CN110634288B - 基于三元高斯混合模型的多维城市交通异常事件识别方法 - Google Patents

基于三元高斯混合模型的多维城市交通异常事件识别方法 Download PDF

Info

Publication number
CN110634288B
CN110634288B CN201910820821.2A CN201910820821A CN110634288B CN 110634288 B CN110634288 B CN 110634288B CN 201910820821 A CN201910820821 A CN 201910820821A CN 110634288 B CN110634288 B CN 110634288B
Authority
CN
China
Prior art keywords
subsample
value
abnormal
gaussian mixture
traffic
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
CN201910820821.2A
Other languages
English (en)
Other versions
CN110634288A (zh
Inventor
吴超腾
张璐
高霄
周昱
赵炜
杨学晨
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.)
Shanghai Seari Intelligent System Co Ltd
Original Assignee
Shanghai Seari Intelligent System 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 Shanghai Seari Intelligent System Co Ltd filed Critical Shanghai Seari Intelligent System Co Ltd
Priority to CN201910820821.2A priority Critical patent/CN110634288B/zh
Publication of CN110634288A publication Critical patent/CN110634288A/zh
Priority to PCT/CN2020/084556 priority patent/WO2021036277A1/zh
Priority to US17/424,890 priority patent/US11301769B2/en
Application granted granted Critical
Publication of CN110634288B publication Critical patent/CN110634288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于三元高斯混合模型的多维城市交通异常事件识别方法。本发明运用人工智能算法，解决了对城市交通异常事件进行自动识别和研判的问题，异常事件的识别并不局限单一的警情，而是综合考虑警情、事故、施工等事件数据，该方法对城市宏观整体、中观区域以及微观路段均适用。

