CN117971915A - 基于图神经网络的风险因子关联数据挖掘方法 - Google Patents
基于图神经网络的风险因子关联数据挖掘方法 Download PDFInfo
- Publication number
- CN117971915A CN117971915A CN202311680387.5A CN202311680387A CN117971915A CN 117971915 A CN117971915 A CN 117971915A CN 202311680387 A CN202311680387 A CN 202311680387A CN 117971915 A CN117971915 A CN 117971915A
- Authority
- CN
- China
- Prior art keywords
- traffic
- neural network
- preset
- graph neural
- risk factor
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007418 data mining Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 206010039203 Road traffic accident Diseases 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101000872083 Danio rerio Delta-like protein C Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及图神经网络技术领域,尤其涉及一种基于图神经网络的风险因子关联数据挖掘方法,包括通过获取预设区域内所有交通路口的历史交通数据,计算交通路口的风险因子并确定交通路口的标签,将所有交通路口设置为透明节点,将连接相邻两个透明节点的道路设置为边,确定透明节点的特征向量和图参数,构建数据集并将数据集划分为训练集与测试集,在训练集上训练图神经网络,根据图神经网络对预设区域以外的交通路口进行分类,该方法还包括根据道路的长度调整图参数,以及根据图神经网络的准确率确定对调节系数进行修正,本发明克服现有技术中图神经网络的分类准确率低,从而影响风险因子关联数据挖掘的准确率的问题。
Description
技术领域
本发明涉及图神经网络技术领域,尤其涉及一种基于图神经网络的风险因子关联数据挖掘方法。
背景技术
随着城市化进程的加速,城市交通问题日益严重,交通拥堵和交通事故频发已经成为困扰城市居民的重要问题,为了提高城市道路的通行能力和安全性,交通管理部门和研究人员需要对交通路口进行风险评估和分类,以便采取针对性的措施降低交通事故和拥堵的发生。
近年来,图神经网络(Graph Neura l Network,GNN)作为一种强大的机器学习方法,已经在许多领域取得了显著的成功,例如社交网络分析、生物信息学和推荐系统等,GNN具有很好的表征能力,可以捕捉图结构中的复杂关系,因此在交通路口风险数据的挖掘中具有很大的潜力。
然而,为了使GNN能够有效地应用于交通路口风险数据的挖掘,需要对交通路口的历史交通数据进行合理的处理和表示,这包括计算交通路口的风险因子、确定交通路口的标签、构建适当的图结构以及确定节点特征向量和边权重等,此外,还需要将这些信息组织成合适的数据集,并在训练和测试过程中对模型进行调整和优化,以提高预测准确性。
中国专利公开号:CN115147790A公开了一种基于图神经网络的车辆未来轨迹预测方法,包括步骤1:数据采集:获取交通参与者、周边交通参与者的视觉感知信息、传感定位信息以及高精地图信息,并对获取的信息进行处理;步骤2:制作训练数据:根据传感定位信息和高精地图构建道路图,然后构建周边交通参与者和自车轨迹的时间序列,生成真值未来轨迹和多模态轨迹;步骤3:神经网络搭建:基于自车、周边交通参与者的时间序列,以及道路图中包含的每个节点中的空间序列,使用循环神经网络LSTM进行编码,并用LSTM中的隐向量来表征整个序列特征;步骤4:进行模型训练:构建关于多模态分类和元素偏移量准确性的负对数似然损失函数:式中,M表示模态数量、H表示预测的时间步数,N表示二维高斯分布、s表示真实轨迹点、a表示静态轨迹anchor、μ表示高斯分布均值、Σ表示二维高斯分布的协方差矩阵、x表示输入样本、θ表示网络参数;神经网络模型通过梯度反向传播优化模型参数,使损失函数逐步下降、性能指标逐步提升;步骤5:将测试集输入训练完成的图神经网络模型,得到轨迹预测的结果。
由此可见,现有技术存在以下问题:由于对交通路口的风险因子、标签以及图结构进行确定地精确度低,从而影响数据集的精确性以及可解释性,导致图神经网络的分类准确率低,从而影响风险因子关联数据挖掘的准确率。
发明内容
