-
公开(公告)号：CN109902971A
公开(公告)日：2019-06-18
申请号：CN201910231268.9
申请日：2019-03-26
Applicant: 南通大学
Abstract: 本发明公开了一种公路路侧安全风险评价与分级方法。确定了公路路侧安全风险影响因素，包括路侧特征风险因素和路段属性风险因素，其中路侧特征风险因素包含：路侧离散障碍物、路侧连续障碍物和道路接入口；路段属性风险因素包含：道路设计一致性和路段交通量。然后，构建了公路路侧安全风险指数模型，定义了路侧连续障碍物、路侧离散障碍物、道路接入口的风险基础值与相应的风险程度系数，以及道路设计一致性系数和路段交通量系数。最后提出了公路路侧安全风险分级方法和标准。
-
公开(公告)号：CN107634874A
公开(公告)日：2018-01-26
申请号：CN201710785712.2
申请日：2017-09-01
Applicant: 南通大学
Abstract: 本发明涉及SDN环境下基于BP神经网络的P2P流量检测方法,包括如下步骤：步骤1）在SDN环境下构建BP神经网络模型，所述BP神经网络模型的输入包括用于区分P2P流量的特征，BP神经网络模型的输出为P2P流量检测结果；步骤2）通过设定的归一化公式将上述的输入特征直接带入神经网络进行训练；步骤3）重复步骤2）随着训练代数的增加，后一次的输出结果和前一次的输出结果误差逼近至某一个值时，神经网络完成收敛，BP神经网络模型完成训练，并将完成训练的BP神经网络模型分析检测其余的数据。有益效果为：本申请的P2P流量检测方法则是基于众多数据，对其进行深入的挖掘分析，找出区分P2P流量与非P2P流量的信息，给网络管理员判断P2P行为提供依据。
-
公开(公告)号：CN118981567A
公开(公告)日：2024-11-19
申请号：CN202411004094.X
申请日：2024-07-25
Applicant: 南通大学
IPC: G06F16/9535 , G06Q10/047 , G06Q50/12 , G06F40/258 , G06F40/216 , G06F40/289 , G06F18/23213 , G06N3/126
Abstract: 本发明提供了一种考虑多主题的个性化旅行路线规划方法，属于交通规划设计技术领域。解决了旅行路线中未考虑旅行主题或旅行主题单一的技术问题。其技术方案为：包括以下步骤：S1，获取用户旅行数据及景点数据；S2，计算用户旅行偏好，并划分景点主题；S3，计算各用户对各景点的评分；S4，建立多主题限制优化模型；S5，使用两阶段方法和遗传算法求解模型。本发明的有益效果为：本发明在考虑了用户偏好的基础上，进一步满足主题需求，并设置时间等限制条件，为用户提供个性化旅行出行路线的建议，从而提升用户对旅行路线的满意度。
-
公开(公告)号：CN118254678A
公开(公告)日：2024-06-28
申请号：CN202410481703.4
申请日：2024-04-22
Applicant: 南通大学
IPC: B60R1/27
Abstract: 本发明提供了一种用于鬼探头的智能视觉预警系统及方法，属于智能辅助驾驶技术领域。解决了因视觉盲区导致驾驶员视线受阻，从而带来安全隐患的技术问题。其技术方案为：包括以下步骤：S1、摄像头实时检测人行横道上和公交车两旁情况，雷达实时采集公交车周围行人位置以及行人和车辆之前的距离；S2、将实时采集的图像、位置和距离数据进行处理；S3、将公交车当前路况信息共享给其余车辆；S4、实时显示捕获到的当前公交车周围路况的检测结果；S5、通过分析检测结果发出视觉预警提示和语音报警。本发明的有益效果为：可以实现车辆与行人的双向预警，有效地预防鬼探头事故的发生。
-
公开(公告)号：CN118116232A
公开(公告)日：2024-05-31
申请号：CN202410278025.1
申请日：2024-03-12
Applicant: 南通大学
IPC: G08G1/14 , G08G1/0968 , G08G1/065
Abstract: 本发明提供了一种基于车流和人群密度的行车路径推荐方法，属于目标检测技术领域。解决了车辆进入停车场内，由于视野的限制，人们无法快速找到空余车位停车，导致浪费大量时间并造成拥堵的技术问题。其技术方案为：包括以下步骤：S1、获取停车场内视频监控设备的实时录像；S2、计算出当前时间内该停车场内的车流量和人流量；S3、基于车流量和人流量计算出拥挤程度与人群密度；S4、用户通过APP或微信小程序获取停车场的数据信息；S5、服务端接收用户停车需求。本发明的有益效果为：本发明通过视频图像信息来计算出当前时间内的车流量和人流量，帮助用户找到最佳停车位置，快速解决停车的问题。
-
Patent Agency Ranking
公开(公告)号：CN109583081B
公开(公告)日：2024-01-02
申请号：CN201811443853.7
