-
公开(公告)号：CN105930565B
公开(公告)日：2019-11-19
申请号：CN201610231247.3
申请日：2016-04-13
Applicant: 中山大学 , 公安部交通管理科学研究所
IPC: G06F17/50
Abstract: 本发明公开一种基于线性策略的交叉熵算法的交通仿真模型参数标定方法，具体的步骤如下：以跟驰模型为例，选取两车之间的车头间距以及后车速度作为评价指标，确定目标函数的形式，从而确定参数标定的目标；采集所需要的交通数据；根据所确定的跟驰模型以及交通数据，确定待标定的参数及其对应的有效取值范围；利用交叉熵算法对上述跟驰模型进行参数标定计算；计算过程中采用线性策略确定样本数量：设下一迭代的样本的生成数量与当前迭代的样本的方差存在一个负的线性关系，即当前样本方差越大，下一次迭代时样本的生成数量越大，方差越小，样本生成数量越小；直到样本的方差小于交叉熵算法预设的阀值，最后输出样本的均值作为标定的最优值。
-
公开(公告)号：CN106446538A
公开(公告)日：2017-02-22
申请号：CN201610831496.6
申请日：2016-09-19
Applicant: 中山大学
IPC: G06F19/00
CPC classification number: G16Z99/00
Abstract: 本发明公开了基于动态时间规整的车辆终点及行程时间计算方法，本发明方法采用半正矢公式计算两点间实际距离，更加符合实际地理空间情景；结合GPS数据呈时间序列的特点，使用适用于时间序列相似性度量的动态时间弯曲算法，有效地缩短了特征量的搜索比对时间，克服了GPS历史值序列与实时参考序列尺度不能完全一致的问题，具有概念简单和算法鲁棒性好的特点；通过特征工程处理使用高性能、适合模型的特征集，同时结合机器学习算法进一步使得预测过程更为准确。本发明作为基于动态时间规整的车辆终点及行程时间计算方法可广泛应用于交通领域。
-
公开(公告)号：CN111192454B
公开(公告)日：2021-06-01
申请号：CN202010015303.6
申请日：2020-01-07
Applicant: 中山大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于行程时间演化的交通异常识别方法、系统及存储介质，通过获取浮动车数据，并构建行程时间分布模型并求解，然后计算指数加权移动均值和生成指数加权移动均值控制图，最后通过指数加权移动均值控制图进行交通异常识别。本发明分利用了浮动车数据，同时通过构建行程时间分布模型和计算指数加权移动均值，进而生成指数加权移动均值控制图使得能够对单个路段或者整个系统交通状态的动态演变过程进行识别，从而能够有效识别交通网络中的异常交通事件，大大提高了识别准确率。本发明可广泛应用于交通领域中。
-
公开(公告)号：CN107688556A
公开(公告)日：2018-02-13
申请号：CN201710607411.0
申请日：2017-07-24
Applicant: 中山大学
CPC classification number: G06F17/18 , G06N99/005 , G06Q10/047
Abstract: 本发明公开了一种基于函数型主成分分析的实时行程时间计算方法，本发明方法通过FPCA方法处理高维且密集的观测数据，相较于传统的PCA分析，此方法避免了大型维度的数据矩阵运算，避免了维数灾难，提高了计算机运算效率；并从交通流传播规律出发，采用嵌套式延迟模型预测路径行程时间分布，从而对于交通事件下的行程时间预测也能取得理想的结果；对整体行程时间的预测计算上采用滚动式预测模型，有效的利用实时数据进行预测，从而使得结果更具有实时性、精准性。本发明作为一种基于函数型主成分分析的实时行程时间计算方法可广泛应用于交通领域。
-
公开(公告)号：CN106448168A
公开(公告)日：2017-02-22
申请号：CN201611050875.8
申请日：2016-11-24
Applicant: 中山大学
IPC: G08G1/01
CPC classification number: G08G1/0125
Abstract: 本发明公开了基于趋势性指标及波动性指标的交通事件自动检测方法，包括步骤：S1、通过传感器采集实时交通数据；S2、对实时交通数据进行预处理；S3、基于预处理后的实时交通数据，计算如下的实时特征向量：趋势性指标、波动性指标和上下游变化指标；S4、将计算获得的实时特征向量作为训练模型的输入序列，采用训练模型计算获得对应的输出结果作为交通事件的检测结果。本发明通过传感器采集实时交通数据，可以对交通事件进行检测判断，及时获取交通状态的变化，及时、准确发现交通事件发生的时间、地点，可广泛应用于交通事件检测领域中。
-
