CN112084339A - 一种基于跨媒体数据的交通知识图谱构建方法 - Google Patents

一种基于跨媒体数据的交通知识图谱构建方法 Download PDF

Info

Publication number
CN112084339A
CN112084339A CN202010798431.2A CN202010798431A CN112084339A CN 112084339 A CN112084339 A CN 112084339A CN 202010798431 A CN202010798431 A CN 202010798431A CN 112084339 A CN112084339 A CN 112084339A
Authority
CN
China
Prior art keywords
traffic
entity
knowledge
accident
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
Application number
CN202010798431.2A
Other languages
English (en)
Other versions
CN112084339B (zh
Inventor
李健
徐晨捷
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010798431.2A priority Critical patent/CN112084339B/zh
Publication of CN112084339A publication Critical patent/CN112084339A/zh
Application granted granted Critical
Publication of CN112084339B publication Critical patent/CN112084339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于跨媒体数据的交通知识图谱构建方法，具体包括以下步骤：步骤S1：获取多源异构的交通原始数据并处理；步骤S2：通过知识表示与知识存储的方法，将交通原始数据转化为交通实体，形成初步交通知识图谱并存储在图数据库中；步骤S3：通过知识融合与知识推理的方法，对初步交通知识图谱进行关联与扩展，形成基于跨媒体数据的跨域交通知识图谱。与现有技术相比，本发明具有提高交通数据处理的效率、使交通数据的应用更加广泛、具有较好的实用性与高效性等优点。

