CN109859467B - 一种交通模型中环境影响因子的挖掘分析方法 - Google Patents
一种交通模型中环境影响因子的挖掘分析方法 Download PDFInfo
- Publication number
- CN109859467B CN109859467B CN201910089236.XA CN201910089236A CN109859467B CN 109859467 B CN109859467 B CN 109859467B CN 201910089236 A CN201910089236 A CN 201910089236A CN 109859467 B CN109859467 B CN 109859467B
- Authority
- CN
- China
- Prior art keywords
- traffic
- mining analysis
- environmental impact
- parameters
- flow
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种交通模型中环境影响因子的挖掘分析方法,具体步骤如下:(1)选定需要进行交通流分析的路段,获取所选路段中所需交通参数的历史数据;(2)根据获取的交通参数的历史数据,确定环境影响因子的挖掘分析时段;(3)选定所需的已知交通参数作为特征变量,并按时间序列一一对应;(4)利用基于EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析;(5)将模型挖掘分析所得的环境影响因子与按交通流理论所得实际交通状况比较,并选取某时间段交通系统进行验证;(6)分析验证结果,是否符合实际交通状况及交通流理论。
Description
技术领域
本发明属于交通控制领域,涉及一种交通模型中环境影响因子的挖掘分析方法。
背景技术
传感与信息技术的发展为交通研究带来了海量的数据。交通数据在评估交通状况以及城市交通智能管理和控制的应用中发挥着重要作用。以大数据为驱动并结合传统交通流理论对各场景下的交通系统模型进行分析研究是当下交通领域的热点问题。合理有效的应用交通数据对推动整个领域的交通研究进程有着十分重要的意义。
在目前现有的研究中,已经开发出一系列通过获取的交通数据对于交通参数预测的方法及模型。但是,之前的有关交通流预测的研究是建立在一天乃至更长一段时间的交通数据上。这是一种对数据的盲目使用,忽略了交通数据在不同时刻有着不同的特点,表现了不同时刻下交通系统的特性。因此,在基于数据驱动的交通系统研究中,需要依据研究周期,对不同时刻下的交通数据进行聚类化的研究与分析,这样才能进一步提高预测的真实性,体现数据驱动与交通流理论相结合的优势。
发明内容
针对上述背景技术介绍中存在的问题,本发明的目的在于提供一种基于EM算法的高斯混合分布模型对交通系统中环境影响因子的挖掘分析方法,改善了对交通系统模型笼统的整体性分析方法,避免了对交通模型认知单一的缺点,以提高对交通流数据的良好的分析能力以及隐藏数据的挖掘能力,进而提升对交通系统模型分析的实用性和有效性。
本发明采用的技术方案是:
一种交通模型中环境影响因子的挖掘分析方法,具体步骤如下:
(1)选定需要进行交通流分析的路段,获取所选路段中所需交通参数的历史数据;
(2)根据获取的交通参数的历史数据,确定环境影响因子的挖掘分析时段;
(3)选定所需的已知交通参数作为特征变量,并按时间序列一一对应;
(4)利用基于EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析;
(5)将模型挖掘分析所得的环境影响因子与按交通流理论所得实际交通状况比较,并选取某时间段交通系统进行验证;
(6)分析验证结果,是否符合实际交通状况及交通流理论。
进一步,步骤(1)中路段交通参数的历史数据是指数据采集日期,时间,路段处的交通流速度值以及交通流量值。
进一步,步骤(2)中确定环境影响因子的挖掘分析时段,可采用方法:根据各类交通参数历史数据呈现的周期性现象,选择各类交通参数最小周期的最小公倍数为挖掘分析时段最小挖掘分析时段周期,最小挖掘分析时段周期的整数倍为挖掘分析时段。
进一步,步骤(2)中环境影响因子挖掘分析时段为1个月内所有工作日。
进一步,步骤(3)特征变量为当前时刻的交通速度值、流量值以及前一时间步长的速度值。
进一步,步骤(4)中的利用EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析,为用EM算法中期望最大化思想观察交通因子包括速度和流量的隐藏状态,即当前时刻下的速度和流量数据是属于哪一类环境影响因子类别,包括以下步骤:
1)E步骤:需要初始化先验概率P(wj)及高斯分布参数(μj,∑j),根据贝叶斯公式,则Xi属于第j个单高斯模型的后验概率:
Xi是交通参数的特征向量,在上式中代表交通因子如速度或流量的值;wj为环境影响因子的类别,p(wj)表示第j个高斯分布的先验概率,μj表示第j个高斯函数的均值向量;
2)M步骤:当后验概率p(wj|Xj)获得后,立即更新第j个单高斯模型的先验概率p(wj),而后在更新后的先验概率的基础上,再对所有的高斯分布参数挖掘分析值进行更新:
