-
公开(公告)号：CN110503104B
公开(公告)日：2021-04-27
申请号：CN201910810616.8
申请日：2019-08-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的短时剩余车位数量预测方法，包括建立短时剩余停车位数量预测模型和下一时段的剩余停车位数量预测两部分，首先，建立样本数据集，利用图像训练卷积神经网络，获得短时剩余停车位数量预测模型；其次，将预测场景下的当前时段二维时间序列图导入模型，即可预测下一时间段停车位剩余数量变化趋势。此外，将趋势图进行数图转化，即可以获得下一时间段剩余停车位数量。相比于其他深度、前馈神经网络，卷积神经网络需要训练的参数更少，且其特殊的空间结构能够利用输入的文本数字化数据转化为可视化的二维图像形式进行特征提取、学习与预测。通过对比分析，模型鲁棒性更好，预测结果精确度更高。
-
公开(公告)号：CN116363612A
公开(公告)日：2023-06-30
申请号：CN202310186761.X
申请日：2023-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明涉及交通安全领域，具体是指一种基于图像识别的行人追踪及过街意图预测方法，包括摄像单元、算法单元和提示单元；摄像单元包括用于耦合视角采集行人过马路视频图像的至少两组高清摄像机组；算法单元包括耦合视角下行人流检测模块、耦合视角下行人3D姿态跟踪模块和行人过马路意图判断模块，所诉耦合视角下行人流检测模块根据摄像单元获取的多角度视图获取行人的2D姿态，而后耦合视角下行人3D姿态跟踪模块生成3D姿态模型后对行人进行跟踪并将获取到的3D姿态传输给行人过马路判断模块，从而准确、快速、鲁棒性的判断行人的过马路意图；提示单元采用车载电子显示屏输出视频音效提示驾驶员或采用车载ETC音效提示驾驶人员礼让行人。
-
公开(公告)号：CN112307921B
公开(公告)日：2022-05-17
申请号：CN202011141884.4
申请日：2020-10-22
Applicant: 桂林电子科技大学 , 华蓝设计(集团)有限公司
Abstract: 本发明公开了一种车载端多目标识别跟踪预测方法，该方法是基于YOLOv5s（You Only Look Once v5s）和FairMOT（Fair Multi‑Object Tracking）融合的车载端多目标识别跟踪预测方法，通过使用YOLOv5s深度学习对象检测技术快速准确实时地检测道路前方车辆、行人、障碍物等，并将YOLOv5s模型融入FairMOT架构检测模块在单个网络中进行目标检测和重新识别跟踪，实现道路上车辆前方交通目标的位置检测、类型识别、多目标运动轨迹跟踪，从而达到对车辆前方交通目标换道、跟驰、减速等驾驶行为的预测。
-
公开(公告)号：CN108022015B
公开(公告)日：2022-05-17
申请号：CN201711287572.2
申请日：2017-12-07
Applicant: 华蓝设计(集团)有限公司 , 桂林电子科技大学 , 东南大学
Abstract: 本发明旨在提出一种考虑交叉口左转自行车交通流膨胀影响的左转机动车通行能力修正方法，通过对交叉口左转自行车交通流膨胀的现象进行分析，采用左转相位红灯时间内传统自行车到达率、电动自行车到达率以及左转自行车方向系数三个变量，对左转自行车交通流膨胀幅度进行回归预测，建立了左转自行车交通流膨胀幅度对左转机动车形式延误的影响模型，提出了不同交叉口道路及交通条件下，左转机动车通行能力的修正模型。本申请对于左转机动车通行能力的计算准确，有利于我国城市信号交叉口交通流运行效率的提升，对于合理评估交叉口建设效益、分配交叉口时空资源、缓解城市交通拥堵具有重要意义。
-
公开(公告)号：CN110555990A
公开(公告)日：2019-12-10
申请号：CN201910809828.4
申请日：2019-08-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于LSTM神经网络的有效停车时空资源预测方法，首先，根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；其次，建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内，进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量。本发明方法提出两个模型以从时空资源的角度去呈现和计算停车场资源，模型鲁棒性好，预测结果精确度较高，对未来停车场实现高度共享和智慧化的停车预约服务与停车资源调度分配奠定了理论基础。
-
Patent Agency Ranking
公开(公告)号：CN110555990B
公开(公告)日：2021-04-13
申请号：CN201910809828.4
申请日：2019-08-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于LSTM神经网络的有效停车时空资源预测方法，首先，根据不同日子特性条件下的历史数据，采用LSTM神经网络建立停车时长预测模型，对未来某一时段内进场车辆的停车时长进行预估，得到预估消耗的停车资源；其次，建立下一时段内有效停车时空资源预测模型，通过综合当前统计时段内，进出场车辆与不出场车辆的时空利用数据信息，结合前一时段有效停车时空资源量，计算出下一时段的有效停车时空资源量。本发明方法提出两个模型以从时空资源的角度去呈现和计算停车场资源，模型鲁棒性好，预测结果精确度较高，对未来停车场实现高度共享和智慧化的停车预约服务与停车资源调度分配奠定了理论基础。
-
公开(公告)号：CN112419711A
公开(公告)日：2021-02-26
申请号：CN202011140333.6
申请日：2020-10-22
Applicant: 桂林电子科技大学 , 华蓝设计(集团)有限公司
Abstract: 本发明公开了一种基于改进GMDH算法的封闭式停车场停车需求预测方法，使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对GMDH算法建模泛化能力差的问题，结合集成学习(Ensemble Learning)的思想对GMDH算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场停车需求预测模型的构建中。该方法减少了对历史数据的依赖、降低了数据成本，并且具有较高的预测精度，可以快速、有效地对封闭式停车场停车需求进行预测。后期可基于用户均衡理论，结合智能交通诱导系统，实现区域性的、不同特性的停车场停车资源共享与调度，对智慧城市的建设具有重大的实用价值。
-
公开(公告)号：CN112307921A
公开(公告)日：2021-02-02
申请号：CN202011141884.4
申请日：2020-10-22
Applicant: 桂林电子科技大学 , 华蓝设计(集团)有限公司
Abstract: 本发明公开了一种车载端多目标识别跟踪预测方法，该方法是基于YOLOv5s（You Only Look Once v5s）和FairMOT（Fair Multi‑Object Tracking）融合的车载端多目标识别跟踪预测方法，通过使用YOLOv5s深度学习对象检测技术快速准确实时地检测道路前方车辆、行人、障碍物等，并将YOLOv5s模型融入FairMOT架构检测模块在单个网络中进行目标检测和重新识别跟踪，实现道路上车辆前方交通目标的位置检测、类型识别、多目标运动轨迹跟踪，从而达到对车辆前方交通目标换道、跟驰、减速等驾驶行为的预测。
-
公开(公告)号：CN112215073A
公开(公告)日：2021-01-12
申请号：CN202010948892.3
申请日：2020-09-10
Applicant: 华蓝设计(集团)有限公司 , 桂林电子科技大学
Abstract: 本发明涉及高速运动场景下的交通标线快速识别与循迹方法，所述标线识别与循迹方法包括输入数据预处理步骤、特征提取网络和特征融合网络构建步骤以及目标实时追踪步骤；所述特征融合网络构建包括：通过自底向上的连接、自顶向下的连接以及横向连接的网络结构将不同层的特征图融合到一起，构建网络内的特征金字塔，得到能够获取目标位置信息即准确语义信息又多的特征图的网络。本发明通过车载专用摄像头获取车前道路环境，面对高速情况下反馈时间短、车道特征模糊等问题，通过对于图像的语义分割，对标线位置进行定义，利用高速的目标检测追踪算法进行卷积神经网络训练。
-
公开(公告)号：CN112215072A
公开(公告)日：2021-01-12
申请号：CN202010948880.0
申请日：2020-09-10
Applicant: 华蓝设计(集团)有限公司 , 桂林电子科技大学
Abstract: 本发明涉及一种基于Nest DNN算法的交通标志动态循迹检测优化方法，包括构建资源感知调度方案的步骤，构建资源感知调度方案的步骤包括：根据公式为车载设备设置一个代价函数C，来保证派生模型mv的处理精度和处理速度；对同时运行的检测模型和识别模型进行调度方案设计，对具有最大代价的程序进行最小化优化，资源感知调度器通过约束条件被进行优化来公正分配运行资源给所有的并发应用程序，从而平衡他们的性能。本发明的优点在于：该发明克服了现有技术的缺陷，提高了车载移动端设备的资源使用效率，提升了模型运行的效率并减少了能耗，改良了车辆在行驶过程中交通标志的检测识别效果，未来在自动驾驶普及阶段可以有效提高车辆运行的安全性和规范性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.031 seconds)
