CN109871513B - 一种高速公路车辆通行行为相似度计算方法及系统 - Google Patents

一种高速公路车辆通行行为相似度计算方法及系统 Download PDF

Info

Publication number
CN109871513B
CN109871513B CN201910080569.6A CN201910080569A CN109871513B CN 109871513 B CN109871513 B CN 109871513B CN 201910080569 A CN201910080569 A CN 201910080569A CN 109871513 B CN109871513 B CN 109871513B
Authority
CN
China
Prior art keywords
matrix
vehicle
behavior
passing
similarity
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
CN201910080569.6A
Other languages
English (en)
Other versions
CN109871513A (zh
Inventor
唐毅
陈星州
吴霄
王世森
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.)
Chongqing Shouxun Technology Co ltd
Original Assignee
Chongqing Shouxun Technology Co ltd
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 Chongqing Shouxun Technology Co ltd filed Critical Chongqing Shouxun Technology Co ltd
Priority to CN201910080569.6A priority Critical patent/CN109871513B/zh
Publication of CN109871513A publication Critical patent/CN109871513A/zh
Application granted granted Critical
Publication of CN109871513B publication Critical patent/CN109871513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种高速公路车辆通行行为相似度计算方法，包括以下步骤：步骤S1、获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；步骤S2、根据所述通行行为矩阵进行统计得到行为统计矩阵；步骤S3、分解所述行为统计矩阵得到车辆特征矩阵；步骤S4、根据所述车辆特征矩阵计算两辆车之间的通行相似度。本发明提供的高速公路车辆通行行为相似度计算方法，能够通过分析高速收费数据实现车辆通行相似度的判断。