为此,本发明提供一种基于图神经网络的风险因子关联数据挖掘方法,用以克服现有技术中数据集的精确性低以及可解释性差,导致图神经网络的分类准确率低,从而影响风险因子关联数据挖掘的准确率的问题。
为实现上述目的,本发明提供一种基于图神经网络的风险因子关联数据挖掘方法,包括:
获取预设区域内所有交通路口的历史交通数据,计算交通路口的风险因子,以确定交通路口的标签;
将所有交通路口设置为透明节点,将连接相邻两个透明节点的道路设置为边,确定透明节点的特征向量,以及包含了透明节点的聚类系数和所述边的初始权重的图参数;
将所有交通路口的特征向量、标签以及图参数存储至数据集中,将数据集按照预设比例划分为训练集与测试集;
构建图神经网络并将所述图神经网络在训练集上训练;
根据准确率大于预设准确率的图神经网络对预设区域以外的交通路口进行分类;
其中,透明节点的聚类系数根据透明节点的度数确定,所述边的初始权重根据所述道路历史一年的车流量确定。
进一步地,根据以下公式计算交通路口的风险因子,设定
其中,F表示交通路口的风险因子,A表示交通路口历史一年的交通事故数量,A0表示交通路口历史五年的平均交通事故数量,B表示交通路口历史一年的拥堵次数,B0表示交通路口历史五年的平均拥堵次数。
进一步地,所述确定交通路口的标签包括根据所述风险因子与预设风险因子的比对结果确定交通路口的标签。
进一步地,所述确定透明节点的聚类系数包括根据所述透明节点的度数确定的第一聚类系数以及第二聚类系数/>其中D表示透明节点的度数。
进一步地,所述根据道路历史一年的车流量确定的初始权重包括所述车流量小于等于第一预设车流量时确定的第一初始权重,所述车流量大于第一预设车流量且小于等于第二预设车流量时确定的第二初始权重以及所述车流量大于第二预设车流量时确定的第三初始权重。
进一步地,当确定所述边的初始权重完成时,根据所述道路的长度大于预设长度确定对所述图参数的调整。
进一步地,所述确定对所述图参数的调整包括根据所述长度与预设长度的第一相对差确定对所述图参数进行调整的调整方式,所述调整方式包括根据调整系数调整所述初始权重以及根据调整系数调整所述初始权重并根据调节系数对聚类系数进行调节。
进一步地,根据以下公式计算调整系数K,设定
根据以下公式计算调节系数T,设定
其中,K表示调整系数,T表示调节系数,△C表示所述第一相对差。
进一步地,当图神经网络训练完成时,根据训练完成的图神经网络对测试集中的透明节点进行分类的准确率小于等于预设准确率确定对所述调节系数进行修正。
进一步地,所述确定对所述调节系数进行修正包括根据所述准确率与预设准确率的第二相对差确定对所述调节系数进行修正的修正系数。
与现有技术相比,本发明的有益效果在于,本发明综合考虑了交通路口历史一年的交通事故数量和历史五年的平均交通事故数量,以及历史一年的拥堵次数和历史五年的平均拥堵次数,全面评估了交通路口的风险状况,使得评估结果更加准确。
进一步地,本发明通过比较风险因子与预设风险因子以直观地将交通路口分为低风险和高风险两类,更精确地确定交通路口的标签,以提高图神经网络的分类效果。
进一步地,本发明通过将透明节点的度数与预设度数进行比较,以更精确地确定透明节点的聚类系数,从而更准确地分析交通网络的结构,从而提高图神经网络分类的的精确性。
进一步地,本发明通过将车流量与预设车流量进行比对,以更精确地反映出道路的实际交通状况,初始权重的设定直观地反映了车流量对交通路口的影响,提高了图神经网络的解释性。
进一步地,本发明通过将道路长度与预设长度进行比对,以更精确地反映出道路的实际情况,从而提高图神经网络分类的精确性和适应性。
进一步地,本发明通过将第一相对差与第一预设相对差进行比较以反映出道路的实际情况,更精确的调整图参数,提升图神经网络的分类的准确性,从而更精确地挖掘风险因子的关联数据。
进一步地,本发明通过调整系数和调节系数的计算,以更精确地调整图参数,优化图神经网络的结构,以使数据集对于交通路口以及道路的实际情况进行精确反应,从而提高图神经网络的分类准确率。
进一步地,本发明通过比较模型的分类准确率与预设准确率,以更精确地评估图神经网络的性能,并据此对调节系数进行修正,从而提高图神经网络的分类准确率。
进一步地,本发明根据第二相对差来确定修正系数,以更精确地调整调节系数,以使数据集对于交通路口以及道路的实际情况进行精确反应,从而提高图神经网络的分类准确率。
附图说明
图1为本发明实施例基于图神经网络的风险因子关联数据挖掘方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
请参阅图1所示,图1为本发明实施例基于图神经网络的风险因子关联数据挖掘方法的流程图。
基于图神经网络的风险因子关联数据挖掘方法,包括:
步骤S1,获取预设区域内所有交通路口的历史交通数据,计算交通路口的风险因子F,以根据所述风险因子F确定交通路口的标签;
步骤S2,将所有交通路口设置为透明节点,将连接相邻两个透明节点的道路设置为边,确定透明节点的特征向量,以及包含了透明节点的聚类系数Xw和所述边的初始权重Qi的图参数;