Description

一种基于跨媒体数据的交通知识图谱构建方法
技术领域
本发明涉及数据分析与状态管理领域，尤其是涉及一种基于跨媒体数据的交通知识图谱构建方法。
背景技术
知识图谱，作为一种使用比较通用的语义知识的形式化描述的框架，正在各领域大规模推进使用。知识图谱的通用表示方法为结构化三元组，即G＝(E,R,S)，其中E表示实体集合，R表示关系集合，而S则表示三元组的集合。三元组被用于描述一个特定领域内的事实的头实体、尾实体以及两者之间的关系。
知识图谱的优势在于其描述形式统一，便于不同类型知识的集成与融合。当前的大数据时代，数据多源化趋势明显，若要对大数据加以利用，则必须将其统一在一个框架内，而知识图谱就提供了这样一个平台；另外，知识图谱以图数据库的形式存储，相较于传统的数据库具有更快的运算速度，同时便于计算机和普通民众进行识别和理解；图数据库还可引入图算法，提高数据操纵的效率。
在知识图谱的建模全过程方面，主要包括知识体系构建、知识获取、知识融合、知识存储、知识推理以及知识应用的过程，将得到的知识图谱应用于实际场景。通过以上几个步骤，即可将原有的数据转化为知识，并通过知识图谱的形式进行存储与表示。在完成以上知识图谱构建全过程之后，既可以将跨媒体的数据组合成为有机的整体，同时还可以获取原先单一媒体数据中没有的新的知识。
知识图谱中涉及到许多算法，在知识提取中常使用聚类的方法。常见的聚类算法很多，其中DBSCAN聚类算法可以根据给定的半径参数，自动寻找半径内的散点进行聚类，从而完成对数据按照密度进行聚类，而无需确定聚类簇数。另外，DBSCAN聚类算法还可根据给定的最小包含点数将噪声点去除，效果较好。
目前，知识图谱在交通方面的研究较少，交通数据的存储主要还是在传统的关系型数据库中。由于交通数据来源多种多样，本身形式和种类都不同，因此各自的存储方式以及数据格式都不同，难以进行统一的存储和利用，并且从交通数据的本质来看，单一媒体的数据只能得到一方面的信息，信息量非常有限。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于跨媒体数据的交通知识图谱构建方法，交通数据进行知识融合与推理，形成交通数据的知识图谱，对交通运行状态进行管理，同时便于计算机存储与分析。
本发明的目的可以通过以下技术方案来实现：
一种基于跨媒体数据的交通知识图谱构建方法，具体包括以下步骤：
步骤S1：获取多源异构的交通原始数据并处理；
步骤S2：通过知识表示与知识存储的方法，将所述交通原始数据转化为交通实体，形成初步交通知识图谱并存储在图数据库中；
步骤S3：通过知识融合与知识推理的方法，对所述初步交通知识图谱进行关联与扩展，形成基于跨媒体数据的跨域交通知识图谱。
所述交通原始数据包括浮动车GPS车速数据和交通事故文本数据。
进一步地，所述浮动车GPS车速数据为结构化数据，所述交通事故文本数据为非结构化数据。
进一步地，所述交通实体包括交通拥堵实体和交通事故实体。
进一步地，所述交通拥堵实体由浮动车GPS车速数据通过知识表示与知识存储的方法转化得到，所述交通事故实体由交通事故文本数据通过知识表示与知识存储的方法转化得到。
进一步地，所述交通拥堵实体和交通事故实体的转化过程具体为：
步骤S201：根据所述浮动车GPS速度数据设定速度阈值，获取目标路段在目标时间段内的平均速度，若所述平均速度低于所述速度阈值，判定目标路段对应的时空点的交通运行状态为拥堵；
步骤S202：获取交通运行状态为所述拥堵的所有时空点，通过聚类方法将时空距离小于距离阈值的时空点聚为一类，形成所述交通拥堵实体；
步骤S203：根据所述交通事故文本数据进行知识提取，得到事故时间、事故地点、事故方向和事故人员信息，进而提取得到所述交通事故实体；
步骤S204：所述交通拥堵实体与交通事故实体进行时空对齐；
步骤S205：分别构建交通拥堵实体与交通事故实体的知识存储方法，将所述交通拥堵实体与交通事故实体存储到所述图数据库中。
进一步地，所述步骤S202中的聚类方法具体为DBSCAN聚类方法。
进一步地，所述步骤S202中还包括对交通运行状态为拥堵的时空点进行修正，修正内容包括：
同一瓶颈造成的两次时间差值小于时间差阈值的交通运行状态为拥堵的时空点；