Description

一种高速公路车辆通行行为相似度计算方法及系统
技术领域
本发明涉及车辆通行行为分析技术领域，具体涉及一种高速公路车辆通行行为相似度计算方法及系统。
背景技术
随着社会经济的发展，城市化进程的快速推进，居民的机动车保有量逐年提高，道路上行驶的车辆日渐增多，这给现代城市交通的管理以及城市治安带来了一系列的难题。而针对这些难题，一种常见的解决思路就是通过发现相似通行行为的车辆来帮助缓解。城市规划部门在考虑了大量相似通行车辆的特征后可以使得规划的道路更合理，交通管理部门在考虑相似通行车辆的分布后可以更好的管控城市交通，同时发现相似通行车辆还可以帮助公安办案、辅助筛查嫌疑车辆。
目前，对于相似通行车辆的发现主要是通过挖掘车辆轨迹数据来实现，这种方法已经很好的用于城市道路交通中。但是这种方法，对于高速公路上的车辆并不是十分适合，主要是因为高速收费数据本质上是车辆在高速路上的OD数据，即Origin-Destination，而不同于城市道路上的轨迹数据。
发明内容
本发明的目的在于克服上述技术不足，提供一种高速公路车辆通行行为相似度计算方法，解决现有技术中车辆通行相似度分析方法不适用于高速公路车辆的技术问题。
为达到上述技术目的，本发明的技术方案提供一种高速公路车辆通行行为相似度计算方法，包括以下步骤：
步骤S1、获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
步骤S2、根据所述通行行为矩阵进行统计得到行为统计矩阵；
步骤S3、分解所述行为统计矩阵得到车辆特征矩阵；
步骤S4、根据所述车辆特征矩阵计算两辆车之间的通行相似度。
本发明还提供一种高速公路车辆通行行为相似度计算系统，包括数据获取模块、统计模块、分解模块以及计算模块；
所述数据获取模块用于获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
所述统计模块用于根据所述通行行为矩阵进行统计得到行为统计矩阵；
所述分解模块用于分解所述行为统计矩阵得到车辆特征矩阵；
所述计算模块用于根据所述车辆特征矩阵计算两辆车之间的通行相似度。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述高速公路车辆通行行为相似度计算方法。
与现有技术相比，本发明的有益效果包括：本发明能够通过分析高速收费数据发现高速公路上具有相似通行行为的车辆，为高速路上的交通管理和车辆稽查提供帮助。
附图说明
图1是本发明提供的高速公路车辆通行行为相似度计算方法的流程图。
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仅用以解释本发明，并不用于限定本发明。
实施例1：
如图1所示，本发明的实施例1提供了一种高速公路车辆通行行为相似度计算方法，包括以下步骤：
步骤S1、获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
步骤S2、根据所述通行行为矩阵进行统计得到行为统计矩阵；
步骤S3、分解所述行为统计矩阵得到车辆特征矩阵；
步骤S4、根据所述车辆特征矩阵计算两辆车之间的通行相似度。
本发明提供的高速公路车辆通行行为相似度计算方法，获取高速收费数据，利用高速收费数据体现了车辆在高速路上的通行偏好这一特点，对通行行为矩阵进行统计，得到行为统计矩阵，即通过数学方法来对通行偏好进行量化，进而根据行为统计矩阵分析车辆在高速路上通行行为的相似性，发现其中的相似车辆，以服务于高速路上的交通管理以及车辆的稽查。
