-
公开(公告)号：CN119558374A
公开(公告)日：2025-03-04
申请号：CN202411398776.3
申请日：2024-10-09
Applicant: 复旦大学
IPC: G06N3/0895 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06F18/23 , G06F18/25 , G06F18/241
Abstract: 本发明属于智能交通技术领域，具体为一种基于深度学习的轨迹表示预训练系统。本发明基于深度学习的轨迹表示预训练系统，包括构建面向多尺度轨迹结构的深度学习模型；该模型充分结合道路网络静态和动态特征，并且通过混合不同尺度的注意力机制与自监督预训练范式，学习从细粒度到粗粒度的移动轨迹的特征表示，从而获取更加丰富的轨迹时空语义信息。本发明具体包括路网静态特征、路网动态特征的构建模块，多尺度轨迹注意力编码器，以及行程轨迹的自监督学习模块。整个预训练系统可以让轨迹特征感知到更多不同尺度上的时空信息，通过在海量轨迹中自监督学习得到的轨迹向量表示可以被广泛应用到行程时间估算、交通状况预测等多种智能交通系统任务中。
-
公开(公告)号：CN109035761A
公开(公告)日：2018-12-18
申请号：CN201810658375.5
申请日：2018-06-25
Applicant: 复旦大学
CPC classification number: G08G1/0129 , G06N3/0454 , G08G1/0137
Abstract: 本发明属于智能交通技术领域，具体为一种基于辅助监督学习的行程时间估计方法。其从海量历史轨迹数据中寻找统计规律，通过端到端的深度学习模型对整个行程的时间进行整体的估计；步骤包括：特征提取和表示阶段，对轨迹数据进行预处理，分别抽取它的时间和空间特征，驾驶状态特征，短时间和长时间的交通状况特征；训练和预测阶段，将这些提取的特征用统一的双向循环神经网络进行训练和预测；循环神经网络每一步都输出通过当前小区域的时间开销；这些小区域的时间开销的总和即为总路径的时间开销。同时，还引入双向区间损失函数来约束中间时间开销。本方法可高效准确地对城市中的车辆行程时间进行估计，在实际环境下具有较好的效果。
-
公开(公告)号：CN119495186A
公开(公告)日：2025-02-21
申请号：CN202411398730.1
申请日：2024-10-09
Applicant: 复旦大学
IPC: G08G1/01 , G08G1/052 , G08G1/0969 , G06F18/15 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/09
Abstract: 本发明属于智能交通技术领域，具体为一种基于历史轨迹集合的交通预测系统。本发明使用导航定位设备收集车辆在路网上行驶产生的轨迹数据，并构建基于历史轨迹集合的超图注意力模型；利用该模型在超图结构以及道路网络上捕捉时空相关的特征，从而准确预测未来路网中不同道路的行驶速度变化；系统包括轨迹集合特征提取和增强模块，轨迹集合超图构建模块，超图注意力模型模块，交通预测层模块；本发明借助多种时空注意力机制，整合异构以及复杂的交通语义信息；同时，建立道路图和轨迹集合超图之间的特征转换关系，让超图空间和道路网络空间的特征得以高效地交换，准确地对未来交通速度进行预测。
-
公开(公告)号：CN109035761B
公开(公告)日：2021-06-04
申请号：CN201810658375.5
申请日：2018-06-25
Applicant: 复旦大学
Abstract: 本发明属于智能交通技术领域，具体为一种基于辅助监督学习的行程时间估计方法。其从海量历史轨迹数据中寻找统计规律，通过端到端的深度学习模型对整个行程的时间进行整体的估计；步骤包括：特征提取和表示阶段，对轨迹数据进行预处理，分别抽取它的时间和空间特征，驾驶状态特征，短时间和长时间的交通状况特征；训练和预测阶段，将这些提取的特征用统一的双向循环神经网络进行训练和预测；循环神经网络每一步都输出通过当前小区域的时间开销；这些小区域的时间开销的总和即为总路径的时间开销。同时，还引入双向区间损失函数来约束中间时间开销。本方法可高效准确地对城市中的车辆行程时间进行估计，在实际环境下具有较好的效果。
-
-
-
Search Results
4
records
(took 0.013 seconds)
