CN113780641A - 一种基于迁移学习的事故预测方法及装置 - Google Patents

一种基于迁移学习的事故预测方法及装置 Download PDF

Info

Publication number
CN113780641A
CN113780641A CN202111009466.4A CN202111009466A CN113780641A CN 113780641 A CN113780641 A CN 113780641A CN 202111009466 A CN202111009466 A CN 202111009466A CN 113780641 A CN113780641 A CN 113780641A
Authority
CN
China
Prior art keywords
sample
data set
accident
accident prediction
data
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.)
Pending
Application number
CN202111009466.4A
Other languages
English (en)
Inventor
唐冬杰
王雪松
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 CN202111009466.4A priority Critical patent/CN113780641A/zh
Publication of CN113780641A publication Critical patent/CN113780641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N20/00—Machine learning

Abstract

本发明涉及一种基于迁移学习的事故预测方法及装置，该方法包括以下步骤：步骤S1：获取道路几何数据、交通运行数据以及交通事故数据；步骤S2：将道路划分为同质路段；步骤S3：构建源数据集和目标数据集，确定事故预测模型的样本数据集；步骤S4：基于步骤S3的样本数据集和迁移学习算法构建事故预测模型，并进行事故预测。与现有技术相比，本发明的方法对目标数据集的样本量要求小，相对于非迁移学习的事故预测模型，具有更高的准确性和可靠性。

Description

一种基于迁移学习的事故预测方法及装置
技术领域
本发明涉及交通安全数据智能处理领域，尤其是涉及一种基于迁移学习的事故预测方法及装置。
背景技术
近年来，我国机动化和城市化进程的加快，机动车保有量和道路设施规模逐年扩大，交通安全问题随之日益凸显。2015-2017年，我国道路交通事故死亡人数分别为5.80万、6.30万、6.38万人；同期，十万人死亡率分别为4.22、4.56、4.59。在道路交通体量快速增长的背景下，死亡人数和十万人死亡率逐年上升且处于较高水平，表明我国亟待解决交通安全问题。另外，就城市交通安全情况来看，我国各大城市交通死亡人数也远超欧美同规模城市。2015年，上海市和北京交通事故死亡人数为850、900人左右，而纽约、东京、伦敦等城市死亡人数不足300人。因而有必要深入各城市进行交通安全分析，增强城市交通安全管理水平。
目前，美国已经基于模型的交通安全分析与改善手册《公路安全手册》。该手册使用美国部分地区数据(佛罗里达州、北卡罗莱纳州、明尼苏达州等)建立了面向不同道路设施类型、不同严重程度事故的事故预测模型，用以进行定量的交通安全分析。该手册通过模型迁移方法完成手册模型至全国其他地区的模型迁移过程，从而帮助数据匮乏地区构建事故预测模型并进行交通安全分析。我国针对各类道路设施的交通安全研究尚处于初步发展阶段，在国家层面还未建立起适用于我国交通现状的安全分析方法，大部分地区无法采集完整的交通安全数据集，仅有上海市等城市少部分城市建立了交通安全数据集。而在管理方面，我国交警部门多采用朴素的事故数法进行事故多发路段判别，忽略了事故数的随机性以及交通流等特征的影响。例如，公安部《公路交通事故多发点段及严重安全隐患排查工作规范(试行)》将3年内发生5起亡人事故的道路判定为一类事故多发点段。在当前安全态势下，我国急需制定面向我国道路交通环境的事故预测模型，为提升道路交通本质安全水平提供理论依据和实践案例。
现有事故预测模型的迁移方法中基于统计模型方法，对于小样本量的交通数据集(目标数据集)构建模型，而大样本量的交通数据集(源数据集)与目标数据集可能存在数据异质性，无法直接应用于目标数据集的模型建立，即对异质数据中的有效信息提取效率低，准确性和可靠性不高。
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了一种准确性高、可靠性强的基于迁移学习的事故预测方法及装置。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供了一种基于迁移学习的事故预测方法，该方法包括以下步骤：
步骤S1：获取道路几何数据、交通运行数据以及交通事故数据；
步骤S2：将道路划分为同质路段；
步骤S3：构建源数据集和目标数据集，确定事故预测模型的样本数据集；
步骤S4：基于步骤S3的样本数据集和迁移学习算法构建事故预测模型，并进行事故预测。
优选地，所述步骤S1中的道路几何数据包括道路横截面、纵断面及平面几何数据。
优选地，所述步骤S2具体为：根据车道数、是否存在中央分隔带以及是否存在机非分隔带，将道路划分为几何参数一致的同质路段，即车道数、是否存在中央分隔带以及是否存在机非分隔带保持一致。
优选地，所述步骤S3具体为：构建源数据集Tsource1，Tsource2…Tsourcei，i＝1，…，n，以及目标数据集Ttarget(n+1)，Ttarget(n+2)…Ttargeti，i＝n+1，…，n+m；n为源数据集样本量大小，m为目标数据集样本量大小；提取各同质路段的数据，构建事故预测模型的样本数据集，提供给步骤S4。
优选地，所述同质路段的数据包括道路几何特征变量、交通运行特征变量及事故数。
优选地，所述步骤S4包括以下步骤：
步骤S41：设置迁移学习算法TrAdaBoost.R2相关参数及初始值，包括迁移学习的迭代次数设定值T，弱学习器类型G(x)，其中x为样本数据集，样本权重的初始值D0＝(w0，1，…，w0，i，…，w0，n+m)，其中w0，i表示在初始情况下第i个样本的权重，初始时所有样本的权重相等，n为源数据样本量大小，m为目标数据集样本量大小；
步骤S42：判断当前迭代次数t是否达到迭代次数设定值T，若是，直接转至步骤S48，否则，转至步骤S43；
步骤S43：样本重采样；基于上一轮迭代后的样本权重Dt-1对样本进行重采样，其中样本i被采样的概率分布为wt-1，i；
步骤S44：采用重采样的样本训练弱学习器Gt(x)；
步骤S45：计算弱学习器Gt(x)的错误率εt，所述弱学习器Gt(x)的错误率εt由样本权重和弱学习器Gt(x)在目标数据集的错误率决定，其计算方法为：
Figure BDA0003238356080000031
其中，wt-1，i为第i个样本的被采样的概率分布，yi为第i个样本的事故数，Gt(xi)为Gt(x)对第i个样本的预测事故数，n为源数据样本量大小，m为目标数据集样本量大小；
步骤S46：分别计算源数据集和目标数据集弱学习器的权重βt：
Figure BDA0003238356080000032
其中，εt为弱学习器Gt(x)的错误率，Tsource为源数据集，Ttarget为目标数据集；
步骤S47：更新样本权重wt，i；
根据上一轮迭代的样本权重wt-1,i进行训练集的权重更新，更新方法为：
Figure BDA0003238356080000033
其中，wt-1,i为上一轮迭代的样本权重，βt为弱学习器的权重，yi为第i个样本的事故数，Gt(xi)为Gt(x)对第i个样本的预测事故数，Tsource为源数据集，Ttarget为目标数据集；
步骤S48：加权组合弱学习器Gt(x)，得到事故预测模型的输出FT(x)。
优选地，所述步骤S41中w0,i表达式为：
Figure BDA0003238356080000034
其中n为源数据样本量大小，m为目标数据集样本量大小。
优选地，所述步骤S47为：针对源数据集中的误差低于设定值的低误差样本，增大权重以提取源数据集中的同质数据；针对目标数据集中的误差高于误设定值的高误差样本，增大样本权重以提升模型预测性能。
优选地，所述步骤S48具体为为：最终模型输出FT(x)为弱学习器Gt(x)的加权中位数，其中T/2≤t≤T，每个弱学习器Gt(x)的权重为ln(1/βt)。
根据本发明的第二方面，提供了一种基于上述基于迁移学习的事故模型预测方法的装置，该装置包括以下模块：
数据获取模块，用于获取道路几何数据、交通运行数据以及交通事故数据；
样本数据处理模块，用于划分同质路段以及确定源数据集、目标数据集和事故预测模型的样本数据集；
模型训练模块，用于构建基于迁移学习的事故预测模型并进行训练；
事故预测模块，用于进行事故预测。
与现有技术相比，本发明具有以下优点：
1)本发明的方法对目标数据集的样本量要求小，相对于非迁移学习的事故预测模型，具有更高的准确性和可靠性；
2)相较于现有事故预测模型的迁移方法中基于统计模型方法，本发明对异质数据中的有效信息提取效率高。
附图说明
图1为本发明的事故预测方法流程图；
图2为预测误差分布图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明提供了一种基于迁移学习的事故预测方法，该方法通过采集道路几何数据、交通运行数据和交通事故数据，基于道路几何参数划分同质路段，并统计各路段事故数，以构建交通安全分析的样本数据集；通过设置初始值、重采样、训练弱学习器、计算弱学习器错误率、计算弱学习器权重、计算样本权重强化对源数据集中同质数据的训练，并加权组合迭代过程中的弱学习器，从而构建事故预测模型。所发明的方法对目标数据集的样本量要求小，相对于非迁移学习的事故预测模型，具有更高的准确性和可靠性。
下面结合附图对本发明的方法实施例进行详细说明，本发明的基于迁移学习的事故预测方法包括以下步骤：
步骤S1：获取道路几何数据、交通运行数据及交通事故数据；
从道路设计资料中获取道路横断面、纵断面及平面几何数据，基于交通检测设备获取交通运行数据；
步骤S2：将道路划分为同质路段；
根据车道数、是否存在中央分隔带、是否存在机非分隔带，将道路划分为几何参数一致的同质路段，即车道数、是否存在中央分隔带、是否存在机非分隔带保持一致；
步骤S3：构建源数据集Tsource(i＝1,…,n)和目标数据集Ttarget(i＝n+1,…,n+m)，其中n为源数据样本量大小，m为目标数据集样本量大小；
提取各同质路段的道路几何特征变量、交通运行特征变量及事故数，构建交通安全分析的数据集，提供给步骤S4；
步骤S4：使用迁移学习算法TrAdaBoost.R2算法建立事故预测模型；
步骤S41：初始值设置。设置算法迭代次数T；设置弱学习器类型G(x)；设置样本权重向量D0＝(w0,1,…,w0,i,…,w0,n+m)，其中w0,i表示在初始情况下第i个样本的权重，其中
Figure BDA0003238356080000051
i＝1,2,...,n+m；
步骤S42：迭代次数判断；判断当前算法迭代次数t是否到达T：若是，直接则转至步骤S48；否则，转至步骤S43；
步骤S43：样本重采样；根据上一次迭代后的样本权重Dt-1对样本进行重采样，样本i被采样的概率分布即为wt-1,i；
步骤S44：训练弱学习器Gt(x)；应用重采样样本训练弱学习器Gt(x)；
步骤S45：计算弱学习器的错误率εt；Gt(x)的错误率εt由样本权重和该学习器在目标数据集的错误率决定，其计算方法为：
Figure BDA0003238356080000052
其中yi为第i个样本的事故数，Gt(xi)为Gt(x)对第i个样本的预测事故数；
步骤S46：计算弱学习器权重βt；为源数据集和目标数据集分别计算弱学习器Gt(x)权重为：
Figure BDA0003238356080000061
步骤S47：更新样本权重wt,i；针对源数据集中的低误差样本，其更有可能为同质数据，需要增大权重以提取源数据集中的同质数据；针对目标数据集中的高误差样本，应增大样本权重以提升模型预测性能；根据上一轮迭代的样本权重wt-1,i进行训练集权重更新，更新方法为：
Figure BDA0003238356080000062
步骤S48：加权组合弱学习器；最终输出模型FT(x)为弱学习器Gt(x)的加权中位数，其中[T/2]≤t≤T，每个弱学习器权重为ln(1/βt)。
下面利用中国A市和B市的真实道路几何数据、交通运行数据及交通事故数据，测试本发明的方法。
假设A市为源数据域，已经采集了大样本数据集；B市为目标数据集，可获取样本量较小。采集A市和B市的道路几何数据、交通运行数据及交通事故数据。在保证同一路段的车道数、是否存在中央分隔带、是否存在机非分隔带参数相同的前提下，获取A市176个路段样本，B市50个路段样本，并为路段编号，提取各路段的道路几何特征变量、交通运行特征变量，并提取各路段的事故数。
依照上述步骤S1～S4，为B市建立事故预测模型。将A市数据集和B市数据集分别作为源数据集和目标数据集，构建事故预测模型。并基于A市和B市数据进行事故预测，可以计算得到预测的误差，如图2所示。
根据图2可知，当事故数小于20时，模型的预测精度相对较高，误差绝对值小于10。当事故数大于20时，模型的预测精度有所下降，部分路段的误差较大。然而，部分高事故数路段的误差较小，表明本方法在预测高事故数样本方面具有一定可靠性。
下面给出本发明的装置实施例，装置包括以下模块：
数据获取模块，用于获取道路几何数据、交通运行数据以及交通事故数据；
样本数据处理模块，用于划分同质路段以及确定源数据集、目标数据集和事故预测模型的样本数据集；
模型训练模块，用于构建基于迁移学习的事故预测模型并进行训练；
事故预测模块，用于进行事故预测。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于迁移学习的事故预测方法，其特征在于，该方法包括以下步骤：
步骤S1：获取道路几何数据、交通运行数据以及交通事故数据；
步骤S2：将道路划分为同质路段；
步骤S3：构建源数据集和目标数据集，确定事故预测模型的样本数据集；
步骤S4：基于步骤S3的样本数据集和迁移学习算法构建事故预测模型，并进行事故预测。
2.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S1中的道路几何数据包括道路横截面、纵断面及平面几何数据。
3.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S2具体为：根据车道数、是否存在中央分隔带以及是否存在机非分隔带，将道路划分为几何参数一致的同质路段，即车道数、是否存在中央分隔带以及是否存在机非分隔带保持一致。
4.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S3具体为：构建源数据集Tsource1，Tsource2...Tsourcei，i＝1，...，n，以及目标数据集Ttarget(n+1)，Ttarget(n+2)...Ttargeti，i＝n+1，...，n+m；n为源数据集样本量大小，m为目标数据集样本量大小；提取各同质路段的数据，构建事故预测模型的样本数据集，提供给步骤S4。
5.根据权利要求4所述的一种基于迁移学习的事故预测方法，其特征在于，所述同质路段的数据包括道路几何特征变量、交通运行特征变量及事故数。
6.根据权利要求1所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S4包括以下步骤：
步骤S41：设置迁移学习算法TrAdaBoost.R2相关参数及初始值，包括迁移学习的迭代次数设定值T，弱学习器类型G(x)，其中x为样本数据集，样本权重的初始值D0＝(w0，1，...，w0，i，...，w0，n+m)，其中w0，i表示在初始情况下第i个样本的权重，初始时所有样本的权重相等，n为源数据样本量大小，m为目标数据集样本量大小；
步骤S42：判断当前迭代次数t是否达到迭代次数设定值T，若是，直接转至步骤S48，否则，转至步骤S43；
步骤S43：样本重采样；基于上一轮迭代后的样本权重Dt-1对样本进行重采样，其中样本i被采样的概率分布为wt-1，i；
步骤S44：采用重采样的样本训练弱学习器Gt(x)；
步骤S45：计算弱学习器Gt(x)的错误率εt，所述弱学习器Gt(x)的错误率εt由样本权重和弱学习器Gt(x)在目标数据集的错误率决定，其计算方法为：
Figure FDA0003238356070000021
其中，wt-1，i为第i个样本的被采样的概率分布，yi为第i个样本的事故数，Gt(xi)为Gt(x)对第i个样本的预测事故数，n为源数据样本量大小，m为目标数据集样本量大小；
步骤S46：分别计算源数据集和目标数据集弱学习器的权重βt：
Figure FDA0003238356070000022
其中，εt为弱学习器Gt(x)的错误率，Tsource为源数据集，Ttarget为目标数据集；
步骤S47：更新样本权重wt，i；
根据上一轮迭代的样本权重wt-1，i进行训练集的权重更新，更新方法为：
Figure FDA0003238356070000023
迭代次数t＝t+1；
其中，wt-1，i为上一轮迭代的样本权重，βt为弱学习器的权重，yi为第i个样本的事故数，Gt(xi)为Gt(x)对第i个样本的预测事故数，Tsource为源数据集，Ttarget为目标数据集；
步骤S48：加权组合弱学习器Gt(x)，得到事故预测模型的输出FT(x)。
7.根据权利要求6所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S41中w0，i表达式为：
Figure FDA0003238356070000024
其中n为源数据样本量大小，m为目标数据集样本量大小。
8.根据权利要求6所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S47为：针对源数据集中的误差低于设定值的低误差样本，增大权重以提取源数据集中的同质数据；针对目标数据集中的误差高于误设定值的高误差样本，增大样本权重以提升模型预测性能。
9.根据权利要求6所述的一种基于迁移学习的事故预测方法，其特征在于，所述步骤S48具体为为：最终模型输出FT(x)为弱学习器Gt(x)的加权中位数，其中T/2≤t≤T，每个弱学习器Gt(x)的权重为ln(1/βt)。
10.一种基于权利要求1所述的一种基于迁移学习的事故模型预测方法的装置，其特征在于，该装置包括以下模块：
数据获取模块，用于获取道路几何数据、交通运行数据以及交通事故数据；
样本数据处理模块，用于划分同质路段以及确定源数据集、目标数据集和事故预测模型的样本数据集；
模型训练模块，用于构建基于迁移学习的事故预测模型并进行训练；
事故预测模块，用于进行事故预测。
CN202111009466.4A 2021-08-31 2021-08-31 一种基于迁移学习的事故预测方法及装置 Pending CN113780641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111009466.4A CN113780641A (zh) 2021-08-31 2021-08-31 一种基于迁移学习的事故预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111009466.4A CN113780641A (zh) 2021-08-31 2021-08-31 一种基于迁移学习的事故预测方法及装置

Publications (1)

Publication Number Publication Date
CN113780641A true CN113780641A (zh) 2021-12-10

Family

ID=78840300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111009466.4A Pending CN113780641A (zh) 2021-08-31 2021-08-31 一种基于迁移学习的事故预测方法及装置

Country Status (1)

Country Link
CN (1) CN113780641A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107935A1 (en) * 2016-10-18 2018-04-19 Uber Technologies, Inc. Predicting safety incidents using machine learning
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
CN108198421A (zh) * 2018-01-19 2018-06-22 同济大学 一种区分单车、多车事故的高速公路事故多发路段判别方法
CN109558969A (zh) * 2018-11-07 2019-04-02 南京邮电大学 一种基于AdaBoost-SO的VANETs车辆事故风险预测模型
CN110867076A (zh) * 2019-11-05 2020-03-06 武汉理工大学 一种交通事故预测方法及装置
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN112530163A (zh) * 2020-11-23 2021-03-19 腾讯科技（深圳）有限公司 交通事故预测方法、装置、电子设备及存储介质
CN113222208A (zh) * 2021-03-26 2021-08-06 辽宁工程技术大学 一种基于Ada-XGBoost的交通事故预测系统
CN113283634A (zh) * 2021-04-15 2021-08-20 招商新智科技有限公司 一种基于梯度提升树模型的高速公路事故预测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180107935A1 (en) * 2016-10-18 2018-04-19 Uber Technologies, Inc. Predicting safety incidents using machine learning
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
CN108198421A (zh) * 2018-01-19 2018-06-22 同济大学 一种区分单车、多车事故的高速公路事故多发路段判别方法
CN109558969A (zh) * 2018-11-07 2019-04-02 南京邮电大学 一种基于AdaBoost-SO的VANETs车辆事故风险预测模型
CN110867076A (zh) * 2019-11-05 2020-03-06 武汉理工大学 一种交通事故预测方法及装置
CN112419709A (zh) * 2020-10-16 2021-02-26 同济大学 一种基于路段异质性的快速路事故风险实时预测方法
CN112530163A (zh) * 2020-11-23 2021-03-19 腾讯科技（深圳）有限公司 交通事故预测方法、装置、电子设备及存储介质
CN113222208A (zh) * 2021-03-26 2021-08-06 辽宁工程技术大学 一种基于Ada-XGBoost的交通事故预测系统
CN113283634A (zh) * 2021-04-15 2021-08-20 招商新智科技有限公司 一种基于梯度提升树模型的高速公路事故预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONGJIETANG等: "Improving the transferability of the crash prediction model using the TrAdaBoost.R2 algorithm", 《ACCIDENT ANALYSIS & PREVENTION》 *
孙倩等: "基于离散时间信号相关性的交通事件检测算法", 《同济大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
CN108765404B (zh) 一种基于深度学习图像分类的道路破损检测方法及装置
CN111582029B (zh) 一种基于密集连接与注意力机制的交通标志识别方法
CN109858389B (zh) 基于深度学习的直梯人数统计方法及系统
CN103163278B (zh) 基于数值模式与统计分析结合的大气重污染预报方法
CN108416985B (zh) 一种基于图像识别的地质灾害监测预警系统及预警方法
CN104616093A (zh) 一种地震灾害救援指挥调度系统及方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN111460919A (zh) 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN111667204A (zh) 自动驾驶开放测试道路环境风险度确定、分级方法及系统
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN114022770A (zh) 基于改进自注意力机制与迁移学习的山体裂缝检测方法
CN113052106A (zh) 一种基于PSPNet网络的飞机起降跑道识别方法
Mahmud et al. Road image segmentation using unmanned aerial vehicle images and DeepLab V3+ semantic segmentation model
CN115238958A (zh) 一种基于复杂交通场景的危险事件链提取方法及系统
CN114782949A (zh) 一种边界引导上下文聚合的交通场景语义分割方法
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
CN113657645A (zh) 基于注意力机制的时空连接增强3dcnn交通预测方法
CN113780641A (zh) 一种基于迁移学习的事故预测方法及装置
CN113256978A (zh) 一种城市拥堵地区的诊断方法、系统及储存介质
CN109190451B (zh) 基于lfp特征的遥感图像车辆检测方法
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
CN109543610A (zh) 车辆检测跟踪方法、装置、设备及存储介质
CN115439412A (zh) 一种轻量化卷积网络的桥梁表面裂纹检测方法及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211210