Patent Agency Ranking
公开(公告)号：CN113838296B
公开(公告)日：2022-08-30
申请号：CN202111094984.0
申请日：2021-09-17
Applicant: 中山大学
Abstract: 本发明公开了一种交通信号控制方法、装置、设备及存储介质，方法包括：对路网进行划分，确定路网中的保护区、缓冲区、边界控制信号信息以及所述保护区内的自适应信号控制信息；根据所述路网的划分结果，对路网中的交通流量进行标定，以进行预配置；根据预配置的内容，采用深度强化学习搭建上层信号控制智能体；根据预配置的内容，采用深度强化学习搭建底层信号控制智能体，其中，每一个底层信号控制智能体代表保护区内一个信控路口的信号灯；根据所述上层信号控制智能体和所述底层信号控制智能体，对采集了交通信息后的目标路网进行双层信号控制。本发明的应用范围广，能够提高路网运行效率，可广泛应用于智能交通技术领域。
-
公开(公告)号：CN110609881A
公开(公告)日：2019-12-24
申请号：CN201910803343.4
申请日：2019-08-28
Applicant: 中山大学
Abstract: 本发明公开了一种车辆轨迹偏离检测方法、系统和存储介质，所述方法包括以下步骤：从一个行驶路线的GPS数据集中提取起点、终点和拐弯点作为关键位置；根据多个所述关键位置的坐标，在历史轨迹数据集和/或从在线地图服务获取的规划轨迹数据集中进行轨迹匹配；在匹配到历史轨迹数据或者规划轨迹数据时，将多个所述关键位置所描述的轨迹存入历史轨迹数据集中；在没有匹配到历史轨迹数据或者规划轨迹数据时，判定所述行驶路线偏离轨迹。本发明通过从GPS数据集中提取关键点，从而压缩用于路径匹配的坐标点数量，其能够减轻存储和运算所占据的资源；也可以屏蔽无用细节，避免大量的微小误差影响匹配的精度。本发明可以广泛应用于大数据领域。
-
公开(公告)号：CN106446538B
公开(公告)日：2019-06-25
申请号：CN201610831496.6
申请日：2016-09-19
Applicant: 中山大学
IPC: G06F17/10
Abstract: 本发明公开了基于动态时间规整的车辆终点及行程时间计算方法，本发明方法采用半正矢公式计算两点间实际距离，更加符合实际地理空间情景；结合GPS数据呈时间序列的特点，使用适用于时间序列相似性度量的动态时间弯曲算法，有效地缩短了特征量的搜索比对时间，克服了GPS历史值序列与实时参考序列尺度不能完全一致的问题，具有概念简单和算法鲁棒性好的特点；通过特征工程处理使用高性能、适合模型的特征集，同时结合机器学习算法进一步使得预测过程更为准确。本发明作为基于动态时间规整的车辆终点及行程时间计算方法可广泛应用于交通领域。
-
公开(公告)号：CN104637334A
公开(公告)日：2015-05-20
申请号：CN201510072539.2
申请日：2015-02-10
Applicant: 中山大学
IPC: G08G1/123
CPC classification number: G08G1/123
Abstract: 本发明涉及一种公交车到站时间实时预测方法，包括以下步骤：S1.分别提取相邻站点间的站点路段的历史浮动车数据和历史运行时间数据，作为训练集，根据训练集对影响公交车在该站点路段运行时间的因素进行筛选，根据筛选的因素分别构建相应站点路段的支持向量回归模型；S2.确定公交车当前站点与目标站点间的行驶路线所包含的站点路段，获取这些站点路段各自的实时浮动车数据和实时运行时间数据，作为预测集，根据预测集使用支持向量回归模型预测公交车在该站点路段的运行时间，根据预测的公交车在行驶路线各个站点路段的运行时间，即可获得公交车从当前站点到目标站点的到站时间。本发明提供的方法可提高预测公交到站时间的准确度。
-
公开(公告)号：CN107688556B
公开(公告)日：2021-09-07
申请号：CN201710607411.0
申请日：2017-07-24
Applicant: 中山大学
Abstract: 本发明公开了一种基于函数型主成分分析的实时行程时间计算方法，本发明方法通过FPCA方法处理高维且密集的观测数据，相较于传统的PCA分析，此方法避免了大型维度的数据矩阵运算，避免了维数灾难，提高了计算机运算效率；并从交通流传播规律出发，采用嵌套式延迟模型预测路径行程时间分布，从而对于交通事件下的行程时间预测也能取得理想的结果；对整体行程时间的预测计算上采用滚动式预测模型，有效的利用实时数据进行预测，从而使得结果更具有实时性、精准性。本发明作为一种基于函数型主成分分析的实时行程时间计算方法可广泛应用于交通领域。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.013 seconds)
