公开(公告)号：CN111291924B

公开(公告)日：2023-06-06

申请号：CN202010051123.3

申请日：2020-01-17

Applicant: 同济大学

Inventor： 臧笛 ,  方杨 ,  程久军 ,  卫志华 ,  张军旗

IPC: G06Q10/04 ,  G06Q50/30 ,  G06N3/084 ,  G06N3/0464

Abstract: 一种长时交通速度预测的几何代数深度神经网络模型方法，具体方法包括如下步骤：原始数据采集及数据预处理，使用速度数据，由道路上的感应线圈检测器按时间间隔采集得到，采集得到数据后，对原始速度数据进行预处理以去除异常元素；(2)生成交通速度时空矩阵，将融合了历史速度时空矩阵用几何代数编码生成多重向量时空矩阵作为几何代数深度神经网络模型的输入；(3)构建几何代数深度神经网络模型，通过几何代数深度神经网络对历史速度参数进行多维度的深入挖掘以及时空特征的提取，实现对交通速度的长时预测；(4)通过反向传播算法对网络进行预测任务的训练优化以及测试，最后得到预测结果。提高对未来全天交通速度预测的准确性。

公开(公告)号：CN111291924A

公开(公告)日：2020-06-16

申请号：CN202010051123.3

申请日：2020-01-17

Applicant: 同济大学

Inventor： 臧笛 ,  方杨 ,  程久军 ,  卫志华 ,  张军旗

IPC: G06Q10/04 ,  G06Q50/30 ,  G06N3/08 ,  G06N3/04

Abstract: 一种长时交通速度预测的几何代数深度神经网络模型方法，具体方法包括如下步骤：原始数据采集及数据预处理，使用速度数据，由道路上的感应线圈检测器按时间间隔采集得到，采集得到数据后，对原始速度数据进行预处理以去除异常元素；(2)生成交通速度时空矩阵，将融合了历史速度时空矩阵用几何代数编码生成多重向量时空矩阵作为几何代数深度神经网络模型的输入；(3)构建几何代数深度神经网络模型，通过几何代数深度神经网络对历史速度参数进行多维度的深入挖掘以及时空特征的提取，实现对交通速度的长时预测；(4)通过反向传播算法对网络进行预测任务的训练优化以及测试，最后得到预测结果。提高对未来全天交通速度预测的准确性。

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

Inventor： 臧笛 ,  丁建平 ,  卫志华 ,  凌嘉炜 ,  方杨 ,  严诣青

IPC: G06K9/00 ,  G06K9/62

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：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

Inventor： 臧笛 ,  方杨 ,  卫志华 ,  程久军 ,  凌嘉炜 ,  严诣青

IPC: G08G1/01 ,  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。

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

Inventor： 臧笛 ,  方杨 ,  卫志华 ,  程久军 ,  凌嘉炜 ,  严诣青

IPC: G08G1/01 ,  G06Q10/04 ,  G06Q50/26

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。