CN115440029A - 一种考虑检测设备分布的车检器数据修复方法 - Google Patents
一种考虑检测设备分布的车检器数据修复方法 Download PDFInfo
- Publication number
- CN115440029A CN115440029A CN202210908725.5A CN202210908725A CN115440029A CN 115440029 A CN115440029 A CN 115440029A CN 202210908725 A CN202210908725 A CN 202210908725A CN 115440029 A CN115440029 A CN 115440029A
- Authority
- CN
- China
- Prior art keywords
- data
- inspection device
- detection
- vehicle inspection
- detection equipment
- 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
-
- 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
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑检测设备分布的车检器数据修复方法,属于电力电子技术领域。该方法包括:采集高速公路沿线布设的多源检测设备监测获得的交通流数据,进行完整性分析;基于Kendall相关系数,对多源检测设备监测获得的交通流数据进行一致性检验;根据完整性分析和一致性检验结果,确定不同检测设备分布下的车检器数据修复模型的输入输出关系,从而构建车检器数据修复模型的训练集和测试集;基于支持向量回归算法构建车检器数据修复模型,然后在训练集中,完成车检器数据修复模型的训练与模型参数的求解,之后在测试集中完成车检器数据修复模型的测试。本发明方法适应性强,能充分利用高速公路的多源数据,有效修复车检器中缺失数据或异常数据。
Description
技术领域
本发明属于智能交通信息技术领域,涉及一种考虑检测设备分布的车检器数据修复方法,可适用于已部署了ETC检测设备、智能高清监控摄像机和微波车检器设备的高速公路之中,融合多源数据,在不同检测设备分布条件下,针对车检器数据中的缺失数据或异常数据进行有效修复。
背景技术
车检器作为高速公路上最为常见、且应用最为广泛的路测设备,大量布设于高速公路主线路段上用于交通流参数的采集与监测。对于车检器数据中缺失数据或异常数据的有效修复不仅有利于提高采集获得的交通流数据可靠性,还能进一步提升高速公路的交通感知能力,为后续进行道路交通状态表征创造良好的数据条件等。
现有的车检器数据修复方法大多基于机器学习的的方法,在检测设备分布相对固定的前提条件下往往能够表现出较为优秀的修复性能。但是在面对实际高速公路中存在不同检测设备分布时,往往难以在不同分布类型下表现出较好的适应性。另一方面,如何有效修复同一车检器在多个连续检测周期内出现的缺失数据或异常数据以及如何在多个车检器在同一检测周期内同时出现数据缺失或异常的情况下完成数据修复等技术难点问题仍然未能得到较好的解决。伴随着ETC技术的普及和视频图像技术的不断发展,可为车检器数据修复带来了新的机遇。但如何在不同的检测设备分布下,合理利用现有高速公路多源数据,实现车检器数据中缺失数据或异常数据的有效修复对于广大研究者而言仍是一个不小的挑战。
专利文献CN108492560A公开了一种道路固定检测器缺失数据修复方法及装置,该方法利用道路检测器检测得到的交通数据,以交通流理论为依据,应用多元函数拟合对因设备等问题造成的缺失数据进行补全。但是该方法过度依赖交通流数据自身的时间相关性,在多个检测设备同时出现数据缺失情况时补全效果难以得到保证,且该方法暂未考虑检测设备分布对数据修复产生的影响,这将导致模型的鲁棒性和泛化能力欠佳。
发明内容
有鉴于此,本发明的目的在于提供一种考虑检测设备分布的车检器数据修复方法。此发明旨在解决现有的修复方法,未考虑检测设备的分布情况,适应性差,修复补全的数据难以得到保证的问题。本发明提出的车检器数据修复方法,能够有效修复不同检测设备分布下车检器数据中的缺失数据或异常数据。
为达到上述目的,本发明提供了一种考虑检测设备分布的车检器数据修复方法,所述方法包括以下步骤:
步骤1:采集高速公路沿线布设的多源检测设备监测获得的交通流数据,并对采集获得的交通流数据进行完整性分析;
步骤2:基于Kendall相关系数,对步骤1采集获得的交通流数据进行一致性检验;
步骤3:根据步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果,确定不同检测设备分布下的车检器数据修复模型的输入输出关系,进一步构建车检器数据修复模型的训练集和测试集;
步骤4:基于支持向量回归(SVR,SupportVectorRegression)算法构建车检器数据修复模型,然后根据步骤3构建的训练集,完成车检器数据修复模型的训练与模型参数的求解,并在测试集中完成车检器数据修复模型的测试。
进一步,所述步骤1中,交通流数据的完整性通过完整性评价指标TDc表示;
1.1)利用车检器和摄像机获得的交通流数据,分别计算出代表车检器和摄像机数据的完整性评价指标TDc,计算表达式如下:
式中,Nexpected为评价时间段内理论上的总数据量;Ndata为评价时间段内实际上的总数据量;Nredundancy为评价时间段内的冗余数据量;Nmissing为评价时间段内的缺失数据量;Nabnormal为评价时间段内的异常数据量;
1.2)利用ETC检测设备获得的单车数据,计算出代表ETC数据的完整性评价指标TDc,计算表达式如下:
式中,α为评价时间段内的数据缺失率;β为评价时间段内的数据冗余率;γ为评价时间段内的数据异常率;n为相邻两个ETC门架构成的子路段条数;Ni_matching为评价时间段内第i个子路段完成时空匹配的数据量;Ni_upstream为评价时间段内第i个子路段上游的ETC数据量;Ni_downstream为评价时间段内第i个子路段下游的ETC数据量;Ndata为评价时间段内ETC总数据量;Nredundancy为评价时间段内ETC冗余数据量;Nabnormal为评价时间段内ETC异常数据量。
进一步,所述步骤2的过程如下:
2.1)对步骤1采集的交通数据流进行预处理,将车检器和摄像机采集获得的数据归并为断面交通流参数数据,计算表达式如下:
式中,V为归并后的断面速度;Q为归并后的断面流量;O为归并后的断面占有率参数;vi为第i条车道的速度;qi为第i条车道的流量;oi为第i条车道的占有率参数;n代表车道数目;
2.2)对步骤1采集的交通数据流进行预处理,将ETC检测设备采集获得的数据转换为路段交通流参数数据,计算表达式如下:
式中,qup为上游ETC检测设备获得的断面流量;qdown为下游ETC检测设备获得的断面流量;qroad为由上下游ETC检测设备间的路段流量;为上下游ETC检测设备间的平均行程速度;l为上下游ETC检测设备之间的距离;为第i辆车经过下游ETC检测设备所在断面的时刻;为第i辆车经过上游ETC检测设备所在断面的时刻;
2.3)基于步骤2.1得到的断面交通流参数数据,步骤2.2得到的路段交通流参数数据,利用Kendall相关系数,检验高速公路沿线布设的多源检测设备采集获得的交通流数据的一致性,Kendall相关系数的计算公式如下:
式中,τ为Kendall相关系数;A为两种检测方法对同一检测对象的若干组检测结果中,具备一致性的组数;B代表两种检测方法对同一检测对象的若干组检测结果中,不具备一致性的组数;N代表检测结果组数;s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目;Ui和Vi分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。
进一步,所述步骤3中,训练集和测试集的构建策略为:
3.1)选用一致性检验结果较好的检测设备去获取特定的交通流参数数据,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系;
3.2)当多种检测设备具有近似一致性强度时,优先选用具有较高完整性评价的数据源对应的检测设备去获取特定的交通流参数数据,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。
进一步,所述步骤4的过程如下:
4.1)通过训练集中的所有元素构建一个支持向量回归模型:
f(x)=ωTx+b
式中,ω和b是待求解的模型参数;
4.2)求解模型参数ω和b,得到车检器数据修复模型;
4.3)利用步骤3构建的测试集,测试车检器数据修复模型。
本发明的有益效果在于:
本发明提出一种考虑检测设备分布的车检器数据修复方法,该方法针对现有车检器数据修复方法在检测设备分布相对固定的前提条件下往往能够表现出较为优秀的修复性能,但是在面对实际高速公路中存在不同多源检测设备分布类型时,往往难以在不同分布类型下表现出较好的适应性等问题,充分利用高速公路多源数据,可实现在不同检测设备分布下车检器数据中缺失数据或异常数据的有效修复。本发明提出的一种考虑检测设备分布的车检器数据修复方法,能进一步提升高速公路交通数据可靠性和交通感知能力。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究,对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
图1为本发明一种检考虑测设备分布的车检器数据修复方法的流程图;
图2为本实施例中高速公路多源检测设备布设情况的示意图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚,下面将结合本发明实施例的附图,对本发明实施例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,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请的保护范围。
本实施例中,高速公路沿线安装的多源检测设备的分布情况,参阅图2。
如图1所示,一种检考虑测设备分布的车检器数据修复方法,该方法包括以下步骤:
步骤1:在不同信息采集技术下,采集高速公路沿线布设的多源检测设备监测获得的交通流数据,并对采集获得的交通流数据进行完整性分析。具体包括以下几个子步骤:
步骤1.1):利用高速公路沿线布设的微波车检器和智能摄像机获得相应的交通流数据,通过如下公式分别计算代表车检器数据和摄像机检测数据的完整性评价指标TDc:
式中,
Nexpected代表理论上评价时间段内总数据量;
Ndata代表实际上评价时间段内总数据量;
Nredundancy代表评价时间段内冗余数据量;
Nmissing代表评价时间段内缺失数据量;
Nabnormal代表评价时间段内异常数据量。
本实施例中,车检器数据和摄像机检测数据的完整性评价指标TDc计算结果可分别参阅表1和表2。
表1车检器数据的完整性评价指标TDc
表2摄像机检测数据的完整性评价指标TDc
步骤1.2):利用高速公路沿线布设的ETC检测设备获得的单车数据,通过如下公式计算代表ETC数据的完整性评价指标TDc:
式中,
α代表评价时间段内的数据缺失率;
β代表评价时间段内的数据冗余率;
γ代表评价时间段内的数据异常率;
n代表相邻两个ETC门架构成的子路段条数;
Ni_matching代表评价时间段内第i个子路段完成时空匹配的数据量;
Ni_upstream代表评价时间段内第i个子路段上游ETC数据量;
