CN109685288B - 一种分布式交通流预测方法及系统 - Google Patents
一种分布式交通流预测方法及系统 Download PDFInfo
- Publication number
- CN109685288B CN109685288B CN201910034735.9A CN201910034735A CN109685288B CN 109685288 B CN109685288 B CN 109685288B CN 201910034735 A CN201910034735 A CN 201910034735A CN 109685288 B CN109685288 B CN 109685288B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- flow prediction
- road section
- prediction model
- 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
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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式交通流预测方法及系统,所述方法,包括:步骤1,获取交通流数据;步骤2,采用预先建立的分布式交通流预测模型对交通流数据进行处理得到预测结果;其中,所述分布式交通流预测模型的生成方法为:步骤2.1,基于交通流数据计算实测单路段拥堵值;步骤2.2,基于所述实测单路段拥堵值训练单路段交通流预测模型;步骤2.3,采用深度随机森林,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为训练集数据输入,训练分布式交通流预测模型。本发明将计算由各个节点分担,进行并行运算,大大减少了服务器的运算量和运算时间。
Description
技术领域
本发明涉及实时交通领域,尤其是一种分布式交通流预测方法及系统。
背景技术
城市交通流预测是智慧城市的重要组成部分。传统的交通流预测技术,模型简单便于使用,但也受到算法限制,不能很好反应出交通流复杂多变的特点。近年来以神经网络为首的算法在交通流预测上展现出了更高的准确率,但也需要看到其不可避免的缺憾:
1.基于神经网络算法及其改进型的模型,在构建过程中需要消耗大量时间并使用大量经过人工标记的数据,在构建完成后,才能部署到相应的监控设备上。
2.随着时间变迁、城市发展,已有的算法模型并不一定能满足最新的预测需求,此时需要依照最新的数据进行标记、训练、部署,十分消耗人力物力。
3.训练完成的模型是一个整体,若是其中一部分改变,则需要更换整个模型;运算全部放在模型存放的服务器上,使得服务器有较大的运算压力。。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种分布式交通流预测方法及系统,将计算由各个节点分担,进行并行运算,大大减少了服务器的运算量和运算时间。
本发明采用的技术方案如下:
一种分布式交通流预测方法,包括:
步骤1,获取选定区域的交通流数据;
步骤2,采用预先建立的分布式交通流预测模型对选定区域的交通流数据进行处理得到预测结果;其中,所述分布式交通流预测模型的生成方法为:
步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值;
步骤2.2,基于所述实测单路段拥堵值训练单路段交通流预测模型;
步骤2.3,采用深度随机森林,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为训练集数据输入,训练分布式交通流预测模型。
进一步地,步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值的过程具体为:
步骤2.1.1,按照路段形状将路段划分为不同的路段类型;
步骤2.1.2,计算每种路段类型的实测单路段拥堵值。
进一步地,步骤2.1.1中,按照路段形状将划分的不同的路段类型包括:直道、弯道、环岛、十字、丁字和匝道。
进一步地,步骤2.1.2中,计算每种路段类型的实测单路段拥堵值的过程具体为:
(1)计算单路段平均车速;
(2)根据所述单路段平均车速计算出实测单路段拥堵值f(x);
其中,x表示单路段平均车速,α为一个超参数。
进一步地,计算单路段平均车速包括:基于GPS数据计算单路段平均车速和基于线圈和雷达数据计算单路段平均车速;具体地,
A、基于GPS数据计算的单路段平均车速:
其中,m表示单路段一分钟内车辆总数,n表示某一车辆的GPS数据条数,Pk和Pi表示该车辆在当前路段当前GPS条目下已行驶完成的比例,vt表示该车辆在当前路段当前GPS条目下的瞬时速度;
B、基于线圈和雷达数据计算的单路段平均车速:
其中,m表示单路段一分钟内车辆总数,c为光速,f0为发射波的中心频率,f-代表后半周期负向调频所得的差频,f+代表前半周期正向调频的差频。
