CN113096398B - 一种多源数据融合的综合交通数据挖掘方法 - Google Patents
一种多源数据融合的综合交通数据挖掘方法 Download PDFInfo
- Publication number
- CN113096398B CN113096398B CN202110358218.4A CN202110358218A CN113096398B CN 113096398 B CN113096398 B CN 113096398B CN 202110358218 A CN202110358218 A CN 202110358218A CN 113096398 B CN113096398 B CN 113096398B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- flow information
- traffic
- data
- fusion
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Abstract
本发明公开了一种多源数据融合的综合交通数据挖掘方法,属于数据处理技术领域,该数据挖掘方法具体步骤如下:(1)交通信息采集;(2)数据预处理;(3)特征提取;(4)构建初始预测模型;(5)决策级数据融合;(6)构建融合交通预测模型;(7)模型评估;(8)模型应用;本发明相较于相较传统的单一数据获取方式,采用多源数据传感器进行综合交通数据分析和处理,构建出了融合交通预测模型进行交通十字路口的拥堵情况预测,有利于提高交通拥堵情况的预测精度,进而有利于交通部门通过交通信息发布平台进行交通疏导。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种多源数据融合的综合交通数据挖掘方法。
背景技术
经检索,中国专利号CN103700255A公开了一种基于时空关联数据挖掘的交通流预测方法,该发明虽然结构简单,但其数据获取渠道单一,导致预测精有限;数据融合是一个多层次、多方面的数据处理过程,其基本原理就是充分利用各传感器资源,通过对这些传感器得到的观测信息进行合理利用,把在空间或时间上冗余和互补的多种传感器按照某种原则进行结合,以获得对被测对象的一致性描述,提高传感器的有效性;多传感器的信息融合的本质性是其可以在不同维度、不同层次、不同时间段上出现,具有更为复杂的性质,和更为接近人脑的智能化计算;现如今随着经济的飞速发展以及私家车辆的日益增长,导致城市拥堵情况越发严重;而目前的交通机构大多采用单一渠道来获取交通信息,并依此作为交通预测基础来预测交通拥堵情况,由于交通信息获取渠道单一,从而容易导致交通预测精度降低,进而不利于进行交通疏导;因此,发明出一种多源数据融合的综合交通数据挖掘方法变得尤为重要;
现有的综合交通数据挖掘方法,大多都是通过提取某一数据持有方(如交通局或交通APP)来获取交通数据特征,并根据其来对交通流数据进行分析处理,但由于处理的数据获取来源单一,导致预测精有限,不利于以此来进行交通疏导;为此,我们提出一种多源数据融合的综合交通数据挖掘方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种多源数据融合的综合交通数据挖掘方法。
为了实现上述目的,本发明采用了如下技术方案:
一种多源数据融合的综合交通数据挖掘方法,该数据挖掘方法具体步骤如下:
(1)交通信息采集:在需要进行交通拥堵情况预测的交通十字路口部署多源数据传感器,并利用其实时对交通十字路口进行实时监测,得到车流量信息一、车流量信息二、…和车流量信息N,同时获取其对应采集时间,得到车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N;
(2)数据预处理:利用数据清洗、去噪、规约和变换处理方法对步骤(1)所述车流量信息一、车流量信息二、…和车流量信息N进行数据预处理;
(3)特征提取:对步骤(1)形成的车流量信息一、车流量信息二、…和车流量信息N进行特征提取,得到车流量信息一、车流量信息二、…和车流量信息N,同时将其作为训练样本;
(4)构建初始预测模型:构建多个单一分类器,将车流量信息一、车流量信息二、…和车流量信息N以及车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N输入其中进行训练,得到初始预测一、初始预测模型二、…和初始预测模型N;
(5)决策级数据融合:针对需要进行交通拥堵情况预测的交通十字路口,利用初始预测一、初始预测模型二、…和初始预测模型N分别进行预测,得到对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N,同时利用加权平均算法对对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N进行决策级数据融合,得到融合数据集;
(6)构建融合交通预测模型:对融合数据集进行特征提取,得到融合特征样本,并将其分为70%的训练集和30%的验证集;构建融合特征分类器,并将70%的训练集输入其中进行训练,得到融合交通预测模型;
(7)模型评估:将30%的验证集输入融合交通预测模型进行验证,若预测效果符合期望,则训练结束,否则返回步骤(3),重新进行特征提取;
(8)模型应用:将符合期望的交通流预测模型投入实际使用中,同时结合交通信息发布平台实时为该一交通十字路口的交通拥堵情况进行自动智能交通预测。
进一步地,所述多源数据传感器为同质传感器,其具体为若干个微波检测器。
进一步地,所述数据预处理具体过程如下:
S1:获取车流量信息一、车流量信息二、…和车流量信息N,并根据聚类法分别对其进行清洗;
S2:利用滤波器对清洗后的车流量信息一、车流量信息二、…和车流量信息N分别进行去噪处理;
S3:利用小波变换对去噪处理后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据规约;
S4:根据最大最小标准化方法对数据规约后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据变换;
