CN111724596A - 一种智能精确自动识别预判快速路瓶颈区方法 - Google Patents
一种智能精确自动识别预判快速路瓶颈区方法 Download PDFInfo
- Publication number
- CN111724596A CN111724596A CN202010581614.9A CN202010581614A CN111724596A CN 111724596 A CN111724596 A CN 111724596A CN 202010581614 A CN202010581614 A CN 202010581614A CN 111724596 A CN111724596 A CN 111724596A
- Authority
- CN
- China
- Prior art keywords
- bottleneck
- model
- representing
- expressway
- task
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能精确自动识别预判快速路瓶颈区方法,通过较少样本量的快速路瓶颈区数据、高速公路瓶颈区数据、轨道交通瓶颈站点数据,根据空间元学习方法,结合神经网络模型,训练得到一个通用的、精度较高的快速路瓶颈区识别模型,该模型可以实时、不间断地主动对快速路段可能会形成瓶颈区的区域和时间进行推理,一旦模型检测到可能会形成瓶颈区,会及时进行预警。通过本发明中的人工智能方法,不仅能够智能自动识别快速路瓶颈区,还能够有效结合其他类似瓶颈区数据,提高城市快速路瓶颈区小样本学习的模型精度,从而及时提前进行预警,对缓解城市交通拥堵有重要价值和意义。
Description
技术领域
本发明涉及一种基于空间元学习方法结合神经网络模型的城市快速路瓶颈区自动识别方法,属于智能交通应用技术领域。
背景技术
城市快速路作为大型城市交通网络的重要组成部分,在城市交通“提速”上起着重要作用。但是近年来,随着私家车的增多,人们出行需求的快速增加,现有的快速路交通拥堵现象频频发生,严重影响了快速路出行效率。
快速路上的交通拥堵通常是由于瓶颈区所导致的,快速路瓶颈区可以分为常发性瓶颈和非常发性瓶颈区。非常发性瓶颈区具有较强的突发性,传统的方法难以识别预测。由于我国智能交通发展年限较短,在大多数城市中,有关快速路瓶颈区的有记录样本并不会很多,尤其是非突发性瓶颈区样本更是很少,少样本会严重影响机器学习模型的精度。虽然快速路瓶颈区样本较少,但存在轨道交通瓶颈站点、高速公路瓶颈区等,由于业务的不同,这些数据样本根据传统的人工智能方法,不能用于智能模型的训练。
发明内容
本发明要解决的技术问题是:非常发性瓶颈区具有较强的突发性,传统的方法难以识别预测。
为了解决上述技术问题,本发明的技术方案是提供了一种智能精确自动识别预判快速路瓶颈区方法,用于快速路瓶颈区识别、轨道交通的瓶颈站点识别及高速公路瓶颈区识别,其特征在于,包括以下步骤:
步骤1:将快速路瓶颈区识别模型M训练设置为2个类别,每个类别包含50个样本的分类任务;快速路瓶颈区识别模型M每个样本的输入为X={x1,x2,x3,x4,x5},输出为Y={y1,y2},其中,y1代表形成了瓶颈区,y2代表没有形成瓶颈区,若快速路瓶颈区识别模型M用于快速路瓶颈区识别,则:x1表示发生时段x1、x2表示交通事件情况、x3表示天气情况、x4表示当前区域车速、x5表示道路维修情况;若快速路瓶颈区识别模型M用于轨道交通的瓶颈站点识别,则:x1表示发生时段、x2表示车站集散能力利用率、x3表示车站站台拥挤度、x4表示车站所属区域属性、x5表示是否有重大活动;若快速路瓶颈区识别模型M用于高速公路瓶颈区识别,则:x1表示发生时段、x2表示交通事件情况、x3表示通行能力x3、x4表示天气情况、x5表示当前区域流量;
步骤2:确定包含空间属性的任务集合T={T1,T2,T3,T4,T5,T6,T7,T8},其中,T1代表了A城市的快速路样本,T2代表了B城市的快速路样本,T3代表了A城市的高速公路瓶颈区相关样本,T4代表了B城市的高速公路瓶颈区相关样本,T5代表目标城市的高速公路瓶颈区相关样本,T6代表了A城市的轨道交通瓶颈区相关样本,T7代表了B城市轨道交通瓶颈区相关样本,T8代表了目标城市轨道交通瓶颈区相关样本;
步骤3:确定空间元学习模型meta的神经网络结构,随机初始化空间元学习模型Mmeta的权重参数θ;
步骤4:设定每个任务Ti在任务集合T中满足均匀分布p(T),从任务集合T中按照均匀分布概率从8个任务中采样6个任务,组成了用于空间元学习模型Mmeta的训练样本集S={T1,T2,T3,T4,T5,T6};
