CN116878531B - 基于道路资源预测的智能导航方法 - Google Patents
基于道路资源预测的智能导航方法 Download PDFInfo
- Publication number
- CN116878531B CN116878531B CN202310869782.1A CN202310869782A CN116878531B CN 116878531 B CN116878531 B CN 116878531B CN 202310869782 A CN202310869782 A CN 202310869782A CN 116878531 B CN116878531 B CN 116878531B
- Authority
- CN
- China
- Prior art keywords
- road
- navigation
- data
- data set
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
Abstract
本发明公开了一种基于道路资源预测的智能导航方法，包括：获取用户导航请求，基于所述用户导航请求的信息获取导航规划和导航道路信息；获取历史道路数据，将所述历史道路数据进行处理，获得道路资源数据集；构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得道路预测模型；将所述导航规划输入至所述道路预测模型中进行计算，获得导航方案。本发明实时获取道路资源数据，通过实时获取到的数据进行导航路线规划，使得导航结果准确，同时通过轻量化卷积神经网络构建预测模型，减少了误差，并且本发明只需要用户的导航规划，也就是起点和终点，不需要用户的其他数据，减少了调用用户隐私，保证了数据安全。
Description
技术领域
本发明属于道路资源预测领域，特别是涉及一种基于道路资源预测的智能导航方法。
背景技术
目前基于道路资源预测的智能导航技术在提高驾驶体验和减少交通拥堵方面发挥了重要作用。智能导航的主要特点为智能导航利用传感器、GPS和车载设备等技术来收集实时交通数据，包括道路拥堵情况、交通事故和施工等信息。通过分析这些数据，智能导航可以提供实时的路况信息，帮助驾驶者避开拥堵区域，选择更快捷的路线。总体而言，智能导航的道路资源预测技术正在不断发展和完善，已经取得了显著的成果。它可以帮助驾驶者更加高效地规划出行路线，节省时间和燃料消耗，提高驾驶体验，减少交通拥堵。
但是智能导航所依赖的道路资源数据经常存在不准确、过时或缺失的情况，导致导航结果不准确或不可靠。而且，智能导航对道路资源的预测仍存在一定的误差，尤其是在复杂交通环境中，预测的准确性会受到影响，同时智能导航的道路资源预测需要收集和分析大量的位置和交通数据，可能引发用户对个人隐私和数据安全的担忧。
发明内容
本发明的目的是提供一种基于道路资源预测的智能导航方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于道路资源预测的智能导航方法，包括：
获取用户导航请求，基于所述用户导航请求的信息获取导航规划和导航道路信息；
获取历史道路数据，将所述历史道路数据进行处理，获得道路资源数据集；
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得道路预测模型；
将所述导航规划输入至所述道路预测模型中进行计算，获得导航方案。
优选地，基于所述用户导航请求的信息获取导航规划和导航道路信息的过程包括：
获取用户导航请求，基于所述用户导航请求获取导航道路信息和用户需求信息；
基于所述用户需求信息对路线进行规划，获得导航规划；
所述用户需求信息包括路程信息、时间信息和速度信息。
优选地，所述获得道路资源数据集的过程包括：
获取历史道路通行数据，基于所述历史道路通行数据进行分类，获得分类数据集；
将所述分类数据集进行数据处理，获得所述道路资源数据集。
优选地，将所述分类数据集进行数据处理的过程包括：
将所述分类数据集进行去除异常值和填充缺失值处理，获得处理数据集；
将所述处理数据集进行特征提取，获得所述道路资源数据集。
优选地，所述道路资源数据集包括道路的容量数据、拥堵程度数据、道路拓扑结构数据和是否施工数据。
优选地，所述获得道路预测模型的过程包括：
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得训练模型；
基于决定系数对所述训练模型的性能进行评估，获得评估结果；
基于所述评估结果对所述训练模型进行微调，获得所述道路预测模型。
优选地，所述获得训练模型的过程包括：
基于特征提取方法构建所述轻量化卷积网络；
将所述道路资源数据集进行划分，获得训练集和测试集；
将所述训练集输入至所述轻量化卷积网络中进行训练，获得预测试模型；
将所述测试集输入至所述预测试模型中进行测试，获得所述训练模型。
优选地，所述获得导航方案的过程包括：
获取实时环境信息，将所述实时环境信息和所述导航规划输入至所述道路预测模型中进行计算，获得计算结果；
基于所述计算结果进行路网优化，获得最优导航方案。
本发明的技术效果为：
本发明实时获取道路资源数据，通过实时获取到的数据进行导航路线规划，使得导航结果准确，同时通过轻量化卷积神经网络构建预测模型，减少了误差，并且本发明只需要用户的导航规划，也就是起点和终点，不需要用户的其他数据，减少了调用用户隐私，保证了数据安全。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的智能导航方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于道路资源预测的智能导航方法，包括：