经上游瓶颈蔓延到下游瓶颈的两次拥堵交通运行状态为拥堵的时空点。
进一步地，所述步骤S205中图数据库的存储内容包括交通拥堵实体的拥堵时间、所述拥堵时间对应的拥堵路段以及交通事故实体对应的事故时间、事故地点、事故方向和事故人员信息。
所述步骤S3中知识融合的过程具体为：
计算同一方向上时间差值和距离差值小于阈值的交通事故实体与交通拥堵实体的相关性，根据相关性阈值，对每个交通事故实体，将相关性计算结果在相关性阈值以下的相关性最强的交通拥堵实体作为知识融合的结果。
所述步骤S3中知识推理的过程具体为确定交通事故实体及其相对应引起的交通拥堵实体。
所述交通拥堵实体和交通事故实体的相关性的计算过程如下：
步骤S301：获取交通事故实体与交通拥堵实体中目标元素之间的时空距离，以及交通事故实体与交通拥堵实体的起始元素之间的时空距离，具体如下以下公式所示：
Δstij＝Δsij+Δtij
Δsij＝|sincident,i-scongestion,j|
Δtij＝|tincident,i-tcongestion,j|
其中，sincident,i与tincident,i分别为第i次交通事故的发生地点与发生时间，scongestion,j与tcongestion,j分别为第j次交通拥堵元素中目标元素或起始元素的地点与时间，Δsij为地点差，Δtij为时间差，Δstij为时空距离，具体为两者地点差与时间差的绝对值之和；
步骤S302：所述目标元素之间的时空距离与起始元素之间的时空距离相加，并进行排序，根据排序结果确定交通拥堵实体和交通事故实体的相关性。
与现有技术相比，本发明具有以下有益效果：
1.本发明根据浮动车GPS车速数据和交通事故文本数据，从数据中提取知识图谱，转化为交通拥堵实体和交通事故实体，分别构建知识存储的模型，将其存储到图数据库中，将跨媒体的交通数据融合成为有机的整体，并构建起跨媒体交通数据之间的关系，使得交通数据的应用更加广泛。
2.本发明将跨媒体交通数据融合在一起，使得来源不同的交通数据得以在同一平台存储为统一的结构，且获取到了原先单一媒体数据中无法得到的知识，从而使得交通管理部门能够对交通运行有更全面的认识，从而提高交通管理的效果，具有创新型和实用性；并且在交通知识图谱的构建中引入图算法，从而使得操纵交通数据更为便捷，提高了交通数据控制的运行效率。
附图说明
图1为本发明的流程示意图；
图2为本发明交通知识图谱构建的流程图；
图3为本发明交通运行状态为拥堵的时空点的聚类示意图；
图4(a)和图4(b)为本发明交通运行状态为拥堵的时空点的聚类结果修正示意图；
图5为本发明交通拥堵实体的结构示意图；
图6为本发明交通事故实体的结构示意图；
图7(a)和图7(b)为本发明相关性的时空距离计算示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
如图1和图2所示，一种基于跨媒体数据的交通知识图谱构建方法，将跨媒体的交通数据融合成为有机的整体，并构建起跨媒体交通数据之间的关系，使得交通数据的应用更加广泛，具体包括以下步骤：
步骤S1：获取多源异构的交通原始数据并处理；
步骤S2：通过知识表示与知识存储的方法，将交通原始数据转化为交通实体，形成初步交通知识图谱并存储在图数据库中；
步骤S3：通过知识融合与知识推理的方法，对初步交通知识图谱进行关联与扩展，形成基于跨媒体数据的跨域交通知识图谱。
交通原始数据包括浮动车GPS车速数据和交通事故文本数据。
浮动车GPS车速数据为结构化数据，交通事故文本数据为非结构化数据。
交通实体包括交通拥堵实体和交通事故实体。
交通拥堵实体由浮动车GPS车速数据通过知识表示与知识存储的方法转化得到，交通事故实体由交通事故文本数据通过知识表示与知识存储的方法转化得到。
交通拥堵实体和交通事故实体的转化过程具体为：
步骤S201：根据浮动车GPS速度数据设定速度阈值，本实施例中速度阈值具体为40km/h，获取目标路段在目标时间段内的平均速度，若平均速度低于40km/h，判定目标路段对应的时空点的交通运行状态为拥堵，如图3所示，其中黑色散点为噪声点；
