CN113240073A - 基于深度学习的智能决策系统及方法 - Google Patents
基于深度学习的智能决策系统及方法 Download PDFInfo
- Publication number
- CN113240073A CN113240073A CN202110403220.9A CN202110403220A CN113240073A CN 113240073 A CN113240073 A CN 113240073A CN 202110403220 A CN202110403220 A CN 202110403220A CN 113240073 A CN113240073 A CN 113240073A
- Authority
- CN
- China
- Prior art keywords
- day
- neural network
- feedforward neural
- road section
- time period
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 136
- 230000000007 visual effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 10
- 230000002354 daily effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002045 lasting effect Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 27
- 210000004556 brain Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习的智能决策系统，所述系统包括：参数解析模块，用于输入当天凌晨采集的城市固定路段周围最近的设定数量的多个停车场分别对应的多个停车数量以执行训练后的深度前馈神经网络，并获得预测通行总数以及预测违章总数；帧率映射模块，用于基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率。本发明还涉及一种基于深度学习的智能决策方法。通过本发明，能够建立城市内每一个固定路段其每天通行的车辆总数、违章车辆总数与预设范围内的周围停车场停车数量之间的智慧映射模型，从而完成停车场数据和路段车辆数据之间的关联和互动。
Description
技术领域
本发明涉及智慧大脑领域，尤其涉及一种基于深度学习的智能决策系统及方法。
背景技术
建设智慧城市的目标要让老百姓有获得感和体验感，智慧大脑（又称作为城市智能运营中心）切实能够帮助城市管理者提高城市运营管理水平、建设文明和环境美好城市、提高政府服务水平。
智慧大脑是智慧城市中业务、数据的集散地，是智慧城市的感知中心、互联中心、管理中心和决策中心。各类业务、数据向运营中心汇聚，通过决策分析，以指令的形式向周边业务扩散，实现综合管理和联合指挥。
智慧大脑作为智慧城市的“神经中枢”，它将发挥参谋决策、指挥调度、数据分析等多重作用。通过汇聚政府数据和社会数据形成城市大数据，以跨域的数据融合分析实现对城市运行状态的全面感知、态势预测，实时掌握城市运行状态，对应急指挥提供信息支撑，作为重大突发事件的指挥场所，形成平战结合的新型智慧城市运行管理模式。
然而，由于智慧大脑毕竟是城市管理的新鲜事物，在各个具体应用领域方面尚未建立有效的智慧管理模式，例如，城市内每一个固定路段其每天通行的车辆总数以及违章车辆总数与预设范围内的周围停车场停车的数量存在密切关系，可以通过二者的联动需求在整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，但是，如何将上述密切关系用模型进行表示，以及如何基于建立的模型执行整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，目前仍然是智慧大脑应用的空白区域。
发明内容
为了解决上述问题，本发明提供了一种基于深度学习的智能决策系统及方法，能够引入基于深度学习的前馈神经网络建立城市固定路段在第二天上班高峰时间段内通行过的车辆总数、出现违章行为的车辆总数分别与所述城市固定路段周围最近的设定数量的多个停车场在凌晨分别对应的多个停车数量之间的智能映射关系，尤为关键的是，根据城市固定路段选择停车场的划定范围，从而实现城市停车数据与城市交通数据之间的数据协作和交流，填补了智慧大脑在城市细分领域应用的空白。
相比较于现有技术，本发明具备以下几处突出的实质性特点：
（1）引入基于深度学习的前馈神经网络实现城市停车数据与城市交通数据之间的数据协作和交流，丰富了当前智慧大脑的应用领域；
（2）采用先使用较新数据进行训练后使用较旧数据进行训练的模式，保证训练后的深度前馈神经网络的可靠性和有效性；
（3）深度前馈神经网络应用的城市固定路段路面越宽，选择的停车场的划定范围越广，从而完成不同城市固定路段的不同深度前馈神经网络的灵活定制。
根据本发明的第一方面，提供了一种基于深度学习的智能决策系统，所述系统包括：
网络建立模块，用于建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
车辆采集模块，用于采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
依次训练模块，用于按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
参数解析模块，用于采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
帧率映射模块，用于基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
根据本发明的第二方面，提供了一种基于深度学习的智能决策系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
