-
公开(公告)号：CN113807406B
公开(公告)日：2023-05-23
申请号：CN202110980857.4
申请日：2021-08-25
Applicant: 西北大学
IPC: G06F18/2413 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06F16/29
Abstract: 本发明公开了一种融合地理上下文的深度多尺度交通模式识别模型UrbTrans，其构建包括：1.从OpenStreetMap平台爬取城市区域的公共设施、道路网络、道路等级等地理信息数据，将GPS轨迹数据与地理信息数据相互匹配，提取轨迹的地理上下文特征；2.从原始GPS轨迹中提取速度、加速度、航向变化率等运动特征信息；3.构建并训练融合轨迹运动特征和地理上下文特征的深度多尺度交通模式识别模型UrbTrans。4.使用训练后的深度多尺度交通模式识别模型UrbTrans对城市区域中GPS轨迹的交通模式进行识别，将输入GPS轨迹段的交通模式识别为步行、自行车、公共交通、轿车中的一种。提高了轨迹交通模式识别的准确性，并且在对短距离、短时间的轨迹识别上有进一步优势。
-
Patent Agency Ranking
公开(公告)号：CN113806419A
公开(公告)日：2021-12-17
申请号：CN202110988798.5
申请日：2021-08-26
Applicant: 西北大学
Abstract: 本发明公开了一种基于时空大数据的城市区域功能识别模型及识别方法：根据城市路网和栅格法划分待研究城市地块，作为目标区域；构建动态时序图，生成动态时序图的节点特征和图邻接矩阵；构建动态图表示学习模型GAT‑GRU；通过训练好的GAT‑GRU模型计算，对模型输出的每个地块Bi的高层语义特征表示fT表示进行k‑means聚类，结合POI分布对聚类结果进行语义识别。本发明面向我国城市密度大、功能复合性高的发展特点，通过构建动态时序图实现在时间上细粒度的进行功能区的聚类及识别，更加符合我国城市发展特点的功能区识别思路；本发明从时空交互作用的角度，构建深度学习模型提取时空特征，从而实现城市功能区的自动识别，为传统的城市功能区研究提出了一种新思路。
-
公开(公告)号：CN112365708A
公开(公告)日：2021-02-12
申请号：CN202011052408.5
申请日：2020-09-29
Applicant: 西北大学
IPC: G08G1/01 , G08G1/065 , G06K9/62 , G06F16/901 , G06N3/02
Abstract: 本发明属于数据挖掘和城市交通数据分析领域，公开了一种基于多图卷积网络的景区交通量预测模型建立和预测方法。包括如下步骤：1.构建多张表征景区间关系的特征图；2.构建基于多张特征图的卷积循环神经网络模型；3.训练卷积循环神经网络模型；4.使用训练好的卷积循环神经网络模型预测景区未来的交通流量值。本发明的新颖之处在于从图的角度构建城市景区网络，通过构建多张特征图来反映不同景区间的关系，然后融合多张特征图并同时捕获时空特征来预测景区未来的交通流量，得到每小时的交通流量值，提高了中长期预测的准确性，同时提高了训练的收敛速度和算法的鲁棒性。
-
公开(公告)号：CN113806419B
公开(公告)日：2024-04-12
申请号：CN202110988798.5
申请日：2021-08-26
Applicant: 西北大学
IPC: G06F16/29 , G06F16/28 , G06F16/26 , G06F16/2458 , G06N3/0442 , G06N3/045 , G06N3/082
Abstract: 本发明公开了一种基于时空大数据的城市区域功能识别模型及识别方法：根据城市路网和栅格法划分待研究城市地块，作为目标区域；构建动态时序图，生成动态时序图的节点特征和图邻接矩阵；构建动态图表示学习模型GAT‑GRU；通过训练好的GAT‑GRU模型计算，对模型输出的每个地块Bi的高层语义特征表示fT表示进行k‑means聚类，结合POI分布对聚类结果进行语义识别。本发明面向我国城市密度大、功能复合性高的发展特点，通过构建动态时序图实现在时间上细粒度的进行功能区的聚类及识别，更加符合我国城市发展特点的功能区识别思路；本发明从时空交互作用的角度，构建深度学习模型提取时空特征，从而实现城市功能区的自动识别，为传统的城市功能区研究提出了一种新思路。
-
公开(公告)号：CN112365708B
公开(公告)日：2022-04-19
申请号：CN202011052408.5
申请日：2020-09-29
Applicant: 西北大学
IPC: G08G1/01 , G08G1/065 , G06K9/62 , G06F16/901 , G06N3/02
Abstract: 本发明属于数据挖掘和城市交通数据分析领域，公开了一种基于多图卷积网络的景区交通量预测模型建立和预测方法。包括如下步骤：1.构建多张表征景区间关系的特征图；2.构建基于多张特征图的卷积循环神经网络模型；3.训练卷积循环神经网络模型；4.使用训练好的卷积循环神经网络模型预测景区未来的交通流量值。本发明的新颖之处在于从图的角度构建城市景区网络，通过构建多张特征图来反映不同景区间的关系，然后融合多张特征图并同时捕获时空特征来预测景区未来的交通流量，得到每小时的交通流量值，提高了中长期预测的准确性，同时提高了训练的收敛速度和算法的鲁棒性。
-
公开(公告)号：CN113807406A
公开(公告)日：2021-12-17
申请号：CN202110980857.4
申请日：2021-08-25
Applicant: 西北大学
Abstract: 本发明公开了一种融合地理上下文的深度多尺度交通模式识别模型UrbTrans，其构建包括：1.从OpenStreetMap平台爬取城市区域的公共设施、道路网络、道路等级等地理信息数据，将GPS轨迹数据与地理信息数据相互匹配，提取轨迹的地理上下文特征；2.从原始GPS轨迹中提取速度、加速度、航向变化率等运动特征信息；3.构建并训练融合轨迹运动特征和地理上下文特征的深度多尺度交通模式识别模型UrbTrans。4.使用训练后的深度多尺度交通模式识别模型UrbTrans对城市区域中GPS轨迹的交通模式进行识别，将输入GPS轨迹段的交通模式识别为步行、自行车、公共交通、轿车中的一种。提高了轨迹交通模式识别的准确性，并且在对短距离、短时间的轨迹识别上有进一步优势。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
