CN110111578A - 一种基于张量恢复的偶发性交通拥堵检测方法 - Google Patents
一种基于张量恢复的偶发性交通拥堵检测方法 Download PDFInfo
- Publication number
- CN110111578A CN110111578A CN201910444421.6A CN201910444421A CN110111578A CN 110111578 A CN110111578 A CN 110111578A CN 201910444421 A CN201910444421 A CN 201910444421A CN 110111578 A CN110111578 A CN 110111578A
- Authority
- CN
- China
- Prior art keywords
- tensor
- data
- sporadic
- model
- travel time
- 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.)
- Granted
Links
Classifications
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于张量恢复的偶发性交通拥堵检测方法。该方法包括以下步骤:获得行程时间数据;根据所述行程时间数据构建张量模型;根据所述张量模型构建张量恢复模型;以及利用所述张量恢复模型将所述张量分解成低秩部分和稀疏部分;将述低秩部分标识为正常的行程时间分布;将稀疏部分标识为偶发性交通拥堵造成的行程时间异常值分布。本发明利用行程时间数据进行拥堵检测和识别,并采用高维张量模型来表征行程时间,能够充分利用行程时间的多模式特性。通过构建张量恢复模型,不仅检测出偶发性拥堵,还能够提取出非偶发性拥堵时的行程时间分布状况。
Description
技术领域
本发明涉及一种基于张量恢复的偶发性交通拥堵检测方法,属于智能交通技术领域。
背景技术
交通拥堵分为常发性拥堵和偶发性拥堵,常发性拥堵发生在早晚高峰,呈现天模式特性,常发性拥堵发生的时间和地点通常为人们所知;偶发性拥堵通常是由诸如交通事故、车辆故障等意外事件造成。造成行程时间变化的主要原因是偶发性拥堵事件。偶发性拥堵使通勤人员和交通运营商沮丧。因此,为了更好地理解偶发性拥堵发生的原因以及它们与交通事故之间的关系,需要做一些相关研究。最基础而且重要的研究就是偶发性交通拥堵的检测和识别,只有识别出了偶发性交通拥堵,才能进一步对其进行研究。
前人针对偶发性交通拥堵已经做了相关多的研究。起初,由于人们认为大多数的偶发性拥堵都与意外交通事件有关,所以利用交通事故检测来代替偶发性交通拥堵检测,最具有代表性的是自动拥堵识别技术(AID)。之后,标准正态分布法、贝叶斯方法、加利福尼亚法、模式识别相关方法和数据驱动的神经网络方法等用于偶发性拥堵检测。由此可见,在拥堵检测方法的发展过程中,越来越多的因素被考虑进其中。总结起来,传统偶发性交通拥堵检测流程如图2所示,一般包括:交通数据采集、数据预处理、设置正常交通状态数据阈值和拥堵识别三个主要功能。其中交通数据采集主要是交通流量和密度等于偶发性交通拥堵相关的交通状态数据;数据预处理是利用时间序列等方法对数据进行一些处理,主要包括对未采集到数据的填充等;然后设置一定的阈值,提取出正常交通状态数据;最后将(密度)超过或者(速度)低于正常阈值的部分表示为偶发性拥堵。
2014年,有人提出用耦合的BPCA方法进行交通事故检测,将交通流量和占有率数据构建成矩阵形式,利用主成分分析来提取其低秩矩阵部分和稀疏矩阵部分。其中低秩部分代表正常的流量和占有率分布,稀疏部分代表有偶发性交通拥堵发生的部分。实验证明他的方法取得了比前人中交通量构建成向量序列的方法取得更好的结果。原因在于在采集到的交通量构建成矩阵后,能够利用到交通数据之间的时空相关性。而在2013年,发明人提出将数据构建成张量形式能够更加充分地利用交通数据的时空相关性。
因此,整体分析上看,目前偶发性交通拥堵检测主要以下两个不足:(1)大多数传统方法是利用异常交通事故检测来代表偶发性拥堵检测。但是,偶发性拥堵并不完全由交通事故引起,交通事故也不一定导致偶发性拥堵,所以不能以之来代替,否则会影响检测精度。(2)传统的方法大多是基于矩阵和向量来对交通数据进行建模和分析的,但是交通流量、速度等交通数据具有很强的时空相关性,在时间上呈现出周模式、天模式、小时模式等多模式特性。在空间上存在路段相关性。简单的向量和张量形式不能充分获取其多模式特性,因此而使得交通量的特征提取不够全面,导致检测不够准确。此外,偶发性拥堵造成的影响包括流量、密度、速度、行程时间等多种交通量。其中与人们出勤最直接相关,人们最关注的是行程时间,而大多数研究集中于分析与拥堵直接相关的交通密度变量。
发明内容
为了解决上述存在的问题,本发明公开了一种基于张量恢复的偶发性交通拥堵检测方法,交通拥堵给人们造成最大和最直接的干扰就是行程时间的增多,所以本发明直接采用行程时间数据进行拥堵检测。在拥堵检测的过程中,还能够通过观察稀疏矩阵的分布获取非偶发性拥堵状况下行程时间的分布和天模式特性。
上述的目的通过以下技术方案实现:
一种基于张量恢复的偶发性交通拥堵检测方法,该方法包括如下步骤:
(1)获得行程时间数据;
(2)根据步骤(1)中获得的行程时间数据构建张量模型;
(3)根据步骤(2)中构建的张量模型构建张量恢复模型;
(4)利用步骤(3)中构建的张量恢复模型将所述张量分解成低秩部分和稀疏部分;
