公开(公告)号：CN106297297B

公开(公告)日：2018-11-20

申请号：CN201610950789.6

申请日：2016-11-03

Applicant: 成都通甲优博科技有限责任公司

Inventor： 陈志超 ,  谷瑞翔 ,  胡桂铭 ,  李轩

IPC: G08G1/01 ,  G06N3/08

Abstract: 本发明公开了基于深度学习的交通拥堵判别方法，包括以下步骤：步骤1、获取训练样本及添加标签，得到含有标签的监控视频文件对应的图片；步骤2、前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；步骤3、反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；步骤4、交通拥堵判别：选取路段的当前监控视频文件对应的图片中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播。该方法能够对当前道路的交通情况给出交通的拥堵级别，具有较好的适用性和鲁棒性。

公开(公告)号：CN106297297A

公开(公告)日：2017-01-04

申请号：CN201610950789.6

申请日：2016-11-03

Applicant: 成都通甲优博科技有限责任公司

Inventor： 陈志超 ,  谷瑞翔 ,  胡桂铭 ,  李轩

IPC: G08G1/01 ,  G06N3/08

CPC classification number: G08G1/0133 ,  G06N3/084

Abstract: 本发明公开了基于深度学习的交通拥堵判别方法，包括以下步骤：步骤1、获取训练样本及添加标签，得到含有标签的监控视频文件对应的图片；步骤2、前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；步骤3、反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；步骤4、交通拥堵判别：选取路段的当前监控视频文件对应的图片中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播。该方法能够对当前道路的交通情况给出交通的拥堵级别，具有较好的适用性和鲁棒性。