获取用户导航请求，基于所述用户导航请求的信息获取导航规划和导航道路信息；
收集道路资源方面的数据，包括历史交通数据、道路拓扑结构、道路容量等。这些数据可以从交通管理部门、导航系统、传感器等渠道获得。
类似地，在车联网，车辆的行车数据和道路信息数据等多个维度结合可以构成行车用量，通过行车用量可以描述车辆与道路之间的关系，而且行车用量可以测出实际地交通路况，在导航的过程中，根据实际的交通路况，可以获取大量车辆的行驶路径，从而可以实现交通资源合理分配和群体导航需求最优。
获取历史道路数据，将所述历史道路数据进行处理，获得道路资源数据集；
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得道路预测模型；
将所述导航规划输入至所述道路预测模型中进行计算，获得导航方案。
进一步优化方案，基于所述用户导航请求的信息获取导航规划和导航道路信息的过程包括：
获取用户导航请求，基于所述用户导航请求获取导航道路信息和用户需求信息；
基于所述用户需求信息对路线进行规划，获得导航规划；
所述用户需求信息包括路程信息、时间信息和速度信息。
导航道路信息需要存入至数据库中，构建数据库的过程具体为：
本实施例中数据库为xml格式；
构建XML数据库通常需要以下步骤：
基于需求确定数据结构：XML数据库中的数据以XML文档的形式存储，因此需要确定数据结构，并定义文档类型定义(DTD)或XML模式(XSD)来描述数据的格式和规则。这些模板包括元素、属性、命名空间等。
设计文档模板：根据数据结构，创建并设计XML文档模板，即定义XML文档中各个元素、属性以及它们之间的关系。
确定存储方案：根据应用需求选择合适的XML数据库系统，如eXist-db、BaseX或MarkLogic等。一些数据库管理系统也支持XML格式的数据导入和查询，例如Oracle和MicrosoftSQLServer。
插入和查询数据：使用提供的API或查询语言，例如XQuery或XPath，将数据插入到数据库中，并从数据库中检索和查询数据。这里需要注意在数据库中保存的XML数据应符合事先定义的DTD或XSD规范。
进行维护和优化：周期性地备份和维护数据库，并优化查询语句和索引，以提高索引效率和查询速度。
进一步优化方案，所述获得道路资源数据集的过程包括：
获取历史道路通行数据，基于所述历史道路通行数据进行分类，获得分类数据集；
将所述分类数据集进行数据处理，获得所述道路资源数据集。
进一步优化方案，将所述分类数据集进行数据处理的过程包括：
将所述分类数据集进行去除异常值和填充缺失值处理，获得处理数据集；
对收集的数据进行清理和处理，包括去除异常值、填充缺失值，具体为：
数据收集：从各种数据源中收集需要整合的数据。这些数据源可能包括数据库、文件、API、传感器等。
数据清洗：对收集到的数据进行初步的清理和过滤，去除重复、错误或无效数据，保留符合条件的数据，并将其存储到单独的数据仓库或目录中。
数据转换：对不同格式的数据进行转换，使其能够适应整合后的数据结构。这可能涉及到日期格式的转换、单位转换、数据类型转换等。
数据整合：将经过清洗和转换的数据整合成一个单一的数据集。这可以通过连接、合并、聚合等方式实现，以便于后续的分析和查询。
数据验证和测试：对整合后的数据进行验证和测试，以确保其质量和准确性。这可能需要使用工具和方法来检测异常值、缺失值、数据不一致等问题。
数据发布和共享：将整合后的数据发布和共享给相关用户或系统。这可以通过网络服务、API、共享文件等方式实现，以便于使用者进行查询和分析。
数据维护和更新：对整合后的数据进行维护和更新，以保持其实时性和正确性。这可能需要定期的数据清理、转换和整合过程。
同时会对数据进行标准化处理，具体为：
Z-score标准化，也称作标准差标准化，是一种常用的数据标准化方法。它将原始数据转换为具有标准正态分布的值，从而更好地进行比较和分析。以下是实现Z-score标准化的步骤：
计算平均值和标准差：对于给定的数据集x，计算其平均值μ和标准差σ。
标准化数据：对于每个数据点xi，使用以下公式将其标准化：
z＝(xi-μ)/σ
其中，z表示标准化后的值，xi表示原始值。
应用标准化：通过这种方式，将数据缩放到均值为0，标准差为1的范围内。标准化后的数据可以更好地反映数据间的关系，方便进行进一步的统计分析。
将所述处理数据集进行特征提取，获得所述道路资源数据集。
进一步优化方案，所述道路资源数据集包括道路的容量数据、拥堵程度数据、道路拓扑结构数据和是否施工数据。
进一步优化方案，所述获得道路预测模型的过程包括：
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得训练模型；
基于决定系数对所述训练模型的性能进行评估，获得评估结果；
基于所述评估结果对所述训练模型进行微调，获得所述道路预测模型。
进一步优化方案，所述获得训练模型的过程包括：
基于特征提取方法构建所述轻量化卷积网络；
轻量化卷积网络的结构通常包括以下几个关键组件：1.卷积层：轻量化卷积网络通常使用较小的卷积核，本实施例采用深度可分离卷积(DepthwiseSeparableConvolution)替代传统的卷积操作，将卷积操作分解为深度卷积和逐点卷积，以进一步减少参数数量。2.池化层：池化层用于减小特征图的尺寸和数量，可以使用最大池化或平均池化。在轻量化卷积网络中，本实施例使用较小的池化核来降低特征图的尺寸。3.批归一化层：批归一化层用于加快模型的训练速度和提高模型的泛化能力。在轻量化卷积网络中也可以使用批归一化层对网络进行规范化，以提高模型的性能。4.激活函数：常见的激活函数包括ReLU、LeakyReLU等。在轻量化卷积网络中，通常选用ReLU作为激活函数，因为ReLU具有简单的计算方式和较好的非线性特性。5.跳跃连接：跳跃连接可以在网络的不同层级之间建立直接连接，有助于信息的传递和梯度的流动。在轻量化卷积网络中，使用残差连接或密集连接等跳跃连接的方式，以增强网络的表达能力。6.全局池化层：全局池化层将整个特征图转化为一个固定长度的特征向量，以减少参数数量。在轻量化卷积网络中，可以使用全局平均池化或全局最大池化来进行特征融合和降维。