申请日：2018-11-29
Applicant: 南通大学
IPC: G06F30/20 , G06F111/04 , G06F111/10
Abstract: 本发明公开了一种车辆行驶速度预测模型构建方法，包括：获取N个驾驶员驾驶目标车辆在目标公路上行驶的速度数据，得到速度数据集合；对速度数据集合中异常速度数据进行筛除，得到速度数据集合；以速度数据集合中每个速度数据为多元线性回归模型的因变量，以影响速度的公路几何线形参数为解释变量，将每一个因变量与解释变量进行拟合，移除显著性水平大于预设显著度阈值的解释变量，建立速度参数与解释变量的数学关系，得到速度参数预测模型。
-
公开(公告)号：CN112966853B
公开(公告)日：2023-12-22
申请号：CN202110155146.3
申请日：2021-02-04
Applicant: 南通大学
IPC: G06Q10/04 , G06Q50/30 , G06N3/044 , G06N3/0464 , G06N3/084 , G06F16/2458
Abstract: 本发明公开了一种基于时空残差混合模型的城市路网短时交通流预测方法，包括：采集车辆当前经纬度数据并存放至大数据集群数据库中，对原始数据进行数据预处理；将城市路网按照经纬度划分成交通栅格网络，将车辆经纬度数据映射到交通栅格网络中，生成交通栅格数据；将交通栅格数据进行标准化处理，并构建训练集和测试集；构造基于时空残差混合模型的城市路网短时交通流预测模型；训练构建的基于时空残差混合模型的城市路网短时交通流预测模型预测下一时刻的交通栅格数据。本发明在对路网进行时空分析下，引入残差混合模型，提高对路网车流量时间和空间的捕获能力，从而降低了时空残差混合模型预测交通流时的相对误差，提高了预测精度。
-
公开(公告)号：CN113823090A
公开(公告)日：2021-12-21
申请号：CN202111104764.1
申请日：2021-09-22
Applicant: 南通大学
Abstract: 本发明公开的一种基于多时空图卷积网络的交通流预测方法，包括如下步骤：首先，利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性；其次，分别提取周相关、日相关、近期时间的序列数据，输入3个时空组件以深度挖掘不同时间窗口间的时间相关性；最后，将时空组件与编码器‑解码器网络结构(Encoder‑Decoder)融合组建MST‑GCN模型。利用多个高速公路数据集进行实验，结果表明新模型的性能明显优于门控循环单元模型、扩散卷积循环神经网络(DCRNN)模型和时空图卷积网络(T‑GCN)模型。
-
公开(公告)号：CN112907971A
公开(公告)日：2021-06-04
申请号：CN202110166301.1
申请日：2021-02-04
Applicant: 南通大学
Abstract: 本发明公开了一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，包括：采集车辆经纬度信息，获得按时间排序的车辆原始数据集；将城市路网按照经纬度转化为交通栅格网络，并把预处理后的经纬度数据映射到交通栅格网络中，生成交通栅格数据；对交通栅格数据进行标准化处理，并拆分成训练数据集和测试数据集；构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型；使用训练集训练城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证。本发明在时空残差模型中引入遗传算法对时空残差模型训练的步长进行动态优化，提高模型对预测目标值的捕获能力，提高了模型的实用性和预测精度。
-
公开(公告)号：CN111027662A
公开(公告)日：2020-04-17
申请号：CN201911085138.5
申请日：2019-11-08
Applicant: 南通大学
Abstract: 本发明提出了一种基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，在优化的SD-LSSVR模型中首先利用季节性因子预处理方法弱化原始数据序列的季节特征，其次构造优化的SD-LSSVR模型快速得到预测结果。再次，利用混沌量子粒子群优化算法选择新模型所涉及的最优参数，以获得最佳的精度，最后采用滤波控制理论为实际的交通干道结构构建信号控制系统。最后，以某主干道为例进行了实际测试，验证了该模型的准确性和稳定性。数值结果表明，该模型不仅能有效地预测交通流量的季节变化，而且与BP神经网络模型、原最小二乘支持向量回归模型、季节ARIMA模型和灰色预测模型等几种著名的预测模型相比，具有较好的预测效果。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.017 seconds)