步骤5:开始进行内循环,求得每个任务上的最优模型权重参数θ′i,i=1,2,3,4,5,6;
步骤7:重复上述步骤4到步骤6,进行10次迭代,直到收敛;
步骤8:学习得到的空间元学习模型Mmeta的权重参数θ为目标任务的最优模型初始参数,对于目标任务,在少量样本上进行2次迭代,即可得到快速路瓶颈区识别模型M;当路况发生了变化,快速路瓶颈区识别模型M判别出将会形成瓶颈区后,会及时主动发出预警。
优选地,所述步骤5包括以下步骤:
步骤5.2:对于每个任务Ti,确定分类模型为多层感知机神经网络模型MTi,损失函数为交叉熵 式中,xj表示训练数据集中的样本输入值,yj表示训练数据集中的标签值,fθ(xj)表示多层感知机神经网络模型MTi预测出来的结果;
步骤5.3:对于每个任务Ti,在训练数据集上,用梯度下降的方法对模型权重参数θ′i进行更新,即最小化损失函数。模型权重参数θi′的更新计算公式为:式中,θ表示更新前的模型权重参数,α表示学习率;最后得到采样出来的6个任务的模型最优参数集合θ′={θ′1,θ′2,θ′3,θ′4,θ′5,θ′6}。
通过本发明中的人工智能方法,不仅能够智能自动识别快速路瓶颈区,还能够有效结合其他类似瓶颈区数据,提高城市快速路瓶颈区小样本学习的模型精度,从而及时提前进行预警,对缓解城市交通拥堵有重要价值和意义。
本发明运用人工智能算法,解决了在较少数据样本下,对城市快速路瓶颈区进行自动智能识别和预判的问题,该方法对任一城市快速路均适用。
附图说明
图1为本发明的总流程图。
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。
本发明对城市快速路瓶颈区能够进行智能精确自动识别,从而及时提前进行预警,为后续的交通诱导措施和决策提供精准及时的信息依据,从而有效缓解城市拥堵。并且能够在城市快速路瓶颈区样本较少情况下,通过元学习方法,有效提高城市快速路瓶颈区小样本模型的识别精度。
本发明将瓶颈区的特征定义为五个维度:发生时段、交通事件情况、天气情况、当前区域车速、道路维修情况。将轨道交通的瓶颈站点特征定义为发生时段、车站集散能力利用率、车站站台拥挤度、车站所属区域属性、是否有重大活动。将高速公路瓶颈区特征定义为五个维度:发生时段、交通事件情况、通行能力、天气情况、当前区域流量。通过较少样本量的快速路瓶颈区数据、高速公路瓶颈区数据、轨道交通瓶颈站点数据,根据空间元学习方法,结合神经网络模型,训练得到一个通用的、精度较高的快速路瓶颈区识别模型,该模型可以实时、不间断地主动对快速路段可能会形成瓶颈区的区域和时间进行推理,一旦模型检测到可能会形成瓶颈区,会及时进行预警。
本发明首次提出基于空间元学习结合神经网络的城市快速路瓶颈区识别方法,具体包括以下步骤:
步骤1:将快速路瓶颈区识别模型M训练设置为2-way 100-shot,即2个类别,每个类别包含50个样本的分类任务。快速路瓶颈区识别模型M的输入为5个维度。对于快速路瓶颈区识别,模型的输入为:发生时段x1、交通事件情况x2、天气情况x3、当前区域车速x4、道路维修情况x5。对于轨道交通的瓶颈站点识别,模型的输入为发生时段x1、车站集散能力利用率x2、车站站台拥挤度x3、车站所属区域属性x4、是否有重大活动x5。对于高速公路瓶颈区识别,模型的输入为:发生时段x1、交通事件情况x2、通行能力x3、天气情况x4、当前区域流量x5。将上述输入的特征进行one-hot编码后,得到每个样本的输入X={x1,x2,x3,x4,x5},输出Y={y1,y2},其中y1代表形成了瓶颈区,y2代表没有形成瓶颈区。
步骤2:确定包含空间属性的任务集合T={T1,T2,T3,T4,T5,T6,T7,T8}。在本发明中,T1代表了A城市的快速路样本,T2代表了B城市的快速路样本,T3代表了A城市的高速公路瓶颈区相关样本,T4代表了B城市的高速公路瓶颈区相关样本,T5代表目标城市的高速公路瓶颈区相关样本,T6代表了A城市的轨道交通瓶颈区相关样本,T7代表了B城市轨道交通瓶颈区相关样本,T8代表了目标城市轨道交通瓶颈区相关样本。
任务集合T为相似任务的集合,在本发明中,“相似任务”不仅包括高速公路瓶颈区识别模型和轨道交通瓶颈站点识别模型,还包括空间属性。不同的城市之间瓶颈区形成因素变化较大,因此空间属性有效地扩展了“任务集合”,从而进一步提高了元学习的算法精度。
步骤3:确定空间元学习模型meta的神经网络结构,多层感知机神经网络模型输入层有5个神经元,有2个隐藏层,第一个隐藏层有4个神经元,第二个隐藏层有3个神经元,输出层有2个神经元,激活函数为Sigmoid函数,最后输出层的激活函数为Softmax。随机初始化空间元学习模型Mmeta的权重参数θ。