将所述道路资源数据集进行划分，获得训练集和测试集；
将所述训练集输入至所述轻量化卷积网络中进行训练，获得预测试模型；
将所述测试集输入至所述预测试模型中进行测试，获得所述训练模型。
进一步优化方案，所述获得导航方案的过程包括：
获取实时环境信息，将所述实时环境信息和所述导航规划输入至所述道路预测模型中进行计算，获得计算结果；
基于所述计算结果进行路网优化，获得最优导航方案。
实际应用中，考虑不同道路的形状、材料等其他原因，该道路最大容纳车辆数可以根据道路的实际运营情况去优化，即根据运营经验，在计算得到的道路平均速度以及限速相仿情况下，可以从导航系统中获取统计出道路最大容纳车辆数的均值，然后根据道路最大容纳车辆数再计算出优化的平均间隔。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于道路资源预测的智能导航方法，其特征在于，包括以下步骤：
获取用户导航请求，基于所述用户导航请求的信息获取导航规划和导航道路信息；
获取历史道路数据，将所述历史道路数据进行处理，获得道路资源数据集；
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得道路预测模型；
将所述导航规划输入至所述道路预测模型中进行计算，获得导航方案；
基于所述用户导航请求的信息获取导航规划和导航道路信息的过程包括：
获取用户导航请求，基于所述用户导航请求获取导航道路信息和用户需求信息；
基于所述用户需求信息对路线进行规划，获得导航规划；
所述用户需求信息包括路程信息、时间信息和速度信息；
所述获得道路资源数据集的过程包括：
获取历史道路通行数据，基于所述历史道路通行数据进行分类，获得分类数据集；
将所述分类数据集进行数据处理，获得所述道路资源数据集；
将所述分类数据集进行数据处理的过程包括：
将所述分类数据集进行去除异常值和填充缺失值处理，获得处理数据集；
将所述处理数据集进行特征提取，获得所述道路资源数据集；
所述道路资源数据集包括道路的容量数据、拥堵程度数据、道路拓扑结构数据和是否施工数据；
所述获得道路预测模型的过程包括：
构建轻量化卷积网络，将所述道路资源数据集输入至所述轻量化卷积网络中进行训练，获得训练模型；
基于决定系数对所述训练模型的性能进行评估，获得评估结果；
基于所述评估结果对所述训练模型进行微调，获得所述道路预测模型。
2.根据权利要求1所述的基于道路资源预测的智能导航方法，其特征在于，所述获得训练模型的过程包括：
基于特征提取方法构建所述轻量化卷积网络；
将所述道路资源数据集进行划分，获得训练集和测试集；
将所述训练集输入至所述轻量化卷积网络中进行训练，获得预测试模型；
将所述测试集输入至所述预测试模型中进行测试，获得所述训练模型。
3.根据权利要求1所述的基于道路资源预测的智能导航方法，其特征在于，所述获得导航方案的过程包括：
获取实时环境信息，将所述实时环境信息和所述导航规划输入至所述道路预测模型中进行计算，获得计算结果；
基于所述计算结果进行路网优化，获得最优导航方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869782.1A CN116878531B (zh) | 2023-07-14 | 2023-07-14 | 基于道路资源预测的智能导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869782.1A CN116878531B (zh) | 2023-07-14 | 2023-07-14 | 基于道路资源预测的智能导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116878531A CN116878531A (zh) | 2023-10-13 |
| CN116878531B true CN116878531B (zh) | 2024-03-12 |
Family
ID=88261747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310869782.1A Active CN116878531B (zh) | 2023-07-14 | 2023-07-14 | 基于道路资源预测的智能导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116878531B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
| KR20210106049A (ko) * | 2020-02-19 | 2021-08-30 | 재단법인대구경북과학기술원 | 주행경로 설정장치 및 주행경로 설정방법 |
| CN114383617A (zh) * | 2021-12-29 | 2022-04-22 | 深圳市跨越新科技有限公司 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
| CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