Description

基于三元高斯混合模型的多维城市交通异常事件识别方法
技术领域
本发明涉及一种基于三元高斯混合模型并结合聚类的多维城市交通异常事件的智能识别方法，属于智能交通应用技术领域。
背景技术
全面感知城市道路交通运行状况，尤其对城市交通事件的异常情况进行识别与预警，对缓解交通拥堵、增加交通安全提供了数据支持和理论依据，对提升城市交通管理和决策水平具有重要意义。目前主要研究集中在高速公路的异常事件识别，鲜少有对城市交通异常事件的识别研究。
发明内容
本发明目的是：通过交通大数据，运用人工智能算法，对城市交通异常事件进行识别和研判。
为了达到上述目的，本发明的技术方案是提供了一种基于三元高斯混合模型的多维城市交通异常事件识别方法，其特征在于，包括以下步骤：
步骤1：读取城市道路交通事件数据样本S，数据样本S的输入X包括三个维度的特征，分别为：基于事件序列的交通事件量、天气状况和交通拥堵指数；
步骤2：随机将数据样本S划分为子样本S1和子样本S2；
步骤3：根据子样本S1，用三元高斯混合模型进行建模，获得三元高斯混合模型M，三元高斯混合模型M可以计算出任意样本点的分布概率值p；
步骤4：将子样本S2用DBSCAN算法进行聚类，将子样本S2中的异常点识别出来，分别对异常点和正常点打上标记，子样本S2变为带标签的子样本S3；
步骤5：用步骤3中建好的三元高斯混合模型M计算子样本S3，得到子样本S3每个样本点x对应的分布概率值p，使得F1score最大的分布概率值p即为阈值t-score，其中，F1score的计算公式如下式所示：
Figure BDA0002185308780000011
式中，
Figure BDA0002185308780000012
tp是真阳性的样本点的个数，fp是假阳性的样本点的个数，fn是假阴性的样本点的个数，真阳性的样本点定义为模型预测结果为异常，且实际为异常，假阳性的样本点定义为模型预测结果为异常，但实际不为异常，假阴性的样本点定义为模型预测结果为正常，但实际为异常，其中，选定所述阈值t-score包括以下步骤：
步骤501、将初始化p’值和最高的F1score值best_f1初始化为0；选定步长值step，step＝(max(P3)-min(P3))/1000，式中，P3表示S3每个样本点x对应的分布概率值p的集合；
步骤502、首先取p1’值等于P3中的最小值与一个step之和，即有：p1’＝min(P3)+step；
步骤503、在子样本S3中，取出分布概率值p小于p1’的样本点，三元高斯混合模型M判断这些样本点为异常点，计算F1score，将计算得到的值记为f1；
步骤504、比较f1和best_f1的大小，如果f1大于best_f1的值，则将best_f1的值变为f1，同时将p1’赋值给p’，p’＝p1’，如果f1不大于best_f1的值，则best_f1和p’的值保持不变；
步骤505、循环重复步骤502到步骤504，p1’每次加一个step，直到p1’＝max(P3)，最后的p’值就是符合该城市路段的异常事件的阈值t-score；
步骤6：当有新交通事件时，获得新交通事件的三个维度的特征后用三元高斯混合模型M计算出分布概率值p，如果p<t-score，即将新交通事件识别为异常。
优选地，步骤2中，所述子样本S1和所述子样本S2的比例为9：1。
优选地，步骤5中，所述分布概率值p的计算公式为：
Figure BDA0002185308780000021
式中，p(x；μ,Σ)表示子样本S3中样本点x的分布概率值；μ表示子样本S3中的每个维度的均值向量，μ＝[μ1,μ2,μ3]，μ1表示交通事件量的均值，μ2表示天气状况的均值，μ3表示交通拥堵指数的均值；Σ为S1子样本S3中的每个维度的协方差矩阵，
Figure BDA0002185308780000022
σ1表示交通事件量的标准差，σ2表示天气状况的标准差，σ3表示交通拥堵指数的标准差。
本发明运用人工智能算法，解决了对城市交通异常事件进行自动识别和研判的问题，异常事件的识别并不局限单一的警情，而是综合考虑警情、事故、施工等事件数据，该方法对城市宏观整体、中观区域以及微观路段均适用。
附图说明
图1为三元高斯混合模型和聚类城市异常事件识别总流程；