根据本发明的第三方面，提供了一种基于深度学习的智能决策方法，所述方法包括：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的基于深度学习的智能决策系统及方法的技术流程图。
图2为根据本发明的实施例1示出的基于深度学习的智能决策系统的结构示意图。
图3为根据本发明的实施例2示出的基于深度学习的智能决策系统的结构示意图。
图4为根据本发明的实施例3示出的基于深度学习的智能决策系统的结构示意图。
图5为根据本发明的实施例4示出的基于深度学习的智能决策系统的结构示意图。
图6为根据本发明的实施例5示出的基于深度学习的智能决策系统的结构示意图。
图7为根据本发明的实施例6示出的基于深度学习的智能决策方法的步骤流程图。
图8为根据本发明的实施例7示出的基于深度学习的智能决策方法的步骤流程图。
具体实施方式
智慧交通是智慧大脑的一项重要组成项目，指的是城市交通系统应用物联网、大数据分析为代表的多种技术，以期解决交通拥堵、能源消耗、环境污染等问题，实现交通智慧化的过程。智慧模型应用在智慧交通中，一方面可以协助政府科学规划交通设施，管理交通运行；另一方面还可以为运输公司和市民提供出行服务，提高其出行品质。
以共享单车投放优化为例，决策者运用智慧模型可以分析共享单车的时空分布数据，通过单车使用率等指标来判断共享单车在各个停车点的投放数量是否合理；了解居民使用共享单车的行为习惯；预测城市共享单车的适宜投放地点及数量；综合预测结果，可以生成多种单车投放方案；最后，决策者可以构建指标体系，对这些方案的综合效益做出评估，选择最优的单车投放方案。
但是，智慧交通目前应用的领域有效，对一些细分领域未投入应有的关注，导致存在一些空白需要进行克服。例如，城市内每一个固定路段其每天通行的车辆总数以及违章车辆总数与预设范围内的周围停车场停车的数量存在密切关系，可以通过二者的联动需求在整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，但是，如何将上述密切关系用模型进行表示，以及如何基于建立的模型执行整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，目前仍然是智慧大脑应用的空白区域。
为了克服上述不足，本发明搭建了一种基于深度学习的智能决策系统及方法，引入基于深度学习的前馈神经网络建立每一处交通路段由周围预设范围内的各个停车场凌晨停车数量的智能化关联模型，从而为相应交通路段的交通管理资源的派遣以及交通监控设备的运行模式提供重要的参考数据，尤为关键的是，交通路段的路面宽度不同，定制的基于深度学习的前馈神经网络也不同，从而进一步保证了停车数据和交通数据关联模型的有效性和可靠性。
如图1所示，给出了根据本发明示出的基于深度学习的智能决策系统及方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
首先，建立基于深度学习的前馈神经网络，完成城市每一固定路段周围预设范围内的各个停车场凌晨停车数量与所述固定路段在第二天上班高峰时间段内通行过的车辆总数、出现违章行为的车辆总数的数值对应关系的模型的建立；
其次，采用历史数据对所述前馈神经网络进行深度训练，并执行训练后的前馈神经网络获取当天上班高峰时间段内通行过的车辆总数、出现违章行为的车辆总数；
最后，基于当天上班高峰时间段内通行过的车辆总数确定对应的交通管理资源的分配和派遣，以及基于当天上班高峰时间段内出现违章行为的车辆总数确定对应的所述固定路段的视觉采集终端的拍摄帧率；
其中，尤为重要的是，为不同路面宽度的城市路段选择不同数量的附近停车场，从而完成对不同城市路段的不同网络模型的定制处理。
本发明的关键点在于，针对城市内的每一个路段，在每天上班高峰期之前，通过对凌晨时段附近停车场停车数量的基于深度前馈神经网络的数值分析，实现对所述路段在上班高峰期的通行车辆总数以及出现违章行为的车辆总数的预测，并基于预测结果确定不同的交通管理策略和视觉采集策略，从而在停车数据与交通数据之间建立城市范围内的智慧化的数据联动机制。
下面，将对本发明的基于深度学习的智能决策系统及方法以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于深度学习的智能决策系统的结构示意图。
如图2所示，所述基于深度学习的智能决策系统包括以下部件：
网络建立模块，用于建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
车辆采集模块，用于采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
依次训练模块，用于按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
参数解析模块，用于采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
帧率映射模块，用于基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关；
其中，前馈神经网络（feedforward neural network，FNN），简称前馈网络，是人工神经网络的一种。前馈神经网络采用一种单向多层结构。其中每一层包含若干个神经元。在此种神经网络中，各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层叫输入层，最后一层叫输出层，其他中间层叫做隐含层（或隐藏层、隐层）。隐藏层可以是一层。也可以是多层。
对于前馈神经网络结构设计，通常采用的方法有3类：直接定型法、修剪法和生长法。直接定型法设计一个实际网络对修剪法设定初始网络有很好的指导意义；修剪法由于要求从一个足够大的初始网络开始，注定了修剪过程将是漫长而复杂的，更为不幸的是，BP训练只是最速下降优化过程，它不能保证对于超大初始网络一定能收敛到全局最小或是足够好的局部最小。因此，修剪法并不总是有效的，生长法似乎更符合人的认识事物、积累知识的过程，具有自组织的特点，则生长法可能更有前途，更有发展潜力。