进一步地,步骤2.2,基于所述实测单路段拥堵值训练单路段交通流预测模型的过程具体为:
(1)建立基于单隐层神经网络的单路段交通流预测模型,其表达式为:
A=w3(w2(w1x+b1)+b2)+b3
其中,x表示单路段平均车速,表示预测单路段拥堵值;w1、w2、w3分别表示采用的单隐层神经网络中的输入层、隐藏层和输出层的权重,b1、b2、b3分别表示采用的单隐层神经网络中的输入层、隐藏层和输出层的偏置;
(2)采用梯度下降算法计算新的输入层、隐藏层和输出层的权重w1*、w2*、w3*和偏置b1*、b2*、b3*,从而训练单路段交通流预测模型。
进一步地,步骤2.3中,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为一个N维向量;给定选定区域的M个单路段交通流预测模型对应M个路段,则训练集数据为一个M*N维的向量。
进一步地,取N=5,N维向量包括:
a.时刻o的实测单路段拥堵值;
b.利用单路段交通流预测模型得到的时刻o+2的预测单路段拥堵值;
c.时刻o的车辆总数;
d.时刻o的车辆平均速度;
e.所在路段与其他路段相连接的路口数量。
进一步地,步骤2.3中,训练分布式交通流预测模型的方法具体为:通过调整滑动窗口的滑动距离,使深度随机森林经过多次训练后输出的向量维数为M。
一种分布式交通流预测系统,包括:通过互联网进行通信的信息收集节点和信息综合节点;
所述信息收集节点设置在选定区域的每个路段上,包括信息收集器和信息分析器;
所述信息收集器用于采集对应路段的交通流数据;
所述信息分析器内置单路段交通流模型,用于输出预测单路段拥堵值;
所述信息综合节点内置分布式交通流预测模型,用于输出选定区域的交通流预测结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明的分布式交通流预测方法,相较于传统方式多进程进行预测,一方面,模型训练简单快速,样本需求少,可以快速适应各种交通环境;另一方面,模型在使用时,由于计算由各个节点分担,进行并行运算,大大减少了服务器的运算量和运算时间,能满足交通流预测系统实时性预测和高稳定性的需求。
2、本发明的分布式交通流预测方法,能够应对更大交通数据量的冲击,提供更快的运算速度,由于交通数据在信息采集节点已经经过了高度抽象的处理,可以使用更少的网络带宽进行数据传输,节约网络资源,同时,由于后端处理量较小,所以不需要使用昂贵的专用服务器进行计算,节约大量资金和运维成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的分布式交通流预测方法的流程图。
图2为本发明的分布式交通流预测方法的系统架构图。
图3为本发明划分的不同的路段类型的示意图。
图4为本发明的单隐层神经网络结构示意图。
图5为本发明的单路段交通流预测模型训练过程示意图。
图6为本发明的分布式交通流预测模型训练过程示意图。
图7为本发明的决策树结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
首先,部署本发明的分布式交通流预测系统,如图1所示,包括:通过互联网进行通信的信息收集节点和信息综合节点;所述信息收集节点设置在选定区域的每个路段上,包括信息收集器和信息分析器;所述信息收集器可以是常用的线圈、雷达、摄像头、GPS模块等交通流信息采集设备,用于采集对应路段的交通流数据;所述信息分析器为具有运算能力的处理器,如单片机、嵌入式设备、个人电脑或专用计算服务器,内置单路段交通流模型,用于输出预测单路段拥堵值;所述信息综合节点可以是设置在任意位置的服务器或远程终端,内置分布式交通流预测模型,用于输出选定区域的交通流预测结果。
本实施例提供的一种分布式交通流预测方法,如图2所示,包括:
步骤1,获取选定区域的交通流数据;
步骤2,采用预先建立的分布式交通流预测模型对选定区域的交通流数据进行处理得到预测结果;其中,所述分布式交通流预测模型的生成方法为:
步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值;
步骤2.2,基于所述实测单路段拥堵值训练单路段交通流预测模型;
步骤2.3,采用深度随机森林,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为训练集数据输入,训练分布式交通流预测模型。
具体地,步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值的过程具体为:
步骤2.1.1,按照路段形状将路段划分为不同的路段类型,如图3所示,包括:直道、弯道、环岛、十字、丁字和匝道;
步骤2.1.2,计算每种路段类型的实测单路段拥堵值,具体过程为:
(1)计算单路段平均车速;单路段平均车速是将信息收集器的车流数据转换而成,本实施例以每一分钟计算一次,计算频率可以依据硬件设施的计算能力设定。计算单路段平均车速包括:基于GPS数据计算单路段平均车速和基于线圈和雷达数据计算单路段平均车速;具体地,
A、基于GPS数据计算的单路段平均车速:
其中,m表示单路段一分钟内车辆总数,n表示某一车辆的GPS数据条数,Pk和Pi表示该车辆在当前路段当前GPS条目下已行驶完成的比例,vt表示该车辆在当前路段当前GPS条目下的瞬时速度;
B、基于线圈和雷达数据计算的单路段平均车速:
其中,m表示单路段一分钟内车辆总数,c为光速,f0为发射波的中心频率,f-代表后半周期负向调频所得的差频,f+代表前半周期正向调频的差频。
(2)根据所述单路段平均车速计算出实测单路段拥堵值f(x);
其中,x表示单路段平均车速;α为一个超参数,用于在不同路段类型上进行微调,因为不同路段类型上,相同的单路段平均车速反应的拥堵率不太可能相等,在实际部署测试时,根据测试结果人工调整该数值,取值范围0-1。e是自然常数。
步骤2.2,对于六种路段类型分别训练单路段交通流预测模型,基于所述实测单路段拥堵值训练单路段交通流预测模型的过程具体为:
(1)建立基于单隐层神经网络的单路段交通流预测模型,其示意如图4所示,其表达式为:
A=w3(w2(w1x+b1)+b2)+b3
其中,x表示单路段平均车速,表示预测单路段拥堵值;w1、w2、w3分别表示采用的单隐层神经网络中的输入层、隐藏层和输出层的权重,b1、b2、b3分别表示采用的单隐层神经网络中的输入层、隐藏层和输出层的偏置。
(2)采用梯度下降算法计算新的输入层、隐藏层和输出层的权重w1*、w2*、w3*和偏置b1*、b2*、b3*,从而训练单路段交通流预测模型,训练过程示意图如图5所示。
其中r代表学习率,用于在梯度下降过程中控制权重(w)和偏置(b)的变化率,在本发明中,学习率统一设置为0.001。
步骤2.3,采用深度随机森林,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为训练集数据输入,训练分布式交通流预测模型的过程具体为:
首先,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为一个N维向量;给定选定区域的M个单路段交通流预测模型对应M个路段,则训练集数据为一个M*N维的向量。
取N=5,假设当前时刻为o+1,则N维向量表示的每个信息收集节点传输至信息综合节点的数据包括:
a.时刻o的实测单路段拥堵值;
b.利用单路段交通流预测模型得到的时刻o+2的预测单路段拥堵值;
c.时刻o的车辆总数;
d.时刻o的车辆平均速度;
e.所在路段与其他路段相连接的路口数量;
由此,一个信息收集节点在某一时刻传输至信息综合节点的数据是一个五维向量。在本发明中使用的上述5种数据,在实际使用中,可以根据经验,加入更多使用者认为会提高预测精准度的数据,如路段起始点经纬度、路段面积在区域中各路段面积的排名等等。
然后,通过调整滑动窗口的滑动距离,使深度随机森林经过多次训练后输出的向量维数为M。
以下以选定区域内的M=50个路段为例:
M=50,对应50个信息收集节点,并同时连接至一信息综合节点。则,在当前时刻为o+1,信息综合节点获取到的M=50个信息收集节点传输的数据,为一个5*M=250维的向量。
将获取到的250维向量输入深度随机森林训练分布式交通流预测模型,其中,Forest1、Forest2、Forest3、Forest4、Forest5、Forest6具有完全一样的结构,由一个滑动窗口和多个决策树组成。滑动窗口是一个五维向量(大小和信息收集节点传输至信息综合节点的数据维数保持一致)。
然后,通过调整滑动窗口的滑动距离,使深度随机森林经过3次训练后输出的向量维数为M,从而训练得到分布式交通流预测模型,如图6所示,具体为:
(1)第一次训练
首先,将信息收集节点传输至信息综合节点的250维向量输入Forest1和Forest2。Forest1和Forest2的滑动窗口在该250维向量上滑动,设滑动窗口的滑动距离为7,分别框选出(250-5)/7+1=36个五维向量;
然后,采用ID3算法(Quinlan 1986)对框选出的每个五维向量生成一个决策树,如图7所示,决策树是一个拥有五个非叶子节点的二叉树,经过决策树将Forest1和Forest2的36个五维向量分别输出为一个36维向量。
最后,将Forest1和Forest2输出的36维向量和信息收集节点传输至信息综合节点的250维向量进行合并,合并为36*2+250=322维向量。
(2)第二次训练
首先,将第一次训练生成的322维向量输入Forest3和Forest4。Forest3和Forest4的滑动窗口在该322维向量上滑动,设滑动窗口的滑动距离为9,分别框选出(322-5)/9+1=36个五维向量;
然后,采用ID3算法(Quinlan 1986)对框选出的每个五维向量生成一个决策树,经过决策树将Forest3和Forest4的36个五维向量分别输出为一个36维向量。
最后,将Forest3和Forest4输出的36维向量和信息收集节点传输至信息综合节点的250维向量进行合并,合并为36*2+250=322维向量。
(3)第三次训练
首先,将第二次训练生成的322维向量输入Forest5和Forest6。Forest5和Forest6的滑动窗口在该322维向量上滑动,设滑动窗口的滑动距离为13,分别框选出(322-5)/13+1=25个五维向量;