(5)将述低秩部分标识为正常的行程时间分布;将稀疏部分标识为偶发性交通拥堵造成的行程时间异常值分布。
优选地,步骤(2)中构建的张量模型为:
其中,N表示路段的数目,M表示周的数目,W表示一周里有7天,T表示预测区间的长度。
优选地,步骤(3)中所述根据所述张量模型构建张量恢复模型的步骤,包括:
假设表示观测到的行程时间数据构成的张量,数据中包含异常数据,异常数据构建成张量则张量模型为:
其中,和是具有相同尺寸的张量,是被观测数据构建的张量,和分别代表低秩结构和稀疏结构,低秩结构表示正常的周期性的行程时间分布,稀疏结构表偶发性拥堵分布,构建所述张量恢复模型为:
其中,λi表明在张量展开中,第i模式展开的权重;表示张量的Frobenius范数;
利用所述张量恢复模型将所述张量分解成所述低秩部分和所述稀疏部分。
优选地,所述的将所述张量分解成所述低秩部分和所述稀疏部分,具体是利用快坐标下降法对所述张量恢复模型求解,将所述张量分解成低秩部分和稀疏部分。
优选地,步骤(1)中所述获得行程时间数据的步骤,包括:
采集时间平均速度数据;
将采集到的时间平均速度的数据转换为空间平均速度数据;
根据所述交通行程时间数据得到所述行程时间数据。
优选地,所述将采集到的时间平均速度的数据转换为空间平均速度数据利用转换公式:
其中,k指介于检测器d和d+1之间的路段,vTMS(d,p)表示p时段内d检测上的时间平均速度,v(k,p)表示车辆在p时段驶过路段k的空间平均速度。
优选地,所述根据所述交通行程时间数据得到所述行程时间数据的步骤包括:
利用分段恒速轨迹法计算出每个路段上对应的行程时间。
有益效果:
本发明用以对高速公路路段上发生的偶发性交通拥堵进行检测,在通讯条件满足的情况下,检测到的偶发性拥堵能够进行顺利地传递,为出行人员提供路径选择依据,并为交通管理者制定实时的实施道路管理措施和制定交通规则提供依据。另外,本发明不仅可以识别出偶发性交通拥堵,而且还能通过恢复的低秩矩阵部分提取出行程时间的正常分布情况,即能观察到在没有偶发性拥堵的情况下,行程时间的早晚高峰分布状况。
附图说明
图1为本发明实施例提供的一种基于张量恢复的偶发性交通拥堵检测方法流程示意图;
图2是传统偶发性拥堵检测方法的一般流程;
图3是图1所示方法提出的基于张量恢复的偶发性拥堵检测流程;
图4是行程时间的张量模型示意图;
图5是基于张量恢复的偶发性拥堵检测模型的结构框架。
具体实施方式
通过以下结合附图以举例方式对本发明的实施方式进行详细描述后,本发明的其他特征、特点和优点将会更加明显。
图1为本发明实施例提供的一种基于张量恢复的偶发性交通拥堵检测方法流程示意图。如图1所示,该方法包括步骤S101-S104:
在S101,获得行程时间数据,其过程将在下文其他段落中详述。
在S102,根据所述行程时间数据构建张量模型;
具体地,张量模型被构建为:
其中,N表示路段的数目,M表示周的数目,W表示一周里有7天,T表示预测区间的长度。
行程时间的张量模型如图5所示,其中,link表示城市路网的路段,week表示周,day表示天,interval时间间隔(5分钟),预测区间可以实时变化;一个时空区间接着一个时空区间地滚动预测。
在S103,根据所述张量模型构建张量恢复模型。
具体地,假设表示观测到的行程时间数据构成的张量,数据中包含异常数据,异常数据构建成张量则张量模型如公式(1)所示:
其中,和是具有相同尺寸的张量,是被观测数据构建的张量,和分别代表低秩结构和稀疏结构,低秩结构表示正常的周期性的行程时间分布,稀疏结构表偶发性拥堵分布;则张量恢复模型如公式(2)所示:
其中,λi表明在张量展开中,第i模式展开的权重;表示张量的Frobenius范数。
在S104,利用所述张量恢复模型将所述张量分解成低秩部分和稀疏部分。
具体地,利用快坐标下降法对式(2)进行求解,从而将所述张量分解成低秩部分数据和稀疏部分数据。
在S105,将述低秩部分标识为正常的行程时间分布;将稀疏部分标识为偶发性交通拥堵造成的行程时间异常值分布。
图2传统偶发性拥堵检测方法的一般流程。如图2所示,偶发性交通检测一般包括:交通数据采集,数据预处理,设置正常交通数据阈值和拥堵识别三个主要功能。
图3是图1所示方法提出的基于张量恢复的偶发性拥堵检测流程。如图3所示,获得行程时间数据步骤,包括:
1、时间平均速度采集
例如,发明人从美国加州高速公路数据库(PeMS)上获得交通速度数据,由于是通过高速公路检测器获得的数据,因此只有断面数据(即时间平均交通数据),不能直接获得路段的行程时间数据,数据间隔固定为5分钟。
2、原始数据预处理
由于天气、检测器损坏等不可抗因素,通过检测采集到的交通数据往往存在丢失现象,即经常有数据采集不到。这会影响后续恢复效果,因此应先对数据进行预处理。
3、空间平均速度计算
针对采集的时间平均速度,为了计算路段行程时间,必须将其转换成空间平均速度,转换公式(1):
其中,k指介于检测器d和d+1之间的路段,vTMS(d,p)表示p时段内d检测上的时间平均速度,v(k,p)表示车辆在p时段驶过路段k的空间平均速度。
4、行程时间估计
在得到空间平均速度的基础上,例如,利用分段恒速轨迹法计算出每个路段上对应的行程时间。
本附图中的后续步骤在前文中已做详细说明,因此不再赘述。
基于张量恢复的偶发性拥堵检测模型结构框架如图5所示。
基于张量恢复的偶发性拥堵检测模型充分利用了行程时间数据的天模式,周模式,时间间隔模式等时间相关性及不同路段的空间相关性,进而能够更加准确地检测和识别交通拥堵。并且作为附加产物,能够提取出非偶发性拥堵时期,行程时间的分布和天模式特性,即人们出行前的行程时间期望值。
