CN117765722A - 基于色彩变换算法的流量预测方法及系统 - Google Patents
基于色彩变换算法的流量预测方法及系统 Download PDFInfo
- Publication number
- CN117765722A CN117765722A CN202311582790.4A CN202311582790A CN117765722A CN 117765722 A CN117765722 A CN 117765722A CN 202311582790 A CN202311582790 A CN 202311582790A CN 117765722 A CN117765722 A CN 117765722A
- Authority
- CN
- China
- Prior art keywords
- flow
- prediction
- traffic
- leaf node
- result
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 28
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于色彩变换算法的流量预测方法及系统，涉及流量预测技术领域，方法包括：与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；对所述流量色彩空间进行特征提取，得到特征提取结果；构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；根据预测结果进行相应的交通管理，解决了现有技术中存在的流量预测工作由于无法对流量的空间分布和视觉信息进行有效处理而导致预测实时性低且不够准确的问题，实现了关于交通管理的高效管控。
Description
技术领域
本发明涉及流量预测技术领域，具体涉及基于色彩变换算法的流量预测方法及系统。
背景技术
交通流量预测是交通管理和规划的重要环节，对于城市交通拥堵缓解、路线规划、公共交通调度等方面具有重要意义。传统的交通流量预测方法通常基于数学模型或机器学习算法，利用历史交通数据和其他相关因素进行预测。然而，这些方法往往面临着处理大规模数据和复杂交通模式的挑战，预测结果的准确性和实时性有待提高。
现有技术中存在的流量预测工作由于无法对流量的空间分布和视觉信息进行有效处理而导致预测实时性低且不够准确的问题，使得最终关于交通管理无法高效管控。
发明内容
本申请提供了基于色彩变换算法的流量预测方法及系统，解决了现有技术中存在的流量预测工作由于无法对流量的空间分布和视觉信息进行有效处理而导致预测实时性低且不够准确的问题，实现了关于交通管理的高效管控。
鉴于上述问题，本申请提供了基于色彩变换算法的流量预测方法。
第一方面，本申请提供了基于色彩变换算法的流量预测方法，方法包括：与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；对所述流量色彩空间进行特征提取，得到特征提取结果；构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；根据预测结果进行相应的交通管理。
第二方面，本申请提供了基于色彩变换算法的流量预测系统，系统包括：流量数据模块：与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；色彩空间模块：对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；特征提取模块：对所述流量色彩空间进行特征提取，得到特征提取结果；预测模型模块：构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；交通管理模块：根据预测结果进行相应的交通管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的基于色彩变换算法的流量预测方法及系统，通过与交通平台建立通信通道，并根据交通平台获取交通流量数据，并对色彩空间进行确定，将交通流量根据色彩空间进行色彩变换，得到流量色彩空间，再对流量色彩空间进行特征提取，得到特征提取结果，构建流量预测模型，根据流量预测模型对特征提取结果进行预测，得到预测结果，最后根据预测结果进行相应的交通管理，解决了现有技术中存在的流量预测工作由于无法对流量的空间分布和视觉信息进行有效处理而导致预测实时性低且不够准确的问题，实现了关于交通管理的高效管控。
附图说明
图1为本申请提供了基于色彩变换算法的流量预测方法流程示意图；
图2为本申请提供了基于色彩变换算法的流量预测系统结构示意图。
附图标记说明：流量数据模块11，色彩空间模块12，特征提取模块13，预测模型模块14，交通管理模块15。
具体实施方式