Ni_downstream代表评价时间段内第i个子路段下游ETC数据量;
Ndata代表评价时间段内ETC总数据量;
Nredundancy代表评价时间段内ETC冗余数据量;
Nabnormal代表评价时间段内ETC异常数据量。
在本实施例中,ETC数据的完整性评价指标TDc计算结果可分别参阅表3。
表3 ETC数据的完整性评价指标TDc计算结果
步骤2:在不同检测设备分布下,基于Kendall相关系数对高速公路沿线布设的多源检测设备采集获得的交通流数据进行一致性检验;具体包括以下几个子步骤:
步骤2.1):由于车检器数据和摄像机检测采集获得的原始数据均为车道级交通流参数数据,需通过如下公式将其归并为断面交通流参数数据:
式中,
V为归并后的断面速度;
Q为归并后的断面流量;
O为归并后的断面占有率参数;
vi为第i条车道的速度;
qi为第i条车道的流量;
oi为第i条车道的占有率参数;
n代表车道数目。
步骤2.2):由于ETC检测设备采集获得的原始数据为单车时间序列数据,需通过如下公式将其转换为路段交通流参数数据:
式中,
qup代表上游ETC检测设备获得的断面流量;
qdown代表下游ETC检测设备获得的断面流量;
qroad代表由上下游ETC检测设备间的路段流量;
l代表上下游ETC检测设备之间的距离;
步骤2.3):利用Kendall相关系数实现在不同检测设备分布下,对高速公路沿线布设的多源检测设备采集获得的交通流数据进行一致性检验,换言之,即比较不同检测方法下针对同一检测对象获得的检测结果是否具有一致性并将其量化。检测方法一共有三种:车检器检测、摄像机检测和ETC检测设备检测,比较时,选取其中的两种方法进行比较。检测对象可为流量、速度或占有率。Kendall相关系数的计算公式如下:
式中,
τ代表Kendall相关系数;
A代表两种检测方法对同一检测对象的若干组检测结果中,具备一致性的组数;
B代表两种检测方法对同一检测对象的若干组检测结果中,不具备一致性的组数;
N代表检测结果组数;
s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目;
Ui和Vi分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。
在本实施例中,基于Kendall相关系数的高速公路多源数据一致性检验结果可参阅表4。
表4基于Kendall相关系数的高速公路多源数据一致性检验结果
步骤3:联合考虑高速公路多源数据完整性分析和一致性检验结果,确定出不同检测设备分布下的车检器数据修复模型输入输出关系,进一步构建模型训练集和测试集;具体包括以下几个子步骤:
步骤3.1):联合考虑步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果,确定不同检测设备分布下的车检器数据修复模型的输入输出关系,进一步构建车检器数据修复模型的训练集和测试集。
车检器数据修复模型的训练数据集和测试数据集的构建策略如下:
①首先选用一致性检验结果较好的检测设备完成特定交通流参数数据的获取,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系;
②当多种检测设备具有近似一致性强度时,优先选用具有较高完整性评价的数据源对应的检测设备完成特定交通流参数数据的获取,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。
基于上述训练数据集和测试数据集的构建策略,得到不同检测设备分布下车检器数据修复模型的输入输出关系。在本实施例中,不同高速公路多源检测设备分布类型下的模型输入输出关系确定结果可参阅表5。
表5不同高速公路多源检测设备分布类型下的模型输入输出关系确定结果
3.2):根据步骤3.1确定的不同检测设备分布下的车检器数据修复模型输入输出关系,可完成车检器数据修复模型训练数据集和测试数据集的构建。
步骤4:基于支持向量回归(SVR,SupportVectorRegression)算法构建车检器数据修复模型,在训练集中完成车检器数据修复模型的训练与模型参数的求解,并在测试集中完成车检器数据修复模型的测试。具体包括以下几个子步骤:
步骤4.1):基于支持向量回归算法,利用步骤3.2构建的训练数据集建立支持向量回归模型。
具体来说,即通过学习训练数据集中的所有元素以得到一个回归模型,使得f(x)=ωTx+b与y尽可能接近,其中,f(x)代表回归模型输出的回归值,y代表车检器数据的实际值,ω和b是待求解的模型参数,T表示矩阵的转置,是矩阵的一种运算法则;且仅当f(x)与y的误差绝对值大于ε时才计算损失。
支持向量回归模型参数求解的数学模型可描述为:
式中,C为正则化常数;lε(z)为ε-不敏感损失(εinsensitive loss)函数。
步骤4.2):求解模型参数,可得:
步骤4.3):利用步骤3.2构建的测试数据集完成模型的测试。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (5)
1.一种考虑检测设备分布的车检器数据修复方法,其特征在于,所述方法包括以下步骤:
步骤1:采集高速公路沿线布设的多源检测设备监测获得的交通流数据,并对采集获得的交通流数据进行完整性分析;
步骤2:基于Kendall相关系数,对步骤1采集获得的交通流数据进行一致性检验;
步骤3:根据步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果,确定不同检测设备分布下的车检器数据修复模型的输入输出关系,进一步构建车检器数据修复模型的训练集和测试集;
步骤4:基于支持向量回归(SVR,Support Vector Regression)算法构建车检器数据修复模型,然后根据步骤3构建的训练集,完成车检器数据修复模型的训练与模型参数的求解,并在测试集中完成车检器数据修复模型的测试。
