一种基于梯度下降的出行链模型参数快速标定方法

    公开(公告)号:CN115547058A

    公开(公告)日:2022-12-30

    申请号:CN202211535379.7

    申请日:2022-12-02

    Abstract: 本发明提出一种基于梯度下降的出行链模型参数快速标定方法,属于出行链模型参数标定技术领域。包括:S1.基于出行链模型的交通需求计算,通过交通需求迭代运算,获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果;S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定;S3.计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定;S4.根据目的地选择和方式选择标定的模型参数,进行基于出行链模型的交通需求模型预测,直到目的地选择和方式选择的校核指标都满足校核要求。解决了现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题。

    共享单车潮汐区域停车疏导方法、电子设备及存储介质

    公开(公告)号:CN114897656A

    公开(公告)日:2022-08-12

    申请号:CN202210830958.8

    申请日:2022-07-15

    Abstract: 本发明提出共享单车潮汐区域停车疏导方法、电子设备及存储介质,属于机器学习技术领域。包括,S1.根据单车取车、还车订单数据的时间分布识别高峰时段;S2.扩建电子围栏;S3.得到高峰时段的多维单车流动特征;S4.确定电子围栏聚群组;S5.根据电子围栏聚群组确定潮汐点位集合;S6.扩展潮汐点位集合;S7.搜索非潮汐点位;S8.确定潮汐点位调度的整体平衡增量限制值,并调度潮汐点位流入非潮汐点位的流量;S9.统计调度后不同时间段各电子围栏集的流入量,完成潮汐区域停车疏导。解决了停车点位不能满足需求、计算成本高、潮汐电子围栏的识别不够精准的问题。实现了响应速度快、计算成本低、潮汐电子围栏的识别精准的效果。

    一种基于梯度下降的出行链模型参数快速标定方法

    公开(公告)号:CN115547058B

    公开(公告)日:2023-04-18

    申请号:CN202211535379.7

    申请日:2022-12-02

    Abstract: 本发明提出一种基于梯度下降的出行链模型参数快速标定方法,属于出行链模型参数标定技术领域。包括:S1.基于出行链模型的交通需求计算,通过交通需求迭代运算,获取出行链模型收敛状态下的道路阻抗和基于道路阻抗下的目的地选择和方式选择结果;S2.基于目的地选择结果和基于手机信令分析的交通小区分布矩阵进行目的地参数标定;S3.计算的目的地选择结果和待校核的方式分担率进行方式选择参数标定;S4.根据目的地选择和方式选择标定的模型参数,进行基于出行链模型的交通需求模型预测,直到目的地选择和方式选择的校核指标都满足校核要求。解决了现有技术中存在出行链模型参数多、标定校核工作复杂、工作量大、人工成本高的技术问题。

    共享单车潮汐区域停车疏导方法、电子设备及存储介质

    公开(公告)号:CN114897656B

    公开(公告)日:2022-11-25

    申请号:CN202210830958.8

    申请日:2022-07-15

    Abstract: 本发明提出共享单车潮汐区域停车疏导方法、电子设备及存储介质,属于机器学习技术领域。包括,S1.根据单车取车、还车订单数据的时间分布识别高峰时段;S2.扩建电子围栏;S3.得到高峰时段的多维单车流动特征;S4.确定电子围栏聚群组;S5.根据电子围栏聚群组确定潮汐点位集合;S6.扩展潮汐点位集合;S7.搜索非潮汐点位;S8.确定潮汐点位调度的整体平衡增量限制值,并调度潮汐点位流入非潮汐点位的流量;S9.统计调度后不同时间段各电子围栏集的流入量,完成潮汐区域停车疏导。解决了停车点位不能满足需求、计算成本高、潮汐电子围栏的识别不够精准的问题。实现了响应速度快、计算成本低、潮汐电子围栏的识别精准的效果。

    一种交叉口转向控制标注方法、电子设备及存储介质

    公开(公告)号:CN115422695A

    公开(公告)日:2022-12-02

    申请号:CN202211366844.9

    申请日:2022-11-03

    Abstract: 本发明提出一种交叉口转向控制标注方法、电子设备及存储介质,属于交叉口转向控制标注技术领域。包括以下步骤:S1.筛选需要转向控制的T型交叉口和Y型交叉口,并转化为平面坐标;S2.判断交叉口类型,若道路都是双向的交叉口,判断为T型交叉口,若道路含有单向道路,判断为Y型交叉口;S3.构建模型训练样本集;S4.扩展训练样本集;S5.计算待预测交叉口转向的特征向量;S6.基于训练样本集与朴素贝叶斯原理,计算贝叶斯模型的先验概率和条件概率;S7.根据待预测交叉口转向的特征向量与先验概率与条件概率,确定转向控制标注结果。解决现有技术中存在的人工标注效率低的技术问题。

Patent Agency Ranking