本申请通过提供基于色彩变换算法的流量预测方法及系统，通过与交通平台建立通信通道，并根据交通平台获取交通流量数据，并对色彩空间进行确定，将交通流量根据色彩空间进行色彩变换，得到流量色彩空间，再对流量色彩空间进行特征提取，得到特征提取结果，构建流量预测模型，根据流量预测模型对特征提取结果进行预测，得到预测结果，最后根据预测结果进行相应的交通管理。解决了现有技术中存在的流量预测工作由于无法对流量的空间分布和视觉信息进行有效处理而导致预测实时性低且不够准确的问题，实现了关于交通管理的高效管控，将流量的视觉信息引入到预测模型中，色彩空间可以提供丰富的颜色组合和分布信息，从而能够更好地表达流量的空间分布和模式，以实现更准确和高效的流量预测。
实施例一
如图1所示，本申请提供了基于色彩变换算法的流量预测方法及系统，方法包括：
与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；
交通平台为官方交通数据平台，通过官方对各个交通道路上进行道路流量监测，并根据总体道路交通数据进行综合分析汇总得到的交通流量数据，并将交通流量数据上传至交通平台中。通过与交通平台建立通信通道，完成身份验证，在交通平台上进行数据访问，将交通平台中的交通流量数据进行获取，为后续将交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间提供数据基础。
对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；
对所述交通流量数据进行分解，得到时间相关性、流量分布和车流密度；
对所述时间相关性、所述流量分布和所述车流密度进行标准化处理，并分别将所述时间相关性、所述流量分布和所述车流密度与颜色空间中的各个颜色进行对应；
并根据对应的关系，将所述时间相关性、所述流量分布和所述车流密度进行映射，得到多个颜色分量；
将多个所述颜色分量进行组合，得到颜色空间中的点；
将多个颜色空间中的点进行组合，形成所述流量色彩空间。
将交通流量数据转换为颜色数据进行表示成为色彩变换，通过将交通流量数据转换为色彩数据，能够更加明确的展示流量情况，并根据色彩数据可以进行色彩空间构建，通过构建的色彩空间能够进行流量趋势分析，完成流量预测。在对流量数据进行色彩变换之前，需要先确定色彩空间，根据不同的色彩空间确定不同的色彩转换规则，并根据不同的色彩转换规则得到对应的流量色彩空间，其中色彩空间包括RGB、CMYK、HSV、YUV等，不同的色彩空间具有不同的特点和应用场景，可以根据实际需求选择合适的色彩空间。将交通流量数据进行分解，交通流量数据由时间相关性、流量分布、车流密度三项数据组合而成，时间相关性是指流量随时间变化的情况；流量分布是指反映在某个时间段内通过道路某一卡口的交通实体数，这种分布随着时间变化而变化；车流密度是指车辆的密集程度，与交通流量和行车速度相关。首先对时间相关性、流量分布和车流密度进行数据预处理，方便后续对数据进行运算。将时间相关性、流量分布和车流密度分别与色彩空间中的原色进行对应，如在RGB色彩空间中，分别映射到RGB颜色空间中的红、绿、蓝三个分量上，时间相关性映射到红色分量上，流量分布映射到绿色分量上，车流密度映射到蓝色分量上。将映射后的RGB颜色值组合起来，形成一个RGB颜色空间中的点，对交通流量进行全部映射，得到所有对应交通流量的点，并将全部点在色彩空间中进行标注，得到完整的流量色彩空间，将交通流量数据进行流量色彩空间转换，能够便于对不同特征进行分析比较，更加直观的展现流量特征。
对所述流量色彩空间进行特征提取，得到特征提取结果；
通过图像基础特征提取算法对流量色彩空间进行特征提取，图像基础特征提取算法首先对流量色彩空间进行明度提取，明度即亮暗，决定图像的明暗程度。完成对明度提取后，再对流量色彩空间进行饱和度提取，饱和度决定色彩的鲜艳程度，也称为色彩的纯度。完成对饱和度的提取后，再进行色相提取，色相即为色调，能够决定颜色的冷暖，提取得到流量色彩空间的明度、饱和度和色相，为后续构建流量预测模型，根据流量预测模型对特征提取结果进行预测，得到预测结果提供数据基础。
构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；
根据预测结果进行相应的交通管理。
获取历史特征提取结果集，所述历史特征提取结果集包括历史明度集、历史饱和度集和历史色相集；
获取历史流量预测结果集，并对所述历史流量预测结果中的第一组历史流量预测结果进行提取；
对历史特征提取结果集中的第一组历史特征提取结果进行提取，其中，所述第一组历史特征提取结果与所述第一组历史流量预测结果一一对应；
以所述第一组历史特征提取结果为决策树的输入根节点数据，以所述第一组历史流量预测结果为决策树的多个输出叶子节点监督数据，训练第一决策树，构建流量预测模型。
在进行模型构建之前需先对模型训练数据进行获取，通过大数据获取历史特征提取结果集，历史特征提取结果集包括历史明度集、历史饱和度集和历史色相集。并通过大数据对历史流量预测结果集进行获取，并对历史流量预测结果集中的第一组历史流量预测结果进行提取，并对与第一组历史流量预测结果一一对应的历史特征提取结果集中的第一组历史特征提取结果进行提取，将第一组历史特征提取结果作为输入根节点数据，将第一组历史流量预测结果作为多个输出叶子节点监督数据，对第一决策树进行训练，构建流量预测模型，并将特征提取结果输入至流量预测模型，通过流量预测模型对特征提取结果进行处理，得到预测结果，预测结果不唯一，根据实际情况选择相应的预测结果，并根据相应的预测结果进行相应的交通管理。通过对历史特征提取结果集进行获取，并将其作为训练数据进行模型训练，能够使得到的模型对特征提取结果进行处理的更加准确。
