-
公开(公告)号：CN116504060A
公开(公告)日：2023-07-28
申请号：CN202310483068.9
申请日：2023-05-01
Applicant: 兰州理工大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 基于Transformer的扩散图注意力网络交通流预测方法，所述的交通流组合预测方法，T‑DGAN方法采用Transformer编码器‑解码器架构，其中编码器和解码器包含多个时空卷积网络模块(ST‑Conv Block)和扩散图注意力模块(DGA‑Block)，ST‑Conv Block通过时间门控卷积网络和空间卷积网络分别捕获交通流的时间依赖性和空间相关性，DGA‑Block利用查询键值自注意力机制自适应学习每个扩散步的扩散参数，并动态更新邻接转移矩阵，以捕获交通流的动态空间相关性。此外，解码器增加了信息辅助模块，以聚合编码器和解码器之间的交通流信息。
-
公开(公告)号：CN113505536A
公开(公告)日：2021-10-15
申请号：CN202110776014.2
申请日：2021-07-09
Applicant: 兰州理工大学
Abstract: 本发明涉及一种优化的基于时空图卷积网络的交通流预测模型，交通流预测定义为对特定的路网结构，根据历史记录的几个时间步长的交通流数据来预测未来几个时间步长的交通流数据，模型建立包括：空间相关性建模；通过模型训练得到的自适应邻接矩阵来表示图的结构；时间相关性建模，GRU的门和隐藏状态的计算过程是全连接操作，使用GCN对其进行替换；TPA机制的引入；Loss function，设计和训练模型的目的是最小化道路节点的模型预测值和真实值之间的误差。本发明提高短时交通流准确预测精度，增强了模型分析图结构的数据的能力，可以保证充分挖掘交通流的时空依赖性，从而提高短时交通流的预测精度和模型的收敛速度。
-
公开(公告)号：CN111709364A
公开(公告)日：2020-09-25
申请号：CN202010549985.9
申请日：2020-06-16
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于视角信息和批特征擦除的行人再识别方法，属于计算机视觉和模式识别的技术领域。该方法主要通过PSE网络模型的构建、PSE模型训练和BFE网络模型的构建来实现行人再识别。本发明通过视角信息与批特征擦除相结合的方法在三个数据集上都有良好的泛化能力和鲁棒性。本发明使用三种注意力机制的方法可以取得更好的识别效果，其Rank-1的精度比单独的视角特征注意力提高了0.5％，比单独的CBAM注意力提高了0.2％；其mAP结果比单独的视角特征注意力提高了1.3％，比单独的CBAM注意力提高了1.2％，具有良好的使用效果。
-
公开(公告)号：CN116543554A
公开(公告)日：2023-08-04
申请号：CN202310484143.3
申请日：2023-05-01
Applicant: 兰州理工大学
Abstract: 基于动态相关性的时空Transformer交通流预测方法，所述的交通流组合预测方法，DST‑Trans通过时空门控卷积网络和Transformer对交通流的动态时空相关性进行建模。首先，构造自适应邻接矩阵并通过节点嵌入来学习隐藏的交通路网动态空间关系；其次，通过结合时间门控卷积网络和图卷积网络，以同时捕获交通流的时空相关性。ST‑Block通过在时空门控卷积网络中引入多头注意力机制对长时间序列的动态时空相关性进行建模。此外，为了充分利用路网之间的动态和静态关联，本发明设计基于道路连接图、相似图以及自适应动态图的多图方法。
-
公开(公告)号：CN113919593A
公开(公告)日：2022-01-11
申请号：CN202111336233.5
申请日：2021-11-12
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于注意力机制的ME‑MBiGRU短时交通流量预测方法，包括改进的集合经验模态分解、多层双向门控循环单元和注意力机制的组合模型，改进的集合经验模态分解简称MEEMD，MEEMD是一种基于排列熵的改进集合经验模态分解方法，该方法利用互补集合经验模态分解对含有噪声的时间序列进行分解，计算每一个分量的排列熵值，根据排列熵值Hp来确定数据中存在的异常值，并将其剔除；再对剩余的数据进行经验模态分解。本发明公开的基于注意力机制的ME‑MBiGRU短时交通流量预测方法通过改进的集合经验模态分解对数据进行分解；为更加充分的提取交通流的时间特征，采用多层双向门控循环单元和注意力机制对模型进行训练。
-
Patent Agency Ranking
公开(公告)号：CN111680075A
公开(公告)日：2020-09-18
申请号：CN202010298397.2
申请日：2020-04-16