步骤S3,将所有交通路口的特征向量、标签以及图参数存储至数据集中,将数据集按照预设比例划分为训练集与测试集;
步骤S4,构建图神经网络并将所述图神经网络在训练集上训练;
步骤S5,根据准确率M大于预设准确率M0的图神经网络对预设区域以外的交通路口进行分类。
其中,所述历史交通数据包括交通路口历史一年的交通事故数量A,交通路口历史五年的平均交通事故数量A0,交通路口历史一年的拥堵次数B,交通路口历史五年的平均拥堵次数B0;
所述特征向量为包含了交通路口的风险因子F,红绿灯数量G,限速H的三维向量。
本发明实施例中,所述预设区域优选为全国历史五年交通事故总数量最高的城市,所述预设比例为8:2。
具体而言,根据以下公式计算交通路口的风险因子F,设定
其中,A表示交通路口历史一年的交通事故数量,A0表示交通路口历史五年的平均交通事故数量,B表示交通路口历史一年的拥堵次数,B0表示交通路口历史五年的平均拥堵次数。
具体而言,本发明综合考虑了交通路口历史一年的交通事故数量和历史五年的平均交通事故数量,以及历史一年的拥堵次数和历史五年的平均拥堵次数,全面评估了交通路口的风险状况,使得评估结果更加准确。
具体而言,当交通路口的风险因子F计算完成时,根据所述风险因子F与预设风险因子F0的比对结果确定交通路口的标签,
若F≤F0,则确定交通路口的标签为第一标签;
若F>F0,则确定交通路口的标签为第二标签;
其中,第一标签为低风险交通路口,第二标签为高风险路口。
本发明实施例中,预设风险因子F0取值为0.81,预设风险因子F0是在交通路口历史一年的交通事故数量与交通路口历史五年的平均交通事故数量的差值与交通路口历史一年的交通事故数量的比值为0.2,交通路口历史一年的拥堵次数与交通路口历史五年的平均拥堵次数的比值为1.2的情况下取得的,本领域技术人员可以根据具体情况对预设风险因子F0进行调整。
具体而言,本发明通过比较风险因子与预设风险因子以直观地将交通路口分为低风险和高风险两类,更精确地确定交通路口的标签,以提高图神经网络的分类效果。
具体而言,根据透明节点的度数D与预设度数D0的比对结果确定透明节点的聚类系数Xw;
当D≤D0时,则确定所述透明节点的聚类系数Xw为第一聚类系数X1;
当D>D0时,则确定所述透明节点的聚类系数Xw为第二聚类系数X2;
其中,所述第一聚类系数第二聚类系数/>
本发明实施例中,所述预设度数D0为3,本领域技术人员可以根据具体情况对预设度数D0进行调整。
具体而言,本发明通过将透明节点的度数与预设度数进行比较,以更精确地确定透明节点的聚类系数,从而更准确地分析交通网络的结构,从而提高图神经网络分类的的精确性。
具体而言,根据所述道路历史一年的车流量L与预设车流量的比对结果确定所述边的初始权重Qi,所述预设车流量包括第一预设车流量L1以及第二预设车流量L2;
当L≤L1时,则确定所述边的初始权重Qi为第一初始权重Q1;
当L1<L≤L2时,则确定所述边的初始权重Qi为第二初始权重Q2;
当L>L2时,则确定所述边的初始权重Qi为第三初始权重Q3;
其中,0<Q1<Q2<Q3≤1,本发明实施例中第一初始权重Q1的取值优选0.5,第二初始权重Q2的取值优选0.7,第三初始权重Q3的取值优选0.9。
本发明实施例中,第一预设车流量L1为所述道路历史五年的车流量的均值的75%,第二预设车流量L2为所述道路历史五年的车流量的均值的125%,本领域技术人员可以根据具体情况对第一预设车流量L1以及第二预设车流量L2进行调整。
具体而言,本发明通过将车流量与预设车流量进行比对,以更精确地反映出道路的实际交通状况,初始权重的设定直观地反映了车流量对交通路口的影响,提高了图神经网络的解释性。
具体而言,当确定所述边的初始权重Qi完成时,根据所述道路的长度C与预设长度C0的比对结果确定是否对所述图参数进行调整;
当C≤C0时,则确定不对所述图参数进行调整;
当C>C0时,则确定对所述图参数进行调整;
本发明实施例中,预设长度C0取值为10KM,本领域技术人员可以根据具体情况对预设长度C0进行调整。
具体而言,本发明通过将道路长度与预设长度进行比对,以更精确地反映出道路的实际情况,从而提高图神经网络分类的精确性和适应性。
具体而言,当确定对所述图参数进行调整时,计算所述长度C与预设长度C0的第一相对差△C,并根据所述第一相对差△C与第一预设相对差△C0的比对结果确定对所述图参数进行调整的调整方式,设定△C=(C-C0)/C0;
当△C≤△C0时,则确定以第一调整方式调整所述图参数;
当△C>△C0时,则确定以第二调整方式调整所述图参数;
其中,所述第一调整方式为根据调整系数K调整所述初始权重Qi,所述第二调整方式为根据调整系数K调整所述初始权重Qi并根据调节系数T对聚类系数Xw进行调节。
本发明实施例中,第一预设相对差△C0取值为0.5,第一预设相对差△C0是在长度C为15KM的情况下取得的,本领域技术人员可以根据具体情况对第一预设相对差△C0进行调整。
具体而言,本发明通过将第一相对差与第一预设相对差进行比较以反映出道路的实际情况,更精确的调整图参数,提升图神经网络的分类的准确性,从而更精确地挖掘风险因子的关联数据。