进一步而言，所述方法还包括：
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，得到所述流量预测模型。
将第一决策树的叶子节点输出值和叶子节点监督数据之差进行获取，对预设偏差值进行设定，当第一叶子节点的叶子节点输出偏差的绝对值大于或等于预设偏差值，以第一叶子节点为次级根节点，训练第二决策树，将第一叶子节点的叶子节点输出偏差和叶子节点输出值作为第二决策树的输入，并且第二决策树的监督数据和第一叶子节点的监督数据相同，不断进行迭代分析，直到全部叶子节点的叶子节点输出偏差的绝对值小于预设偏差值，即得到流量预测模型，通过设定预设偏差值，并将输出偏差值与预设偏差值进行对比，不断进行迭代，能够使最终获取的模型更加精确。
进一步而言，所述方法还包括：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
在对第二决策树进行训练之前，当第一决策树的叶子节点输出偏差大于0时，将残差拟合方向设为减小，即减少偏差。将叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间，保证模型的泛化能力，并使其尽可能的快速拟合。根据残差拟合方向、残差拟合步长区间和叶子节点输出值对第二决策树进行训练，通过设定残差拟合步长区间，在保证模型泛化能力的同时，能够更加快速的进行拟合。
进一步而言，所述方法还包括：
调取预测结果期望区间对所述预测结果进行偏离性分析，生成预测偏离系数；
当所述预测结果属于所述预测结果期望区间，所述预测偏离系数等于0；
当所述预测结果小于所述预测结果期望区间的最小值，计算所述预测结果与最小值的偏差绝对值，设为所述预测偏离系数；
当所述预测结果大于所述预测结果期望区间的最大值，计算所述预测结果与最大值的偏差绝对值，设为所述预测偏离系数。
提取所述预测偏离系数等于0的预测结果集生成预测结果优先集；
提取所述预测偏离系数大于或等于预测偏离系数阈值的预测结果集进行序列化调整，生成预测结果集序列；
根据所述预测结果优先集和所述预测结果集序列进行交通管理。
对模型进行处理得到的预测结果进行分析，判断模型处理得到的预测结果的准确性。对预测结果期望区间进行调取，预测结果期望区间表示通过流量预测模型获取的预测结果应该存在的范围值区间，将预测结果超过该范围值区间则表示该预测结果出现偏离，并对预测结果进行偏离性分析，生成预测偏离系数。具体而言当预测结果属于预测结果期望区间，预测偏离系数等于0；当预测结果小于预测结果期望区间的最小值或大于预测结果期望区间的最大值，计算预测结果与最小值或最大值的偏差绝对值，设为预测偏离系数。提取预测偏离系数等于0的预测结果集生成预测结果优先集，该预测结果优先集为首先进行采用的预测结果集。提取预测偏离系数大于或等于预测偏离系数阈值的预测结果集进行序列化调整，生成预测结果集序列，该预测结果集序列表示有偏差的预测结果，但其依然存在一定的参考价值，当预测结果优先集出现问题或无法使用时，可使用预测结果集序列进行交通管理，按照序列顺序进行选择，使整个交通管理得到保障。
实施例二
基于与前述实施例中基于色彩变换算法的流量预测方法相同的发明构思，如图2所示，本申请提供了基于色彩变换算法的流量预测系统，所述系统包括：
流量数据模块11：所述流量数据模块11用于与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；
色彩空间模块12：所述色彩空间模块12用于对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；
特征提取模块13：所述特征提取模块13用于对所述流量色彩空间进行特征提取，得到特征提取结果；
预测模型模块14：所述预测模型模块14用于构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；
交通管理模块15：所述交通管理模块15用于根据预测结果进行相应的交通管理。
进一步的，色彩空间模块12包括以下执行步骤：
对所述交通流量数据进行分解，得到时间相关性、流量分布和车流密度；
对所述时间相关性、所述流量分布和所述车流密度进行标准化处理，并分别将所述时间相关性、所述流量分布和所述车流密度与颜色空间中的各个颜色进行对应；
并根据对应的关系，将所述时间相关性、所述流量分布和所述车流密度进行映射，得到多个颜色分量；
将多个所述颜色分量进行组合，得到颜色空间中的点；
将多个颜色空间中的点进行组合，形成所述流量色彩空间。
进一步的，预测模型模块14包括以下执行步骤：
获取历史特征提取结果集，所述历史特征提取结果集包括历史明度集、历史饱和度集和历史色相集；
获取历史流量预测结果集，并对所述历史流量预测结果中的第一组历史流量预测结果进行提取；
对历史特征提取结果集中的第一组历史特征提取结果进行提取，其中，所述第一组历史特征提取结果与所述第一组历史流量预测结果一一对应；
以所述第一组历史特征提取结果为决策树的输入根节点数据，以所述第一组历史流量预测结果为决策树的多个输出叶子节点监督数据，训练第一决策树，构建流量预测模型。