如果前馈神经网络有多个隐藏层，人们称之为“深度”神经网络。他们计算出一系列改变样本相似性的变换。各层神经元的活动是前一层活动的非线性函数。这样的前馈神经网络使用数据进行的多层训练也被称作为深度学习。
实施例2
图3为根据本发明的实施例2示出的基于深度学习的智能决策系统的结构示意图。
如图3所示，与上述实施例相比，所述基于深度学习的智能决策系统还包括：
数量提取模块，用于基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量；
其中，基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量包括：接收到的预测通行总数越多，确定的当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量越多；
由于每一个城市内的交通管理人员的数量作为交通管理资源来说是有限的，而一些大城市，其需要进行管理的路段众多，尤其是在每天的上班高峰时间段，经过本发明的上述处理，能够将有限的交通管理资源在整个城市范围内进行灵活、有效地分配和派遣，从而保证对每一个交通路段的管理效果和效率。
实施例3
图4为根据本发明的实施例3示出的基于深度学习的智能决策系统的结构示意图。
如图4所示，与上述实施例相比，所述基于深度学习的智能决策系统还包括：
内容存储模块，分别与所述依次训练模块以及所述参数解析模块连接，用于接收并存储所述训练后的深度前馈神经网络，以及接收并存储所述预测通行总数以及所述预测违章总数；
其中，所述内容存储模块可以采用不同的物理隔绝的多个存储地址用于完成训练后的深度前馈神经网络、所述预测通行总数以及所述预测违章总数的不同位置的存储操作。
实施例4
图5为根据本发明的实施例4示出的基于深度学习的智能决策系统的结构示意图。
如图5所示，与上述实施例相比，不同之处在于，在所述基于深度学习的智能决策系统中：
所述车辆采集模块包括无线采集子模块以及视觉检测子模块；
其中，所述无线采集子模块用于采用无线通信模式与所述城市固定路段周围最近的设定数量的多个停车场分别对应的多个无线通信终端连接，用于获取每一天历史车辆信息中所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量；
其中，所述视觉检测子模块用于采用视觉检测模式与所述城市固定路段的信号灯附近的视觉采集终端连接，用于获取每一天历史车辆信息中所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
其中，所述无线通信模式可以是时分双工通信模式、频分双工通信模式以及5G通信模式中的一种，而所述视觉检测子模块包括不同类型的图像传感器、图像处理元件以及图像识别元件。
在上述实施例的任一实施例中，可选地，在所述基于深度学习的智能决策系统中：
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练包括：越新的历史车辆信息对应的一次训练执行的顺序越优先；
这样，越新的历史车辆信息对应的一次训练优先处理，能够保证训练后的前馈神经网络的参数更接近于最新日期。
在上述实施例的任一实施例中，可选地，在所述基于深度学习的智能决策系统中：
相对于凌晨12点整的第二天上班高峰时间段为相对于凌晨12点整的第二天上午7点到9点持续两个小时的时间段；
同样，可以根据智慧大脑的管理需求，将被监控的时间段在上午的各个时间点内进行灵活调整。
在上述实施例的任一实施例中，可选地，在所述基于深度学习的智能决策系统中：
当天执行训练后的深度前馈神经网络的执行时刻为当天上班高峰时间段之前以及当天凌晨2点之后的任一时刻；
上述执行时刻的选择，能够保证智慧大脑的管理人员能够在每天上午上班时间即可以获得最新的路段行驶车辆总数以及路段违章车辆总数的估算值。
实施例5
图6为根据本发明的实施例5示出的基于深度学习的智能决策系统的结构方框图。
如图6所示，所述基于深度学习的智能决策系统包括存储器以及N个处理器，N为大于1的自然数，所述存储器存储有计算机程序，所述计算机程序被配置成由所述N个处理器执行以完成以下步骤：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
实施例6
图7为根据本发明的实施例6示出的基于深度学习的智能决策方法的步骤流程图。
如图7所示，所述基于深度学习的智能决策方法包括以下步骤：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
实施例7
图8为根据本发明的实施例7示出的基于深度学习的智能决策方法的步骤流程图。
如图8所示，相比较于实施例7，所述基于深度学习的智能决策方法还包括以下步骤：
基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量；
其中，基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量包括：接收到的预测通行总数越多，确定的当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量越多。
另外，智慧大脑承担城市综合治理的重任，是主要利用移动互联网、物联网、云计算、大数据等现代技术手段构建的统一的城市综合管理与服务平台，强调政府、企业和公众三位一体，其总体架构如下：
总体态势：打通不同部门的数据，结合专题模型及算法，宏观展现经济、安全、交通、人居、民生、政务等专题数据，用于呈现城市总体运行态势，并进行集中监督和管理。
分析决策：根据预警平台发送的警示信息或者来自社会治理问题进行分析，利用城市大数据分析问题发生的根本原因。找出解决问题的行动方案。
事件管理：跨部门联合受理来自城市不同部门、不同系统、市民热线的请求，将事件分拨处置，并进行过程跟踪和绩效评价，解决城市治理老大难问题。