步骤4:设定每个任务Ti在任务集合T中满足均匀分布p(T),从任务集合T中按照均匀分布概率从8个任务中采样6个任务,组成了用于空间元学习模型Mmeta的训练样本集S={T1,T2,T3,T4,T5,T6}。
步骤5:开始进行内循环,求得每个任务上的最优模型权重参数θi′,i=1,2,3,4,5,6,包括以下步骤:
步骤5.2:对于每个任务Ti,确定分类模型为多层感知机神经网络模型MTi,多层感知机神经网络模型MTi模型结构与空间元学习模型结构相同。损失函数为交叉熵式中,xj表示训练数据集中的样本输入值,yj表示中的标签值,fθ(xj)表示多层感知机神经网络模型MTi预测出来的结果。
步骤5.3:对于每个任务Ti,在训练数据集上,用梯度下降的方法对模型权重参数θi′进行更新,即最小化损失函数。模型权重参数θi′的更新计算公式为:式中,θ表示更新前的模型权重参数,α表示学习率,取值0.001。最后得到采样出来的6个任务的模型最优参数集合θ′={θ′1,θ′2,θ′3,θ′4,θ′5,θ′6}。
步骤7:重复上述步骤4到步骤6,进行10次迭代,直到收敛。
步骤8:最后学习得到的空间元学习模型Mmeta的权重参数θ为目标任务的最优模型初始参数。对于目标任务,只要在少量样本上进行2次迭代,即可得到快速路瓶颈区识别模型M。当路况发生了变化,模型判别出将会形成瓶颈区后,会及时主动发出预警。
Claims (2)
1.一种智能精确自动识别预判快速路瓶颈区方法,用于快速路瓶颈区识别、轨道交通的瓶颈站点识别及高速公路瓶颈区识别,其特征在于,包括以下步骤:
步骤1:将快速路瓶颈区识别模型M训练设置为2个类别,每个类别包含50个样本的分类任务;快速路瓶颈区识别模型M每个样本的输入为X={x1,x2,x3,x4,x5},输出为Y={y1,y2},其中,y1代表形成了瓶颈区,y2代表没有形成瓶颈区,若快速路瓶颈区识别模型M用于快速路瓶颈区识别,则:x1表示发生时段x1、x2表示交通事件情况、x3表示天气情况、x4表示当前区域车速、x5表示道路维修情况;若快速路瓶颈区识别模型M用于轨道交通的瓶颈站点识别,则:x1表示发生时段、x2表示车站集散能力利用率、x3表示车站站台拥挤度、x4表示车站所属区域属性、x5表示是否有重大活动;若快速路瓶颈区识别模型M用于高速公路瓶颈区识别,则:x1表示发生时段、x2表示交通事件情况、x3表示通行能力x3、x4表示天气情况、x5表示当前区域流量;
步骤2:确定包含空间属性的任务集合T={T1,T2,T3,T4,T5,T6,T7,T8},其中,T1代表了A城市的快速路样本,T2代表了B城市的快速路样本,T3代表了A城市的高速公路瓶颈区相关样本,T4代表了B城市的高速公路瓶颈区相关样本,T5代表目标城市的高速公路瓶颈区相关样本,T6代表了A城市的轨道交通瓶颈区相关样本,T7代表了B城市轨道交通瓶颈区相关样本,T8代表了目标城市轨道交通瓶颈区相关样本;
步骤3:确定空间元学习模型meta的神经网络结构,随机初始化空间元学习模型Mmeta的权重参数θ;
步骤4:设定每个任务Ti在任务集合T中满足均匀分布p(T),从任务集合T中按照均匀分布概率从8个任务中采样6个任务,组成了用于空间元学习模型Mmeta的训练样本集S={T1,T2,T3,T4,T5,T6};
步骤5:开始进行内循环,求得每个任务上的最优模型权重参数θ′i,i=1,2,3,4,5,6;
步骤7:重复上述步骤4到步骤6,进行10次迭代,直到收敛;
步骤8:学习得到的空间元学习模型Mmeta的权重参数θ为目标任务的最优模型初始参数,对于目标任务,在少量样本上进行2次迭代,即可得到快速路瓶颈区识别模型M;当路况发生了变化,快速路瓶颈区识别模型M判别出将会形成瓶颈区后,会及时主动发出预警。
2.如权利要求1所述的一种智能精确自动识别预判快速路瓶颈区方法,其特征在于,所述步骤5包括以下步骤:
步骤5.2:对于每个任务Ti,确定分类模型为多层感知机神经网络模型MTi,损失函数为交叉熵 式中,xj表示训练数据集中的样本输入值,yj表示训练数据集中的标签值,fθ(xj)表示多层感知机神经网络模型MTi预测出来的结果;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581614.9A CN111724596B (zh) | 2020-06-23 | 2020-06-23 | 一种智能精确自动识别预判快速路瓶颈区方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581614.9A CN111724596B (zh) | 2020-06-23 | 2020-06-23 | 一种智能精确自动识别预判快速路瓶颈区方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724596A true CN111724596A (zh) | 2020-09-29 |