图2为三元高斯混合模型异常识别阈值说明。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明对城市交通异常事件进行自动识别，不仅能够检测出异常高发的预警点，也能检测数据质量有问题的点以及数据缺失点，这些均定义为异常事件，包括以下步骤：
步骤1：读取城市道路交通事件数据样本S，数据样本S的输入X包括三个维度的特征，分别为：基于事件序列的交通事故量、天气状况和交通拥堵指数，即
Figure BDA0002185308780000031
式中，
Figure BDA0002185308780000032
表示数据样本S中第n个样本的交通事故量，
Figure BDA0002185308780000033
表示数据样本S中第n个样本的天气状况，
Figure BDA0002185308780000034
表示数据样本S中第n个样本的交通拥堵指数。
步骤2：随机将数据样本S划分为比例为9：1的两份，分别定义为子样本S1和子样本S2，则有：
Figure BDA0002185308780000035
Figure BDA0002185308780000036
式中，m表示子样本S1中样本点的数量。
步骤3：根据子样本S1，
Figure BDA0002185308780000037
用三元高斯混合模型进行建模，该三元高斯混合模型M可以计算出任意样本点的分布概率值p，三元高斯分布的计算公式为：
Figure BDA0002185308780000038
式中，p为概率分布值；x为单个样本点，子样本S1中共有m个样本点；μ为子样本S1中的每个维度的均值向量，即
Figure BDA0002185308780000039
为交通事故量的均值，
Figure BDA0002185308780000041
为天气状况的均值，
Figure BDA0002185308780000042
为交通拥堵指数的均值，μ＝[μ1,μ2,μ3]；Σ为S1子样本S3中的每个维度的协方差矩阵，
Figure BDA0002185308780000043
σ1表示交通事件量的标准差，σ2表示天气状况的标准差，σ3表示交通拥堵指数的标准差；T表示为矩阵的转置。
步骤4：将子样本S2用DBSCAN算法进行聚类，将子样本S2中的异常点识别出来，分别对异常点和正常点打上标记(0为正常，1为异常)，变为带标签的子样本S3：
Figure BDA0002185308780000044
步骤5：用步骤3中建好的三元高斯混合模型M计算子样本S3，得到子样本S3每个样本点x对应的p值，记为P3＝[p31,p32,p33…p3n-m]，其中使得F1score最大的p’值即为阈值t-score，F1score的计算公式为：
Figure BDA0002185308780000045
式中，
Figure BDA0002185308780000046
tp是真阳性的样本点的个数，fp是假阳性的样本点的个数，fn是假阴性的样本点的个数，真阳性的样本点定义为模型预测结果为异常，且实际为异常，假阳性的样本点定义为模型预测结果为异常，但实际不为异常，假阴性的样本点定义为模型预测结果为正常，但实际为异常。
步骤5中，选定阈值t-score包括以下步骤：
步骤501、将初始化p’值和最高的F1score值best_f1初始化为0；选定步长值step，step＝(max(P3)-min(P3))/1000，式中，P3表示S3每个样本点x对应的分布概率值p的集合；
步骤502、首先取p1’值等于P3中的最小值与一个step之和，即有：p1’＝min(P3)+step；
步骤503、在子样本S3中，取出分布概率值p小于p1’的样本点，三元高斯混合模型M判断这些样本点为异常点，计算F1score，将计算得到的值记为f1；
步骤504、比较f1和best_f1的大小，如果f1大于best_f1的值，则将best_f1的值变为f1，同时将p1’赋值给p’，p’＝p1’，如果f1不大于best_f1的值，则best_f1和p’的值保持不变；
步骤505、循环重复步骤502到步骤504，p1’每次加一个step，直到p1’＝max(P3)，最后的p’值就是符合该城市路段的异常事件的阈值t-score。
步骤6：当有新交通事件时，获得新交通事件的三个维度的特征后用三元高斯混合模型M计算出分布概率值p，如果p<t-score，即将新交通事件识别为异常。

