-
公开(公告)号：CN111599170A
公开(公告)日：2020-08-28
申请号：CN202010283867.8
申请日：2020-04-13
Applicant: 浙江工业大学
Abstract: 一种基于时序交通网络图的交通运行状态分类方法，首先对交通流数据进行预处理并利用LPVG(有限穿越可视图复杂网络)完成时序交通网路图的构建；然后对每个交通网络图提取特征；接着将时序交通网络图信息转化为特征向量vector；最后根据保存了时序交通网络图的vector结合交通运行状态进行分类，计算预测出的交通运行状态的准确性。本发明利用了保存时序交通网络图特征为向量的方法，充分地提取出了时序交通流量特征对于交通运行状态的影响，从而有效提高了交通运行状态分类的精度。
-
公开(公告)号：CN112562312B
公开(公告)日：2022-10-28
申请号：CN202011129295.4
申请日：2020-10-21
Applicant: 浙江工业大学
IPC: G08G1/01
Abstract: 一种基于融合特征的GraphSAGE交通路网数据预测的方法，首先对路网历史交通流数据进行相关性系数计算，构建路网相关性矩阵，并根据路网节点之间的相关性大小重新定义节点之间的连通状态，得到基于时间相关性的拓补路网；然后利用GraphSAGE分别对原始交通路网与重构后的拓补路网进行路网特征信息提取，并融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测。本发明融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测，提高了对交通路网状态数据预测的精度。
-
公开(公告)号：CN112530157B
公开(公告)日：2022-05-03
申请号：CN202011107018.3
申请日：2020-10-16
Applicant: 浙江工业大学
Abstract: 一种基于知识图谱和Conv1D‑LSTM‑D的道路交通拥堵传播预测方法，包括以下步骤：1)针对数据集中各个车道的交通流数据，基于宏观基本图的原理用函数拟合车道的流量‑密度散点图，得到各个车道的临界交通流状态阈值；2)定义时间知识图谱的四元组集合，根据地理位置信息、交通流数据集和各个车道的临界交通流状态阈值，构建交通拥堵传播时间知识图谱；3)基于时间知识图谱和Conv1D‑LSTM‑D实现道路交通拥堵传播预测。本发明基于知识图谱对道路交通流数据之间的复杂关系进行充分挖掘和规范表达，并基于Conv1D‑LSTM‑D实现了道路交通拥堵的传播预测，提高了道路交通拥堵预测的准确性。
-
公开(公告)号：CN112330952B
公开(公告)日：2021-10-29
申请号：CN202010959584.0
申请日：2020-09-14
Applicant: 浙江工业大学
Abstract: 一种基于生成式对抗网络的交通流预测方法，先根据路段的空间拓扑结构构建交通物理拓扑结构图网络，接着根据交通图中节点的连接关系构建初始邻域交通图网络与高阶邻域交通图网络，接着用本发明构建好的图注意力网络(GAT)对节点的领域内节点进行特征提取。预测过程为利用本发明构建的生成式对抗网络(GAN)的生成器生成预测的交通流量值，并利用本发明构建的生成式网络(GAN)的判别器对预测的交通流量值与真实的交通流量值进行对抗训练，使得两者相互博弈，相互进步。根据以上步骤，并逐步调整参数优化模型，最终得到一个最佳的交通流量模型。本发明利用此模型生成最接近真实值的交通流量值，以达到交通流量预测的目的。
-
公开(公告)号：CN110942637A
公开(公告)日：2020-03-31
申请号：CN201911298731.8
申请日：2019-12-17
Applicant: 浙江工业大学
Abstract: 一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，首先将车道作为节点，根据交通邻接矩阵得到具有相互连接的节点，将有连接节点的相关性从高到低进行排序，然后找到每个目标节点的邻域节点，将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入，最后得到被预测车道的交通流状态预测结果。本发明充分挖掘了交通流状态时间和空间的相关性，既提高了准确性也增强了随机结果的抗干扰性。
-
Patent Agency Ranking
公开(公告)号：CN112347844B
公开(公告)日：2024-04-19
申请号：CN202010994743.0
申请日：2020-09-21
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/213 , G06F18/214
Abstract: 一种基于LID的信号对抗样本检测器的设计方法，包括以下步骤：1)对信号调制数据进行预处理，并设计调制分类模型；2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器；3)根据调制分类器模型设计网络层信息评估函数；4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果。本发明识别正常信号和对抗信号，以此减少信号在解调过程中对抗信号造成的损失；有效降信号在解调过程中的风险，加强信号的安全性。
-
公开(公告)号：CN113129585B
公开(公告)日：2022-03-01
申请号：CN202110242725.1
申请日：2021-03-05
Applicant: 浙江工业大学
Abstract: 一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：(1)针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；(2)获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。本发明提升了模型实现长期流量预测的稳定性和准确性，实现了短时和长时的交通流量预测。
-
公开(公告)号：CN112562312A
公开(公告)日：2021-03-26
申请号：CN202011129295.4
申请日：2020-10-21
Applicant: 浙江工业大学
IPC: G08G1/01
Abstract: 一种基于融合特征的GraphSAGE交通路网数据预测的方法，首先对路网历史交通流数据进行相关性系数计算，构建路网相关性矩阵，并根据路网节点之间的相关性大小重新定义节点之间的连通状态，得到基于时间相关性的拓补路网；然后利用GraphSAGE分别对原始交通路网与重构后的拓补路网进行路网特征信息提取，并融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测。本发明融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测，提高了对交通路网状态数据预测的精度。
-
公开(公告)号：CN112347844A
公开(公告)日：2021-02-09
申请号：CN202010994743.0
申请日：2020-09-21
Applicant: 浙江工业大学
Abstract: 一种基于LID的信号对抗样本检测器的设计方法，包括以下步骤：1)对信号调制数据进行预处理，并设计调制分类模型；2)根据信号调制分类器结合对抗样本生成方法设计对抗样本生成器；3)根据调制分类器模型设计网络层信息评估函数；4)设计信号的正常样本与对抗样本检测器：根据网络层信息评估函数得到的特征值，将正常样本与对抗样本的特征值拼接并添加标签，其中对抗样本标签为0，正常样本标签为1，将拼接后的数据划分为训练集与测试集，并训练一个逻辑回归分类器，最后用测试集测试分类器效果。本发明识别正常信号和对抗信号，以此减少信号在解调过程中对抗信号造成的损失；有效降信号在解调过程中的风险，加强信号的安全性。
-
公开(公告)号：CN112330952A
公开(公告)日：2021-02-05
申请号：CN202010959584.0
申请日：2020-09-14
Applicant: 浙江工业大学
Abstract: 一种基于生成式对抗网络的交通流预测方法，先根据路段的空间拓扑结构构建交通物理拓扑结构图网络，接着根据交通图中节点的连接关系构建初始邻域交通图网络与高阶邻域交通图网络，接着用本发明构建好的图注意力网络(GAT)对节点的领域内节点进行特征提取。预测过程为利用本发明构建的生成式对抗网络(GAN)的生成器生成预测的交通流量值，并利用本发明构建的生成式网络(GAN)的判别器对预测的交通流量值与真实的交通流量值进行对抗训练，使得两者相互博弈，相互进步。根据以上步骤，并逐步调整参数优化模型，最终得到一个最佳的交通流量模型。本发明利用此模型生成最接近真实值的交通流量值，以达到交通流量预测的目的。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.019 seconds)
