-
公开(公告)号：CN110288824A
公开(公告)日：2019-09-27
申请号：CN201910416601.3
申请日：2019-05-20
Applicant: 浙江工业大学
IPC: G08G1/01
Abstract: 一种基于Granger causality路网早晚高峰拥堵状况和传播机制分析方法，包括以下步骤：1)建立交叉口交通状态时间序列：采用对偶法对道路交叉口建模，以路段为节点，将交叉口抽象为节点之间的边；对交通状态数据进行预处理，整理出有向交叉口全天饱和度时间序列，在早晚高峰时段中选取拥堵时刻并以此向前选取设定长度的交通状态时间序列；2)基于Granger causality构建路网拥堵传播关系网络；3)基于节点平均出度和入度寻找关键节点；引入动力学传播模型，对路网拥堵传播过程进行拟合，构建道路交通拥堵传播机制。本发明方法简单，利于软件实现，结果可以应用到交通状态分析、交通诱导及控制系统中。
-
公开(公告)号：CN110164129A
公开(公告)日：2019-08-23
申请号：CN201910339787.7
申请日：2019-04-25
Applicant: 浙江工业大学
Abstract: 一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
-
公开(公告)号：CN110070713A
公开(公告)日：2019-07-30
申请号：CN201910298059.6
申请日：2019-04-15
Applicant: 浙江工业大学
Abstract: 一种基于双向嵌套LSTM神经网络的交通流预测方法，该方法基于道路交通流相关性矩阵获取预测路段及K个最相关路段的交通流数据，构建道路交通流时空矩阵数据集并进行数据序列化处理；然后构建双向嵌套LSTM神经网络预测模型，定义预测模型损失函数，结合训练集数据，完成模型训练；最后以测试集数据作为训练后模型的输入，实现测试集交通流状态的实时预测并定义模型评价标准，进行误差分析。本发明通过改善LSTM单元时间层级效应和考虑未来、历史交通流状态与现有状态的联系，提高了道路交通流数据的时间特征提取能力，从而提高了道路交通流的预测精度。
-
公开(公告)号：CN108510741A
公开(公告)日：2018-09-07
申请号：CN201810510008.0
申请日：2018-05-24
Applicant: 浙江工业大学
Abstract: 一种基于Conv1D-LSTM神经网络结构的交通流预测方法，包括以下步骤：1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集；2)获取同一时刻内不同路段的交通流状态，提取交通流数据的空间特征；3)基于包含空间特征的交通流数据提取数据时间特征：将一维卷积网络输出的交通流空间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；4)将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了交通流短期预测的准确性。
-
公开(公告)号：CN105469601B
公开(公告)日：2017-12-05
申请号：CN201510901435.8
申请日：2015-12-09
Applicant: 浙江工业大学
Abstract: 一种基于LZW编码的道路交通空间数据压缩方法，首先，获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据；其次，提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，确定空间道路交通差值数据的最优阈值；然后，获取同一模态下、空间上其它路段的实时数据，作为实验数据，基于同一模态下、空间上的道路交通基准数据，获取空间上的道路交通差值数据；最后，通过LZW编码及解码，实现道路交通差值数据压缩及重构。本发明能简化算法、提升处理速度。
-
Patent Agency Ranking
公开(公告)号：CN104933858B
公开(公告)日：2017-05-31
申请号：CN201510245459.2
申请日：2015-05-14
Applicant: 浙江工业大学
IPC: G08G1/01
Abstract: 一种基于空间交通特性Kernel‑KNN匹配的道路交通状态获取方法，首先提取目标路段及与其空间关联路段的具有代表性的道路交通数据，经过数据预处理后建立道路交通运行特征参考序列；然后选取空间道路交通数据序列，并构建空间道路交通数据序列的Mercer核；最后选取空间道路交通特征参考数据序列和当前空间道路交通特征序列，获取空间道路交通特征参考数据序列和当前空间道路交通特征序列在特征空间的欧式距离，通过KNN方法选取目标路段的k个道路交通状态，最后通过加权平均获取目标路段的道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明有效获取道路交通状态、准确性较好。
-
公开(公告)号：CN105788261A
公开(公告)日：2016-07-20
申请号：CN201610236010.4
申请日：2016-04-15
Applicant: 浙江工业大学
CPC classification number: G08G1/0129 , H03M7/30
Abstract: 一种基于PCA和LZW编码的道路交通空间数据压缩方法，基于同一模态下、空间上不同路段的道路交通数据建立道路交通特征参考序列；基于PCA选取具有相关性的道路交通路段集合；选择基准路段，将其数据作为空间上的道路交通基准数据；提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，确定空间道路交通差值数据的最优阈值；提取空间上其它路段的数据，作为实时数据；同一模态下、基于空间上的道路交通基准数据，获取道路交通差值数据；基于LZW编码实现道路交通空间数据的压缩；最后，基于LZW解码技术实现道路交通空间数据的重构。本发明简化计算、有效的提高处理速度。
-
公开(公告)号：CN105427583A
公开(公告)日：2016-03-23
申请号：CN201510846833.4
申请日：2015-11-27
Applicant: 浙江工业大学
Abstract: 一种基于LZW编码的道路交通数据压缩方法，首先，建立道路交通特征参考序列，获取不同模态下的道路交通基准数据；其次，提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，选取道路交通差值数据的最优阈值；然后，提取道路交通实时数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据；最后，通过LZW编码及解码，实现道路交通差值数据压缩及重构。本发明提供一种简化算法、提升处理速度的基于LZW编码的道路交通数据压缩方法。
-
公开(公告)号：CN104933858A
公开(公告)日：2015-09-23
申请号：CN201510245459.2
申请日：2015-05-14
Applicant: 浙江工业大学
IPC: G08G1/01
Abstract: 一种基于空间交通特性Kernel-KNN匹配的道路交通状态获取方法，首先提取目标路段及与其空间关联路段的具有代表性的道路交通数据，经过数据预处理后建立道路交通运行特征参考序列；然后选取空间道路交通数据序列，并构建空间道路交通数据序列的Mercer核；最后选取空间道路交通特征参考数据序列和当前空间道路交通特征序列，获取空间道路交通特征参考数据序列和当前空间道路交通特征序列在特征空间的欧式距离，通过KNN方法选取目标路段的k个道路交通状态，最后通过加权平均获取目标路段的道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明有效获取道路交通状态、准确性较好。
-
公开(公告)号：CN110164129B
公开(公告)日：2021-02-26
申请号：CN201910339787.7
申请日：2019-04-25
Applicant: 浙江工业大学
Abstract: 一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.027 seconds)
