-
公开(公告)号：CN115063975B
公开(公告)日：2023-07-11
申请号：CN202210648480.7
申请日：2022-06-09
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明属于交通控制技术领域，公开了一种短时交通流数据预测方法、系统、计算机设备及存储介质，包括：获取待预测区域以及待预测区域各相关区域的历史交通流数据；根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值，有效提升了短时交通流数据预测的准确性。
-
公开(公告)号：CN114881339B
公开(公告)日：2025-02-07
申请号：CN202210545736.1
申请日：2022-05-19
Applicant: 长安大学
IPC: G06Q10/04 , G06Q50/40 , G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明属于自动驾驶领域，公开了一种车辆轨迹预测方法、系统、计算机设备及存储介质，包括：提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，最终有效提升了车辆轨迹预测准确性。
-
公开(公告)号：CN115063975A
公开(公告)日：2022-09-16
申请号：CN202210648480.7
申请日：2022-06-09
Applicant: 长安大学
Abstract: 本发明属于交通控制技术领域，公开了一种短时交通流数据预测方法、系统、计算机设备及存储介质，包括：获取待预测区域以及待预测区域各相关区域的历史交通流数据；根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值，有效提升了短时交通流数据预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114881339A
公开(公告)日：2022-08-09
申请号：CN202210545736.1
申请日：2022-05-19
Applicant: 长安大学
Abstract: 本发明属于自动驾驶领域，公开了一种车辆轨迹预测方法、系统、计算机设备及存储介质，包括：提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，最终有效提升了车辆轨迹预测准确性。
-
公开(公告)号：CN117037491B
公开(公告)日：2025-04-18
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN117037491A
公开(公告)日：2023-11-10
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN115410162A
公开(公告)日：2022-11-29
申请号：CN202210862496.8
申请日：2022-07-21
Applicant: 长安大学
Abstract: 本发明公开了一种复杂城市道路环境下的多目标检测与跟踪方法：步骤1：构建训练集和测试集；步骤2：在现有的DLA34骨干网络基础上逐层增加特征融合模块实现输入图像的深浅层网络特征融合；步骤3：采用Transformer编码模块提取特征图中长距离特征依赖关系；步骤4：通过进一步特征融合及逻辑回归处理；步骤5：利用多目标跟踪模块进行目标关联处理与跟踪，得到带有目标检测框的跟踪特征图；步骤6，得到训练好的多目标检测与跟踪模型；步骤7，将待检测的视频数据输入训练好的多目标检测与跟踪模型，得到带有目标检测框的跟踪特征图。本发明能够在复杂城市道路环境下对多目标进行准确的目标检测和跟踪，可稳定识别外观尺度变化较大的目标。
-
公开(公告)号：CN115376099A
公开(公告)日：2022-11-22
申请号：CN202210862750.4
申请日：2022-07-21
Applicant: 长安大学
IPC: G06V20/58 , G06V10/82 , G06V10/774 , G06V20/17
Abstract: 本发明公开了一种基于目标局部终点与多头注意力机制的轨迹预测方法：步骤1：获取数据集；步骤2：根据目标的历史轨迹及实际局部终点位置信息，预测目标局部终点位置；步骤3：采用社会池化操作提取社交信息，得到特征向量；步骤4：将特征向量输入长短期记忆网络得到目标的预测轨迹；步骤5，进行迭代训练得到训练好的轨迹预测模型；步骤6，将待检测的图像或视频输入训练好的轨迹预测模型，得到目标的预测轨迹。本发明实现了在复杂交通场景下通过特定信息丰富目标轨迹特征进行精确高效的行人轨迹预测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