所述滤波器包括高通滤波器和低通滤波器。
进一步地,所述加权平均算法具体公式如下:
其中:
n=f1+f2+…+fk (2)
式中:n为预测结果总个数,x为预测结果,f为权重。
进一步地,所述单一分类器和融合特征分类器均为神经网络。
相比于现有技术,本发明的有益效果在于:
1、该多源数据融合的综合交通数据挖掘方法,相较传统的单一数据获取方式,通过在需要进行交通拥堵情况预测的交通十字路口部署若干个多源数据传感器采集到了多源信息数据,并利用加权平均法对其进行数据融合,有助于减少数据集的冗余和不一致,可以大大提高数据挖掘过程的准确性和速度,并且通过数据清洗、去噪、规约和变换方法对数据进行预处理,进而有利于提高后续预测模型的预测准确度;
2、该多源数据融合的综合交通数据挖掘方法,对若干个多源数据传感器采集到了多源信息数据进行决策级数据融合,之后利用神经网络构建融合交通预测模型,有利于准确及时的预测交通十字路口的拥堵情况,进而有利于交通部门通过交通信息发布平台进行交通疏导。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种多源数据融合的综合交通数据挖掘方法的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1,一种多源数据融合的综合交通数据挖掘方法,该数据挖掘方法具体步骤如下:
(1)交通信息采集:在需要进行交通拥堵情况预测的交通十字路口部署多源数据传感器,并利用其实时对交通十字路口进行实时监测,得到车流量信息一、车流量信息二、…和车流量信息N,同时获取其对应采集时间,得到车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N;
(2)数据预处理:利用数据清洗、去噪、规约和变换处理方法对步骤(1)车流量信息一、车流量信息二、…和车流量信息N进行数据预处理;
(3)特征提取:对步骤(1)形成的车流量信息一、车流量信息二、…和车流量信息N进行特征提取,得到车流量信息一、车流量信息二、…和车流量信息N,同时将其作为训练样本;
(4)构建初始预测模型:构建多个单一分类器,将车流量信息一、车流量信息二、…和车流量信息N以及车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N输入其中进行训练,得到初始预测一、初始预测模型二、…和初始预测模型N;
(5)决策级数据融合:针对需要进行交通拥堵情况预测的交通十字路口,利用初始预测一、初始预测模型二、…和初始预测模型N分别进行预测,得到对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N,同时利用加权平均算法对对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N进行决策级数据融合,得到融合数据集;
(6)构建融合交通预测模型:对融合数据集进行特征提取,得到融合特征样本,并将其分为70%的训练集和30%的验证集;构建融合特征分类器,并将70%的训练集输入其中进行训练,得到融合交通预测模型;
(7)模型评估:将30%的验证集输入融合交通预测模型进行验证,若预测效果符合期望,则训练结束,否则返回步骤(3),重新进行特征提取;
(8)模型应用:将符合期望的交通流预测模型投入实际使用中,同时结合交通信息发布平台实时为该一交通十字路口的交通拥堵情况进行自动智能交通预测。
多源数据传感器为同质传感器,其具体为若干个微波检测器。
数据预处理具体过程如下:
S1:获取车流量信息一、车流量信息二、…和车流量信息N,并根据聚类法分别对其进行清洗;
S2:利用滤波器对清洗后的车流量信息一、车流量信息二、…和车流量信息N分别进行去噪处理;
S3:利用小波变换对去噪处理后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据规约;
S4:根据最大最小标准化方法对数据规约后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据变换;
滤波器包括高通滤波器和低通滤波器。
加权平均算法具体公式如下:
其中:
n=f1+f2+…+fk (2)
式中:n为预测结果总个数,x为预测结果,f为权重。
单一分类器和融合特征分类器均为神经网络。
本发明的工作原理及使用流程:该多源数据融合的综合交通数据挖掘方法,在使用时,第一步需要在需要进行交通拥堵情况预测的交通十字路口部署多源数据传感器,并利用其实时对交通十字路口进行实时监测,得到车流量信息一、车流量信息二、…和车流量信息N,同时获取其对应采集时间,得到车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N;第二步利用数据清洗、去噪、规约和变换处理方法对车流量信息一、车流量信息二、…和车流量信息N进行数据预处理;第三步对形成的车流量信息一、车流量信息二、…和车流量信息N进行特征提取,得到车流量信息一、车流量信息二、…和车流量信息N,同时将其作为训练样本;第四步构建多个单一分类器,将车流量信息一、车流量信息二、…和车流量信息N以及车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N输入其中进行训练,得到初始预测一、初始预测模型二、…和初始预测模型N;第五步针对需要进行交通拥堵情况预测的交通十字路口,利用初始预测一、初始预测模型二、…和初始预测模型N分别进行预测,得到对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N,同时利用加权平均算法对对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N进行决策级数据融合,得到融合数据集;第六步对融合数据集进行特征提取,得到融合特征样本,并将其分为70%的训练集和30%的验证集;构建融合特征分类器,并将70%的训练集输入其中进行训练,得到融合交通预测模型;第七步将30%的验证集输入融合交通预测模型进行验证,若预测效果符合期望,则训练结束,否则返回第三步,重新进行特征提取;最后将符合期望的交通流预测模型投入实际使用中,同时结合交通信息发布平台实时为该一交通十字路口的交通拥堵情况进行自动智能交通预测;本发明相较于相较传统的单一数据获取方式,采用多源数据传感器进行综合交通数据分析和处理,构建出了融合交通预测模型进行交通十字路口的拥堵情况预测,有利于提高交通拥堵情况的预测精度,进而有利于交通部门通过交通信息发布平台进行交通疏导。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种多源数据融合的综合交通数据挖掘方法,其特征在于,该数据挖掘方法具体步骤如下:
(1)交通信息采集:在需要进行交通拥堵情况预测的交通十字路口部署多源数据传感器,并利用其实时对交通十字路口进行实时监测,得到车流量信息一、车流量信息二、…和车流量信息N,同时获取其对应采集时间,得到车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N;
(2)数据预处理:利用数据清洗、去噪、规约和变换处理方法对步骤(1)所述车流量信息一、车流量信息二、…和车流量信息N进行数据预处理;
(3)特征提取:对步骤(1)形成的车流量信息一、车流量信息二、…和车流量信息N进行特征提取,得到车流量信息一、车流量信息二、…和车流量信息N,同时将其作为训练样本;
(4)构建初始预测模型:构建多个单一分类器,将车流量信息一、车流量信息二、…和车流量信息N以及车流量信息采集时间一、车流量信息采集时间二、…和车流量信息采集时间N输入其中进行训练,得到初始预测一、初始预测模型二、…和初始预测模型N;
(5)决策级数据融合:针对需要进行交通拥堵情况预测的交通十字路口,利用初始预测一、初始预测模型二、…和初始预测模型N分别进行预测,得到对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N,同时利用加权平均算法对对应时间段车流量预测结果一、对应时间段车流量预测结果二、…和对应时间段车流量预测结果N进行决策级数据融合,得到融合数据集;
(6)构建融合交通预测模型:对融合数据集进行特征提取,得到融合特征样本,并将其分为70%的训练集和30%的验证集;构建融合特征分类器,并将70%的训练集输入其中进行训练,得到融合交通预测模型;
(7)模型评估:将30%的验证集输入融合交通预测模型进行验证,若预测效果符合期望,则训练结束,否则返回步骤(3),重新进行特征提取;
(8)模型应用:将符合期望的交通流预测模型投入实际使用中,同时结合交通信息发布平台实时为该一交通十字路口的交通拥堵情况进行自动智能交通预测。
2.根据权利要求1所述的一种多源数据融合的综合交通数据挖掘方法,其特征在于,所述多源数据传感器为同质传感器,其具体为若干个微波检测器。
3.根据权利要求1所述的一种多源数据融合的综合交通数据挖掘方法,其特征在于,所述数据预处理具体过程如下:
S1:获取车流量信息一、车流量信息二、…和车流量信息N,并根据聚类法分别对其进行清洗;
S2:利用滤波器对清洗后的车流量信息一、车流量信息二、…和车流量信息N分别进行去噪处理;
S3:利用小波变换对去噪处理后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据规约;
S4:根据最大最小标准化方法对数据规约后的车流量信息一、车流量信息二、…和车流量信息N分别进行数据变换;
所述滤波器包括高通滤波器和低通滤波器。
5.根据权利要求1所述的一种多源数据融合的综合交通数据挖掘方法,其特征在于,所述单一分类器和融合特征分类器均为神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358218.4A CN113096398B (zh) | 2021-04-01 | 2021-04-01 | 一种多源数据融合的综合交通数据挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358218.4A CN113096398B (zh) | 2021-04-01 | 2021-04-01 | 一种多源数据融合的综合交通数据挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096398A CN113096398A (zh) | 2021-07-09 |
CN113096398B true CN113096398B (zh) | 2022-09-23 |
Family
ID=76672839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358218.4A Active CN113096398B (zh) | 2021-04-01 | 2021-04-01 | 一种多源数据融合的综合交通数据挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096398B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153112B (zh) * | 2023-03-10 | 2023-09-29 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595679A (zh) * | 2016-11-17 | 2017-04-26 | 长安大学 | 一种基于用户定位数据的公交车定位方法 |
CN109816997A (zh) * | 2017-11-21 | 2019-05-28 | 重庆瑞升康博电气有限公司 | 具有多传感器信息融合技术的车流量自动检测系统 |
WO2020147920A1 (en) * | 2019-01-14 | 2020-07-23 | Huawei Technologies Co., Ltd. | Traffic signal control by spatio-temporal extended search space of traffic states |