步骤S202：获取交通运行状态为拥堵的所有时空点，通过聚类方法将时空距离小于距离阈值的时空点聚为一类，形成交通拥堵实体；
步骤S203：根据交通事故文本数据进行知识提取，得到事故时间、事故地点、事故方向和事故人员信息，进而提取得到交通事故实体；
步骤S204：交通拥堵实体与交通事故实体进行时空对齐；
步骤S205：分别构建交通拥堵实体与交通事故实体的知识存储方法，将交通拥堵实体与交通事故实体存储到图数据库中。
步骤S202中的聚类方法具体为DBSCAN聚类方法。
步骤S202中还包括对交通运行状态为拥堵的时空点进行修正，修正内容包括：
如图4(b)所示，瓶颈引发的拥堵在上次拥堵未消散时发生，在拥堵影响路段最短的地方将两次拥堵对应的时空点分开；
如图4(a)所示，上游瓶颈引起的拥堵蔓延到了下游瓶颈，在下游瓶颈处将两次拥堵对应的时空点分开。
交通拥堵实体在图数据库中存储的结构如图5所示，包括两个三元组结构，分别为拥堵-拥堵时间-时间，以及时间-拥堵路段-路段，保存了单次拥堵的影响范围；交通事故实体在图数据库中存储的结构如图6所示，包括多个三元组，分别存储事故发生日期、发生时间、发生地点、发生方向以及事故人员信息。
步骤S3中知识融合的过程具体为：
计算同一方向上时间差值和距离差值小于阈值的交通事故实体与交通拥堵实体的相关性，根据相关性阈值，对每个交通事故实体，将相关性计算结果在相关性阈值以下的相关性最强的交通拥堵实体作为知识融合的结果。
步骤S3中知识推理的过程具体为确定交通事故实体及其相对应引起的交通拥堵实体。
交通拥堵实体和交通事故实体的相关性的计算过程如下：
步骤S301：获取交通事故实体与交通拥堵实体中目标元素之间的时空距离，以及交通事故实体与交通拥堵实体的起始元素之间的时空距离，具体如下以下公式所示：
Δstij＝Δsij+Δtij
Δsij＝|sincident,i-scongestion,j|
Δtij＝|tincident,i-tcongestion,j|
其中，sincident,i与tincident,i分别为第i次交通事故的发生地点与发生时间，scongestion,j与tcongestion,j分别为第j次交通拥堵元素中目标元素或起始元素的地点与时间，Δsij为地点差，Δtij为时间差，Δstij为时空距离，具体为两者地点差与时间差的绝对值之和；
步骤S302：目标元素之间的时空距离与起始元素之间的时空距离相加，并进行排序，根据排序结果确定交通拥堵实体和交通事故实体的相关性。
步骤S301中，如图7(a)所示，目标元素之间的时空距离的计算过程具体为计算目标交通事故到设定范围内所有交通运行状态为拥堵的时空点的时空距离，按照时空距离升序排列，将排位靠前的目标个数的交通拥堵实体作为候选。
步骤S301中，如图7(b)所示，计算目标交通事故与作为候选的交通拥堵实体的起始点的时空距离，其中起始点简化为交通拥堵实体的时间与空间最小值。
步骤S302中将排序结果中时空距离和最小的交通拥堵实体，作为与对应交通事故实体的时空距离近且高度相关的交通拥堵实体，通过知识推理，将该交通拥堵实体作为目标交通事故的起因。
本发明通过知识的融合与推理，进一步得到关于交通拥堵、路段以及交通事故对交通拥堵的影响等特征，从而提前对交通拥堵的影响范围做出预测，提高交通管理效率。
此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，具体包括以下步骤：
步骤S1：获取多源异构的交通原始数据并处理；
步骤S2：通过知识表示与知识存储的方法，将所述交通原始数据转化为交通实体，形成初步交通知识图谱并存储在图数据库中；
步骤S3：通过知识融合与知识推理的方法，对所述初步交通知识图谱进行关联与扩展，形成基于跨媒体数据的跨域交通知识图谱。
2.根据权利要求1所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述交通原始数据包括浮动车GPS车速数据和交通事故文本数据。
3.根据权利要求2所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述浮动车GPS车速数据为结构化数据，所述交通事故文本数据为非结构化数据。