具体而言,当确定以第一调整方式调整所述图参数时,根据以下公式计算调整系数K,设定
将调整后的初始权重Qi设置为Qq i=Qi×K,i=1,2,3。
具体而言,当确定以第二调整方式调整所述图参数时,根据以下公式计算调节系数T,设定
将调节后的聚类系数Xw设置为Xxw=Xw×T,w=1,2。
具体而言,本发明通过调整系数和调节系数的计算,以更精确地调整图参数,优化图神经网络的结构,以使数据集对于交通路口以及道路的实际情况进行精确反应,从而提高图神经网络的分类准确率。
具体而言,当图神经网络训练完成时,根据训练完成的图神经网络对测试集中的透明节点进行分类的准确率M与预设准确率M0的比对结果确定是否对所述调节系数T进行修正;
当M≤M0时,则确定对所述调节系数T进行修正;
当M>M0时,则确定不对所述调节系数T进行修正;
本发明实施例中,所述预设准确率M0取值为90%,本领域技术人员可以根据具体情况对预设准确率M0进行调整。
具体而言,本发明通过比较模型的分类准确率与预设准确率,以更精确地评估图神经网络的性能,并据此对调节系数进行修正,从而提高图神经网络的分类准确率。
具体而言,当确定对所述调节系数T进行修正时,计算所述准确率M与预设准确率M0的第二相对差△M,并根据所述第二相对差△M与第二预设相对差△M0的比对结果确定对所述调节系数T进行修正的修正系数Zv,设定△M=(M0-M)/M0;
当△M≤△M0时,则确定以第一修正系数Z1修正所述调节系数T;
当△M>△M0时,则确定以第二修正系数Z2修正所述调节系数T;
其中,1<Z1<Z2<1.5,本发明实施例中第一修正系数Z1优选1.2,第二修正系数Z2优选为1.3。
将修正后的调节系数设置为Tt=T×Zv,v=1,2。
本发明实施例中,第二预设相对差△M0取值为0.06,第二预设相对差△M0是在准确率M为85%的情况下取得的,本领域技术人员可以根据具体情况对第二预设相对差△M0进行调整。
具体而言,本发明根据第二相对差来确定修正系数,以更精确地调整调节系数,以使数据集对于交通路口以及道路的实际情况进行精确反应,从而提高图神经网络的分类准确率。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图神经网络的风险因子关联数据挖掘方法,其特征在于,包括:
获取预设区域内所有交通路口的历史交通数据,计算交通路口的风险因子,以确定交通路口的标签;
将所有交通路口设置为透明节点,将连接相邻两个透明节点的道路设置为边,确定透明节点的特征向量,以及包含了透明节点的聚类系数和所述边的初始权重的图参数;
将所有交通路口的特征向量、标签以及图参数存储至数据集中,将数据集按照预设比例划分为训练集与测试集;
构建图神经网络并将所述图神经网络在训练集上训练;
根据准确率大于预设准确率的图神经网络对预设区域以外的交通路口进行分类;
其中,透明节点的聚类系数根据透明节点的度数确定,所述边的初始权重根据所述道路历史一年的车流量确定。
2.根据权利要求1所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,根据以下公式计算交通路口的风险因子,设定
其中,F表示交通路口的风险因子,A表示交通路口历史一年的交通事故数量,A0表示交通路口历史五年的平均交通事故数量,B表示交通路口历史一年的拥堵次数,B0表示交通路口历史五年的平均拥堵次数。
3.根据权利要求2所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,所述确定交通路口的标签包括根据所述风险因子与预设风险因子的比对结果确定交通路口的标签。
4.根据权利要求3所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,所述确定透明节点的聚类系数包括根据所述透明节点的度数确定的第一聚类系数以及第二聚类系数/>其中D表示透明节点的度数。
5.根据权利要求4所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,所述根据道路历史一年的车流量确定的初始权重包括所述车流量小于等于第一预设车流量时确定的第一初始权重,所述车流量大于第一预设车流量且小于等于第二预设车流量时确定的第二初始权重以及所述车流量大于第二预设车流量时确定的第三初始权重。
6.根据权利要求5所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,当确定所述边的初始权重完成时,根据所述道路的长度大于预设长度确定对所述图参数的调整。
7.根据权利要求6所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,所述确定对所述图参数的调整包括根据所述长度与预设长度的第一相对差确定对所述图参数进行调整的调整方式,所述调整方式包括根据调整系数调整所述初始权重以及根据调整系数调整所述初始权重并根据调节系数对聚类系数进行调节。