进一步的，预测模型模块14包括以下执行步骤：
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，得到所述流量预测模型。
进一步的，预测模型模块14包括以下执行步骤：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
进一步的，预测模型模块14包括以下执行步骤：
调取预测结果期望区间对所述预测结果进行偏离性分析，生成预测偏离系数；
当所述预测结果属于所述预测结果期望区间，所述预测偏离系数等于0；
当所述预测结果小于所述预测结果期望区间的最小值，计算所述预测结果与最小值的偏差绝对值，设为所述预测偏离系数；
当所述预测结果大于所述预测结果期望区间的最大值，计算所述预测结果与最大值的偏差绝对值，设为所述预测偏离系数。
提取所述预测偏离系数等于0的预测结果集生成预测结果优先集；
提取所述预测偏离系数大于或等于预测偏离系数阈值的预测结果集进行序列化调整，生成预测结果集序列；
根据所述预测结果优先集和所述预测结果集序列进行交通管理。
本说明书通过前述对基于色彩变换算法的流量预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中基于色彩变换算法的流量预测方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.基于色彩变换算法的流量预测方法，其特征在于，所述方法包括：
与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；
对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；
对所述流量色彩空间进行特征提取，得到特征提取结果；
构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；
根据预测结果进行相应的交通管理。
2.如权利要求1所述的方法，其特征在于，对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间，该方法包括：
对所述交通流量数据进行分解，得到时间相关性、流量分布和车流密度；
对所述时间相关性、所述流量分布和所述车流密度进行标准化处理，并分别将所述时间相关性、所述流量分布和所述车流密度与颜色空间中的各个颜色进行对应；
并根据对应的关系，将所述时间相关性、所述流量分布和所述车流密度进行映射，得到多个颜色分量；
将多个所述颜色分量进行组合，得到颜色空间中的点；
将多个颜色空间中的点进行组合，形成所述流量色彩空间。
3.如权利要求1所述的方法，其特征在于，构建流量预测模型，该方法包括：
获取历史特征提取结果集，所述历史特征提取结果集包括历史明度集、历史饱和度集和历史色相集；
获取历史流量预测结果集，并对所述历史流量预测结果中的第一组历史流量预测结果进行提取；
对历史特征提取结果集中的第一组历史特征提取结果进行提取，其中，所述第一组历史特征提取结果与所述第一组历史流量预测结果一一对应；
以所述第一组历史特征提取结果为决策树的输入根节点数据，以所述第一组历史流量预测结果为决策树的多个输出叶子节点监督数据，训练第一决策树，构建流量预测模型。
4.如权利要求3所述的方法，其特征在于，所述训练第一决策树包括：
获得所述第一决策树的叶子节点输出偏差，其中，所述叶子节点输出偏差为叶子节点输出值和叶子节点监督数据之差；
当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同；
迭代分析，直到全部叶子节点的所述叶子节点输出偏差的绝对值小于所述预设偏差值，得到所述流量预测模型。
5.如权利要求4所述的方法，其特征在于，当第一叶子节点的所述叶子节点输出偏差的绝对值大于或等于预设偏差值，以所述第一叶子节点为次级根节点，训练第二决策树，其中，所述第二决策树为所述第一决策树的优化决策树，的输入为所述第一叶子节点的所述叶子节点输出偏差和所述叶子节点输出值，所述第二决策树的监督数据和所述第一叶子节点的监督数据相同，包括：
当所述叶子节点输出偏差大于0，将残差拟合方向设为减小；
将所述叶子节点输出偏差的绝对值的0.5倍到2倍设为残差拟合步长区间；
根据所述残差拟合方向、所述残差拟合步长区间和所述叶子节点输出值，训练所述第二决策树。
6.如权利要求1所述的方法，其特征在于，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果，包括：
调取预测结果期望区间对所述预测结果进行偏离性分析，生成预测偏离系数；
当所述预测结果属于所述预测结果期望区间，所述预测偏离系数等于0；
当所述预测结果小于所述预测结果期望区间的最小值，计算所述预测结果与最小值的偏差绝对值，设为所述预测偏离系数；
当所述预测结果大于所述预测结果期望区间的最大值，计算所述预测结果与最大值的偏差绝对值，设为所述预测偏离系数；
提取所述预测偏离系数等于0的预测结果集生成预测结果优先集；
提取所述预测偏离系数大于或等于预测偏离系数阈值的预测结果集进行序列化调整，生成预测结果集序列；
