-
Patent Agency Ranking
公开(公告)号：CN108985145A
公开(公告)日：2018-12-11
申请号：CN201810526789.2
申请日：2018-05-29
Applicant: 同济大学
Abstract: 随着汽车智能化的不断发展，自动驾驶逐渐成为智能汽车的研究重点，其关键技术之一是对交通标志进行检测与识别用于辅助智能驾驶。然而，现有方法对小尺寸交通标志检测效果不好，即汽车离交通标志较远时，无法检测成功，待靠近检测成功后留给系统的决策时间较少。针对以上问题，本发明基于区域卷积神经网络框架，提出了一种反向连接深度神经网络模型方法以提高小尺寸交通标志检测识别的鲁棒性，从而为智能汽车的辅助驾驶提供了更有效的模型保障。
-
公开(公告)号：CN110287995A
公开(公告)日：2019-09-27
申请号：CN201910445174.1
申请日：2019-05-27
Applicant: 同济大学
Abstract: 本发明提供一种全天高架交通拥堵情况分级的多特征学习网络模型方法。在本发明中，先将全天的交通车速数据根据数据的时间属性和空间属性重新组织成为速度时空矩阵，同时保留交通数据的时空特征；再根据速度时空矩阵以及道路拥堵速度分级定义，构造拥堵时空矩阵；然后根据拥堵时空矩阵，针对道路的各个路段构建拥堵时长占比向量；最后基于速度时空矩阵，拥堵时空矩阵和拥堵时长占比向量，用三个不同的神经网络分支对数据提取特征，并进行分类。与现有技术相比，本发明针对完整的全天数据，多特征学习网络模型能够较好提取不同类型的数据特征，针对全天交通数据，进行较为有效的数据分类，能够高效率自动化的全天交通拥堵情况分级的问题。
-
公开(公告)号：CN110287995B
公开(公告)日：2022-12-20
申请号：CN201910445174.1
申请日：2019-05-27
Applicant: 同济大学
Abstract: 本发明提供一种全天高架交通拥堵情况分级的多特征学习网络模型方法。在本发明中，先将全天的交通车速数据根据数据的时间属性和空间属性重新组织成为速度时空矩阵，同时保留交通数据的时空特征；再根据速度时空矩阵以及道路拥堵速度分级定义，构造拥堵时空矩阵；然后根据拥堵时空矩阵，针对道路的各个路段构建拥堵时长占比向量；最后基于速度时空矩阵，拥堵时空矩阵和拥堵时长占比向量，用三个不同的神经网络分支对数据提取特征，并进行分类。与现有技术相比，本发明针对完整的全天数据，多特征学习网络模型能够较好提取不同类型的数据特征，针对全天交通数据，进行较为有效的数据分类，能够高效率自动化的全天交通拥堵情况分级的问题。
-
公开(公告)号：CN109215349B
公开(公告)日：2020-12-29
申请号：CN201811260347.4
申请日：2018-10-26
Applicant: 同济大学
Abstract: 随着智能交通系统的不断发展，对交通流量需要进行准确而有效的预测。实现对交通流量的预测，其关键技术之一是对交通流量数据的挖掘并对其数据特征进行学习。然而，对于复杂多变的交通流数据，基于交通流理论和统计学模型的传统方法难以捕捉非线性交通流量数据的复杂模式及其特征，故而对交通流量参数进行模式识别和预测的能力较弱；此外，现有的模型大多只能对交通流量进行短时的预测，目前暂时还没有对交通流量进行长时预测的模型方法。针对以上问题，本发明基于卷积神经网络框架，提出了一种基于深度学习的长时交通流量预测方法以提高对交通流量进行长时预测的准确性和鲁棒性。
-
公开(公告)号：CN109215349A
公开(公告)日：2019-01-15
申请号：CN201811260347.4
申请日：2018-10-26
Applicant: 同济大学
CPC classification number: G08G1/0145 , G06Q10/04 , G06Q50/26
Abstract: 随着智能交通系统的不断发展，对交通流量需要进行准确而有效的预测。实现对交通流量的预测，其关键技术之一是对交通流量数据的挖掘并对其数据特征进行学习。然而，对于复杂多变的交通流数据，基于交通流理论和统计学模型的传统方法难以捕捉非线性交通流量数据的复杂模式及其特征，故而对交通流量参数进行模式识别和预测的能力较弱；此外，现有的模型大多只能对交通流量进行短时的预测，目前暂时还没有对交通流量进行长时预测的模型方法。针对以上问题，本发明基于卷积神经网络框架，提出了一种基于深度学习的长时交通流量预测方法以提高对交通流量进行长时预测的准确性和鲁棒性。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