Claims (3)

1.一种基于三元高斯混合模型的多维城市交通异常事件识别方法，其特征在于，包括以下步骤：
步骤1：读取城市道路交通事件数据样本S，数据样本S的输入X包括三个维度的特征，分别为：基于事件序列的交通事件量、天气状况和交通拥堵指数；
步骤2：随机将数据样本S划分为子样本S1和子样本S2；
步骤3：根据子样本S1，用三元高斯混合模型进行建模，获得三元高斯混合模型M，三元高斯混合模型M可以计算出任意样本点的分布概率值p；
步骤4：将子样本S2用DBSCAN算法进行聚类，将子样本S2中的异常点识别出来，分别对异常点和正常点打上标记，子样本S2变为带标签的子样本S3；
步骤5：用步骤3中建好的三元高斯混合模型M计算子样本S3，得到子样本S3每个样本点x对应的分布概率值p，使得F1score最大的分布概率值p即为阈值t-score，其中，F1score的计算公式如下式所示：
Figure FDA0003506629190000011
式中，
Figure FDA0003506629190000012
tp是真阳性的样本点的个数，fp是假阳性的样本点的个数，fn是假阴性的样本点的个数，真阳性的样本点定义为模型预测结果为异常，且实际为异常，假阳性的样本点定义为模型预测结果为异常，但实际不为异常，假阴性的样本点定义为模型预测结果为正常，但实际为异常，其中，选定所述阈值t-score包括以下步骤：
步骤501、将初始化p’值和最高的F1score值best_f1初始化为0；选定步长值step，step＝(max(P3)-min(P3))/1000，式中，P3表示S3每个样本点x对应的分布概率值p的集合；
步骤502、首先取p1’值等于P3中的最小值与一个step之和，即有：p1’＝min(P3)+step；
步骤503、在子样本S3中，取出分布概率值p小于p1’的样本点，三元高斯混合模型M判断这些样本点为异常点，计算F1score，将计算得到的值记为f1；
步骤504、比较f1和best_f1的大小，如果f1大于best_f1的值，则将best_f1的值变为f1，同时将p1’赋值给p’，p’＝p1’，如果f1不大于best_f1的值，则best_f1和p’的值保持不变；
步骤505、循环重复步骤502到步骤504，p1’每次加一个step，直到p1’＝max(P3)，
最后的p’值就是符合该城市路段的异常事件的阈值t-score；
步骤6：当有新交通事件时，获得新交通事件的三个维度的特征后用三元高斯混合模型M计算出分布概率值p，如果p<t-score，即将新交通事件识别为异常。
2.如权利要求1所述的一种基于三元高斯混合模型的多维城市交通异常事件识别方法，其特征在于，步骤2中，所述子样本S1和所述子样本S2的比例为9：1。
3.如权利要求1所述的一种基于三元高斯混合模型的多维城市交通异常事件识别方法，其特征在于，步骤5中，所述分布概率值p的计算公式为：
Figure FDA0003506629190000021
式中，p(x；μ,Σ)表示子样本S3中样本点x的分布概率值；μ表示子样本S3中的每个维度的均值向量，μ＝[μ1,μ2,μ3]，μ1表示交通事件量的均值，μ2表示天气状况的均值，μ3表示交通拥堵指数的均值；Σ为子样本S3中的每个维度的协方差矩阵，
Figure FDA0003506629190000022
σ1表示交通事件量的标准差，σ2表示天气状况的标准差，σ3表示交通拥堵指数的标准差。
CN201910820821.2A 2019-08-30 2019-08-30 基于三元高斯混合模型的多维城市交通异常事件识别方法 Active CN110634288B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910820821.2A CN110634288B (zh) 2019-08-30 2019-08-30 基于三元高斯混合模型的多维城市交通异常事件识别方法
PCT/CN2020/084556 WO2021036277A1 (zh) 2019-08-30 2020-04-13 基于三元高斯混合模型的多维城市交通异常事件识别方法
US17/424,890 US11301769B2 (en) 2019-08-30 2020-04-13 Method for recognizing multi-dimensional anomalous urban traffic event based on ternary gaussian mixture model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910820821.2A CN110634288B (zh) 2019-08-30 2019-08-30 基于三元高斯混合模型的多维城市交通异常事件识别方法