3)E步骤求取的是似然函数的期望值,M步骤则是计算与期望值相对应的参数;根据M步骤得到参数,重新计算E步骤似然函数的期望值,如此迭代,直到参数不再明显变化为止。
进一步,步骤(5)验证的交通流理论包括连续流中交通速度值与交通流量的关系图,选取分析时间点为其中一个工作日。
进一步,步骤(6)具体包括一个工作日内交通状况伴随环境影响因子的变化关系,以表现环境影响因子对于路段交通状况划分的有效性。
本发明与现有技术相比,其显著优点包括:(1)在传统的交通流模型中挖掘出反映不同时刻交通状况的隐藏变量,即所定义的环境影响因子。(2)充分利用了不同时刻下的交通流数据的特点,提高了对交通数据应用的有效性和实用性。
附图说明
图1为本发明交通模型框架流程图。
图2为本发明的环境影响因子定义时间序列图。
图3为本发明的交通数据在环境影响因子聚类下的分布图。
图4为本发明的交通数据聚类二维分析图。
图5为本发明的交通数据聚类下流量与速度关系图。
图6为本发明的一个月所有工作日路段环境影响因子分类图。
图7为本发明的环境影响因子等级在其中一个工作日内的聚类图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明,但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到,本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
参见图1、图2,本实施例提供了一种交通模型中环境影响因子的挖掘分析方法,具体步骤如下:
(1)选定需要进行交通流分析的路段,获取所选路段中所需交通参数的历史数据;
其中路段交通参数的历史数据是指数据采集日期,时间,路段处的交通流速度值以及交通流量值。
(2)根据获取的交通参数的历史数据,确定环境影响因子的挖掘分析时段;
其中环境影响因子挖掘分析时段为1个月内所有工作日。
根据获取的交通参数的历史数据,确定环境影响因子的挖掘分析时段,可采用方法:根据各类交通参数历史数据呈现的周期性现象,选择各类交通参数最小周期的最小公倍数为挖掘分析时段最小挖掘分析时段周期,最小挖掘分析时段周期的整数倍为挖掘分析时段。
如:有2类交通参数,最小周期分别为C1、C2,最小挖掘分析时段周期为C,C为C1、C2的最小公倍数。
交通参数最小周期的确定:交通参数历史数据采样间隔为TC,以K*TC为时间窗,K为整数,K从小到大搜索,
选择多组以时间窗为单位的交通参数历史数据,形成多组数据向量,求平均相似度,当平均相似度满足设定阈值时,当前的时间窗可以作为该交通参数的最小周期。当平均相似度不满足设定阈值时,增加K的值。
如:交通参数历史数据集:{(x1,t1),(x2,t2),…(xj,tj),…,(x300,t300)},交通参数历史数据采样间隔为TC=t2-t1为1小时,时间窗K*TC的K值从1开始搜索,当K为12,即时间窗为12小时,
取多组以时间窗为单位的交通参数历史数据,形成数据向量,以3组为例,xTK1={x1,x2,…,x12},xTK2={x13,x14,…,x24},xTK3={x25,x26,…,x36},可以按顺序选取,或随机选取。
相似度可以采用余弦相似度、皮尔森相关系数、Jaccard相似系数等方法计算。S<xTK1,xTK2>为数据向量xTK1和xTK2的相似度。求平均相似度STK=(S<xTK1,xTK2>+S<xTK1,xTK3>+S<xTK2,xTK3>)/3;
平均相似度满足设定阈值,12小时作为最小挖掘分析时段周期。
(3)选定所需的已知交通参数作为特征变量,并按时间序列一一对应;
其中特征变量为当前时刻的交通速度值、流量值以及前一时间步长的速度值,时间序列步长为5分钟。
(4)利用基于EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析;
一个整体的交通流系统在不同时段下有着不同的交通状况,即对应不同时段下的各类交通特点,在本发明中则对应了不同的环境影响因子。换句话说每一个环境影响因子对应了一个类别,而基于EM算法的高斯混合模型可以实现无监督的分类决策,它通过类别的先验概率对高斯分布概率密度函数进行加权,挖掘分析特征向量的整体概率密度。文中利用高斯混合模型的无监督分类决策特性来实现环境影响因子的挖掘。
若用C个高斯函数来描述,则Xi的整体概率密度可表示为:
其中,
Xi是交通参数的特征向量,文中代表交通因子如速度或流量的值。wj为环境影响因子的类别,p(wj)表示第j个高斯分布的先验概率,(μj,∑j)是第j个高斯函数的分布参数,μj表示均值向量,∑j协方差矩阵。
当N个特征向量满足独立的条件时,则Xi的联合概率为:
其对数的表示形式为:
在整个高斯混合模型的参数挖掘分析过程中,最重要的是用EM算法中期望最大化思想观察交通因子包括速度和流量的隐藏状态,即当前时刻下的速度和流量数据是属于哪一类环境影响因子类别。
EM挖掘分析算法包括两个步骤,即E(expectation,期望)步骤和M(maximization,最大)步骤。
针对E步骤,需要初始化先验概率P(wj)及高斯分布参数(μj,∑j)。根据贝叶斯公式,则Xi属于第j个单高斯模型的后验概率为:
针对M步骤,当后验概率p(wj|Xj)获得后,立即更新第j个单高斯模型的先验概率p(wj),而后在更新后的先验概率的基础上,再对所有的高斯分布参数挖掘分析值进行更新:
E步骤求取的是似然函数的期望值,M步骤则是计算与期望值相对应的参数。根据M步骤得到参数,重新计算E步骤似然函数的期望值,如此迭代,直到参数不再明显变化为止。
从按环境影响因子的等级聚类可以发现,对工作日的交通状况进行分类符合了实际交通状况,这为接下的研究打下了基础。
实际交通系统中,对应于交通模式和交通条件,数据往往呈现出或者接近某种分布。高斯混合分布是一类常见的分布,适用于高速公路,城市道路等交通流分析的情况。在本研究中,应用高斯混合分布来描述交通流,且为实现对隐藏数据进行挖掘,提出了一种基于EM算法的高斯混合分布模型对环境影响因子进行挖掘分析,进而对交通系统进行聚类分析。EM算法属于无监督学习算法,对于处理特定分布的未知变量有较好的结果。因此在本文中首先划定环境影响因素的影响等级,作为运算的类,并在贝叶斯理论基础上,通过最大拟合概率对每个数据进行分类。
(5)将模型挖掘分析所得的环境影响因子与按交通流理论所得实际交通状况比较,并选取某时间段交通系统进行验证;
其中交通流理论包括连续流中交通速度值与交通流量的关系图,选取分析时间点为其中一个工作日。
(6)分析验证结果,是否符合实际交通状况及交通流理论,具体包括一个工作日内交通状况伴随环境影响因子的变化关系,以表现环境影响因子对于路段交通状况划分的有效性。
在本实施用例中,交通流数据通过高速路上线圈采集得到,采集时间步长为5分钟。历史观测数据集合表示为X={xt|t=1,2,...,T},其中xt表示路段交通在t时刻的交通流参数,T时刻与T+1时刻的差值为预测时间间隔,本实例中采用的预测时间间隔为5分钟。
若要分析挖掘环境影响因子对于路段交通的聚类与传统交通流理论有着一致性,需要有大量数据作为支撑,因此选取该路段一个月内24个工作日的所有交通速度数据和流量数据,如图3,4,5所示。并通过基于EM算法的高斯混合分布模型对该月所有工作日的速度和流量数据进行特性聚类,将具有相似隐藏交通特点的数据归为一类。如图所示,共对该路段交通系统划分成了5种聚类等级,每一种颜色对应了不同的环境影响因子,其代表不同的环境影响等级。影响等级越高代表交通状况越差。选取一个月的交通数据进行算法分析,发现一个月内各工作日交通状况呈现出周期性,这符合实际每个工作日交通状况呈现的相似性特点,如图6所示。并选取其中一个工作日作为进一步分析的案例,如图7所示,时间序列0-54部分对应了该日零点至五点,在该时间段内环境影响因子等级为1表明当时段交通状况很好;时间序列55-86部分对应了该日五点至七点,在这段时间内环境影响因子提升至等级3,表明当前时间段交通量有所提升;到了序列87-125部分对应七点至十点,该时段处于早高峰时期环境影响因子提升到了最高等级5.,表明交通状况到了极差的状态;而在接下来的时间序列中,环境影响因子一直处于较高的状态,直至晚上六点之后才回到较低的等级状态。这表明在工作日白天时间段,该路段交通一直处于较高的等级,交通量庞大,直至晚间交通状况才恢复良好。
Claims (5)
1.一种交通模型中环境影响因子的挖掘分析方法,具体步骤如下:
(1)选定需要进行交通流分析的路段,获取所选路段中所需交通参数的历史数据;
(2)根据获取的交通参数的历史数据,确定环境影响因子的挖掘分析时段;其中确定环境影响因子的挖掘分析时段,可采用方法:根据各类交通参数历史数据呈现的周期性现象,选择各类交通参数最小周期的最小公倍数为挖掘分析时段最小挖掘分析时段周期,最小挖掘分析时段周期的整数倍为挖掘分析时段;
(3)选定所需的已知交通参数作为特征变量,并按时间序列一一对应;其中特征变量为当前时刻的交通速度值、流量值以及前一时间步长的速度值;
(4)利用基于EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析;具体为用EM算法中期望最大化思想观察交通因子包括速度和流量的隐藏状态,即当前时刻下的速度和流量数据是属于哪一类环境影响因子类别,包括以下步骤:
1)E步骤:需要初始化先验概率P(wj)及高斯分布参数(μj,∑j),根据贝叶斯公式,则Xi属于第j个单高斯模型的后验概率:
Xi是交通参数的特征向量,在上式中代表交通因子如速度或流量的值;wj为环境影响因子的类别,p(wj)表示第j个高斯分布的先验概率,μj表示第j个高斯函数的均值向量;
2)M步骤:当后验概率p(wj|Xj)获得后,立即更新第j个单高斯模型的先验概率p(wj),而后在更新后的先验概率的基础上,再对所有的高斯分布参数挖掘分析值进行更新:
3)E步骤求取的是似然函数的期望值,M步骤则是计算与期望值相对应的参数;根据M步骤得到参数,重新计算E步骤似然函数的期望值,如此迭代,直到参数不再明显变化为止;
(5)将模型挖掘分析所得的环境影响因子与按交通流理论所得实际交通状况比较,并选取某时间段交通系统进行验证;
(6)分析验证结果,是否符合实际交通状况及交通流理论。
2.根据权利要求1所述的一种交通模型中环境影响因子的挖掘分析方法,其特征在于:步骤(1)中路段交通参数的历史数据是指数据采集日期,时间,路段处的交通流速度值以及交通流量值。
3.根据权利要求1所述的一种交通模型中环境影响因子的挖掘分析方法,其特征在于:步骤(2)中环境影响因子挖掘分析时段为1个月内所有工作日。
4.根据权利要求1所述的一种交通模型中环境影响因子的挖掘分析方法,其特征在于:步骤(5)验证的交通流理论包括连续流中交通速度值与交通流量的关系图,选取分析时间点为其中一个工作日。
5.根据权利要求1所述的一种交通模型中环境影响因子的挖掘分析方法,其特征在于:步骤(6)具体包括一个工作日内交通状况伴随环境影响因子的变化关系,以表现环境影响因子对于路段交通状况划分的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089236.XA CN109859467B (zh) | 2019-01-30 | 2019-01-30 | 一种交通模型中环境影响因子的挖掘分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089236.XA CN109859467B (zh) | 2019-01-30 | 2019-01-30 | 一种交通模型中环境影响因子的挖掘分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859467A CN109859467A (zh) | 2019-06-07 |
CN109859467B true CN109859467B (zh) | 2020-11-10 |
Family
ID=66897009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089236.XA Active CN109859467B (zh) | 2019-01-30 | 2019-01-30 | 一种交通模型中环境影响因子的挖掘分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859467B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653089A (zh) * | 2020-04-30 | 2020-09-11 | 南京理工大学 | 基于交通因子状态网络的高速公路交通流速度预测方法 |
CN115830873B (zh) * | 2023-01-10 | 2023-05-02 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
CN103824126A (zh) * | 2014-02-17 | 2014-05-28 | 株洲南车时代电气股份有限公司 | 交通拥堵情况分析系统 |
CN104574968A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种临界交通状态参数的确定方法 |
CN105938655A (zh) * | 2016-06-16 | 2016-09-14 | 上海交通大学 | 基于高斯混合模型的实时交通状态评估方法 |
CN106652439A (zh) * | 2015-10-28 | 2017-05-10 | 华为数字技术(苏州)有限公司 | 一种确定交通拥堵系数的系统、服务器及方法 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
KR20180093151A (ko) * | 2017-02-09 | 2018-08-21 | 공주대학교 산학협력단 | 가우시안 혼합 모델을 이용한 컬러 영역의 검출 장치 및 그 방법 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2011114A1 (en) * | 2006-04-04 | 2009-01-07 | Aalborg Universitet | Signal analysis method with non-gaussian auto-regressive model |
CN102737508B (zh) * | 2012-06-19 | 2014-03-26 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN103839412B (zh) * | 2014-03-27 | 2015-12-02 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
CN105679025B (zh) * | 2016-02-22 | 2017-11-28 | 北京航空航天大学 | 一种基于可变权重混合分布的城市干道行程时间估计方法 |
CN105825677B (zh) * | 2016-05-31 | 2018-10-09 | 武汉大学 | 一种基于改进bml模型的城市交通拥堵预测方法 |
CN107437339A (zh) * | 2017-06-20 | 2017-12-05 | 北京交通大学 | 一种信息引导下的可变信息情报板协调控制方法及系统 |
CN108629973A (zh) * | 2018-05-11 | 2018-10-09 | 四川九洲视讯科技有限责任公司 | 基于固定检测设备的路段交通拥堵指数计算方法 |
-
2019
- 2019-01-30 CN CN201910089236.XA patent/CN109859467B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