2.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法,其特征在于,所述步骤1中,交通流数据的完整性通过完整性评价指标TDc表示;
1.1)利用车检器和摄像机获得的交通流数据,分别计算出代表车检器和摄像机数据的完整性评价指标TDc,计算表达式如下:
式中,Nexpected为评价时间段内理论上的总数据量;Ndata为评价时间段内实际上的总数据量;Nredundancy为评价时间段内的冗余数据量;Nmissing为评价时间段内的缺失数据量;Nabnormal为评价时间段内的异常数据量;
1.2)利用ETC检测设备获得的单车数据,计算出代表ETC数据的完整性评价指标TDc,计算表达式如下:
式中,α为评价时间段内的数据缺失率;β为评价时间段内的数据冗余率;γ为评价时间段内的数据异常率;n为相邻两个ETC门架构成的子路段条数;Ni_matching为评价时间段内第i个子路段完成时空匹配的数据量;Ni_upstream为评价时间段内第i个子路段上游的ETC数据量;Ni_downstream为评价时间段内第i个子路段下游的ETC数据量;Ndata为评价时间段内ETC总数据量;Nredundancy为评价时间段内ETC冗余数据量;Nabnormal为评价时间段内ETC异常数据量。
3.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法,其特征在于,所述步骤2的过程如下:
2.1)对步骤1采集的交通数据流进行预处理,将车检器和摄像机采集获得的数据归并为断面交通流参数数据,计算表达式如下:
式中,V为归并后的断面速度;Q为归并后的断面流量;O为归并后的断面占有率参数;vi为第i条车道的速度;qi为第i条车道的流量;oi为第i条车道的占有率参数;n代表车道数目;
2.2)对步骤1采集的交通数据流进行预处理,将ETC检测设备采集获得的数据转换为路段交通流参数数据,计算表达式如下:
式中,qup为上游ETC检测设备获得的断面流量;qdown为下游ETC检测设备获得的断面流量;qroad为由上下游ETC检测设备间的路段流量;为上下游ETC检测设备间的平均行程速度;l为上下游ETC检测设备之间的距离;为第i辆车经过下游ETC检测设备所在断面的时刻;为第i辆车经过上游ETC检测设备所在断面的时刻;
2.3)基于步骤2.1得到的断面交通流参数数据,步骤2.2得到的路段交通流参数数据,利用Kendall相关系数,检验高速公路沿线布设的多源检测设备采集获得的交通流数据的一致性,Kendall相关系数的计算公式如下:
式中,τ为Kendall相关系数;A为两种检测方法对同一检测对象的若干组检测结果中,具备一致性的组数;B代表两种检测方法对同一检测对象的若干组检测结果中,不具备一致性的组数;N代表检测结果组数;s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目;Ui和Vi分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。
4.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法,其特征在于,所述步骤3中,训练集和测试集的构建策略为:
3.1)选用一致性检验结果较好的检测设备去获取特定的交通流参数数据,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系;
3.2)当多种检测设备具有近似一致性强度时,优先选用具有较高完整性评价的数据源对应的检测设备去获取特定的交通流参数数据,获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。
5.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法,其特征在于,所述步骤4的过程如下:
4.1)通过训练集中的所有元素构建一个支持向量回归模型:
f(x)=ωTx+b
式中,f(x)代表回归模型输出的回归值,ω和b是待求解的模型参数;
4.2)求解模型参数ω和b,得到车检器数据修复模型;
4.3)利用步骤3构建的测试集,测试车检器数据修复模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908725.5A CN115440029B (zh) | 2022-07-29 | 2022-07-29 | 一种考虑检测设备分布的车检器数据修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908725.5A CN115440029B (zh) | 2022-07-29 | 2022-07-29 | 一种考虑检测设备分布的车检器数据修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115440029A true CN115440029A (zh) | 2022-12-06 |
CN115440029B CN115440029B (zh) | 2023-08-08 |
Family
ID=84242614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908725.5A Active CN115440029B (zh) | 2022-07-29 | 2022-07-29 | 一种考虑检测设备分布的车检器数据修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440029B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167784A1 (en) * | 2004-09-10 | 2006-07-27 | Hoffberg Steven M | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN106372765A (zh) * | 2016-11-29 | 2017-02-01 | 东南大学 | 一种基于融合数据的高速公路气象站数据修复方法 |