本发明解决了现有车辆通行相似度分析方法不适用于高速公路车辆的技术问题。实现了通过分析高速收费数据发现高速公路上具有相似通行行为车辆，为高速公路上的交通管理和车辆稽查提供帮助。
优选的，所述步骤S1具体为：
获取设定时间段内的所述高速收费数据，在所述高速收费数据的字段中选取分析字段，根据所述分析字段将所述高速收费数据构造成包括车牌编号数据以及车牌通行行为数据的数据形式，根据所述车牌编号数据以及车辆通行行为数据构造所述通行行为矩阵。
读取设定时间段内，如1年内的高速路收费数据，并选取其中的部分字段作为分析字段。原始的高速路收费数据中通常包括了车辆的车牌号、车辆进入高速路时所经过的收费站、进入高速路的时间、车辆离开高速路时所经过的收费站、离开高速路的时间等。本实施例选择每条高速收费数据中的车牌号、进入高速路的收费站编号、离开高速路的收费站编号、记录的月份信息这4个字段作为分析字段。本发明在进行相似度分析时利用的分析字段是高速收费数据中的一般性信息，具有很强的普及性、适用性和实用性。
对高速收费数据进行重新构造。将一条高速收费数据表示为<车牌号，记录的月份+入口收费站编号+出口收费站编号>的形式，这里将“记录的月份+入口收费站编号+出口收费站编号”记为一条item项，item项即所述车辆通行行为数据，所以高速收费数据表示为<车牌号，item>。例如一条高速收费数据为车牌为SB416的车辆在1月份从收费站001进入高速路，从收费站002离开高速路，这条记录就被重新构造为<SB416,01001002>的形式。将设定时间段内的所有高速收费数据构造成这种数据形式，从而构造通行行为矩阵。
优选的，所述步骤S2具体为：
根据所述通行行为矩阵对车辆通行行为进行统计，得到行为统计矩阵：
Figure BDA0001960240980000041
其中，M为车辆的总数量，N为车辆通行行为的总数量，i为车辆序号，i＝1,2,…,M，j为车辆通行行为序号,j＝1,2,…,N，ai,j表示序号为i的车辆进行序号为j的车辆通行行为的次数。
针对通行行为矩阵进行统计，形成关于车辆通行行为的行为统计矩阵A。矩阵A中的第i行第j列的数值ai,j，表示序号为i的车辆进行序号为j的车辆通行行为的次数，M表示通行行为矩阵中包含的车辆的总数量，N表示通行行为矩阵中包含的车辆通行行为的数量。
优选的，所述步骤S3具体为：
步骤S31、将所述行为统计矩阵分解为车辆用户矩阵与车辆行为矩阵的乘积，分别对所述车辆用户矩阵以及车辆行为矩阵赋初始值；
步骤S32、计算当前车辆用户矩阵和当前车辆行为矩阵的乘积与行为统计矩阵之间的损失函数，判断所述损失函数的值是否小于设定阈值，如果是则转步骤S34，否则转步骤S33；
步骤S33、对所述车辆用户矩阵以及车辆行为矩阵进行迭代更新，判断更新次数是否达到上限值，如果是则转步骤S34，否则以更新后的车辆用户矩阵作为当前车辆用户矩阵，以更新后的车辆行为矩阵作为当前车辆行为矩阵，并转步骤S32；
步骤S34、获取当前车辆用户矩阵作为所述车辆特征矩阵。
对矩阵A进行分解，分解为A≈PQ，P为车辆用户矩阵，是M*K大小的矩阵；Q为车辆行为矩阵，是K*N大小的矩阵。K是隐性特征的个数，K＜＜min{M,N}，K根据实际情况进行调整，本实施例中K取值100。
对车辆用户矩阵P和车辆行为矩阵Q进行随机初始化；
P0＝M*K大小的随机矩阵
Q0＝K*N大小的随机矩阵
计算当前车辆用户矩阵和当前车辆行为矩阵的乘积与行为统计矩阵之间的损失函数，如果损失函数值小于设定的阈值或者迭代的次数达到了上限值，则当前车辆用户矩阵为车辆特征矩阵；否则，继续执行下一次迭代更新。
迭代完后得到的车辆特征矩阵的每一行所构成的向量都是该行所对应车辆的特征向量，依据特征向量可以计算出任意两辆车间的相似度。
优选的，所述损失函数为:
C＝||losss||2+λ·(||Ps||2+||Qs||2)
其中，C为所述损失函数，Ps为第s次更新后的车辆用户矩阵，Qs为第s次更新后的车辆行为矩阵，losss为Ps与Qs的乘积与行为统计矩阵之间的偏差，losss＝A-Ps×Qs，||losss||2为losss的F范数，||Ps||2为Ps的F范数，||Qs||2为Qs的F范数，λ为规则化参数。
具体的，以车辆用户矩阵P为例，说明矩阵的F范数的计算方法：
Figure BDA0001960240980000051
λ是规则化参数，一般取值为0.001。
优选的，所述步骤S33中，对所述车辆用户矩阵以及车辆行为矩阵进行迭代更新，具体为：
Ps+1＝(1-2·λ·α)·Ps+2·α·losss×Qs.T
Qs+1＝(1-2·λ·α)·Qs+2·α·Ps.T×losss
其中，α为学习速度，Ps为更新前的车辆用户矩阵，Ps+1为更新后的车辆用户矩阵，Qs为更新前的车辆行为矩阵，Qs+1为更新后的车辆行为矩阵，Ps.T为Ps的转置矩阵，Qs.T为Qs的转置矩阵。
优选的，所述步骤S4具体为：
根据所述车辆特征矩阵获取待计算相似度的两辆车的特征向量，根据所述特征向量计算两辆车之间的通行相似度：
Figure BDA0001960240980000061
其中，dx,y为序号为x的车辆与序号为y的车辆的相似度，Px为序号为x的车辆的特征向量，Py序号为y的车辆的特征向量，px,k为特征向量Px的第k个特征值，py,k为特征向量Py的第k个特征值。
所得到的车辆特征矩阵为车辆的特征向量矩阵，车辆特征矩阵的每一行所构成的向量都是该行所对应车辆的特征向量，依据特征向量可以计算出不同车辆的相似性。例如，序号x与序号y车辆，它们的特征向量分别是车辆特征矩阵的第x行与第y行构成的向量Px与Py，则它们之间的相似度dx,y由上式计算。
本发明的整体计算过程比较简单，易于实现。同时，利用矩阵的方法处理数据适用于海量数据的场景。
优选的，还包括步骤S5、计算任意两辆车之间的通信相似度，得到相似度矩阵：
Figure BDA0001960240980000062
计算相似度矩阵，便于查询。
例如，需要查询某辆车的相似车辆，找到给定车辆的序号，依据该序号读取相似度矩阵中的相应行，该行为该辆车的特征向量，即该辆车与其他车的相似度向量，对这些相似度进行排序，相似度最高的10辆车为给定车辆的相似车辆。
实施例2：
本发明的实施例2提供了一种高速公路车辆通行行为相似度计算系统，包括数据获取模块、统计模块、分解模块以及计算模块；
所述数据获取模块用于获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
所述统计模块用于根据所述通行行为矩阵进行统计得到行为统计矩阵；
所述分解模块用于分解所述行为统计矩阵得到车辆特征矩阵；
所述计算模块用于根据所述车辆特征矩阵计算两辆车之间的通行相似度。
本发明提供的高速公路车辆通行行为相似度计算系统，基于上述高速公路车辆通行行为相似度计算方法，因此，上述高速公路车辆通行行为相似度计算方法所具备的技术效果，高速公路车辆通行行为相似度计算系统同样具备，在此不再赘述。
实施例3：
本发明的实施例3提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现以上任一实施例所述的高速公路车辆通行行为相似度计算方法。
本发明提供的计算机存储介质，用于实现高速公路车辆通行行为相似度计算方法，因此，上述高速公路车辆通行行为相似度计算方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (9)