CN111724596B CN111724596B (zh) | 2022-11-11 |
Family
ID=72568501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581614.9A Active CN111724596B (zh) | 2020-06-23 | 2020-06-23 | 一种智能精确自动识别预判快速路瓶颈区方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724596B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604477A (zh) * | 2009-01-16 | 2009-12-16 | 天津大学 | 智能化动态路线诱导系统 |
JP2010287251A (ja) * | 2003-08-07 | 2010-12-24 | National Institute Of Advanced Industrial Science & Technology | 混雑状況予測プログラム、混雑状況予測プログラムを記録したコンピュータ読み取り可能な記録媒体および混雑状況予測装置、ならびにナビゲーションプログラム、ナビゲーションプログラムを記録したコンピュータ読み取り可能な記録媒体およびナビゲーション装置 |
CN102208135A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 拥堵度显示装置、拥堵度显示方法、以及拥堵度显示系统 |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
KR20130090934A (ko) * | 2012-02-07 | 2013-08-16 | 박정국 | 조명변화에 강건한 교통표지판 영상인식에 대한 기법 및 시스템 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
WO2018082784A1 (en) * | 2016-11-07 | 2018-05-11 | Swiss Reinsurance Company Ltd. | System and method for predicting of absolute and relative risks for car accidents |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109935076A (zh) * | 2018-05-21 | 2019-06-25 | 吉林化工学院 | 一种城市快速路常发性交通瓶颈识别方法 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN110808945A (zh) * | 2019-09-11 | 2020-02-18 | 浙江大学 | 一种基于元学习的小样本场景下网络入侵检测方法 |
CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN111178543A (zh) * | 2019-12-30 | 2020-05-19 | 广东石油化工学院 | 一种基于元学习的概率域泛化学习方法 |
-
2020
- 2020-06-23 CN CN202010581614.9A patent/CN111724596B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010287251A (ja) * | 2003-08-07 | 2010-12-24 | National Institute Of Advanced Industrial Science & Technology | 混雑状況予測プログラム、混雑状況予測プログラムを記録したコンピュータ読み取り可能な記録媒体および混雑状況予測装置、ならびにナビゲーションプログラム、ナビゲーションプログラムを記録したコンピュータ読み取り可能な記録媒体およびナビゲーション装置 |
CN101604477A (zh) * | 2009-01-16 | 2009-12-16 | 天津大学 | 智能化动态路线诱导系统 |
CN102208135A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 拥堵度显示装置、拥堵度显示方法、以及拥堵度显示系统 |