Applicant: 兰州理工大学
IPC: G06F16/2458 , G06F16/25 , G06F16/27 , G06Q50/30
Abstract: 本发明公开了一种基于离线分析和在线预测结合的Hadoop+Spark交通预测系统，包括Hadoop平台交通大数据的存储和管理、Spark系统交通实时数据分析和交通流预测和交通流预测应用。本发明通过研究Hadoop云平台的MapReduce分布式架构工作机理、分布式文件存储(Hadoop Distributed File System，HDFS)原理、以及Spark基于内存计算的工作流程，根据交通流预测的强实时性要求，建立基于Hadoop+Spark架构的综合性交通大数据处理平台。针对交通大数据的特点，优化平台，使得能够快速分析交通大数据，并研究基于大数据平台的交通数据预处理方法，为交通特性分析及交通流预测提供高质量的数据支撑。
-
公开(公告)号：CN105869417B
公开(公告)日：2019-07-23
申请号：CN201610427619.X
申请日：2016-06-16
IPC: G08G1/08
Abstract: 本发明涉及一种基于组合控制的交通信号控制方法及系统，方法包括(1)设置相位的最大排队车辆数、最大入口车流量、最短绿灯时间和最长绿灯时间；(2)采集交通流数据；(3)利用SOM神经网络对交叉口的历史交通流数据进行聚类识别，对路口交通状态划分拥堵等级；(4)采集当前交通流数据，采用SOM神经网络对路口交通状态进行识别；(5)控制器结构选择；(6)确定绿灯相位的延长时间并对两级模糊控制器优化；(7)确定当前放行车流相位的绿灯时长。利用车辆检测数据，采用SOM神经网络对交叉口交通状态进行识别，依据路口交通状态，动态选择合适的模糊控制器结构，有效地减少了车辆的平均延误，方法具有适应性好、控制性能优异、成本低等特点。
-
公开(公告)号：CN103365292A
公开(公告)日：2013-10-23
申请号：CN201310294142.9
申请日：2013-07-15
Applicant: 兰州理工大学
Abstract: 基于视觉识别和多传感器数据融合的捡球方法，其步骤为：步骤A，通过红外传感器阵列获取周围环境信息，摄像头在数字舵机的控制下分别在0度、45度、90度三个角度采集图像信息并将其进行处理；步骤B，捡球机器人向右旋转15度，进入下一个位置，重复步骤A；步骤C，重复步骤B；步骤D，捡球机器人前进2米，进入下一个位置，重复步骤A；步骤E，捡球机器人向左旋转15度，进入下一个位置，重复步骤A；步骤F，重复步骤E；步骤G，捡球机器人前进2米，进入下一个位置；至此，一次循环结束，重新开始循环执行步骤A以及后续步骤。
-
公开(公告)号：CN117290707A
公开(公告)日：2023-12-26
申请号：CN202311424813.9
申请日：2023-10-31
Applicant: 兰州理工大学
IPC: G06F18/213 , G06N3/0464 , G06N3/08 , G08G1/01
Abstract: 交互动态图卷积及概率稀疏注意力的交通流预测方法，所述的交通流预测方法，IDG‑PSAtt方法由交互式动态图卷积网络IDGCN和时空卷积块ST‑Conv Block以及概率稀疏自注意力机制ProbSSAtt Block构成；步骤一、IDGCN将交通流时间序列按间隔划分，并交互共享捕捉的动态时空特征；步骤二、ST‑Conv Block捕获同一位置交通流的复杂时间依赖性和同一时间步长上邻近位置交通流的动态空间相关性；步骤三、ProbSSAtt Block捕获动态时空特征以提高IDG‑PSAtt方法的中长期预测性能；步骤四、构建一种由自适应邻接矩阵和可学习邻接矩阵融合生成的动态图卷积网络，以学习道路网络节点间隐藏的动态关联；步骤五、通过预测层进行交通流预测。
-
公开(公告)号：CN113487856B
公开(公告)日：2022-10-14
申请号：CN202110621902.7
申请日：2021-06-04
Applicant: 兰州理工大学
Abstract: 本发明涉及基于图卷积网络及注意力机制的交通流组合预测模型，所述的交通流组合预测模型包含三部分，分别是图卷积网络GCN、门控递归单元GRU和软注意力机制SoftAttention，在组成的GGCN‑SA交通流组合预测模型中，GCN用于捕获图的拓扑结构以获得空间相关性，GRU用于捕获节点属性的动态变化以获得时间相关性，软注意力机制SoftAttention以自适应地将不同时刻不同程度的注意力分配给交通流序列。本发明的模型可以直接在原始的交通路网上处理交通流数据，有效地捕获交通流的时空特征，使用GCN来捕获路网上交通流的空间相关性，自动区分每个交通流序列对最终预测性能的重要性，以提高预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.032 seconds)