监测预警：基于大数据流实时监测预警，7*24小时为城市的各种风险隐患进行模型计算，重大问题启动应急预案来处理应急问题。
联动指挥：打通业务流及通信资源，实现跨部门统一指挥，上下联动，真正实现从预警、分析、处置、跟踪的全过程管理，平战结合的应急管理系统，提升政府应急处置能力。
智慧城市必须具备感知、分析和应对3个要素才能实现“智慧”。感知的实现，相当于给城市装上眼、耳、鼻，使城市能够通过各种传感器设备来感知、采集各种数据。分析的实现，相当于给城市装上大脑，通过数据分析，了解城市现状、发现城市问题、探寻城市运营机制、预测城市未来、生成问题解决方案。应对的实现，相当于给城市装上手脚，使城市能够自主解决城市问题，迅速、灵活、准确地进行调控。这三者缺一不可：感知是先导，分析是核心，应对是智慧城市的理想目标。
目前，智慧城市已经初步建立起多种数据采集渠道，其工作重心正在从数据管理转向数据分析。而智慧的分析需要智慧的模型，相当于智慧城市的大脑，是智慧城市建设的关键所在。智慧模型的研究才刚刚开始，存在大量工作要做：一方面，现成的智慧模型尚为数不多，需要人们一起来针对智慧城市建设的需求进行研究开发；另一方面，智慧模型要能集成到智慧城市系统中发挥作用，还有大量的开发工作要做。
总之，已经描述了利用本发明的原理产生的很多好处。为了解释和说明，已经对本发明的一个或多个实施例进行了描述。这并不意味着本发明的无遗漏的描述或是将本发明限制在已公开的确切形式中。根据以上的教导可以作出显而易见的修改和改变。对一个或多个实施例进行选择和描述是为了更好地解释本发明的原理和应用，因此可以使本领域的普通技术人员以不同实施例和适合于特殊应用的多种修改形式更好地应用本发明。此处所附的权利要求确定本发明的保护范围。
Claims (10)
1.一种基于深度学习的智能决策系统，其特征在于，所述系统包括：
网络建立模块，用于建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
车辆采集模块，用于采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
依次训练模块，用于按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
参数解析模块，用于采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
帧率映射模块，用于基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
2.如权利要求1所述的基于深度学习的智能决策系统，其特征在于，所述系统还包括：
数量提取模块，用于基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量；
其中，基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量包括：接收到的预测通行总数越多，确定的当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量越多。
3.如权利要求1所述的基于深度学习的智能决策系统，其特征在于，所述系统还包括：
内容存储模块，分别与所述依次训练模块以及所述参数解析模块连接，用于接收并存储所述训练后的深度前馈神经网络，以及接收并存储所述预测通行总数以及所述预测违章总数。
4.如权利要求1所述的基于深度学习的智能决策系统，其特征在于：
所述车辆采集模块包括无线采集子模块以及视觉检测子模块；
其中，所述无线采集子模块用于采用无线通信模式与所述城市固定路段周围最近的设定数量的多个停车场分别对应的多个无线通信终端连接，用于获取每一天历史车辆信息中所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量；
其中，所述视觉检测子模块用于采用视觉检测模式与所述城市固定路段的信号灯附近的视觉采集终端连接，用于获取每一天历史车辆信息中所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数。
5.如权利要求1-4任一所述的基于深度学习的智能决策系统，其特征在于：
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练包括：越新的历史车辆信息对应的一次训练执行的顺序越优先。
6.如权利要求1-4任一所述的基于深度学习的智能决策系统，其特征在于：
相对于凌晨12点整的第二天上班高峰时间段为相对于凌晨12点整的第二天上午7点到9点持续两个小时的时间段。
7.如权利要求1-4任一所述的基于深度学习的智能决策系统，其特征在于：
当天执行训练后的深度前馈神经网络的执行时刻为当天上班高峰时间段之前以及当天凌晨2点之后的任一时刻。
8.一种基于深度学习的智能决策系统，其特征在于，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
9.一种基于深度学习的智能决策方法，其特征在于，所述方法包括：
建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
采集多天历史车辆信息，每一天历史车辆信息为当天执行训练后的深度前馈神经网络的执行时刻之前历史上某一天采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量以及所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；
按照多天历史车辆信息的新旧顺序依次采用每一天历史车辆信息对所述深度前馈神经网络执行一次训练，并将完成多天历史车辆信息分别对应的多次训练的所述深度前馈神经网络作为训练后的深度前馈神经网络；