Publications (2)

Publication Number Publication Date
CN110634288A CN110634288A (zh) 2019-12-31
CN110634288B true CN110634288B (zh) 2022-06-21

Family

ID=68969779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910820821.2A Active CN110634288B (zh) 2019-08-30 2019-08-30 基于三元高斯混合模型的多维城市交通异常事件识别方法

Country Status (3)

Country Link
US (1) US11301769B2 (zh)
CN (1) CN110634288B (zh)
WO (1) WO2021036277A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634287B (zh) * 2019-08-26 2021-08-17 上海电科智能系统股份有限公司 一种基于边缘计算的城市交通状态精细化判别方法
CN110634288B (zh) * 2019-08-30 2022-06-21 上海电科智能系统股份有限公司 基于三元高斯混合模型的多维城市交通异常事件识别方法
CN113436433B (zh) * 2021-06-24 2022-06-21 福建师范大学 一种高效的城市交通离群值检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289933A (zh) * 2011-08-08 2011-12-21 上海电科智能系统股份有限公司 一种城市快速路交通事件影响空间范围等级预测方法
WO2015126318A1 (en) * 2014-02-19 2015-08-27 Scania Cv Ab Detection of abnormal behavior in a vehicle
CN107133654A (zh) * 2017-05-25 2017-09-05 大连理工大学 一种监控视频异常事件检测的方法
CN107909678A (zh) * 2017-11-29 2018-04-13 思建科技有限公司 一种行车风险评价方法及系统
CN108776650A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合高斯模型的非机动车道服务水平评价方法
CN109284705A (zh) * 2018-09-07 2019-01-29 电子科技大学 一种交通监控视频的异常检测方法
CN109791729A (zh) * 2016-12-30 2019-05-21 同济大学 一种基于行程时间分布的交通异常检测方法
CN109951462A (zh) * 2019-03-07 2019-06-28 中国科学院信息工程研究所 一种基于全息建模的应用软件流量异常检测系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3758534B2 (ja) * 2000-10-13 2006-03-22 住友電気工業株式会社 交通流の異常検知装置及び方法
US8812226B2 (en) * 2009-01-26 2014-08-19 GM Global Technology Operations LLC Multiobject fusion module for collision preparation system
US20130286198A1 (en) * 2012-04-25 2013-10-31 Xerox Corporation Method and system for automatically detecting anomalies at a traffic intersection
CN103065466B (zh) 2012-11-19 2015-01-21 北京世纪高通科技有限公司 一种交通异常状况的检测方法和装置
CN104574968B (zh) 2015-01-19 2017-02-01 浙江大学 一种临界交通状态参数的确定方法
CN106296628B (zh) * 2015-05-11 2019-03-05 株式会社理光 检测异常情形的方法和装置
CN105938655B (zh) * 2016-06-16 2019-02-22 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
US11205103B2 (en) * 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
CN109615860B (zh) 2018-12-26 2020-10-16 银江股份有限公司 一种基于非参数贝叶斯框架的信号交叉口状态估计方法
CN110083802B (zh) 2019-04-12 2022-05-03 重庆邮电大学 基于多目标回归的高速公路收费站车流量大数据预测方法
CN110634288B (zh) 2019-08-30 2022-06-21 上海电科智能系统股份有限公司 基于三元高斯混合模型的多维城市交通异常事件识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289933A (zh) * 2011-08-08 2011-12-21 上海电科智能系统股份有限公司 一种城市快速路交通事件影响空间范围等级预测方法
WO2015126318A1 (en) * 2014-02-19 2015-08-27 Scania Cv Ab Detection of abnormal behavior in a vehicle
CN109791729A (zh) * 2016-12-30 2019-05-21 同济大学 一种基于行程时间分布的交通异常检测方法
CN107133654A (zh) * 2017-05-25 2017-09-05 大连理工大学 一种监控视频异常事件检测的方法
CN107909678A (zh) * 2017-11-29 2018-04-13 思建科技有限公司 一种行车风险评价方法及系统
CN108776650A (zh) * 2018-06-05 2018-11-09 浙江大学 一种基于混合高斯模型的非机动车道服务水平评价方法
CN109284705A (zh) * 2018-09-07 2019-01-29 电子科技大学 一种交通监控视频的异常检测方法
CN109951462A (zh) * 2019-03-07 2019-06-28 中国科学院信息工程研究所 一种基于全息建模的应用软件流量异常检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
交通系统监控环境下车辆异常行为识别算法研究;朱宪飞;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115(第01期);第C034-2631页 *
基于局部不变特征的交通异常视频图像检测的关键技术研究;李岩山;《中国博士学位论文全文数据库 信息科技辑》;20160115(第01期);第I138-151页 *
监控视频中的车辆异常行为检测;黄鑫等;《计算机系统应用》;20180215(第02期);全文 *

Also Published As

Publication number Publication date
US11301769B2 (en) 2022-04-12
US20220083885A1 (en) 2022-03-17
WO2021036277A1 (zh) 2021-03-04
CN110634288A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110634288B (zh) 基于三元高斯混合模型的多维城市交通异常事件识别方法
CN111081016B (zh) 一种基于复杂网络理论的城市交通异常识别方法
CN107918921B (zh) 刑事案件判决结果度量方法及系统
CN110588658B (zh) 一种基于综合模型检测驾驶员风险等级的方法
CN110562261B (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN110929939B (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
CN111556016B (zh) 一种基于自动编码器的网络流量异常行为识别方法
CN105809193B (zh) 一种基于kmeans算法的非法运营车辆的识别方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN110633729A (zh) 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN114611604A (zh) 一种基于电驱总成载荷特征融合与聚类的用户筛选方法
CN111163075A (zh) 电力监控系统设备性能指标阈值动态调整方法
CN110705628B (zh) 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN112270114B (zh) 一种车辆个性化风险行为识别方法
CN111860383B (zh) 一种群体异常行为识别方法、装置、设备及存储介质
CN114219228A (zh) 一种基于em聚类算法的体育场疏散评价方法
CN109849926A (zh) 一种辨别出租车是否交予他人驾驶的方法及系统
CN113792141A (zh) 基于协方差度量因子的特征选择方法
JP4723771B2 (ja) 発雷判定システム及び発雷判定方法
Zhang Urban traffic accident prediction research based on meteorological data
Tian et al. Understanding scenarios for cooperative V2P safety applications using connected vehicle datasets
CN110688287A (zh) 一种基于改进概率神经网络的工控网络态势评估方法
CN113380032B (zh) 一种基于层次聚类法的高速公路拥堵判断方法及装置

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