-
公开(公告)号：CN105046959A
公开(公告)日：2015-11-11
申请号：CN201510388906.X
申请日：2015-06-30
Applicant: 东南大学
Abstract: 本发明公开了一种基于双窗口滑动匹配机制的城市道路行程时间提取方法，包括步骤：上下游车辆号牌识别设备组的构建；双时间窗口机制的建立；各号牌识别设备数据的实时获取；上下游时间窗口内车辆号牌数据的匹配；道路路段行程时间的提取。本发明提供了一种覆盖范围广、精度高、实时性好的路段行程时间提取方法，为基于交通数据进行数据挖掘及多源交通数据融合提供了一种新的数据源，丰富了智能运输系统（ITS）交通信息采集方式及发布内容，为信号协调控制系统以及交通诱导系统等ITS子系统提供了坚实的数据支撑，对城市智能运输系统建设和改善道路运营管理水平有着积极的意义。
-
公开(公告)号：CN105046350A
公开(公告)日：2015-11-11
申请号：CN201510374265.2
申请日：2015-06-30
Applicant: 东南大学
IPC: G06Q10/04
Abstract: 本发明公开了基于AFC数据的公交客流OD实时估计方法。所述方法利用公交AFC系统的刷卡数据，规整获取公交站点客流，在此基础上挖掘公交客流OD与公交站点客流量之间的映射关系，构建基于卡尔曼滤波的公交客流OD实时估计模型，实现公交客流OD的实时估计。本发明对公交AFC系统的客流数据进行了深度挖掘，通过卡尔曼滤波模型得到公交客流分配概率的最优估计值，进而实现公交客流OD的实时估计，这对于准确描述公交客流需求分布规律，实现公交线路运营调度实时优化具有重要意义。
-
公开(公告)号：CN103778792B
公开(公告)日：2015-04-15
申请号：CN201410010017.5
申请日：2014-01-09
Applicant: 东南大学
IPC: G08G1/081
Abstract: 本发明公开了一种考虑车速不均匀性的城市干线单向绿波控制优化方法，采用不等饱和度信号配时思想，为协调相位绿时提供了灵活的调整优化空间，通过量化的车辆行驶速度波动区间，实现了车速不均匀情况下的协调相位绿时和相位差参数的优化。本发明将交通流运行状态的不确定性特征融入了带宽最大化优化过程，克服了传统方法无法兼顾优化干线交叉口信号周期和绿时，以及采用平均车速假设，忽略车速不均匀性的弊端，可有效增强干线单向绿波协调控制对外界干扰的容抗能力，提升干线交通流的运行效率，良好的实时性和实用性特点确保了实际应用的可操作性，对于城市道路交通信号控制优化系统建设，提升城市交通管控水平具有积极的意义。
-
公开(公告)号：CN103903430A
公开(公告)日：2014-07-02
申请号：CN201410149283.6
申请日：2014-04-14
Applicant: 东南大学
Abstract: 本发明公开了一种采用多源同构数据的行程时间实时融合预测方法，包括在获得多源同构等时间间隔的连续行程时间数据序列的基础上，构建多源行程时间D-S证据推理模型识别框架；利用能够获得预测均值和动态方差的时间序列模型分别计算各类单一行程时间数据源的实时预测均值和动态方差；以动态方差预测结果作为输入数据，通过计算获得D-S证据推理模型的基本概率分配函数和基本信任分配函数，通过证据合成规则计算多源行程时间数据的动态融合权重；由单一数据源的预测均值与动态融合权重的加权和计算得到行程时间的融合结果。本发明降低了由单一数据源描述或预测道路行程时间的不确定性，进一步提高行程时间预测的准确性和可靠性，可操作性强。
-
公开(公告)号：CN102592453B
公开(公告)日：2014-02-26
申请号：CN201210045463.0
申请日：2012-02-27
Applicant: 东南大学
IPC: G08G1/01
Abstract: 一种基于时间窗口的实时交通状态判别方法，包括步骤：数据预处理；通过两步聚类算法进行交通状态聚类初始化；更新时间窗口并获取当前时间间隔的交通流基础数据；两步聚类算法参数和聚类中心更新及当前时间间隔的实时交通状态判别。本发明基于历史交通流基础数据，采用两步聚类算法进行交通状态聚类初始化，分别经过初选最优聚类数和最优聚类数的确定得到交通状态的最优分类；其次，在初始化结果的基础上，接入实时数据，运用时间窗口的储存结构，动态更新数据；最后，实时计算更新两步聚类算法参数和聚类中心，重新确定交通状态的最优分类，并判别当前时间间隔的实时交通状态。本方法弥补了传统交通状态判别算法的局限性，对推进城市智能运输系统建设平有积极的意义。
-
Patent Agency Ranking
公开(公告)号：CN112101433B
公开(公告)日：2024-04-30
申请号：CN202010924261.8
申请日：2020-09-04
Applicant: 东南大学
IPC: G06V20/54 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464 , G08G1/065
Abstract: 本发明公开一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，包括以下步骤：收集YOLO V4训练数据集和车辆重识别数据集与数据增强，搭建YOLO V4模型并进行训练，搭建DeepSORT目标追踪模型，进行车辆的追踪并提取每辆车运行轨迹，搭建轨迹记录文件并存储每辆车的运行轨迹信息，使用DBSCAN聚类算法对轨迹数据的终点坐标进行聚类，将聚类簇与车道信息进行关联，根据轨迹数据的变化规律以及轨迹和聚类簇对应关系，实现车辆的分车道计数功能；本发明采用了YOLO V4+DeepSORT车辆检测和追踪模型，保证了车辆检测和追踪实时性的同时，精度也有了大幅度提升。
-
公开(公告)号：CN117389794A
公开(公告)日：2024-01-12
申请号：CN202311181621.X
申请日：2023-09-13
Applicant: 东南大学
Abstract: 本发明提出一种多视角交通数据同时恢复方法，根据数据采集位置、数据采集时间、数据视角三个维度将含缺失和噪声的多视角交通数据构建为三维张量；通过最小化单视角交通数据张量的张量截断核范数捕捉视角内交通数据时空依赖性，通过最小化多视角子空间张量的张量截断核范数和最小化每个视角的重构误差矩阵的L2,1范数捕捉视角间交通数据内在一致性；构建多视角交通数据同时恢复模型，构建模型的增广拉格朗日函数；采用交叉方向乘子法框架将模型的多变量优化问题转化为单变量子优化问题，依次迭代更新每个变量直至收敛，获得恢复后的多视角交通数据张量。本发明能够实现恢复过程中的视角间的互补性，提升模型对参数选择的鲁棒性。
-
公开(公告)号：CN116665439A
公开(公告)日：2023-08-29
申请号：CN202310486336.2
申请日：2023-04-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，包括：获取车辆号牌识别数据，重构车辆轨迹，并按照Time‑of‑Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量；基于贝叶斯计算图框架构建得到车流OD不确定性估计框架；分别设计历史车流OD、实时车流OD的不确定性估计流程，基于车流OD不确定性估计框架，设置损失函数，采用Adam方法进行训练求解，得到实时车流OD和历史车流OD的不确定性估计结果。本发明能够提高车流OD估计的鲁棒性和准确性，对提升交通管理系统的响应能力和服务水平具有重要意义。
-
公开(公告)号：CN115691170B
公开(公告)日：2023-08-29
申请号：CN202211368855.0
申请日：2022-11-03
Applicant: 东南大学
Abstract: 本申请涉及一种基于号牌数据的城市干线道路子区划分方法。该方法包括：获取目标干线的交叉口的号牌数据，以及卡口式电子警察设备与干线道路交叉口关联表，并构建目标干线的干线交通OD流矩阵，进而利用干线道路协调控制距离原则，获取目标干线的干线道路初始划分结果，再根据干线交通OD流矩阵，优化干线道路初始划分结果，得到多个备选子区划分方案，并根据干线交通车辆运行特征和信号协调控制特性，构建目标干线的干线道路子区划分的评价指标，从而根据干线道路子区划分评价指标，对各备选子区划分方案进行评价，确定目标干线的最优子区划分方案，提高干城市干线道路子区划分结果对于干线信号协调控制与优化的作用。
-
公开(公告)号：CN116434575A
公开(公告)日：2023-07-14
申请号：CN202211612761.3
申请日：2022-12-15
Applicant: 东南大学
IPC: G08G1/081 , G08G1/01 , G06Q10/0631 , G06Q50/30
Abstract: 本发明公开了一种考虑行进时间不确定性的公交绿波方案鲁棒生成方法，涉及城市公共交通技术领域，首先获取公交位置与身份识别数据、社会车辆交通流数据和城市道路网络静态数据等相关的交通数据并进行数据预处理，据此获得车辆位置与速度信息，对路段公交行进时间不确定性的量化；其次，计算社会车辆初始排队长度和初始排队消散时间，以此构建约束条件；最后，输入公交车辆行进时间不确定性分布，对经典的公交绿波优化模型MAXBAND进行改进，通过随机优化手段，将不确定性模型转换为线性确定性模型，而后采用基于蒙特卡罗模拟的遗传算法对模型进行求解。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.048 seconds)