CN103824126A (zh) * | 2014-02-17 | 2014-05-28 | 株洲南车时代电气股份有限公司 | 交通拥堵情况分析系统 |
CN104574968A (zh) * | 2015-01-19 | 2015-04-29 | 浙江大学 | 一种临界交通状态参数的确定方法 |
CN106652439A (zh) * | 2015-10-28 | 2017-05-10 | 华为数字技术(苏州)有限公司 | 一种确定交通拥堵系数的系统、服务器及方法 |
CN105938655A (zh) * | 2016-06-16 | 2016-09-14 | 上海交通大学 | 基于高斯混合模型的实时交通状态评估方法 |
KR20180093151A (ko) * | 2017-02-09 | 2018-08-21 | 공주대학교 산학협력단 | 가우시안 혼합 모델을 이용한 컬러 영역의 검출 장치 및 그 방법 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
区域交通流特征提取与交通状态评估方法研究;郭伟,姚丹亚,付毅,胡坚明,刘宁;《公路交通科技》;20050731;第22卷(第07期);全文 * |
基于高斯混合分布的交通拥堵评价模型;王曦,祝付玲;《公路交通科技》;20110228;第28卷(第02期);正文第128-131页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109859467A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217225B (zh) | 一种视觉目标检测与标注方法 | |
CN110555989B (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN108399420B (zh) | 一种基于深度卷积网络的可见光舰船虚警剔除方法 | |
CN106682502A (zh) | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 | |
CN111143838B (zh) | 数据库用户异常行为检测方法 | |
CN104268546A (zh) | 一种基于主题模型的动态场景分类方法 | |
CN109859467B (zh) | 一种交通模型中环境影响因子的挖掘分析方法 | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN109933619B (zh) | 一种半监督分类预测方法 | |
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 | |
Chehresa et al. | Optimum features selection for oil spill detection in SAR image | |
Zhe et al. | Stochastic nonparametric event-tensor decomposition | |
CN116186611A (zh) | 一种不平衡数据的分类方法、装置、终端设备及介质 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
Asha et al. | An efficient hybrid machine learning classifier for rainfall prediction | |
CN107908915A (zh) | 预测隧道挤压变形的建模及分析方法、设备和存储介质 | |
CN114417938A (zh) | 一种利用知识向量嵌入的电磁目标分类方法 | |
CN113850620A (zh) | 一种信贷客户自动分群系统 | |
CN110825777A (zh) | 一种园区道路劣化因果分析方法 | |
CN109145026A (zh) | 一种根据注释者辅助信息程度的标签排序的方法 | |
Munasinghe et al. | Machine Learning based criminal short listing using Modus Operandi features | |
CN114896479B (zh) | 一种在线学习方法、系统及计算机可读存储介质 | |
CN116647374B (zh) | 一种基于大数据的网络流量入侵检测方法 | |
CN116886398B (zh) | 一种基于特征选择和集成学习的物联网入侵检测方法 | |
CN111653089A (zh) | 基于交通因子状态网络的高速公路交通流速度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Patentee after: Nanjing University of Science and Technology Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. Patentee before: Nanjing University of Science and Technology |