CN107025468A (zh) * | 2017-05-18 | 2017-08-08 | 重庆大学 | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 |
CN107293119A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种交通事件检测California算法模型改进方法 |
CN107609718A (zh) * | 2017-10-18 | 2018-01-19 | 仲恺农业工程学院 | 一种养殖水体中溶解氧的预测方法及系统 |
CN109576611A (zh) * | 2018-11-27 | 2019-04-05 | 牡丹江师范学院 | 一种高导磁性能的新材料及制作方法 |
CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
CN110555989A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于Xgboost算法的交通量预测方法 |
KR20190143688A (ko) * | 2018-06-21 | 2019-12-31 | 한국항공대학교산학협력단 | 항공기 착륙 순서 결정 장치 및 방법 |
CN110930693A (zh) * | 2019-11-04 | 2020-03-27 | 清华大学 | 一种用于道路断面的在线短时交通流预测方法 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113379099A (zh) * | 2021-04-30 | 2021-09-10 | 广东工业大学 | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 |
CN113470362A (zh) * | 2021-08-13 | 2021-10-01 | 中南大学 | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 |
CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
US20220407352A1 (en) * | 2019-09-13 | 2022-12-22 | Rensselaer Polytechnic Institute | Spatio-temporal probabilistic forecasting of wind power output |
-
2022
- 2022-07-29 CN CN202210908725.5A patent/CN115440029B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167784A1 (en) * | 2004-09-10 | 2006-07-27 | Hoffberg Steven M | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN106372765A (zh) * | 2016-11-29 | 2017-02-01 | 东南大学 | 一种基于融合数据的高速公路气象站数据修复方法 |
CN107025468A (zh) * | 2017-05-18 | 2017-08-08 | 重庆大学 | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 |
CN107293119A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种交通事件检测California算法模型改进方法 |
CN107609718A (zh) * | 2017-10-18 | 2018-01-19 | 仲恺农业工程学院 | 一种养殖水体中溶解氧的预测方法及系统 |
KR20190143688A (ko) * | 2018-06-21 | 2019-12-31 | 한국항공대학교산학협력단 | 항공기 착륙 순서 결정 장치 및 방법 |
CN109576611A (zh) * | 2018-11-27 | 2019-04-05 | 牡丹江师范学院 | 一种高导磁性能的新材料及制作方法 |
CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
CN110555989A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于Xgboost算法的交通量预测方法 |
US20220407352A1 (en) * | 2019-09-13 | 2022-12-22 | Rensselaer Polytechnic Institute | Spatio-temporal probabilistic forecasting of wind power output |
CN110930693A (zh) * | 2019-11-04 | 2020-03-27 | 清华大学 | 一种用于道路断面的在线短时交通流预测方法 |
