-
公开(公告)号：CN112509326B
公开(公告)日：2021-12-10
申请号：CN202011400595.1
申请日：2020-12-02
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于广义极值T分布偏差的非周期拥堵检测方法，包括1、获取路网速度数据，并进行数据预处理；2、从历史数据中选择与当前时段具有相同时间特征的样本，并与当前速度观测值合并作为检测算法的输入数据集；3、利用基于广义极值T分布偏差的算法检测数据集中的异常值；4、如果当前速度观测值为异常值，则认为当前时段发生了非周期拥堵；5、以交通日志来验证检测结果，并通过性能指标来优化算法参数使得算法性能达到最优。本发明以数据为驱动，运用异常值检测来识别城市路网中非周期拥堵的交通状态，具有较高的精度和可靠性。
-
公开(公告)号：CN110634290B
公开(公告)日：2020-06-09
申请号：CN201910865192.5
申请日：2019-09-12
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于自行车轨迹数据的逆行行为识别方法，包括如下步骤：1)自行车行驶轨迹数据获取及清洗，需要清洗的轨迹有采样率较低的轨迹和速度异常的轨迹；2)地图匹配：把每一条轨迹投影到对应的路段上，实现地图匹配；3)在单向道路上，对自行车逆行进行判断；4)在双向道路上，对自行车逆行进行判断；5)统计一段时间内各路段上的自行车逆行事件的频次，并以频次窗格划分出五个等级水平，分别用不同颜色在OSM地图平台上对路段进行标记表示逆行严重程度。本发明无需借助地理信息系统平台识别逆行行为，而是通过地图匹配和几何学方法判断逆行行为，有效提高了逆行检测的精度。
-
公开(公告)号：CN105741549A
公开(公告)日：2016-07-06
申请号：CN201610243324.7
申请日：2016-04-18
Applicant: 北京航空航天大学
CPC classification number: G08G1/0125 , G06Q10/04 , G06Q50/30 , G08G1/042
Abstract: 本发明公开了一种基于空间copula理论的交通流量预测方法，包括1、获取一条路段中磁感线圈设备的地理位置及其统计的交通流量数据；2、基于样本点的地理位置计算其两两之间的距离；3、根据半变异函数来确定样本适合的相关函数模型；4、由样本交通流量进行边缘分布拟合；5、选择cpula模型，计算交通流基于距离的关联系数，从而验证所选copula模型的可行性；6、调用模型进行预测。本发明考虑交通流的空间特征，深度挖掘交通流分布类型，具有较高的精度和可靠性。
-
公开(公告)号：CN109712389B
公开(公告)日：2020-06-09
申请号：CN201811534181.0
申请日：2018-12-14
Applicant: 北京航空航天大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于Copula和Monte‑Carlo模拟的路径行程时间估计方法，步骤为：S1、获取一条路径中各路段路径行程时间波动率；S2、通过最大似然估计对各路段路径行程时间波动率进行边缘分布拟合；S3、基于各路段路径行程时间波动率分布函数使用Copula理论进行路径行程时间波动率分布函数的拟合；S4、在Copula函数的基础上进行Monte‑Carlo模拟以获得路径行程时间波动率序列；S5、确定某一置信水平下的置信区间并计算路径行程时间波动率的期望；S6、把路径行程时间波动率期望值与上一时段的路径行程时间结合以估计当前时段的路径行程时间。本发明考虑了各路段行程时间在时序上的波动，还考虑了路段行程时间之间的空间关系，深度挖掘行程时间的时空特征，具有较高的精度和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN109712389A
公开(公告)日：2019-05-03
申请号：CN201811534181.0
申请日：2018-12-14
