TH100620B - วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพาน - Google Patents
วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพานInfo
- Publication number
- TH100620B TH100620B TH602002992F TH0602002992F TH100620B TH 100620 B TH100620 B TH 100620B TH 602002992 F TH602002992 F TH 602002992F TH 0602002992 F TH0602002992 F TH 0602002992F TH 100620 B TH100620 B TH 100620B
- Authority
- TH
- Thailand
- Prior art keywords
- bridge
- nodes
- layer
- data
- neural network
- Prior art date
Links
Abstract
OCR วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพานด้วยข้อมูลจากโทรศัพท์เคลื่อนที่ โคย ประยุกต์ใช้เทคนิคโครงข่ายประสาทเทียม ที่ประกอบด้วยการรับข้อมูลของโทรศัพท์เคลื่อนที่ที่ ติดต่อสื่อสารกับสถานีเครือข่าย ได้แก่ ค่าเวลาที่โทรศัพท์เคลื่อนที่เครื่องหนึ่งที่ยังอยู่ในบริเวณรับ- ส่งสัญญาณกับสถานีฐานหนึ่งจนกระทั่งการส่งต่อไปยังสถานีฐานที่ข้างเคียง หรือ ค่าเวลาที่ โทรศัพท์เคลื่อนที่อยู่ภายในเซลล์ (Cell Dveling Time) ในแต่ละเซลล์ที่ครอบคลุมพื้นที่ ของ สะพาน ทั้งขาไปและขากลับ เพื่อนำมาป้อนเข้าโครงสร้างข่ายประสาทเทียม และประเมินเป็นค่า เวลาในการข้ามสะพาน
Claims (1)
1. วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพานของยานพาหนะ ประกอบด้วยขั้นตอน - การรับข้อมูลเวลาประจำเสาสัญญาณของโทรศัพท์เคลื่อนที่ (Cell dwell time, CDT) ของโทรศัพท์เคลื่อนที่เครื่องหนึ่งในแต่ละเซลล์ที่ครอบคลุมพื้นที่ของสะพานทั้งขา ไปและขากลับ ที่ซึ่งการรับข้อมูลเวลาประจำเสาสัญญาณของโทรศัพท์เคลื่อนที่ (CDT) จากเซลล์กรณีที่เกิดซ้ำในรอบการเดินทางข้ามสะพานจะถูกรวมเป็นค่าเดียวก่อน - การป้อนเข้าข้อมูลเวลาประจำเสาสัญญาณของโทรศัพท์เคลื่อนที่ (CDT) ดังกล่าว ให้กับโมเดลโครงข่ายประสาทเทียม (Neural network) เพื่อประมาณค่าเวลาในการข้าม สะพานทั้งขาไป และขากลับของยานพาหนะ - การส่งข้อมูลการประมาณค่าเวลาในการเดินทางข้ามสะพานให้กับผู้ใช้ ยานพาหนะผ่านทางข้อความผ่านโทรศัพท์มือถือเว็บไซต์ทางอินเตอร์เนต หรือผ่าน จอแสดงผลข้อมูลจราจร ที่มีลักษณะเฉพาะคือ โมเคลโครงง่ายประสาทเทียมที่ใช้ในการประมาณค่าเวลา ในการข้ามสะพานดังกล่าวเป็นแบบป้อนไปข้างหน้าและใช้อัลกอริทึมปรับน้ำหนักค่า ผิดพลาดแบบแพร่กระจายย้อนกลับ (Feed-forward multilayer backpropagation neural network โดยมีลักษณะโครงสร้าง 3 ชั้น คือ - ชั้นข้อมูลนำเข้า (Input layer) ที่มีจำนวนโนด (node) ที่มีจำนวนเท่ากับจำนวน เซลล์ที่เกิดขึ้นบางครั้ง หรือเกิดขึ้นบ่อยครั้ง - ชั้นซ่อน (Hidden layer) ที่มีจำนวนโนดเท่ากับจำนวนโนคของชั้นข้อมูลนำเข้า รวมกับจำนวนโนดของชั้นข้อมูลนำออกหารด้วย 2 หรือเท่ากับจำนวนโนดของชั้นข้อมูล นำเข้า ที่ซึ่ง ฟังก์ชันกระตุ้นของชั้นซ่อน คือ ฟังก็ชันซิกมอย์ (Sigmoid Activation Function) - ชั้นนำข้อมูลออก (Output layer) ที่มีจำนวนโนดเท่ากับ 1 ที่ซึ่ง ฟังก์ชันกระตุ้นของ ชั้นข้อมูลนำออก คือ ฟังก์ชันเชิงเส้น (Lincar Activation Function) ที่ซึ่ง การเชื่อมต่อกันระหว่างโนดของแต่ละชั้นเชื่อมกันทุกโนด (Fully connected)
Publications (4)
| Publication Number | Publication Date |
|---|---|
| TH98349A TH98349A (th) | 2009-09-17 |
