每条连接线的权重和每层的偏置,在没有到达停止条件情况下重复上述过程;其中停止条件有以下两种:①预测的错误率E低于0.001的阈值;②达到100次的迭代次数。
6.根据权利要求1所述的基于BP神经网络的驾驶行为评分方法,其特征在于,步骤(5)中建立百分制评分体系公式如下:
Score=30+(1-y)*70
Score为百分之评分,y为BP神经网络输出的发生事故的概率。
7.根据权利要求6所述的基于BP神经网络的驾驶行为评分方法,其特征在于,对任意一个驾驶员,收集实时的驾驶行为数据,并对数据进行归一化得到输入向量{x1,x2,x3,x4...xk},运用训练好的神经网络模型,得到该用户的驾驶行为发生事故的概率;将所得发生事故概率带入评分体系公式,计算得出驾驶行为评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565779.XA CN108711016A (zh) | 2018-06-05 | 2018-06-05 | 一种基于bp神经网络的驾驶行为评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565779.XA CN108711016A (zh) | 2018-06-05 | 2018-06-05 | 一种基于bp神经网络的驾驶行为评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108711016A true CN108711016A (zh) | 2018-10-26 |
Family
ID=63871302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810565779.XA Pending CN108711016A (zh) | 2018-06-05 | 2018-06-05 | 一种基于bp神经网络的驾驶行为评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711016A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110122966A (zh) * | 2019-06-24 | 2019-08-16 | 福建师范大学福清分校 | 一种北斗智能太阳帽及系统 |
CN110390534A (zh) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | 网约车司机安全认证方法、装置、设备及存储介质 |
CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
CN111563555A (zh) * | 2020-05-11 | 2020-08-21 | 广东广顺新能源动力科技有限公司 | 一种司机驾驶行为分析方法及系统 |
CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
CN112381376A (zh) * | 2020-11-10 | 2021-02-19 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及装置 |
CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
CN115848398A (zh) * | 2022-11-22 | 2023-03-28 | 上海大学 | 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251583A (zh) * | 2016-09-30 | 2016-12-21 | 防城港市港口区高创信息技术有限公司 | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
CN107153916A (zh) * | 2017-04-30 | 2017-09-12 | 安徽中科美络信息技术有限公司 | 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 |
-
2018
- 2018-06-05 CN CN201810565779.XA patent/CN108711016A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251583A (zh) * | 2016-09-30 | 2016-12-21 | 防城港市港口区高创信息技术有限公司 | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN106803008A (zh) * | 2017-02-15 | 2017-06-06 | 武汉极目智能技术有限公司 | 一种基于adas系统的实时驾驶行为评分方法与系统 |
CN107153916A (zh) * | 2017-04-30 | 2017-09-12 | 安徽中科美络信息技术有限公司 | 一种基于fcm聚类和bp神经网络的驾驶行为评价方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390534A (zh) * | 2019-06-04 | 2019-10-29 | 天津五八到家科技有限公司 | 网约车司机安全认证方法、装置、设备及存储介质 |
CN110122966A (zh) * | 2019-06-24 | 2019-08-16 | 福建师范大学福清分校 | 一种北斗智能太阳帽及系统 |
CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
CN111563555A (zh) * | 2020-05-11 | 2020-08-21 | 广东广顺新能源动力科技有限公司 | 一种司机驾驶行为分析方法及系统 |
CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
CN112381376A (zh) * | 2020-11-10 | 2021-02-19 | 易显智能科技有限责任公司 | 一种驾驶能力过程性评价的方法及装置 |
CN112700047A (zh) * | 2020-12-31 | 2021-04-23 | 杭州电子科技大学 | 基于bp神经网络的油量损耗预测方法 |
CN115848398A (zh) * | 2022-11-22 | 2023-03-28 | 上海大学 | 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法 |
CN115848398B (zh) * | 2022-11-22 | 2024-02-02 | 上海大学 | 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
CN109733415B (zh) | 一种基于深度强化学习的拟人化自动驾驶跟驰模型 | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
Zhao et al. | Research on traffic accident prediction model based on convolutional neural networks in VANET | |
CN106095963A (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
CN109572706B (zh) | 一种驾驶安全评价方法及装置 | |
CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN101789178A (zh) | 街区路口交通信号优化控制方法 | |
CN115907001B (zh) | 基于知识蒸馏的联邦图学习方法及自动驾驶方法 | |
CN103714382A (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
CN107577736A (zh) | 一种基于bp神经网络的文件推荐方法及系统 | |
CN112394729A (zh) | 一种动车组运行过程t-s模糊建模和模糊追踪控制方法 | |
CN110245390A (zh) | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 | |
CN114118567A (zh) | 一种基于双通路融合网络的电力业务带宽预测方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN107195297A (zh) | 一种融合数据归一化的自适应变异鸟群语音识别系统 | |
CN113901718A (zh) | 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法 | |
CN113806559A (zh) | 一种基于关系路径与双层注意力的知识图谱嵌入方法 | |
CN105389599A (zh) | 基于神经模糊网络的特征选择方法 | |
CN113741464B (zh) | 一种基于时空数据强化学习的自动驾驶速度控制框架 | |
CN103034754B (zh) | 车身轻量化设计的解耦模式的数据处理分组建模方法 | |
Wang et al. | A data-driven estimation of driving style using deep clustering | |
CN113393317A (zh) | 基于算法、大数据和区块链的汽车金融贷款风控系统 | |
CN114120638B (zh) | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
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 |