CN112053560A (zh) * | 2020-08-27 | 2020-12-08 | 武汉理工大学 | 基于神经网络的短时交通流量预测方法、系统和存储介质 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113379099A (zh) * | 2021-04-30 | 2021-09-10 | 广东工业大学 | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 |
CN113470362A (zh) * | 2021-08-13 | 2021-10-01 | 中南大学 | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 |
CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
Non-Patent Citations (6)
Title |
---|
JIN XIA 等: "Short-term traffic flow prediction based on EMD-WTD-SVR", 《41ST CHINESE CONTROL CONFERENCE》, pages 2607 - 2612 * |
ZHENG LJ 等: "Dynamic spatial-temporal feature optimization with ERI big data for short-term traffic flow prediction", 《NEUROCOMPUTING》, vol. 412, pages 339 - 350 * |
周桐 等: "分布型的高速公路短时交通流量预测方法研究", 《计算机应用研究》, vol. 32, no. 7, pages 1996 - 1999 * |
张亮亮;贾元华;牛忠海;廖成;: "基于近似熵的交通流序列趋势变化检测", 北京交通大学学报, no. 06, pages 11 - 15 * |
张玺君: "面向城市交通流的数据修复与短时交通流预测方法研究", 《中国博士学位论文全文数据库工程科技II辑》, no. 1, pages 034 - 85 * |
李林超;曲栩;张健;王永岗;李汉初;冉斌;: "基于特征级融合的高速公路异质交通流数据修复方法", 东南大学学报(自然科学版), no. 05, pages 195 - 201 * |
Also Published As
Publication number | Publication date |
---|---|
CN115440029B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102881162B (zh) | 大规模交通信息的数据处理及融合方法 | |
CN105846780B (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN105241660A (zh) | 基于健康监测数据的高铁大型桥梁性能评定方法 | |
CN112098714A (zh) | 一种基于ResNet-LSTM的窃电检测方法及系统 | |
CN103761684A (zh) | 一种输电电缆整体状态的综合评估方法及系统 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN109446920A (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
CN110849807B (zh) | 一种基于深度学习的适用于道路能见度的监测方法与系统 | |
CN109214470A (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
CN112883497B (zh) | 基于多源信息融合的航天阀门可靠性评估方法 | |
CN109918972A (zh) | 一种行车重量智能监控方法及系统 | |
CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
US20230014095A1 (en) | Method and system for recognizing environmental protection equipment based on deep hierarchical fuzzy algorithm | |
CN103473459A (zh) | 一种多系统大数据的处理及融合方法 | |
CN107169289A (zh) | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 | |
CN115601661A (zh) | 一种用于城市动态监测的建筑物变化检测方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN115095797A (zh) | 一种截污治污管网运行异常快速筛查方法及终端 | |
CN111860592A (zh) | 一种少样本条件下太阳能电池片缺陷分类检测方法 | |
CN115440029A (zh) | 一种考虑检测设备分布的车检器数据修复方法 | |
CN112734732B (zh) | 基于改进ssd算法的铁路隧道漏缆卡具检测方法 | |
GB2616996A (en) | Method for recognizing type of vortex signal of evaporator of nuclear power plant on basis of LSTM-CNN | |
CN115204688A (zh) | 排水系统健康性综合评价方法 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 |
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 |