| TH100620S TH100620S (th) | 2010-03-26 |
| TH31149S1 TH31149S1 (th) | 2011-11-04 |
| TH100620B true TH100620B (th) | 2024-05-13 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Speech emotion recognition enhanced traffic efficiency solution for autonomous vehicles in a 5G-enabled space–air–ground integrated intelligent transportation system | |
| Zhang et al. | A multi-layer information dissemination model and interference optimization strategy for communication networks in disaster areas | |
| Al-Molegi et al. | STF-RNN: Space time features-based recurrent neural network for predicting people next location | |
| JP6516660B2 (ja) | 異なる周期階層のデータによる学習を行うデータ予測装置、情報端末、プログラム及び方法 | |
| CN106372722A (zh) | 地铁短时流量预测方法及装置 | |
| Jiang et al. | Design strategy for optimizing power consumption of sensor node with Min (N, T) policy M/G/1 queuing models | |
| Hua et al. | Network survivability and recoverability in urban rail transit systems under disruption | |
| Kaushik et al. | Stochastic solar harvesting characterisation for sustainable sensor node operation | |
| CN109982402A (zh) | 终端语音呼叫方法、移动终端以及计算机可读存储介质 | |
| Zheng et al. | Connectivity analysis of vehicles moving on a highway with one entry and exit | |
| Abu-Sharkh et al. | GreenBikeNet: An intelligent mobile application with green wireless networking for cycling in smart cities | |
| TH98349A (th) | วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพาน | |
| Ghaleb | Design and Optimization of Tourism Information Management System Based on Artificial Intelligence | |
| De Brouwer et al. | Personalized real-time monitoring of amateur cyclists on low-end devices: proof-of-concept & performance evaluation | |
| Pandey et al. | Communication deployability in disaster management: Taxonomy, recent developments and future challenges | |
| Jeon et al. | BLE beacon with user traffic awareness using deep correlation and attention network | |
| Mitola III | Cognitive radio architecture evolution: annals of telecommunications | |
| Ahmadzai et al. | A mobile traffic load prediction based on recurrent neural network: A case of telecommunication in Afghanistan | |
| Feukeu et al. | Using Neural Network to Model and Estimate PER in Vehicular Ad Hoc Network | |
| Chowdhury et al. | Vehicular Communications for smart cars: Protocols, applications and security concerns | |
| Tan et al. | A QoE Driven Cross‐Domain Management Architecture for Space‐Air‐Ground Integrated Network | |
| Luo et al. | Towards Vehicular Cloud Computing for Assistive Navigation: A Wireless Collaborative Vision Prototype | |
| CN114638422B (zh) | 一种乘车规划方法、装置及存储介质 | |
| Zhang et al. | A kind of context-aware approach based on fuzzy-neural for proactive service of pervasive computing | |
| Audisio | The birth of the cyber tyre |