OCR วิธีการประมาณค่าเวลาในการเดินทางข้ามสะพานด้วยข้อมูลจากโทรศัพท์เคลื่อนที่ โคย ประยุกต์ใช้เทคนิคโครงข่ายประสาทเทียม ที่ประกอบด้วยการรับข้อมูลของโทรศัพท์เคลื่อนที่ที่ ติดต่อสื่อสารกับสถานีเครือข่าย ได้แก่ ค่าเวลาที่โทรศัพท์เคลื่อนที่เครื่องหนึ่งที่ยังอยู่ในบริเวณรับ- ส่งสัญญาณกับสถานีฐานหนึ่งจนกระทั่งการส่งต่อไปยังสถานีฐานที่ข้างเคียง หรือ ค่าเวลาที่ โทรศัพท์เคลื่อนที่อยู่ภายในเซลล์ (Cell Dveling Time) ในแต่ละเซลล์ที่ครอบคลุมพื้นที่ ของ สะพาน ทั้งขาไปและขากลับ เพื่อนำมาป้อนเข้าโครงสร้างข่ายประสาทเทียม และประเมินเป็นค่า เวลาในการข้ามสะพานOCR (Optical Character Recognition) is a method for estimating bridge crossing time using mobile phone data. It applies artificial neural network techniques, which involve receiving data from mobile phones communicating with network stations. This data includes the time a mobile phone spends within the signal coverage area of one base station until it is transferred to a neighboring base station, or the time a mobile phone spends inside a cell (cell walking time) within each cell covering the bridge area, both for the outbound and return journeys. This data is then fed into the neural network to estimate the bridge crossing time.
Claims (1)
OCROCR1. 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)1. The method for estimating vehicle crossing time across a bridge involves the following steps: - Obtaining cell dwell time (CDT) data from each mobile phone in the cells covering the bridge area for both the outbound and return journeys. The CDT data from repeated cell occurrences during each bridge crossing is then combined into a single value. - Feeding this CDT data to a neural network model to estimate the bridge crossing time for both the outbound and return journeys. - Sending the estimated bridge crossing time data to vehicle users via text message on mobile phones, internet websites, or through a traffic information display screen. Specifically, the neural network model used for estimating bridge crossing time is a feed-forward multilayer backpropagation neural network with a three-layer structure: - Input layer, with a number of nodes equal to the number of cells that occur repeatedly. Or, more frequently, a hidden layer with a number of nodes equal to the number of nodes of the input layer plus the number of nodes of the output layer divided by 2, or equal to the number of nodes of the input layer, where the activation function of the hidden layer is the sigmoid activation function; and an output layer with 1 node, where the activation function of the output layer is the linear activation function, and where all nodes in each layer are fully connected.
TH602002992F2008-09-19
How to estimate travel time across a bridge.
TH100620B
(en)
Speech emotion recognition enhanced traffic efficiency solution for autonomous vehicles in a 5G-enabled space–air–ground integrated intelligent transportation system