-
公开(公告)号：CN108564788B
公开(公告)日：2021-09-10
申请号：CN201810580649.3
申请日：2018-06-07
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于流式大数据的同行车辆发现方法，包括步骤：首先，针对卡口车流量和分支数量进行聚类，通过得到的卡口类簇对卡口进行角色标识，验证了卡口车流量的幂律性。其次，在流式数据的基础上引入Spark‑streaming时间滑动窗口，根据行车轨迹得到车辆之间的上下文环境，完成对同行语料库的创建和完善。最后提出PDGC(plate‑number dynamic graph computing)算法，基于动态语料库和卡口角色标识建立车辆之间的动态关系图，把卡口角色作为影响因子和车辆之间的图进行关联，通过实时对车辆关系图的剪边和对同行车辆之间边权重的计算得到同行车组。有效降低了数据处理的复杂度。能够实时发现同行车辆组，不仅可以用于搜索相似轨迹，也可通过计算车辆图顶点的出度和入度来挖掘到跟踪车辆。
-
公开(公告)号：CN108898829B
公开(公告)日：2021-02-09
申请号：CN201810582086.1
申请日：2018-06-07
Applicant: 重庆邮电大学
IPC: G08G1/01 , G06Q50/26 , G06Q10/04 , G06F16/215 , G06F16/28 , G06F16/2458
Abstract: 本发明请求保护一种针对交通流无差异性划分和数据稀疏的动态短时交通流预测系统。首先，获取数据源。其次，路口相关性分析。根据空间路口在同一时间周期下得到的短时交通流数据，利用层次聚类，设置距离阈值，度量交通流相似性，加强了预测路口内部相关性。第三，建立模型，根据多维数据处理基础思想和方法，结合时间上的周期特性，同时针对数据稀疏问题，构建短时交通流张量预测模型。第四，预测和分析过程。引入滑动窗口，使张量成为在时间序列上的动态张量流，利用张量分解的数据压缩和维度转换特性，通过对缺失值的不断迭代，优化处理过程，实现动态的短时交通流预测。本发明有效改善了数据稀疏性产生的问题，提高了预测性能。
-
公开(公告)号：CN108629978B
公开(公告)日：2020-12-22
申请号：CN201810581380.0
申请日：2018-06-07
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于高维路网和循环神经网络的交通轨迹预测方法，属于智能交通分析领域。首先，获取数据源，提取相关属性并对轨迹数据集根据车速阈值进行筛选。然后，通过近邻规则对轨迹数据进行二次筛选，获取完整的格式化轨迹数据。建立路网模型，通过时间窗口对轨迹数据集进行提取，获取目标卡口上下文关系，然后利用嵌入算法将目标卡口编码嵌入高维空间，完成二维平面路网到高位空间路网的映射，在高维空间中，卡口之间不再包含复杂的拓扑关系，使用高维相似度可以度量卡口之间在轨迹数据中的角色相似度。最后，使用双向循环神经网络对轨迹矩阵进行双向学习预测，结合前后向信息对轨迹数据进行学习预测。本发明提高了预测效率。
-
公开(公告)号：CN109767622A
公开(公告)日：2019-05-17
申请号：CN201910114601.8
申请日：2019-02-14
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向卡口相似性划分和循环神经网络的交通流量预测方法，属于智能交通分析领域。第一，获取数据源，并做数据处理。第二，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，按照向量空间相似性对卡口进行划分，根据交通卡口向量之间表现出的交通时空关系，使用AP聚类算法对卡口空间的卡口向量集进行无监督聚类分析，找到具有交通流量相似性的卡口组。第四，预测和分析过程，利用卡口的历史交通流量数据和具有流量相似性卡口的历史数据，建立循环神经网络预测模型,通过综合考虑时序特性和空间相关性预测卡口的交通流量。
-
公开(公告)号：CN109166309B
公开(公告)日：2021-03-19
申请号：CN201810884200.6
申请日：2018-08-06
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向复杂城市交通网络的缺失流量数据恢复方法，包括获取数据源、路网矩阵化、构建训练模型和数据恢复四个步骤。首先，获取数据源，包括卡口流量统计和车辆轨迹数据提取。然后，为了提取路网流量的局部空间特征，提出network2matrix路网矩阵化算法从车辆轨迹中挖掘路口关系重构路网得到路网流量图片。利用卷积神经网络进行局部卷积计算。其次，为了获取路网流量的时空特性，构建了一个包含预测子网络、恢复子网络的多模态神经网络‑交通流量递归恢复神经网络，并将恢复后的数据作为输入进行迭代训练。最后，将带有缺失数据的路网流量以时间顺序输入训练好的神经网络中恢复，得到缺失数据恢复结果。本发明提高了恢复准确率。
-
Patent Agency Ranking