4.根据权利要求3所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述交通实体包括交通拥堵实体和交通事故实体。
5.根据权利要求4所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述交通拥堵实体由浮动车GPS车速数据通过知识表示与知识存储的方法转化得到，所述交通事故实体由交通事故文本数据通过知识表示与知识存储的方法转化得到。
6.根据权利要求5所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述交通拥堵实体和交通事故实体的转化过程具体为：
步骤S201：根据所述浮动车GPS速度数据设定速度阈值，获取目标路段在目标时间段内的平均速度，若所述平均速度低于所述速度阈值，判定目标路段对应的时空点的交通运行状态为拥堵；
步骤S202：获取交通运行状态为所述拥堵的所有时空点，通过聚类方法将时空距离小于距离阈值的时空点聚为一类，形成所述交通拥堵实体；
步骤S203：根据所述交通事故文本数据进行知识提取，得到事故时间、事故地点、事故方向和事故人员信息，进而提取得到所述交通事故实体；
步骤S204：所述交通拥堵实体与交通事故实体进行时空对齐；
步骤S205：分别构建交通拥堵实体与交通事故实体的知识存储方法，将所述交通拥堵实体与交通事故实体存储到所述图数据库中。
7.根据权利要求6所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述步骤S202中的聚类方法具体为DBSCAN聚类方法。
8.根据权利要求6所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述步骤S202中还包括对交通运行状态为拥堵的时空点进行修正，修正内容包括：
同一瓶颈造成的两次时间差值小于时间差阈值的交通运行状态为拥堵的时空点；
经上游瓶颈蔓延到下游瓶颈的两次拥堵交通运行状态为拥堵的时空点。
9.根据权利要求6所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述步骤S205中图数据库的存储内容包括交通拥堵实体的拥堵时间、所述拥堵时间对应的拥堵路段以及交通事故实体对应的事故时间、事故地点、事故方向和事故人员信息。
10.根据权利要求1所述的一种基于跨媒体数据的交通知识图谱构建方法，其特征在于，所述交通拥堵实体和交通事故实体的相关性的计算过程如下：
步骤S301：获取交通事故实体与交通拥堵实体中目标元素之间的时空距离，以及交通事故实体与交通拥堵实体的起始元素之间的时空距离，具体如下以下公式所示：
Δstij＝Δsij+Δtij
Δsij＝|sincident,i-scongestion,j|
Δtij＝|tincident,i-tcongestion,j|
其中，sincident,i与tincident,i分别为第i次交通事故的发生地点与发生时间，scongestion,j与tcongestion,j分别为第j次交通拥堵元素中目标元素或起始元素的地点与时间，Δsij为地点差，Δtij为时间差，Δstij为时空距离，具体为两者地点差与时间差的绝对值之和；
步骤S302：所述目标元素之间的时空距离与起始元素之间的时空距离相加，并进行排序，根据排序结果确定交通拥堵实体和交通事故实体的相关性。
CN202010798431.2A 2020-08-11 2020-08-11 一种基于跨媒体数据的交通知识图谱构建方法 Active CN112084339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010798431.2A CN112084339B (zh) 2020-08-11 2020-08-11 一种基于跨媒体数据的交通知识图谱构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010798431.2A CN112084339B (zh) 2020-08-11 2020-08-11 一种基于跨媒体数据的交通知识图谱构建方法