1.一种高速公路车辆通行行为相似度计算方法，其特征在于，包括以下步骤：
步骤S1、获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
步骤S2、根据所述通行行为矩阵进行统计得到行为统计矩阵；
步骤S3、分解所述行为统计矩阵得到车辆特征矩阵；
步骤S4、根据所述车辆特征矩阵计算两辆车之间的通行相似度;
所述步骤S3具体为：
步骤S31、将所述行为统计矩阵分解为车辆用户矩阵与车辆行为矩阵的乘积，分别对所述车辆用户矩阵以及车辆行为矩阵赋初始值；
步骤S32、计算当前车辆用户矩阵和当前车辆行为矩阵的乘积与行为统计矩阵之间的损失函数，判断所述损失函数的值是否小于设定阈值，如果是则转步骤S34，否则转步骤S33；
步骤S33、对所述车辆用户矩阵以及车辆行为矩阵进行迭代更新，判断更新次数是否达到上限值，如果是则转步骤S34，否则以更新后的车辆用户矩阵作为当前车辆用户矩阵，以更新后的车辆行为矩阵作为当前车辆行为矩阵，并转步骤S32；
步骤S34、获取当前车辆用户矩阵作为所述车辆特征矩阵。
2.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，所述步骤S1具体为：
获取设定时间段内的所述高速收费数据，在所述高速收费数据的字段中选取分析字段，根据所述分析字段将所述高速收费数据构造成包括车牌编号数据以及车牌通行行为数据的数据形式，根据所述车牌编号数据以及车辆通行行为数据构造所述通行行为矩阵。
3.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，所述步骤S2具体为：
根据所述通行行为矩阵对车辆通行行为进行统计，得到行为统计矩阵：
Figure 734312DEST_PATH_IMAGE001
其中，
Figure 494326DEST_PATH_IMAGE002
为车辆的总数量，
Figure 916080DEST_PATH_IMAGE003
为车辆通行行为的总数量，
Figure 916397DEST_PATH_IMAGE004
为车辆序号，
Figure 181026DEST_PATH_IMAGE005
，
Figure 620097DEST_PATH_IMAGE006
为车 辆通行行为序号,
Figure 37303DEST_PATH_IMAGE007
，
Figure 536418DEST_PATH_IMAGE008
表示序号为
Figure 85079DEST_PATH_IMAGE004
的车辆进行序号为
Figure 203208DEST_PATH_IMAGE006
的车辆通行行为的次数。
4.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，所述损失函数为:
Figure 599554DEST_PATH_IMAGE009
其中，
Figure 417642DEST_PATH_IMAGE010
为所述损失函数，
Figure 266649DEST_PATH_IMAGE011
为第
Figure 922889DEST_PATH_IMAGE012
次更新后的车辆用户矩阵，
Figure 360693DEST_PATH_IMAGE013
为第
Figure 201610DEST_PATH_IMAGE012
次更新后的车 辆行为矩阵，
Figure 413279DEST_PATH_IMAGE014
为
Figure 997844DEST_PATH_IMAGE015
与
Figure 493417DEST_PATH_IMAGE016
的乘积与行为统计矩阵之间的偏差，
Figure 505235DEST_PATH_IMAGE017
，
Figure 938DEST_PATH_IMAGE018
为
Figure 513828DEST_PATH_IMAGE019
的F范数，
Figure 473694DEST_PATH_IMAGE020
为
Figure 328518DEST_PATH_IMAGE021
的F范数，
Figure 29626DEST_PATH_IMAGE022
为
Figure 955994DEST_PATH_IMAGE013
的F范数，
Figure 645732DEST_PATH_IMAGE023
为规则化参数。
5.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，所述步骤S33中，对所述车辆用户矩阵以及车辆行为矩阵进行迭代更新，具体为：
Figure 264933DEST_PATH_IMAGE024
其中，为学习速度，为更新前的车辆用户矩阵，为更新后的车辆用户矩阵，为更新前的车辆行为矩阵，为更新后的车辆行为矩阵，为的转置矩阵，为的转置矩阵。
6.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，所述步骤S4具体为：
根据所述车辆特征矩阵获取待计算相似度的两辆车的特征向量，根据所述特征向量计算两辆车之间的通行相似度：
其中，
Figure 984496DEST_PATH_IMAGE025
为序号为
Figure 324341DEST_PATH_IMAGE026
的车辆与序号为
Figure 258799DEST_PATH_IMAGE027
的车辆的相似度，
Figure 173535DEST_PATH_IMAGE028
为序号为
Figure 459022DEST_PATH_IMAGE029
的车辆的 特征向量，
Figure 399297DEST_PATH_IMAGE030
序号为
Figure 578474DEST_PATH_IMAGE031
的车辆的特征向量，
Figure 273898DEST_PATH_IMAGE032
为特征向量
Figure 656468DEST_PATH_IMAGE033
的第
Figure 728330DEST_PATH_IMAGE034
个特征值，
Figure 824331DEST_PATH_IMAGE035
为特征向量
Figure 566022DEST_PATH_IMAGE036
的第
Figure 560522DEST_PATH_IMAGE037
个特征值。
7.根据权利要求1所述的高速公路车辆通行行为相似度计算方法，其特征在于，还包括步骤S5、计算任意两辆车之间的通行相似度，得到相似度矩阵。
8.一种高速公路车辆通行行为相似度计算系统，其特征在于，包括数据获取模块、统计模块、分解模块以及计算模块；
所述数据获取模块用于获取高速收费数据，根据所述高速收费数据构造关于车牌编号以及车辆通行行为的通行行为矩阵；
所述统计模块用于根据所述通行行为矩阵进行统计得到行为统计矩阵；
所述分解模块用于分解所述行为统计矩阵得到车辆特征矩阵；
所述计算模块用于根据所述车辆特征矩阵计算两辆车之间的通行相似度;
所述分解模块具体执行如下步骤：
步骤S31、将所述行为统计矩阵分解为车辆用户矩阵与车辆行为矩阵的乘积，分别对所述车辆用户矩阵以及车辆行为矩阵赋初始值；
步骤S32、计算当前车辆用户矩阵和当前车辆行为矩阵的乘积与行为统计矩阵之间的损失函数，判断所述损失函数的值是否小于设定阈值，如果是则转步骤S34，否则转步骤S33；
步骤S33、对所述车辆用户矩阵以及车辆行为矩阵进行迭代更新，判断更新次数是否达到上限值，如果是则转步骤S34，否则以更新后的车辆用户矩阵作为当前车辆用户矩阵，以更新后的车辆行为矩阵作为当前车辆行为矩阵，并转步骤S32；
步骤S34、获取当前车辆用户矩阵作为所述车辆特征矩阵。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的高速公路车辆通行行为相似度计算方法。
CN201910080569.6A 2019-01-28 2019-01-28 一种高速公路车辆通行行为相似度计算方法及系统 Active CN109871513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910080569.6A CN109871513B (zh) 2019-01-28 2019-01-28 一种高速公路车辆通行行为相似度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910080569.6A CN109871513B (zh) 2019-01-28 2019-01-28 一种高速公路车辆通行行为相似度计算方法及系统

Publications (2)

Publication Number Publication Date
CN109871513A CN109871513A (zh) 2019-06-11
CN109871513B true CN109871513B (zh) 2023-03-31

Family

ID=66918197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910080569.6A Active CN109871513B (zh) 2019-01-28 2019-01-28 一种高速公路车辆通行行为相似度计算方法及系统

Country Status (1)

Country Link
CN (1) CN109871513B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852290B (zh) * 2019-11-16 2022-07-12 公安部交通管理科学研究所 一种大规模车辆特征向量相似度比较方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 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
CN106971429A (zh) * 2017-02-17 2017-07-21 江苏安防科技有限公司 一种基于移动通信的高速公路不停车收费系统及方法
CN107516417A (zh) * 2017-08-21 2017-12-26 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN107564300A (zh) * 2017-09-27 2018-01-09 安徽四创电子股份有限公司 一种基于路口视频资源的最佳交通灯的设计方法
CN107563546A (zh) * 2017-08-17 2018-01-09 西南交通大学 一种基于区域协同的高速铁路列车运行图编制方法
CN108764375A (zh) * 2018-06-25 2018-11-06 交通运输部科学研究院 高速公路货运车辆跨省匹配方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10372872B2 (en) * 2016-04-22 2019-08-06 The Boeing Company Providing early warning and assessment of vehicle design problems with potential operational impact

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN104951764A (zh) * 2015-06-17 2015-09-30 浙江工业大学 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
CN106971429A (zh) * 2017-02-17 2017-07-21 江苏安防科技有限公司 一种基于移动通信的高速公路不停车收费系统及方法
CN107563546A (zh) * 2017-08-17 2018-01-09 西南交通大学 一种基于区域协同的高速铁路列车运行图编制方法
CN107516417A (zh) * 2017-08-21 2017-12-26 中国科学院软件研究所 一种挖掘时空关联关系的实时高速公路流量估计方法
CN107564300A (zh) * 2017-09-27 2018-01-09 安徽四创电子股份有限公司 一种基于路口视频资源的最佳交通灯的设计方法
CN108764375A (zh) * 2018-06-25 2018-11-06 交通运输部科学研究院 高速公路货运车辆跨省匹配方法及装置

Also Published As

Publication number Publication date
CN109871513A (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
Zhang et al. A Decomposition Approach for Urban Anomaly Detection Across Spatiotemporal Data.
Chu et al. Camera as weather sensor: Estimating weather information from single images
CN106447066A (zh) 一种大数据的特征提取方法和装置
Zhao et al. Highway travel time prediction using sparse tensor completion tactics and-nearest neighbor pattern matching method
CN107230108A (zh) 业务数据的处理方法及装置
CN111931505A (zh) 一种基于子图嵌入的跨语言实体对齐方法
CN106528874A (zh) 基于Spark内存计算大数据平台的CLR多标签数据分类方法
CN108492561B (zh) 一种基于矩阵分解的路网交通状态时空特征分析方法
CN109063771A (zh) 一种发现车辆可疑行为的方法、装置及设备
Myint et al. Urban textural analysis from remote sensor data: Lacunarity measurements based on the differential box counting method
CN107229731A (zh) 用于分类数据的方法和装置
CN114944053A (zh) 一种基于时空超图神经网络的交通流预测方法
Gu et al. Exploiting interpretable patterns for flow prediction in dockless bike sharing systems
Sabarish et al. Clustering of trajectory data using hierarchical approaches
Devlin et al. Disentangled attribution curves for interpreting random forests and boosted trees
CN109871513B (zh) 一种高速公路车辆通行行为相似度计算方法及系统
CN114942951A (zh) 一种基于ais数据的渔船捕鱼行为分析方法
Wang et al. R2-trans: Fine-grained visual categorization with redundancy reduction
CN112819208A (zh) 一种基于特征子集耦合模型的空间相似性地质灾害预测方法
CN115565376B (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN102880881A (zh) 一种基于二类支持向量机和遗传算法的轿车车型识别方法
CN109871469A (zh) 基于动态图元的小簇人群识别方法
CN115965466A (zh) 一种基于子图对比的以太坊账户身份推理方法及系统
CN114792397A (zh) 一种sar影像城市道路提取方法、系统以及存储介质
CN114722920A (zh) 一种基于图分类的深度图卷积模型钓鱼账户识别方法

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