公开(公告)号：CN109034448A
公开(公告)日：2018-12-18
申请号：CN201810613127.9
申请日：2018-06-14
Applicant: 重庆邮电大学
CPC classification number: G06Q10/04 , G06F17/18 , G06Q50/26 , G08G1/0104
Abstract: 本发明请求保护一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，属于智能交通分析领域。首先，获取数据源。其次，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，根据新的轨迹时空关联向量集挖掘轨迹中的用户行车模式，训练DBN网络形成特征提取模型；第四，根据轨迹特征建立回归预测模型，利用处理后的交通轨迹特征集，对未来轨迹进行回归预测，同时采用权重聚类对结果进行优化，最终实现对车辆轨迹的精确预测。本发明有效改善了实际交通环境中复杂的路网关系对轨迹预测的负面影响，提高了预测效率。
-
公开(公告)号：CN108629978A
公开(公告)日：2018-10-09
申请号：CN201810581380.0
申请日：2018-06-07
Applicant: 重庆邮电大学
CPC classification number: G08G1/0137 , G06Q10/04 , G06Q50/26
Abstract: 本发明请求保护一种基于高维路网和循环神经网络的交通轨迹预测方法，属于智能交通分析领域。首先，获取数据源，提取相关属性并对轨迹数据集根据车速阈值进行筛选。然后，通过近邻规则对轨迹数据进行二次筛选，获取完整的格式化轨迹数据。建立路网模型，通过时间窗口对轨迹数据集进行提取，获取目标卡口上下文关系，然后利用嵌入算法将目标卡口编码嵌入高维空间，完成二维平面路网到高位空间路网的映射，在高维空间中，卡口之间不再包含复杂的拓扑关系，使用高维相似度可以度量卡口之间在轨迹数据中的角色相似度。最后，使用双向循环神经网络对轨迹矩阵进行双向学习预测，结合前后向信息对轨迹数据进行学习预测。本发明提高了预测效率。
-
公开(公告)号：CN109034448B
公开(公告)日：2022-02-11
申请号：CN201810613127.9
申请日：2018-06-14
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于车辆轨迹语义分析和深度信念网络的轨迹预测方法，属于智能交通分析领域。首先，获取数据源。其次，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，根据新的轨迹时空关联向量集挖掘轨迹中的用户行车模式，训练DBN网络形成特征提取模型；第四，根据轨迹特征建立回归预测模型，利用处理后的交通轨迹特征集，对未来轨迹进行回归预测，同时采用权重聚类对结果进行优化，最终实现对车辆轨迹的精确预测。本发明有效改善了实际交通环境中复杂的路网关系对轨迹预测的负面影响，提高了预测效率。
-
公开(公告)号：CN109767622B
公开(公告)日：2021-12-17
申请号：CN201910114601.8
申请日：2019-02-14
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向卡口相似性划分和循环神经网络的交通流量预测方法，属于智能交通分析领域。第一，获取数据源，并做数据处理。第二，交通卡口关联性分析。根据轨迹集中交通卡口的上下文关系，使用统计概率模型构建关联空间，按照关联空间中的相对位置度量交通卡口之间的关联性；第三，按照向量空间相似性对卡口进行划分，根据交通卡口向量之间表现出的交通时空关系，使用AP聚类算法对卡口空间的卡口向量集进行无监督聚类分析，找到具有交通流量相似性的卡口组。第四，预测和分析过程，利用卡口的历史交通流量数据和具有流量相似性卡口的历史数据，建立循环神经网络预测模型,通过综合考虑时序特性和空间相关性预测卡口的交通流量。
-
公开(公告)号：CN109166309A
公开(公告)日：2019-01-08
申请号：CN201810884200.6
申请日：2018-08-06
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向复杂城市交通网络的缺失流量数据恢复方法，包括获取数据源、路网矩阵化、构建训练模型和数据恢复四个步骤。首先，获取数据源，包括卡口流量统计和车辆轨迹数据提取。然后，为了提取路网流量的局部空间特征，提出network2matrix路网矩阵化算法从车辆轨迹中挖掘路口关系重构路网得到路网流量图片。利用卷积神经网络进行局部卷积计算。其次，为了获取路网流量的时空特性，构建了一个包含预测子网络、恢复子网络的多模态神经网络-交通流量递归恢复神经网络，并将恢复后的数据作为输入进行迭代训练。最后，将带有缺失数据的路网流量以时间顺序输入训练好的神经网络中恢复，得到缺失数据恢复结果。本发明提高了恢复准确率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
