-
公开(公告)号：CN107346470A
公开(公告)日：2017-11-14
申请号：CN201710466038.1
申请日：2017-06-19
Applicant: 长安大学
CPC classification number: G06Q10/0631 , G06F16/211 , G06F16/2358 , G06F16/36 , G06Q50/26 , G06Q50/30
Abstract: 一种面向交通信息服务的智能规划方法，根据收到服务请求信息与当前模板库中模板完全不相同时，服务请求信息与当前模板库中信息部分相同时，服务请求信息与当前模板库中信息完全相同时，进行相应的步骤。本发明将用户出行的请求服务映射到智能规划的交通领域下，规划用户出行行为，从而指导用户出行。将存在嵌套的、拥有复合过程的问题域中的方法逐层分解成简单过程。这样，有助于将众多功能集中的组合问题域分解成功能单一的、相互独立的单元，从而匹配预设的服务集合。
-
公开(公告)号：CN106910337A
公开(公告)日：2017-06-30
申请号：CN201710039355.5
申请日：2017-01-19
Applicant: 长安大学
CPC classification number: G08G1/0125 , G06N3/061
Abstract: 本发明提出一种基于萤火虫算法与RBF神经网络的交通流预测方法，包括：对样本的数据进行归一化化处理，使输入数据与输出数据处于同一数量级；初始化萤火虫算法参数，利用随机方法初始化萤火虫种群，并对种群中每个个体进行编码；利用萤火虫算法训练RBF神经网络，得到种群最优个体；对种群最优个体进行解码，得到训练好的RBF神经网络；利用训练好的RBF神经网络对交通流数据样本进行预测。与传统的交通流预测方法相比，本发明充分发挥萤火虫优化算法在RBF神经网络训练中的优势，使RBF网络具有更准确的预测能力、更快的训练效率以及更好的泛化能力。本发明属于交通运输信息工程技术领域，可用于智能交通系统中道路交通流的预测。
-
公开(公告)号：CN106412912A
公开(公告)日：2017-02-15
申请号：CN201610460535.6
申请日：2016-06-22
Applicant: 长安大学
Abstract: 本发明一种面向车联网的节点信任评估方法包括，步骤1，在面向车联网中，计算发送节点i对目标节点j的直接可信程度；步骤2，计算目标节点j的间接信任度；步骤3，计算目标节点j的全局信任度；依据已获得的对目标节点j的直接信任度和间接信任度，采用C-F模型对目标节点j的可信程度进行全面评估，获取其全局信任度。本发明所述方法基于不确定性理论，采用C-F模型分别对车联网中车辆节点的直接信任度和推荐信任度进行计算，提高了节点信任度评估的准确性；同时为了避免摒弃恶意或自私节点的不客观反馈产生的推荐信任度失真问题，采用模糊C-means算法对推荐信任度信息进行过滤，有效提高了节点信任度评估的准确率。
-
公开(公告)号：CN112579921B
公开(公告)日：2023-03-10
申请号：CN202011489554.4
申请日：2020-12-16
Applicant: 长安大学
IPC: G06F16/9537 , G06F16/22 , G06F16/23 , G06F16/215 , G06F16/2455 , G06F18/22
Abstract: 本发明属于GPS轨迹数据索引技术领域，公开了一种基于倒排序索引及前缀树的轨迹索引和查询方法及系统。通过将原始轨迹数据路网匹配后划分为轨迹段，针对轨迹段倒排序索引并转换为前缀树来进行轨迹索引。本发明可以根据给定的路段和时间范围，查询在该时间范围内经过该路段的所有轨迹段。而传统的轨迹段索引方法面对大量轨迹数据时查询效率不高，或者没有保留车辆轨迹的语义完整性，本发明可以提高轨迹检索的效率、相比传统索引结构节省存储空间，保留轨迹的语义完整性。本发明适用于开发轨迹数据挖掘方法，推断居民的出行特征和模式，发现交通流的时空特征，预测出行时间等情况，在GPS轨迹数据处理技术领域有重要的应用价值。
-
公开(公告)号：CN113657489A
公开(公告)日：2021-11-16
申请号：CN202110939593.8
申请日：2021-08-16
Applicant: 长安大学
IPC: G06K9/62
Abstract: 本发明一种回溯式迭代车辆性能极度不平衡数据分类方法，包括：从车辆性能测评数据获取多个训练样本，初始化所有训练样本的权重；每次迭代中，根据所属迭代次数对应的训练样本权重构建与迭代次数对应的弱分类器，采用弱分类器对训练样本进行分类，根据弱分类器的分类结果更新训练样本的权重，再基于综合相似度和KNN分类算法回溯更新所有训练样本的权重；其中，所述综合相似度是指根据相似度理论和欧几里得距离综合判断的相似度；组合所述得到的所有弱分类器，获得强分类器；采用强分类器对待分类的测试样本进行分类。本发明在车辆性能测评数据集标签分类任务上，不仅误差更小，且能在较少的迭代次数下达到较好分类的结果。