根据所述预测结果优先集和所述预测结果集序列进行交通管理。
7.基于色彩变换算法的流量预测系统，其特征在于，所述系统包括：
流量数据模块：与交通平台建立通信通道，并根据所述交通平台获取交通流量数据；
色彩空间模块：对色彩空间进行确定，将所述交通流量根据所述色彩空间进行色彩变换，得到流量色彩空间；
特征提取模块：对所述流量色彩空间进行特征提取，得到特征提取结果；
预测模型模块：构建流量预测模型，根据所述流量预测模型对所述特征提取结果进行预测，得到预测结果；
交通管理模块：根据预测结果进行相应的交通管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311582790.4A CN117765722A (zh) | 2023-11-24 | 2023-11-24 | 基于色彩变换算法的流量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311582790.4A CN117765722A (zh) | 2023-11-24 | 2023-11-24 | 基于色彩变换算法的流量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117765722A true CN117765722A (zh) | 2024-03-26 |
Family
ID=90315320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311582790.4A Pending CN117765722A (zh) | 2023-11-24 | 2023-11-24 | 基于色彩变换算法的流量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765722A (zh) |
-
2023
- 2023-11-24 CN CN202311582790.4A patent/CN117765722A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| WO2020252784A1 (zh) | 电力负荷数据的预测方法、装置及存储介质 | |
| CN105631880B (zh) | 车道线分割方法和装置 | |
| CN103699532B (zh) | 图像颜色检索方法和系统 | |
| CN110717953B (zh) | 基于cnn-lstm组合模型的黑白图片的着色方法和系统 | |
| CN111460936A (zh) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 | |
| CN109816714B (zh) | 一种基于三维卷积神经网络的点云物体类型识别方法 | |
| CN103310201B (zh) | 目标混合颜色识别方法 | |
| CN110930296A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111553114A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN111104831B (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
| CN112149962A (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
| CN106651966A (zh) | 图片颜色识别方法和系统 | |
| CN115577305A (zh) | 一种无人机信号智能识别方法及装置 | |
| Bushmelev et al. | Adaptive method of color selection in application to social media images | |
| CN117765722A (zh) | 基于色彩变换算法的流量预测方法及系统 | |
| CN110135274B (zh) | 一种基于人脸识别的人流量统计方法 | |
| CN115761459A (zh) | 一种面向桥隧表观病害识别的多场景自适应方法 | |
| CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
| CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 | |
| CN111259981B (zh) | 一种遥感图像处理后自动分类系统 | |
| CN114564888A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
| CN112766092A (zh) | 基于类脑神经网络的背景类别快速识别方法及其应用 | |
| JP2022099572A (ja) | 情報処理装置、情報処理方法およびプログラム |
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 |