KR20130090934A (ko) * | 2012-02-07 | 2013-08-16 | 박정국 | 조명변화에 강건한 교통표지판 영상인식에 대한 기법 및 시스템 |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
WO2018082784A1 (en) * | 2016-11-07 | 2018-05-11 | Swiss Reinsurance Company Ltd. | System and method for predicting of absolute and relative risks for car accidents |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN109935076A (zh) * | 2018-05-21 | 2019-06-25 | 吉林化工学院 | 一种城市快速路常发性交通瓶颈识别方法 |
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
CN110808945A (zh) * | 2019-09-11 | 2020-02-18 | 浙江大学 | 一种基于元学习的小样本场景下网络入侵检测方法 |
CN111178543A (zh) * | 2019-12-30 | 2020-05-19 | 广东石油化工学院 | 一种基于元学习的概率域泛化学习方法 |
Non-Patent Citations (2)
Title |
---|
刘希亮等: "适于城市交通时序空间数据预测的层叠泛化模型", 《地球信息科学学报》 * |
孙梦婷等: "多维密度聚类的精细化道路交通运行状况检测", 《测绘科学技术学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111724596B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985194B (zh) | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
WO2020220439A1 (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN111079640B (zh) | 一种基于自动扩增样本的车型识别方法及系统 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN104331953A (zh) | 一种基于物联网技术的汽车行为数据识别与管理方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN113744526B (zh) | 一种基于lstm和bf的高速公路风险预测方法 | |
CN111539454A (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
CN112419131A (zh) | 交通起讫点需求估算方法 | |
CN112732905A (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
CN114493191A (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
CN110610186A (zh) | 一种基于aco-fcm聚类算法的路网分区及其评估方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN111476449B (zh) | 基于改进k均值聚类算法的地铁车站运营时段划分方法 | |
Pan et al. | Winter road surface condition recognition using a pretrained deep convolutional network | |
CN113781404B (zh) | 基于自监督预训练的道路病害检测方法和系统 | |
CN111724596B (zh) | 一种智能精确自动识别预判快速路瓶颈区方法 | |
CN113487872A (zh) | 一种基于大数据和人工智能的公交车通行时间预测方法 | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed |
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 |