Publications (2)

Publication Number Publication Date
CN112084339A true CN112084339A (zh) 2020-12-15
CN112084339B CN112084339B (zh) 2023-11-24

Family

ID=73736043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010798431.2A Active CN112084339B (zh) 2020-08-11 2020-08-11 一种基于跨媒体数据的交通知识图谱构建方法

Country Status (1)

Country Link
CN (1) CN112084339B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112790A (zh) * 2021-03-09 2021-07-13 华东师范大学 一种结合知识图谱的城市道路运行态势监测方法
CN113689697A (zh) * 2021-08-13 2021-11-23 南京理工大学 一种基于规则匹配和知识图谱的交通事件影响分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006038469A (ja) * 2004-07-22 2006-02-09 Nissan Motor Co Ltd 交通状況予測装置および方法
DE102005055244A1 (de) * 2005-11-19 2007-05-31 Daimlerchrysler Ag Verfahren zur verkehrsdatenbasierten Unfallerkennung
CN105550190A (zh) * 2015-06-26 2016-05-04 许昌学院 面向知识图谱的跨媒体检索系统
CN107368468A (zh) * 2017-06-06 2017-11-21 广东广业开元科技有限公司 一种运维知识图谱的生成方法及系统
WO2018072563A1 (zh) * 2016-10-18 2018-04-26 中兴通讯股份有限公司 一种知识图谱构建方法、装置及系统
CN109992672A (zh) * 2019-04-11 2019-07-09 华北科技学院 基于灾害场景的知识图谱构建方法
CN110909881A (zh) * 2019-11-01 2020-03-24 中电科大数据研究院有限公司 一种面向跨媒体知识推理任务的知识表示方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006038469A (ja) * 2004-07-22 2006-02-09 Nissan Motor Co Ltd 交通状況予測装置および方法
DE102005055244A1 (de) * 2005-11-19 2007-05-31 Daimlerchrysler Ag Verfahren zur verkehrsdatenbasierten Unfallerkennung
CN105550190A (zh) * 2015-06-26 2016-05-04 许昌学院 面向知识图谱的跨媒体检索系统
WO2018072563A1 (zh) * 2016-10-18 2018-04-26 中兴通讯股份有限公司 一种知识图谱构建方法、装置及系统
CN107368468A (zh) * 2017-06-06 2017-11-21 广东广业开元科技有限公司 一种运维知识图谱的生成方法及系统
CN109992672A (zh) * 2019-04-11 2019-07-09 华北科技学院 基于灾害场景的知识图谱构建方法
CN110909881A (zh) * 2019-11-01 2020-03-24 中电科大数据研究院有限公司 一种面向跨媒体知识推理任务的知识表示方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋伟;张游杰;: "基于环境信息融合的知识图谱构建方法", 计算机系统应用, no. 06 *
朱木易洁;鲍秉坤;徐常胜;: "知识图谱发展与构建的研究进展", 南京信息工程大学学报(自然科学版), no. 06 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112790A (zh) * 2021-03-09 2021-07-13 华东师范大学 一种结合知识图谱的城市道路运行态势监测方法
CN113112790B (zh) * 2021-03-09 2023-04-18 华东师范大学 一种结合知识图谱的城市道路运行态势监测方法
CN113689697A (zh) * 2021-08-13 2021-11-23 南京理工大学 一种基于规则匹配和知识图谱的交通事件影响分析方法
CN113689697B (zh) * 2021-08-13 2022-06-28 南京理工大学 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质

Also Published As

Publication number Publication date
CN112084339B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN108062860B (zh) 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN112084339B (zh) 一种基于跨媒体数据的交通知识图谱构建方法
CN113763712B (zh) 基于出行事件知识图谱的区域交通拥堵溯因方法
Azhar et al. Detection and prediction of traffic accidents using deep learning techniques
CN113159105B (zh) 一种驾驶行为无监督模式识别方法及数据采集监控系统
Chen et al. Radar: Road obstacle identification for disaster response leveraging cross-domain urban data
KR101598343B1 (ko) 정체 시공간 패턴 자동인식 시스템 및 그 방법
Sevlian et al. Travel time estimation using floating car data
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
Yousfi et al. Smart big data framework for insight discovery
CN116824868B (zh) 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质
CN113449915B (zh) 一种基于知识图谱的航班延误预测方法
CN117455237A (zh) 一种基于多源数据的道路交通事故风险预测方法
CN115565376B (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Chakrabarti et al. Clustering Aircraft Trajectories According to Air Traffic Controllers' Decisions
CN111444286A (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN113919544A (zh) 犯罪预警方法、装置、计算机设备及存储介质
Ara et al. Identifying the Severity of Road Accident Impact on Traffic Flow by Ensemble Model
Bao A trajectory classification model using grammar parsing
CN116976339B (zh) 一种针对高速公路的特情分析方法、设备及介质
Lv et al. A history data based traffic incident impact analyzing and predicting method
Bhattacharyya et al. Semantic-aware anomaly detection in real time parking data
Lee Big data processing framework of learning weather information and road traffic collision using distributed CEP from CCTV video: Cognitive image processing
CN113609302A (zh) 基于非结构化数据的铁路事故根因识别系统及识别方法

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