然后,采用ID3算法(Quinlan 1986)对框选出的每个五维向量生成一个决策树,经过决策树将Forest5和Forest6的25个五维向量输出为一个2五维向量。
最后,将Forest5和Forest6输出的25维向量进行合并,合并为一个50维向量。
经过上述3次训练得到的一个50维向量中的每个分量代表了对一个信息收集节点对应的单路段交通流预测模型的预测单路段拥堵值。应该理解的是,该50维向量的每个分量代表的预测单路段拥堵值顺序与信息收集节点传输至信息综合节点的数据顺序保持一致,以便于数据的对应。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式交通流预测方法,其特征在于,包括:
步骤1,获取选定区域的交通流数据;
步骤2,采用预先建立的分布式交通流预测模型对选定区域的交通流数据进行处理得到预测结果;其中,所述分布式交通流预测模型的生成方法为:
步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值;
步骤2.2,基于所述实测单路段拥堵值训练单路段交通流预测模型;
步骤2.3,采用深度随机森林,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为训练集数据输入,训练分布式交通流预测模型。
2.如权利要求1所述的分布式交通流预测方法,其特征在于,步骤2.1,基于选定区域的交通流数据计算实测单路段拥堵值的过程具体为:
步骤2.1.1,按照路段形状将路段划分为不同的路段类型;
步骤2.1.2,计算每种路段类型的实测单路段拥堵值。
3.如权利要求2所述的分布式交通流预测方法,其特征在于,步骤2.1.1中,按照路段形状将划分的不同的路段类型包括:直道、弯道、环岛、十字、丁字和匝道。
7.如权利要求1所述的分布式交通流预测方法,其特征在于,步骤2.3中,将选定区域的交通流数据和所述单路段交通流预测模型输出的预测单路段拥堵值作为一个N维向量;给定选定区域的M个单路段交通流预测模型对应M个路段,则训练集数据为一个M*N维的向量。
8.如权利要求7所述的分布式交通流预测方法,其特征在于,取N=5,N维向量包括:
a.时刻o的实测单路段拥堵值;
b.利用单路段交通流预测模型得到的时刻o+2的预测单路段拥堵值;
c.时刻o的车辆总数;
d.时刻o的车辆平均速度;
e.所在路段与其他路段相连接的路口数量。
9.如权利要求7所述的分布式交通流预测方法,其特征在于,步骤2.3中,训练分布式交通流预测模型的方法具体为:通过调整滑动窗口的滑动距离,使深度随机森林经过多次训练后输出的向量维数为M。
10.如权利要求1-9任一项所述的分布式交通流预测方法的分布式交通流预测系统,其特征在于,包括:通过互联网进行通信的信息收集节点和信息综合节点;
所述信息收集节点设置在选定区域的每个路段上,包括信息收集器和信息分析器;
所述信息收集器用于采集对应路段的交通流数据;
所述信息分析器内置单路段交通流模型,用于输出预测单路段拥堵值;
所述信息综合节点内置分布式交通流预测模型,用于输出选定区域的交通流预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034735.9A CN109685288B (zh) | 2019-01-15 | 2019-01-15 | 一种分布式交通流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034735.9A CN109685288B (zh) | 2019-01-15 | 2019-01-15 | 一种分布式交通流预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685288A CN109685288A (zh) | 2019-04-26 |
CN109685288B true CN109685288B (zh) | 2022-05-10 |
Family
ID=66193235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034735.9A Active CN109685288B (zh) | 2019-01-15 | 2019-01-15 | 一种分布式交通流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685288B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
CN112070280B (zh) * | 2020-08-19 | 2023-10-31 | 贵州民族大学 | 实时交通流量并行预测方法、系统、终端及存储介质 |