Applicant: 北京航空航天大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于Copula和Monte-Carlo模拟的路径行程时间估计方法，步骤为：S1、获取一条路径中各路段路径行程时间波动率；S2、通过最大似然估计对各路段路径行程时间波动率进行边缘分布拟合；S3、基于各路段路径行程时间波动率分布函数使用Copula理论进行路径行程时间波动率分布函数的拟合；S4、在Copula函数的基础上进行Monte-Carlo模拟以获得路径行程时间波动率序列；S5、确定某一置信水平下的置信区间并计算路径行程时间波动率的期望；S6、把路径行程时间波动率期望值与上一时段的路径行程时间结合以估计当前时段的路径行程时间。本发明考虑了各路段行程时间在时序上的波动，还考虑了路段行程时间之间的空间关系，深度挖掘行程时间的时空特征，具有较高的精度和可靠性。
-
公开(公告)号：CN112749254A
公开(公告)日：2021-05-04
申请号：CN202011609110.X
申请日：2020-12-30
Applicant: 北京航空航天大学
IPC: G06F16/33 , G06F40/117 , G06F40/205 , G06F40/211 , G06F40/216 , G06F40/295 , G06K9/62
Abstract: 本发明公开了一种基于微博数据的交通异常致因解析方法，包括：步步骤S1，对微博内容进行数据搜索，得到原始语句；步骤S2，对所述原始语句进行预处理，获得原始标记语句；步骤S3，对所述原始标记语句切分成词向量，通过所述词向量构建分类模型并进行训练，使用训练后的分类模型将实时的微博数据分类别标记为POS数据、NEG数据；步骤S4，对所述POS数据进行提取位置信息并进行地理编码，得到实时信息；步骤S5，对所述实时信息进行时空信息匹配。本发明的最大特点就是以不再单纯地从交通参数显著变化的角度来推断非周期事件的发生，从而直接从社交媒体中挖掘可能导致交通异常的事件。
-
公开(公告)号：CN112509326A
公开(公告)日：2021-03-16
申请号：CN202011400595.1
申请日：2020-12-02
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于广义极值T分布偏差的非周期拥堵检测方法，包括1、获取路网速度数据，并进行数据预处理；2、从历史数据中选择与当前时段具有相同时间特征的样本，并与当前速度观测值合并作为检测算法的输入数据集；3、利用基于广义极值T分布偏差的算法检测数据集中的异常值；4、如果当前速度观测值为异常值，则认为当前时段发生了非周期拥堵；5、以交通日志来验证检测结果，并通过性能指标来优化算法参数使得算法性能达到最优。本发明以数据为驱动，运用异常值检测来识别城市路网中非周期拥堵的交通状态，具有较高的精度和可靠性。
-
公开(公告)号：CN110634290A
公开(公告)日：2019-12-31
申请号：CN201910865192.5
申请日：2019-09-12
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于自行车轨迹数据的逆行行为识别方法，包括如下步骤：1)自行车行驶轨迹数据获取及清洗，需要清洗的轨迹有采样率较低的轨迹和速度异常的轨迹；2)地图匹配：把每一条轨迹投影到对应的路段上，实现地图匹配；3)在单向道路上，对自行车逆行进行判断；4)在双向道路上，对自行车逆行进行判断；5)统计一段时间内各路段上的自行车逆行事件的频次，并以频次窗格划分出五个等级水平，分别用不同颜色在OSM地图平台上对路段进行标记表示逆行严重程度。本发明无需借助地理信息系统平台识别逆行行为，而是通过地图匹配和几何学方法判断逆行行为，有效提高了逆行检测的精度。
-
公开(公告)号：CN105741549B
公开(公告)日：2017-12-05
申请号：CN201610243324.7
申请日：2016-04-18
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于空间copula理论的交通流量预测方法，包括1、获取一条路段中磁感线圈设备的地理位置及其统计的交通流量数据；2、基于样本点的地理位置计算其两两之间的距离；3、根据半变异函数来确定样本适合的相关函数模型；4、由样本交通流量进行边缘分布拟合；5、选择cpula模型，计算交通流基于距离的关联系数，从而验证所选copula模型的可行性；6、调用模型进行预测。本发明考虑交通流的空间特征，深度挖掘交通流分布类型，具有较高的精度和可靠性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