| CN114858178A (zh) * | 2022-04-29 | 2022-08-05 | 河南职业技术学院 | 一种基于道路资源预测的智能导航方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018227374A1 (en) * | 2017-06-13 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning based on deep convolutional neural network |
-
2023
- 2023-07-14 CN CN202310869782.1A patent/CN116878531B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
| KR20210106049A (ko) * | 2020-02-19 | 2021-08-30 | 재단법인대구경북과학기술원 | 주행경로 설정장치 및 주행경로 설정방법 |
| CN114383617A (zh) * | 2021-12-29 | 2022-04-22 | 深圳市跨越新科技有限公司 | 基于地图神经网络导航算路方法、装置、设备及存储介质 |
| CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
| CN114858178A (zh) * | 2022-04-29 | 2022-08-05 | 河南职业技术学院 | 一种基于道路资源预测的智能导航方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据的道路拥堵对实时交通安全的影响研究;吕明新等;《山东交通科技》;20160425(第2期);12-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116878531A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| CN114882696B (zh) | 道路容量的确定方法、装置及存储介质 | |
| CN112527895B (zh) | 一种智慧城市数据共享方法 | |
| JP2010272142A (ja) | 旅行時間推計方法，旅行時間推計装置，その方法を実装した旅行時間推計プログラム及びそのプログラムを格納した媒体、旅行時間予測方法，旅行時間予測装置，その方法を実装した旅行時間予測プログラム及びそのプログラムを格納した媒体 | |
| DE112021001926T5 (de) | System und verfahren zur filterlosen drosselung vonfahrzeugereignisdatenverarbeitung zum identifizieren von parkbereichen | |
| CN113779429A (zh) | 交通拥堵态势预测方法、装置、设备及存储介质 | |
| CN110598747B (zh) | 基于自适应k均值聚类算法的道路分类方法 | |
| Liu et al. | A novel compression approach for truck GPS trajectory data | |
| Qiu et al. | A Clustering-Based optimization method for the driving cycle construction: A case study in fuzhou and Putian, China | |
| Taylor et al. | Feature selection for supervised learning and compression | |
| CN106980029B (zh) | 车辆超速判断方法及其系统 | |
| CN116878531B (zh) | 基于道路资源预测的智能导航方法 | |
| CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
| CN117455237A (zh) | 一种基于多源数据的道路交通事故风险预测方法 | |
| CN116448685A (zh) | 一种基于人工智能的城市碳监测系统和方法 | |
| CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
| CN102855272A (zh) | 一种微博客蕴含交通信息融合的d-s证据理论方法 | |
| CN115982309A (zh) | 一种基于大数据的轨道交通数据分析方法 | |
| CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
| Xu et al. | An assistant decision-supporting method for urban transportation planning over big traffic data | |
| CN114841283A (zh) | 新能源车辆的行驶工况确定方法、装置、设备及介质 | |
| CN110097126B (zh) | 基于dbscan聚类算法的核查重点人员、房屋漏登记的方法 | |
| CN114579748A (zh) | 一种构建自主式交通系统功能架构的方法 | |
| Ta et al. | Semantic-aware trajectory compression with urban road network |
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 |