-
Patent Agency Ranking
公开(公告)号：CN111982141A
公开(公告)日：2020-11-24
申请号：CN202010761192.3
申请日：2020-07-31
Applicant: 长安大学
Abstract: 本发明公开了一种面向低频车辆轨迹数据进行路径推断的方法、设备及存储介质，依据从车辆传感器上采集到的低频轨迹数据，基于地图拓扑结构推断两个轨迹点之间车辆的行驶路径范围。本发明基于地图拓扑结构进行路径推断，可以推断出车辆的行驶路径。而传统的路径推断方法往往只能按照局部最短路径进行推断，或者在采样的GPS点之间创建插值轨迹，但是这种方法对于低频率采样并不适用，本发明可以提供多条路径搜索结果用来分析，每条路径重合程度不高。本发明适用于分析城市道路负载均衡、分析车辆载客状况等情况，在GPS轨迹数据处理技术领域有重要的应用价值。
-
公开(公告)号：CN110083670A
公开(公告)日：2019-08-02
申请号：CN201910231199.1
申请日：2019-03-26
Applicant: 长安大学
Abstract: 本发明涉及地图匹配领域，具体涉及一种基于路段密度来划分地图网格的方法，该方法在道路密度不同的地区划分不同大小的网格，保证每个网格内的路段数量有一定的上限，使得每个网格内的路段数量相接近，每个网格内路段数据与全部网格中路段数据的均值相差较小，全部网格中路段数据的方差较小，在大规模路段数据进行搜索时，有很好的负载均衡。本发明基于路段密度划分网格，路段密集的地方网格划分的多且小，路段稀疏的地方网格划分的少且大，网格内路段数量有上限，遍历一个网格内的路段数据更加快捷。适用于采用网格法构建数字地图的软件设计，在地图匹配领域有重要的应用价值。
-
公开(公告)号：CN108257404B
公开(公告)日：2019-06-07
申请号：CN201810036430.7
申请日：2018-01-15
Applicant: 长安大学
IPC: G08G1/0967 , H04L29/06 , H04L29/08
Abstract: 本发明提供一种面向车联网的城市交通道路虚假预警信息过滤方法，1.车辆节点中的安全应用单元SAU在存储的事件信息表T中对该道路事件信息进行搜寻并更新；2.进行道路事件信息条件过滤，判断事件是否可信；3.针对更新后道路事件的H属性进行条件过滤，通过安全应用单元SAU判断事件是否虚假。本发明避免车辆对接收的道路事件进行盲目广播、误导驾驶员；对交通道路虚假预警信息进行过滤；从而有效预防了黑客伪造的虚假信息在车联网中的传播，抑制了失效信息泛滥，为驾驶员提供实时可靠的道路事件信息，缓解交通堵塞，进而提高道路通行率，为城市智能交通的应用提供了技术支撑。
-
公开(公告)号：CN107230349B
公开(公告)日：2018-06-29
申请号：CN201710367888.6
申请日：2017-05-23
Applicant: 长安大学
Abstract: 本发明提出了一种在线式实时短时交通流预测方法，对LS‑SVM模型中Lagrange乘子向量的求解过程进行了简化，提出了利用滑动时间窗口的移动来控制新数据样本的加入和旧数据样本的移除，滑动时间窗口中数据样本更新后，仅通过向量的线性运算就可以求得Lagrange乘子向量更新值，从而完成短时交通流预测模型的在线更新。本方法能够有效缩短预测模型在线更新的时间，提高在线短时交通流预测的实时性。
-
公开(公告)号：CN107577725A
公开(公告)日：2018-01-12
申请号：CN201710725052.9
申请日：2017-08-22
Applicant: 长安大学
Abstract: 一种城市出租车乘客出行特征可视化分析方法，包括：步骤一、提取出租车GPS数据并进行数据清洗；获取出租车的上客点和下客点并聚类；步骤二、利用轨迹压缩算法对清洗后的出租车GPS数据进行压缩，提取轨迹特征点；步骤三、进行可视化前的编码映射；步骤四、可视化展示分析：A)聚集可视化：根据获取到的出租车的上客点和下客点聚类结果，利用聚类分布图对数据显示，得到出租车的上客点和下客点分布时空概览图；B)特征可视化：对不同的数据特征采用不同的可视化组件对数据时空模式进行挖掘，并进行出租车的行驶轨迹可视化分析、乘客出行特征可视化分析、乘客出行特征对比分析。本发明为探索乘客出行特征分析提供了一种简单明了的表现形式。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.024 seconds)