CN115862335A (zh) * | 2023-02-27 | 2023-03-28 | 北京理工大学前沿技术研究院 | 基于车路信息融合的拥堵预警方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927887A (zh) * | 2014-03-18 | 2014-07-16 | 西北工业大学 | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
AU2017421868A1 (en) * | 2017-11-23 | 2019-06-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for estimating arrival time |
-
2019
- 2019-01-15 CN CN201910034735.9A patent/CN109685288B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927887A (zh) * | 2014-03-18 | 2014-07-16 | 西北工业大学 | 结合离散速度模型的阵列式fpga交通状态预测及控制系统 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
AU2017421868A1 (en) * | 2017-11-23 | 2019-06-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for estimating arrival time |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109685288A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685288B (zh) | 一种分布式交通流预测方法及系统 | |
CN112380921A (zh) | 一种基于车联网的道路检测方法 | |
CN115496752B (zh) | 一种基于一阶段目标检测算法的钢材表面缺陷检测方法 | |
CN112580512B (zh) | 一种基于通道裁剪的轻量级无人机目标检测方法 | |
CN107832835A (zh) | 一种卷积神经网络的轻量化方法及装置 | |
CN113128355A (zh) | 一种基于通道剪枝的无人机图像实时目标检测方法 | |
CN110413905B (zh) | 获取道路线形的方法、装置、设备及存储介质 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN109784183A (zh) | 基于级联卷积网络和光流的视频显著性目标检测方法 | |
CN106767818B (zh) | 可穿戴电子设备及其健康出行系统 | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN115731533A (zh) | 一种基于改进YOLOv5的车载目标检测方法 | |
CN111050294A (zh) | 一种基于深度神经网络的室内定位系统及方法 | |
CN104039008B (zh) | 一种混合定位方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN115358412A (zh) | 一种基于边缘辅助车辆网络的异步联邦优化方法 | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN108334079A (zh) | 无人驾驶汽车路况信息实时获取方法 | |
CN108564595A (zh) | 图像跟踪方法和装置、电子设备、存储介质、程序 | |
US20230095093A1 (en) | Training method and apparatus for a target detection model, target detection method and apparatus, and storage medium | |
CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
Wu et al. | RangingNet: A convolutional deep neural network based ranging model for wireless sensor networks (WSN) | |
Dong et al. | Short-term traffic flow forecasting of road network based on spatial-temporal characteristics of traffic flow | |
CN111161529A (zh) | 运用移动网络信令数据的人工智能车流推估系统及其方法 | |
CN112148825B (zh) | 用户轨迹数据的处理方法、装置、电子设备及存储介质 |
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 |