本发明利用行程时间数据进行拥堵检测和识别,并采用高维张量模型来表征行程时间,能够充分利用行程时间的多模式特性。通过构建张量恢复模型,不仅检测出偶发性拥堵,还能够提取出非偶发性拥堵时的行程时间分布状况。
本发明采用分段恒速轨迹法获得路段行程时间数据。然后,为了充分表征和利用利用行程时间的天模式、周模式、路段模式等天然多模式特性,发明人将行程时间数据构建成合适阶数和大小的张量模型。在此基础上,构建行程时间数据的张量恢复模型,将恢复所得的低秩部分表示正常的行程时间阈值,恢复所得的稀疏部分标识为偶发性交通拥堵发生的时空位置信息。如此一来,不仅检测出偶发性拥堵,还能够提取出非偶发性拥堵时的行程时间分布状况,包括早晚高峰的分布。
需要说明的是,上述实施例仅用来说明本发明的结构及其工作效果,而并不用作限制本发明的保护范围。本领域内的普通技术人员在不违背本发明思路及结构的情况下对上述实施例进行的调整或优化,仍应视作为本发明权利要求所涵盖。
Claims (7)
1.一种基于张量恢复的偶发性交通拥堵检测方法,其特征在于:该方法包括如下步骤:
(1)获得行程时间数据;
(2)根据步骤(1)中获得的行程时间数据构建张量模型;
(3)根据步骤(2)中构建的张量模型构建张量恢复模型;
(4)利用步骤(3)中构建的张量恢复模型将所述张量分解成低秩部分和稀疏部分;
(5)将述低秩部分标识为正常的行程时间分布;将稀疏部分标识为偶发性交通拥堵造成的行程时间异常值分布。
2.根据权利要求1所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:步骤(2)中构建的张量模型为:
其中,N表示路段的数目,M表示周的数目,W表示一周里有7天,T表示预测区间的长度。
3.根据权利要求1所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:步骤(3)中所述根据所述张量模型构建张量恢复模型的步骤,包括:
假设表示观测到的行程时间数据构成的张量,数据中包含异常数据,异常数据构建成张量则张量模型为:
其中,和是具有相同尺寸的张量,是被观测数据构建的张量,和分别代表低秩结构和稀疏结构,低秩结构表示正常的周期性的行程时间分布,稀疏结构表偶发性拥堵分布,构建所述张量恢复模型为:
其中,λi表明在张量展开中,第i模式展开的权重;表示张量的Frobenius范数;
利用所述张量恢复模型将所述张量分解成所述低秩部分和所述稀疏部分。
4.根据权利要求3所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:所述的将所述张量分解成所述低秩部分和所述稀疏部分,具体是利用快坐标下降法对所述张量恢复模型求解,将所述张量分解成低秩部分和稀疏部分。
5.根据权利要求1所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:步骤(1)中所述获得行程时间数据的步骤,包括:
采集时间平均速度数据;
将采集到的时间平均速度的数据转换为空间平均速度数据;
根据所述交通行程时间数据得到所述行程时间数据。
6.根据权利要求5所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:所述将采集到的时间平均速度的数据转换为空间平均速度数据利用转换公式:
其中,k指介于检测器d和d+1之间的路段,vTMS(d,p)表示p时段内d检测上的时间平均速度,v(k,p)表示车辆在p时段驶过路段k的空间平均速度。
7.根据权利要求5所述的基于张量恢复的偶发性交通拥堵检测方法,其特征在于:所述根据所述交通行程时间数据得到所述行程时间数据的步骤包括:
利用分段恒速轨迹法计算出每个路段上对应的行程时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444421.6A CN110111578B (zh) | 2019-05-25 | 2019-05-25 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444421.6A CN110111578B (zh) | 2019-05-25 | 2019-05-25 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110111578A true CN110111578A (zh) | 2019-08-09 |
CN110111578B CN110111578B (zh) | 2021-06-01 |
Family
ID=67492234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910444421.6A Active CN110111578B (zh) | 2019-05-25 | 2019-05-25 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111578B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751311A (zh) * | 2019-09-05 | 2020-02-04 | 北京交通大学 | 偶发性交通拥堵持续时间的数据提取与实时预测方法 |
CN111091715A (zh) * | 2020-03-20 | 2020-05-01 | 北京交研智慧科技有限公司 | 一种基于历史重现率的道路偶发拥堵识别方法及装置 |
CN111768635A (zh) * | 2020-04-02 | 2020-10-13 | 东南大学 | 一种基于耦合鲁棒性张量分解的偶发性交通拥堵检测方法 |
CN112652170A (zh) * | 2020-12-24 | 2021-04-13 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 交通拥堵热点的定位方法和装置 |
CN112863181A (zh) * | 2021-01-12 | 2021-05-28 | 苏州工业园区测绘地理信息有限公司 | 基于时空拟合的时间平均速度和空间平均速度的检验方法 |
CN114582141A (zh) * | 2022-03-04 | 2022-06-03 | 北京交通大学 | 常发车流量大路段识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8982950B1 (en) * | 2014-09-19 | 2015-03-17 | A2Zlogix, Inc. | System and method for restoration of dynamic range of images and video |
CN105206048A (zh) * | 2015-11-05 | 2015-12-30 | 北京航空航天大学 | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 |
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
CN105894847A (zh) * | 2016-06-27 | 2016-08-24 | 华南理工大学 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
CN108804392A (zh) * | 2018-05-30 | 2018-11-13 | 福州大学 | 一种基于时空约束的交通数据张量填充方法 |
CN109544967A (zh) * | 2018-11-27 | 2019-03-29 | 华东交通大学 | 一种基于低频avl数据的公交线网运行状态监控方法 |
US20190123022A1 (en) * | 2016-10-07 | 2019-04-25 | Xcelsis Corporation | 3D Compute Circuit with High Density Z-Axis Interconnects |
-
2019
- 2019-05-25 CN CN201910444421.6A patent/CN110111578B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8982950B1 (en) * | 2014-09-19 | 2015-03-17 | A2Zlogix, Inc. | System and method for restoration of dynamic range of images and video |
CN105206048A (zh) * | 2015-11-05 | 2015-12-30 | 北京航空航天大学 | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 |
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN105679022A (zh) * | 2016-02-04 | 2016-06-15 | 北京工业大学 | 一种基于低秩的多源交通数据的补全方法 |
CN105894847A (zh) * | 2016-06-27 | 2016-08-24 | 华南理工大学 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
US20190123022A1 (en) * | 2016-10-07 | 2019-04-25 | Xcelsis Corporation | 3D Compute Circuit with High Density Z-Axis Interconnects |
CN108804392A (zh) * | 2018-05-30 | 2018-11-13 | 福州大学 | 一种基于时空约束的交通数据张量填充方法 |
CN109544967A (zh) * | 2018-11-27 | 2019-03-29 | 华东交通大学 | 一种基于低频avl数据的公交线网运行状态监控方法 |
Non-Patent Citations (6)
Title |
---|
HUACHUN TAN: "A tensor-based method for missing traffic data completion", 《TRANSPORTATION RESEARCH PART C》 * |
SHIMING YANG 等: "Detecting Road Traffic Events by Coupling Multiple Timeseries With a Nonparametric Bayesian Method", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
伍元凯: "基于动态张量填充的短时交通流预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周思楚: "基于张量理论的短时交通流预测算法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
宋力: "考虑多源数据集的交通状态估计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
邴其春: "城市快速路交通状态评估与预测关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751311A (zh) * | 2019-09-05 | 2020-02-04 | 北京交通大学 | 偶发性交通拥堵持续时间的数据提取与实时预测方法 |
CN110751311B (zh) * | 2019-09-05 | 2022-09-13 | 北京交通大学 | 偶发性交通拥堵持续时间的数据提取与实时预测方法 |
CN111091715A (zh) * | 2020-03-20 | 2020-05-01 | 北京交研智慧科技有限公司 | 一种基于历史重现率的道路偶发拥堵识别方法及装置 |
CN111768635A (zh) * | 2020-04-02 | 2020-10-13 | 东南大学 | 一种基于耦合鲁棒性张量分解的偶发性交通拥堵检测方法 |
CN112652170A (zh) * | 2020-12-24 | 2021-04-13 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 交通拥堵热点的定位方法和装置 |
CN112863181A (zh) * | 2021-01-12 | 2021-05-28 | 苏州工业园区测绘地理信息有限公司 | 基于时空拟合的时间平均速度和空间平均速度的检验方法 |
CN114582141A (zh) * | 2022-03-04 | 2022-06-03 | 北京交通大学 | 常发车流量大路段识别方法及系统 |
CN114582141B (zh) * | 2022-03-04 | 2023-09-22 | 北京交通大学 | 常发车流量大路段识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110111578B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111578A (zh) | 一种基于张量恢复的偶发性交通拥堵检测方法 | |
CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
CN105279572B (zh) | 城市轨道交通客流密集度指数计算与发布系统 | |
CN104616093B (zh) | 一种地震灾害救援指挥调度系统及方法 | |
CN104346538B (zh) | 基于三种灾情因子控制的地震灾害评估方法 | |
CN108198415A (zh) | 一种基于深度学习的城市快速路事故预测方法 | |
Jiang et al. | Comparative evaluation of geological disaster susceptibility using multi-regression methods and spatial accuracy validation | |
CN105279964B (zh) | 一种基于低秩算法的路网交通数据的补全方法 | |
CN106803223A (zh) | 一种基于多态系统理论的山洪灾害风险评价方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN113361665A (zh) | 一种基于强化学习的高原山地旅游安全风险预警方法 | |
CN113327022B (zh) | 一种防雷安全风险管理系统及方法 | |
CN108596518A (zh) | 一种公路地质灾害危险性评估方法 | |
CN103955596B (zh) | 一种基于交通事故采集技术的事故热点综合判定方法 | |
CN106407633A (zh) | 基于时空回归克里金模型估算地面pm2.5的方法及系统 | |
CN106023655A (zh) | 一种扇区空中交通拥堵状态监测方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN104200082B (zh) | 台风登陆预测方法 | |
CN106373070A (zh) | 一种应对城市暴雨内涝的四预方法 | |
CN107067129A (zh) | 基于网格的铁路工务设备风险事件可能性获取方法及系统 | |
CN106772695A (zh) | 一种融合多测风站实测数据的铁路沿线风速预测方法 | |
CN106156890B (zh) | 一种城市轨道交通通道内客流检测和预测方法及其系统 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 |
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 |