CN111798678A (zh) * | 2020-07-21 | 2020-10-20 | 霍祥明 | 一种基于大数据的城市交通智能监控协调管理系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346964A (zh) * | 2010-08-05 | 2012-02-08 | 王学鹰 | 道路交通网络区域拥堵实时预测与智能管理系统 |
US8723690B2 (en) * | 2011-01-26 | 2014-05-13 | International Business Machines Corporation | Systems and methods for road acoustics and road video-feed based traffic estimation and prediction |
US20180096595A1 (en) * | 2016-10-04 | 2018-04-05 | Street Simplified, LLC | Traffic Control Systems and Methods |
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
CN108090515B (zh) * | 2017-12-27 | 2020-04-21 | 南京邮电大学 | 一种基于数据融合的环境等级评估方法 |
CN109635855A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于自编码器模型的多传感器融合跟踪方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110517481A (zh) * | 2019-07-26 | 2019-11-29 | 厦门卫星定位应用股份有限公司 | 车流量预测方法、介质、设备及装置 |
-
2021
- 2021-04-01 CN CN202110358218.4A patent/CN113096398B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595679A (zh) * | 2016-11-17 | 2017-04-26 | 长安大学 | 一种基于用户定位数据的公交车定位方法 |
CN109816997A (zh) * | 2017-11-21 | 2019-05-28 | 重庆瑞升康博电气有限公司 | 具有多传感器信息融合技术的车流量自动检测系统 |
WO2020147920A1 (en) * | 2019-01-14 | 2020-07-23 | Huawei Technologies Co., Ltd. | Traffic signal control by spatio-temporal extended search space of traffic states |
CN111798678A (zh) * | 2020-07-21 | 2020-10-20 | 霍祥明 | 一种基于大数据的城市交通智能监控协调管理系统 |
Non-Patent Citations (3)
Title |
---|
Deep learning-based urban big data fusion in smart cities: Towards traffic monitoring and flow-preserving fusion;Sulaiman Khan etc.;《Computers and Electrical Engineering》;20201123;全文 * |
基于多源交通数据融合的短时交通流预测;陆百川等;《重庆交通大学学报( 自然科学版)》;20180903;全文 * |
基于深度学习的数据融合方法研究综述;张红等;《计算机工程与应用》;20201120;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113096398A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN106407277B (zh) | 一种基于车联网数据对车主驻留点聚类后的属性分析方法 | |
CN112418117A (zh) | 一种基于无人机图像的小目标检测方法 | |
CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN102509123B (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
CN107169556A (zh) | 基于深度学习的干细胞自动计数方法 | |
CN108665093B (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
CN103886328A (zh) | 基于脑网络模块结构特征的功能磁共振影像数据分类方法 | |
CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
CN112396587B (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
CN107766636A (zh) | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 | |
CN109376613A (zh) | 基于大数据和深度学习技术的视频智能监控系统 | |
CN113096398B (zh) | 一种多源数据融合的综合交通数据挖掘方法 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
CN105957356A (zh) | 一种基于行人数量的交通控制系统及方法 | |
CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 |
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 |