采用当天的前一天凌晨12点整采集的所述城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量作为所述训练后的深度前馈神经网络的输入层的预设输入数量的多个输入数据以执行所述训练后的深度前馈神经网络，并获得所述训练后的深度前馈神经网络的输出层的第一输出数据以作为预测通行总数输出，以及获得所述训练后的深度前馈神经网络的输出层的第二输出数据以作为预测违章总数输出；
基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率；
其中，在所述深度前馈神经网络中，所述城市固定路段的道路宽度的数值越大，所述深度前馈神经网络的设定数量的取值越大；
其中，接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率包括：确定的当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率与接收到的预测违章总数单调正相关。
10.如权利要求9所述的基于深度学习的智能决策方法，其特征在于，所述方法还包括：
基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量；
其中，基于接收到的预测通行总数确定当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量包括：接收到的预测通行总数越多，确定的当天上班高峰时间段之前派遣到所述城市固定路段的交通管理人员的数量越多。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110403220.9A CN113240073B (zh) | 2021-04-15 | 2021-04-15 | 基于深度学习的智能决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110403220.9A CN113240073B (zh) | 2021-04-15 | 2021-04-15 | 基于深度学习的智能决策系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240073A true CN113240073A (zh) | 2021-08-10 |
| CN113240073B CN113240073B (zh) | 2022-03-11 |
Family
ID=77128278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110403220.9A Active CN113240073B (zh) | 2021-04-15 | 2021-04-15 | 基于深度学习的智能决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240073B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154400A (zh) * | 2021-11-15 | 2022-03-08 | 中国人民解放军63963部队 | 无人车辆健康状态检测系统及检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005120A (zh) * | 2010-11-22 | 2011-04-06 | 顾海松 | 基于视频图像分析的交通路口监控技术和系统 |
| CN105590461A (zh) * | 2016-03-09 | 2016-05-18 | 余水平 | 一种利用违章大数据对路边停车进行提示及引导的方法 |
| CN107735825A (zh) * | 2014-12-02 | 2018-02-23 | 凯文·孙林·王 | 合法停车的方法和系统 |
| CN110419069A (zh) * | 2017-03-03 | 2019-11-05 | 福特全球技术公司 | 车辆停车控制 |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111160537A (zh) * | 2020-01-03 | 2020-05-15 | 南京邮电大学 | 一种基于ann的路口交通警力资源调度系统 |
| US20200247430A1 (en) * | 2019-01-31 | 2020-08-06 | Uber Technologies, Inc. | Illegal stopping zone avoidance system |
-
2021
- 2021-04-15 CN CN202110403220.9A patent/CN113240073B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005120A (zh) * | 2010-11-22 | 2011-04-06 | 顾海松 | 基于视频图像分析的交通路口监控技术和系统 |
| CN107735825A (zh) * | 2014-12-02 | 2018-02-23 | 凯文·孙林·王 | 合法停车的方法和系统 |
| CN105590461A (zh) * | 2016-03-09 | 2016-05-18 | 余水平 | 一种利用违章大数据对路边停车进行提示及引导的方法 |
| CN110419069A (zh) * | 2017-03-03 | 2019-11-05 | 福特全球技术公司 | 车辆停车控制 |
| US20200247430A1 (en) * | 2019-01-31 | 2020-08-06 | Uber Technologies, Inc. | Illegal stopping zone avoidance system |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111160537A (zh) * | 2020-01-03 | 2020-05-15 | 南京邮电大学 | 一种基于ann的路口交通警力资源调度系统 |