8.根据权利要求7所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,根据以下公式计算调整系数K,设定
根据以下公式计算调节系数T,设定
其中,K表示调整系数,T表示调节系数,△C表示所述第一相对差。
9.根据权利要求8所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,当图神经网络训练完成时,根据训练完成的图神经网络对测试集中的透明节点进行分类的准确率小于等于预设准确率确定对所述调节系数进行修正。
10.根据权利要求9所述的基于图神经网络的风险因子关联数据挖掘方法,其特征在于,所述确定对所述调节系数进行修正包括根据所述准确率与预设准确率的第二相对差确定对所述调节系数进行修正的修正系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680387.5A CN117971915A (zh) | 2023-12-08 | 2023-12-08 | 基于图神经网络的风险因子关联数据挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680387.5A CN117971915A (zh) | 2023-12-08 | 2023-12-08 | 基于图神经网络的风险因子关联数据挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117971915A true CN117971915A (zh) | 2024-05-03 |
Family
ID=90860155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311680387.5A Pending CN117971915A (zh) | 2023-12-08 | 2023-12-08 | 基于图神经网络的风险因子关联数据挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117971915A (zh) |
-
2023
- 2023-12-08 CN CN202311680387.5A patent/CN117971915A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN113269073B (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN108090456A (zh) | 一种车道线识别方法及装置 | |
CN106919957B (zh) | 处理数据的方法及装置 | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN112633149A (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN112613225A (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
Zhao et al. | Abnormal trajectory detection based on a sparse subgraph | |
CN111311907B (zh) | 基于元胞传输模型的不确定基本图参数辨识的识别方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN114170188A (zh) | 一种俯视图像的目标计数方法、系统及存储介质 | |
Pholsena et al. | Traffic status evaluation based on possibilistic fuzzy C-means clustering algorithm | |
CN117971915A (zh) | 基于图神经网络的风险因子关联数据挖掘方法 | |
CN115658710A (zh) | 地图更新处理方法、装置、电子设备及存储介质 | |
CN109657577A (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
CN111091061B (zh) | 一种基于视频分析的车辆刮蹭检测方法 | |
CN113901932A (zh) | 融合人工鱼与粒子群算法的工程机械图像识别方法及系统 | |
CN114066288A (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN111709357A (zh) | 识别目标区域的方法、装置、电子设备和路侧设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |