CN110598747A - 基于自适应k均值聚类算法的道路分类方法 - Google Patents

基于自适应k均值聚类算法的道路分类方法 Download PDF

Info

Publication number
CN110598747A
CN110598747A CN201910745307.7A CN201910745307A CN110598747A CN 110598747 A CN110598747 A CN 110598747A CN 201910745307 A CN201910745307 A CN 201910745307A CN 110598747 A CN110598747 A CN 110598747A
Authority
CN
China
Prior art keywords
road
road traffic
traffic
adaptive
clustering
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
Application number
CN201910745307.7A
Other languages
English (en)
Other versions
CN110598747B (zh
Inventor
陈均泳
肖明
谢振东
谢侃
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910745307.7A priority Critical patent/CN110598747B/zh
Publication of CN110598747A publication Critical patent/CN110598747A/zh
Application granted granted Critical
Publication of CN110598747B publication Critical patent/CN110598747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于自适应K均值聚类算法的道路分类方法，包括：获取原始道路交通流量数据；对流量数据进行预处理，提取道路交通形状特征；使用动态自适应K均值聚类算法对数据进行分类，获取典型道路交通形状；对道路典型交通形状进行编码，构建道路交通特征字典；根据实际需求在道路交通特征字典提取特征值，对道路的车流特征进行分类。本发明提供的道路分类方法，对海量道路交通数据进行处理并构建道路交通特征字典，再根据实际需求查找对应的分类信息及相关的属性，完成道路的分类，解决传统道路分类体系着重于道路的静态信息，而忽略对道路动态信息的使用的问题，节省了大量的人力成本和时间成本，为决策提供强有力的信息支持。

Description

基于自适应K均值聚类算法的道路分类方法
技术领域
本发明涉及道路分类技术领域，更具体的，涉及一种基于自适应K均值聚类算法的道路分类方法。
背景技术
随着中国经济不断向前发展，私人汽车保有量急速增长，道路公里数越来越多，城市道路基础设施的车流状态也越来越复杂。为了检测道路的交通数据，全自动交通流量观测仪器被安装在道路上，获取大量的交通数据，这一举措给城市的建设者，交通的管理者和出行的市民，运营公交解决了很多困难。
但随着中国道路交通流量数日益庞大，如何更加高效精准的快速的对海量的道路交通数据进行建模处理，对道路的数据进行计算分析，从其中提出有效的信息，是现阶段中国交通行业面临的一个挑战。现有的道路分类在建设时，根据建设时城市现状调查和收集相关的资料搭建城市交通模型，然后对交通需求进行分析和预测，根据分析和预测的结果进行参考，制定城市道路网的规划方案，包括道路功能分级体系，快速路网系统，骨架路网布局，支路网控性规划，以及道路设施规划等。换句话说，就是道路分类在建设之初就已经分类好了，但时代在发展，需求也不断在发生变化，现有的道路分类也在发生变化，具体包括以机动车交通功能为核心的一维道路等级体系、以公交为导向的道路网的道路分类体系和包含交通维度跨主次支的道路分级体系。
其中，以机动车交通功能为核心的一维道路等级体系无法适应城市道路的多样性，存在道路难以分类的覆盖“盲区”。以公交为导向的道路网的道路分类体系和包含交通维度跨主次支的道路分级体系这两种技术也无法克服道路分类模糊的“盲区”问题。因此出现了多维道路分类体系，从更大的道路网络，更丰富的建成环境以及交通方式系统对每条道路进行分类，虽然实现了避免了“盲区”的问题，但也只是根据静态的信息，对道路进行分类，并没有动态的刻画道路的动态信息。
发明内容
本发明为克服现有的道路分类方法存在无法在克服道路分类模糊的“盲区”问题的同时，动态刻画道路的动态信息的技术缺陷，提供一种基于自适应K均值聚类算法的道路分类方法。
为解决上述技术问题，本发明的技术方案如下：
基于自适应K均值聚类算法的道路分类方法，包括以下步骤：
S1：获取原始道路交通流量数据；
S2：对原始道路交通流量数据进行预处理，提取道路交通形状特征；
S3：使用动态自适应K均值聚类算法对数据进行分类，获取典型道路交通形状；
S4：对道路典型交通形状进行编码，构建道路交通特征字典；
S5：基于道路交通特征字典，根据不同的分析需求提取特征值，对道路的车流特征进行分类。
其中，所述步骤S1具体为：通过在每个区域内的道路上大量部署车流信息全自动交通流量观测仪器，获取一个区域内所有道路的交通数据；所述的交通数据具体为每个小时经过多少辆车。
其中，所述步骤S2具体为：将原始道路交通流量数据的每个道路数据记为Y(t)，表示一年中每个小时的交通流量数据，将分解为Y(t)＝aN(t)，其中变量间关系为：
其中，a表示年交通流量总数量，N(t)表示经过标准化处理后的道路交通流量数据，称为道路交通形状特征。
其中，所述步骤S3具体包括以下步骤：
S31：输入所有道路交通形状特征及聚类数量最大值M_k；
S32：初始化聚类数量k＝2并运行k＝2的K均值聚类算法；
S33：对道路交通形状特征进行进行临界测试，并计算不满足临界测试的道路数量N_w；
S34：当N_w＝0时，返回聚类结果，结束算法；否则，执行步骤S35；
S35：判断N_w＝1是否成立，若是，令k＝k+1，更新聚类中心数量并返回聚类结果，结束算法；否则，执行步骤S36；
S36：判断k+2＞M_k是否成立，若是，无法聚类，直接结束算法；否则执行步骤S37；
S37：对不满足临界条件的N_w条道路执行聚类数量为k'＝2的K均值聚类算法，k＝k+2并更新聚类中心数量，返回步骤S33。
其中，所述步骤S33中，所述计算不满足临界测试的计算公式具体为：
其中，ε是一个临界选值，Ci*(N)(t)2代表当前N(t)所属的聚类中心。
其中，将所述步骤S3得到的动态自适应K均值算法结果的聚类中心进行降序排序，实现对聚类中心的优化，获取典型道路交通形状。
其中，所述步骤S4利用聚类算法形成的M个典型道路交通形状，对每个典型道路交通形状特征进行编码，并将每个典型道路交通特征的属性记录下来，构建一个道路交通特征字典。
其中，所述步骤S5具体为，对于需要分类的道路，先对道路交通流量进行预处理并计算与聚类中心的距离，得到最近的聚类中心的编码，放在道路交通特征字典匹配，查找与之对应的分类信息及相关的属性，完成道路的分类。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种基于自适应K均值聚类算法的道路分类方法，对海量道路交通数据进行处理并构建道路交通特征字典，再根据实际需求查找对应的分类信息及相关的属性，完成道路的分类，解决传统道路分类体系着重于道路的静态信息，而忽略对道路动态信息的使用的问题，节省了大量的人力成本和时间成本，为决策提供强有力的信息支持。
附图说明
图1为本发明所述方法的流程示意图；
图2为自适应K均值的算法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，基于自适应K均值聚类算法的道路分类方法，包括以下步骤：
S1：获取原始道路交通流量数据；
S2：对原始道路交通流量数据进行预处理，提取道路交通形状特征；
S3：使用动态自适应K均值聚类算法对数据进行分类，获取典型道路交通形状；
S4：对道路典型交通形状进行编码，构建道路交通特征字典；
S5：基于道路交通特征字典，根据不同的分析需求提取特征值，对道路的车流特征进行分类。
更具体的，所述步骤S1具体为：通过在每个区域内的道路上大量部署车流信息全自动交通流量观测仪器，获取一个区域内所有道路的交通数据；所述的交通数据具体为每个小时经过多少辆车。
更具体的，所述步骤S2具体为：将原始道路交通流量数据的每个道路数据记为Y(t)，表示一年中每个小时的交通流量数据，将分解为Y(t)＝aN(t)，其中变量间关系为：
其中，a表示年交通流量总数量，N(t)表示经过标准化处理后的道路交通流量数据，称为道路交通形状特征。
在具体实施过程中，将道路交通典型形状特征进行编码的方法，就是建立一个道路交通特征字典，在一定的误差允许范围内，该字典包括的特征能够覆盖大部分道路；在分析道路的交通特征信息时，通过寻找时机道路交通流量特征对应的编码值，即可直接读取对应编码负荷已经预先存储的属性值(峰谷值时刻、最大车流量时刻、日均交通流量等信息)，并根据不同的分析需求，提取道路特征值进而分析道路车流特征。由于道路交通流量编码的过程就是道路交通流量信息压缩的过程，因此本发明在一定程度上也解决了海量道路交通流量数据的处理难题。
在具体实施过程中，道路交通数据包含了很多属性值，如峰谷时刻、峰谷值、日平均车流量、日总车流量等，道路车流量数据海量的数据量，给直接特征处理带来了困难。本发明通过对道路交通流量典型数据进行编码，并记录每一条信息的属性值，构建具有普适性的道路信息字典，以减少后续道路特征分析的运算数据量。
实施例2
更具体的，如图2所示，所述步骤S3具体包括以下步骤：
S31：输入所有道路交通形状特征及聚类数量最大值M_k；
S32：初始化聚类数量k＝2并运行k＝2的K均值聚类算法；
S33：对道路交通形状特征进行进行临界测试，并计算不满足临界测试的道路数量N_w；
S34：当N_w＝0时，返回聚类结果，结束算法；否则，执行步骤S35；
S35：判断N_w＝1是否成立，若是，令k＝k+1，更新聚类中心数量并返回聚类结果，结束算法；否则，执行步骤S36；
S36：判断k+2＞M_k是否成立，若是，无法聚类，直接结束算法；否则执行步骤S37；
S37：对不满足临界条件的N_w条道路执行聚类数量为k'＝2的K均值聚类算法，k＝k+2并更新聚类中心数量，返回步骤S33。
在具体实施过程中，K均值算法属于机器学习中的聚类算法，但一般的K均值算法在执行算法前需要确定聚类数目，当数据量很大时，是很难做到的。本发明通过实现聚类中心动态分类，建立一种自适应的K均值算法，结合道路交通流量特征编码特点对K均值算法进行改进，利用误差临界测试，在不满足条件时进行聚类中心的动态分类，进而保证所建立的字典的强健性。
更具体的，所述步骤S33中，所述计算不满足临界测试的计算公式具体为：
其中，ε是一个临界选值，Ci*(N)(t)2代表当前N(t)所属的聚类中心。
更具体的，将所述步骤S3得到的动态自适应K均值算法结果的聚类中心进行降序排序，实现对聚类中心的优化，获取典型道路交通形状。
更具体的，所述步骤S4利用聚类算法形成的M个典型道路交通形状，对每个典型道路交通形状特征进行编码，并将每个典型道路交通特征的属性记录下来，构建一个道路交通特征字典。
更具体的，所述步骤S5具体为，对于需要分类的道路，先对道路交通流量进行预处理并计算与聚类中心的距离，得到最近的聚类中心的编码，放在道路交通特征字典匹配，查找与之对应的分类信息及相关的属性，完成道路的分类。
在具体实施过程中，当使用道路交通特征字典时，道路交通实际特征形状被划分成平均误差最小的编码负荷，即：
i*(s)＝argminD(s,t)
其中，s(t)表示待分类的道路一个时间段内的道路交通流量数据；D(s,i)代表待分类道路交通流量数据到第i个聚类中心的距离；i*(s)代表待分类道路所划分的类别。
在具体实施过程中，本发明提供的一种基于自适应K均值聚类算法的道路分类方法，对海量道路交通数据进行处理并构建道路交通特征字典，再根据实际需求查找对应的分类信息及相关的属性，完成道路的分类，解决传统道路分类体系着重于道路的静态信息，而忽略对道路动态信息的使用的问题，节省了大量的人力成本和时间成本，为决策提供强有力的信息支持。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.基于自适应K均值聚类算法的道路分类方法，其特征在于，包括以下步骤：
S1：获取原始道路交通流量数据；
S2：对原始道路交通流量数据进行预处理，提取道路交通形状特征；
S3：使用动态自适应K均值聚类算法对数据进行分类，获取典型道路交通形状；
S4：对道路典型交通形状进行编码，构建道路交通特征字典；
S5：基于道路交通特征字典，根据不同的分析需求提取特征值，对道路的车流特征进行分类。
2.根据权利要求1所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S1具体为：通过在每个区域内的道路上大量部署车流信息全自动交通流量观测仪器，获取一个区域内所有道路的交通数据；所述的交通数据具体为每个小时经过多少辆车。
3.根据权利要求2所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S2具体为：将原始道路交通流量数据的每个道路数据记为Y(t)，表示一年中每个小时的交通流量数据，将分解为Y(t)＝aN(t)，其中变量间关系为：
其中，a表示年交通流量总数量，N(t)表示经过标准化处理后的道路交通流量数据，称为道路交通形状特征。
4.根据权利要求3所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S3具体包括以下步骤：
S31：输入所有道路交通形状特征及聚类数量最大值M_k；
S32：初始化聚类数量k＝2并运行k＝2的K均值聚类算法；
S33：对道路交通形状特征进行进行临界测试，并计算不满足临界测试的道路数量N_w；
S34：当N_w＝0时，返回聚类结果，结束算法；否则，执行步骤S35；
S35：判断N_w＝1是否成立，若是，令k＝k+1，更新聚类中心数量并返回聚类结果，结束算法；否则，执行步骤S36；
S36：判断k+2＞M_k是否成立，若是，无法聚类，直接结束算法；否则执行步骤S37；
S37：对不满足临界条件的N_w条道路执行聚类数量为k'＝2的K均值聚类算法，k＝k+2并更新聚类中心数量，返回步骤S33。
5.根据权利要求4所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S33中，所述计算不满足临界测试的计算公式具体为：
其中，ε是一个临界选值，Ci*(N)(t)2代表当前N(t)所属的聚类中心。
6.根据权利要求5所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，将所述步骤S3得到的动态自适应K均值算法结果的聚类中心进行降序排序，实现对聚类中心的优化，获取典型道路交通形状。
7.根据权利要求6所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S4利用聚类算法形成的M个典型道路交通形状，对每个典型道路交通形状特征进行编码，并将每个典型道路交通特征的属性记录下来，构建一个道路交通特征字典。
8.根据权利要求7所述的基于自适应K均值聚类算法的道路分类方法，其特征在于，所述步骤S5具体为，对于需要分类的道路，先对道路交通流量进行预处理并计算与聚类中心的距离，得到最近的聚类中心的编码，放在道路交通特征字典匹配，查找与之对应的分类信息及相关的属性，完成道路的分类。
CN201910745307.7A 2019-08-13 2019-08-13 基于自适应k均值聚类算法的道路分类方法 Active CN110598747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910745307.7A CN110598747B (zh) 2019-08-13 2019-08-13 基于自适应k均值聚类算法的道路分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910745307.7A CN110598747B (zh) 2019-08-13 2019-08-13 基于自适应k均值聚类算法的道路分类方法

Publications (2)

Publication Number Publication Date
CN110598747A true CN110598747A (zh) 2019-12-20
CN110598747B CN110598747B (zh) 2023-05-02

Family

ID=68854286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910745307.7A Active CN110598747B (zh) 2019-08-13 2019-08-13 基于自适应k均值聚类算法的道路分类方法

Country Status (1)

Country Link
CN (1) CN110598747B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241720A (zh) * 2020-04-27 2020-06-05 北京英视睿达科技有限公司 一种道路扬尘模型的建模方法和装置
CN114360239A (zh) * 2021-12-03 2022-04-15 武汉工程大学 一种多层时空交通知识图谱重建的交通预测方法及系统
WO2022116326A1 (zh) * 2020-12-03 2022-06-09 中国科学院深圳先进技术研究院 交通信息处理方法、装置、终端及计算机可读存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144900A1 (en) * 2009-12-15 2011-06-16 Navteq North America, Llc Speed Profile Dictionary
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
US20130100849A1 (en) * 2011-10-20 2013-04-25 Telefonaktiebolaget Lm Ericsson (Publ) Creating and using multiple packet traffic profiling models to profile packet flows
CN103839409A (zh) * 2014-02-27 2014-06-04 南京大学 基于多断面视觉传感聚类分析的交通流状态判别方法
CN104134068A (zh) * 2014-08-12 2014-11-05 江苏理工学院 基于稀疏编码的监控车辆特征表示及分类方法
CN104809878A (zh) * 2015-05-14 2015-07-29 重庆大学 利用公交车gps数据检测城市道路交通异常状态的方法
CN104820691A (zh) * 2015-04-27 2015-08-05 电子科技大学 一种交通流预测中数据库设计方法及其查询向量得出方法
CN105679031A (zh) * 2016-03-17 2016-06-15 福州大学 快速路养护施工区主动预警方法
CN105702031A (zh) * 2016-03-08 2016-06-22 北京航空航天大学 基于宏观基本图的路网关键路段识别方法
CN105893951A (zh) * 2016-03-29 2016-08-24 华东师范大学 一种面向无人驾驶车的多维非穿戴式交警手势识别方法及系统
CN107153846A (zh) * 2017-05-26 2017-09-12 南京邮电大学 一种基于模糊c均值聚类算法的道路交通状态建模方法
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN108806290A (zh) * 2018-05-30 2018-11-13 东南大学 基于交通状态判别的动态双向绿波控制方法
CN108961758A (zh) * 2018-08-03 2018-12-07 东华理工大学 一种基于梯度提升决策树的路口展宽车道探测方法
CN109712402A (zh) * 2019-02-12 2019-05-03 南京邮电大学 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN109978056A (zh) * 2019-03-26 2019-07-05 广东工业大学 一种基于机器学习的地铁乘客分类方法
CN110085026A (zh) * 2019-03-28 2019-08-02 中国公路工程咨询集团有限公司 一种基于聚类分析和马尔科夫模型的交通状态预测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110144900A1 (en) * 2009-12-15 2011-06-16 Navteq North America, Llc Speed Profile Dictionary
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
US20130100849A1 (en) * 2011-10-20 2013-04-25 Telefonaktiebolaget Lm Ericsson (Publ) Creating and using multiple packet traffic profiling models to profile packet flows
CN103839409A (zh) * 2014-02-27 2014-06-04 南京大学 基于多断面视觉传感聚类分析的交通流状态判别方法
CN104134068A (zh) * 2014-08-12 2014-11-05 江苏理工学院 基于稀疏编码的监控车辆特征表示及分类方法
CN104820691A (zh) * 2015-04-27 2015-08-05 电子科技大学 一种交通流预测中数据库设计方法及其查询向量得出方法
CN104809878A (zh) * 2015-05-14 2015-07-29 重庆大学 利用公交车gps数据检测城市道路交通异常状态的方法
CN105702031A (zh) * 2016-03-08 2016-06-22 北京航空航天大学 基于宏观基本图的路网关键路段识别方法
CN105679031A (zh) * 2016-03-17 2016-06-15 福州大学 快速路养护施工区主动预警方法
CN105893951A (zh) * 2016-03-29 2016-08-24 华东师范大学 一种面向无人驾驶车的多维非穿戴式交警手势识别方法及系统
CN107153846A (zh) * 2017-05-26 2017-09-12 南京邮电大学 一种基于模糊c均值聚类算法的道路交通状态建模方法
CN107516107A (zh) * 2017-08-01 2017-12-26 北京理工大学 一种混合动力车辆的行驶工况分类预测方法
CN108806290A (zh) * 2018-05-30 2018-11-13 东南大学 基于交通状态判别的动态双向绿波控制方法
CN108961758A (zh) * 2018-08-03 2018-12-07 东华理工大学 一种基于梯度提升决策树的路口展宽车道探测方法
CN109712402A (zh) * 2019-02-12 2019-05-03 南京邮电大学 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN109978056A (zh) * 2019-03-26 2019-07-05 广东工业大学 一种基于机器学习的地铁乘客分类方法
CN110085026A (zh) * 2019-03-28 2019-08-02 中国公路工程咨询集团有限公司 一种基于聚类分析和马尔科夫模型的交通状态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁磊;张保明;郭海涛;卢俊;: "矢量数据辅助的高分辨率遥感影像道路自动提取", 遥感学报 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241720A (zh) * 2020-04-27 2020-06-05 北京英视睿达科技有限公司 一种道路扬尘模型的建模方法和装置
CN111241720B (zh) * 2020-04-27 2020-07-17 北京英视睿达科技有限公司 一种道路扬尘模型的建模方法和装置
WO2022116326A1 (zh) * 2020-12-03 2022-06-09 中国科学院深圳先进技术研究院 交通信息处理方法、装置、终端及计算机可读存储介质
CN114360239A (zh) * 2021-12-03 2022-04-15 武汉工程大学 一种多层时空交通知识图谱重建的交通预测方法及系统

Also Published As

Publication number Publication date
CN110598747B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110597735B (zh) 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法
CN112612902A (zh) 一种电网主设备的知识图谱构建方法及设备
CN110598747A (zh) 基于自适应k均值聚类算法的道路分类方法
CN109033497B (zh) 一种面向高并发的多阶段数据挖掘算法智能选择方法
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
CN108459955B (zh) 基于深度自编码网络的软件缺陷预测方法
CN108960055B (zh) 一种基于局部线段模式特征的车道线检测方法
CN110990565A (zh) 一种用于舆情分析的可扩展文本分析系统及方法
CN111274817A (zh) 一种基于自然语言处理技术的智能化软件成本度量方法
US20040064450A1 (en) Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer
CN115620272A (zh) 评估模型性能的方法、装置、计算机设备及可读存储介质
CN116257759A (zh) 一种深度神经网络模型的结构化数据智能分类分级系统
Ruas et al. Conception of a GIS-Platform to simulate urban densification based on the analysis of topographic data
CN113742396A (zh) 一种对象学习行为模式的挖掘方法及装置
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN111666748B (zh) 一种自动化分类器的构造方法以及识别决策的方法
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN112685374B (zh) 日志分类方法、装置及电子设备
CN116597411A (zh) 极端天气下无人驾驶车辆识别交通标志的方法及系统
CN116401289A (zh) 一种基于多源信息结合的可追溯性链接自动恢复方法
CN115240145A (zh) 基于场景识别的违章作业行为检测方法及系统
CN112148605B (zh) 一种基于谱聚类的半监督学习的软件缺陷预测方法
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法
CN111626508B (zh) 基于xgboost模型的轨道交通车载数据预测方法
CN113643141A (zh) 解释性结论报告生成方法、装置、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