Non-Patent Citations (2)
| Title |
|---|
| SHEN XU ET AL: "《ParkPredict：Motion and Intent Prediction of Vehicles in Parking Lots》", 《IEEE》 * |
| 闻育: "《复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用》", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154400A (zh) * | 2021-11-15 | 2022-03-08 | 中国人民解放军63963部队 | 无人车辆健康状态检测系统及检测方法 |
| CN114154400B (zh) * | 2021-11-15 | 2023-12-05 | 中国人民解放军63963部队 | 无人车辆健康状态检测系统及检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240073B (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378824B (zh) | 一种公安交管数据大脑及构建方法 | |
| CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
| Nama et al. | Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges | |
| CN103985271B (zh) | 一种基于云物联的智能停车引导系统 | |
| Machin et al. | On the use of artificial intelligence techniques in intelligent transportation systems | |
| CN108229685A (zh) | 一种空地一体的无人智能决策方法 | |
| CN102243497A (zh) | 用于工程机械的基于物联网技术的远程智能分析服务系统 | |
| CN114220259B (zh) | 一种基于数据融合的高速公路应急控制方法 | |
| US11741565B1 (en) | Method, internet of things system and storage medium of public transport management in a smart urban | |
| CN112801340B (zh) | 一种基于多层级城市信息单元画像的人群密度预测方法 | |
| CN113240073B (zh) | 基于深度学习的智能决策系统及方法 | |
| Keyarsalan et al. | Designing an intelligent ontological system for traffic light control in isolated intersections | |
| CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
| Chang et al. | A cooperative strategy for optimizing vehicle relocations and staff movements in cities where several carsharing companies operate simultaneously | |
| Jutury et al. | Adaptive neuro-fuzzy enabled multi-mode traffic light control system for urban transport network | |
| Du et al. | Multi-agent deep reinforcement learning with spatio-temporal feature fusion for traffic signal control | |
| Nakamura et al. | Constructing execution and life-cycle models for smart city services with self-aware IoT | |
| CN116954565A (zh) | 智慧城市消息平台发布方法 | |
| Liu et al. | Smart metro station systems: data science and engineering | |
| CN111476697A (zh) | 一种智慧路网综合管理平台 | |
| WO2020118517A1 (zh) | 交通管理与控制服务指数的评价指标体系建立及发布方法 | |
| CN116108970A (zh) | 智慧城市共享单车投放及运营区规划方法和物联网系统 | |
| CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
| Arsenio et al. | Assessing multimodal mobility trends using heterogeneous data sources: a case study for supporting sustainable policy goals within the region of Algarve | |
| Shahrier et al. | Route optimization issues and initiatives in Bangladesh: The context of regional significance |
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 |