-
公开(公告)号：CN110070734B
公开(公告)日：2022-01-28
申请号：CN201910397787.2
申请日：2019-05-14
Applicant: 东南大学
Abstract: 本发明提供一种基于高斯混合模型的信号交叉口饱和车头时距估计方法。主要解决的技术问题是：利用车辆号牌数据，基于高斯混合模型，提出一种完全数据驱动的信号交叉口饱和车头时距估计方法。根据采集的信号交叉口号牌数据，分车道提取车头时距，用高斯混合模型对车头时距进行分类，得到两种状态下车头时距的高斯分布模型。根据信号交叉口的实际情况，该模型可看成是饱和状态和非饱和状态下车头时距高斯分布的组合，则两种分布中均值较小的分布可看作是饱和车头时距的高斯分布，其均值即为饱和车头时距。
-
公开(公告)号：CN109448370B
公开(公告)日：2021-09-28
申请号：CN201811268992.0
申请日：2018-10-29
Applicant: 东南大学
IPC: G08G1/01 , G08G1/081 , G06F16/901
Abstract: 本发明公开了一种基于车辆轨迹数据的交通控制子区划分方法，包括如下步骤：对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；基于最短路原则对缺失的车辆轨迹进行修补；计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；同类交叉口连通性检验，对现实路网划分非联通部分进行修正；划分结束，将划分结果投射到现实路网上。本发明能够更加充分挖掘交通流的中信息，从全局的角度分析交通网络中的结构。
-
公开(公告)号：CN113326740A
公开(公告)日：2021-08-31
申请号：CN202110498728.1
申请日：2021-05-08
Applicant: 东南大学
Abstract: 本发明公开了一种改进的双流交通事故检测方法。收集事故和非事故视频数据集，以及事故相关交通拥堵图片数据集和事故无关交通拥堵图片数据集，并将视频数据集划分为训练集和测试集；提取训练集和测试集中每个视频的关键帧和光流数据；搭建双分支的事故检测模型，包含以关键帧为输入的外观特征提取网络和以光流数据为输入的运动特征提取网络；构建包含三元组损失和交叉熵损失的联合损失函数以训练事故检测模型；利用测试集中的视频数据对训练完毕后的事故检测模型进行有效性评估。本发明降低了模型的误报率和漏检率，提高了模型事故检测精度。
-
公开(公告)号：CN110322704B
公开(公告)日：2021-05-04
申请号：CN201910514435.0
申请日：2019-06-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于号牌识别和GPS数据的排队长度实时估计方法，包括如下步骤：S1：通过车辆在路段中的停车位置和与停车位置相关的特征参数，建立二级随机森林回归模型；S2：对二级随机森林回归模型进行训练和测试，确定最终的随机森林回归模型；S3：将实际排队车辆中所有车辆的号牌信息，作为最终随机森林回归模型的输入，通过最终随机森林回归模型的输出，确定出实际路段中车辆排队的长度。本发明利用GPS轨迹数据提供的车辆停车位置和上下游号牌匹配数据提供对应停车位置相关的特征参数，建立随机森林回归模型，将从号牌数据中提取出的特征作为随机森林回归模型的输入，从而可以预测待测车辆的停车位置，得到具体的实时排队长度。
-
公开(公告)号：CN111932915A
公开(公告)日：2020-11-13
申请号：CN202010493319.8
申请日：2020-06-03
Applicant: 东南大学
Abstract: 本发明提供一种基于到达时间步进式预测的公交右转合乘信号优先方法，包括以下步骤：S1、公交到达数估计步骤，基于卡尔曼滤波模型步进式预测公交到达交叉口停车线的时间，并估计特定时间内到达交叉口的公交车辆数；S2、专用相位判定步骤，基于公交车辆到达估计结果判别公交相位是否需要并确定公交相位的长度；S3、信号方案生成步骤，当下一个周期被判别为需要公交相位插入时，一个专用公交相位被插入到原有信号方案之前，生成新的方案。随后，新生成的方案被下发至信号控制器执行。本发明的方法适用于信号控制中心下发指令而不依赖于前端，避免了因信号控制器API接口不同而造成的兼容性问题，实用性更强。
-
Patent Agency Ranking
公开(公告)号：CN107808518B
公开(公告)日：2020-02-18
申请号：CN201711030849.3
申请日：2017-10-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于多路谱聚类理论的交通小区划分方法，包括如下步骤：(1)获取路网划分基础数据；(2)根据道路检测器所在位置编号路网节点；(3)计算相邻节点之间路段的权重值；(4)建立路网密度Laplacian矩阵；(5)求解Laplacian矩阵特征值及特征向量；(6)选择Laplacian矩阵非零的前k个最小特征值及其对应的特征向量，使用k‑means聚类算法聚成K类；(7)提取各区域内每条路段交通流密度；(8)检验各区域之间交通流密度均值方差检验是否显著，如果方差检验不显著，返回步骤(6)，并且K＝K+1；(9)通过边界交叉口分割区域；(10)划分结束。本发明能够简化划分流程，且达到区域内部路网差异最小、区域之间路网特性差异最大的目的。
-
公开(公告)号：CN110322704A
公开(公告)日：2019-10-11
申请号：CN201910514435.0
申请日：2019-06-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于号牌识别和GPS数据的排队长度实时估计方法，包括如下步骤：S1：通过车辆在路段中的停车位置和与停车位置相关的特征参数，建立二级随机森林回归模型；S2：对二级随机森林回归模型进行训练和测试，确定最终的随机森林回归模型；S3：将实际排队车辆中所有车辆的号牌信息，作为最终随机森林回归模型的输入，通过最终随机森林回归模型的输出，确定出实际路段中车辆排队的长度。本发明利用GPS轨迹数据提供的车辆停车位置和上下游号牌匹配数据提供对应停车位置相关的特征参数，建立随机森林回归模型，将从号牌数据中提取出的特征作为随机森林回归模型的输入，从而可以预测待测车辆的停车位置，得到具体的实时排队长度。
-
公开(公告)号：CN110070734A
公开(公告)日：2019-07-30
申请号：CN201910397787.2
申请日：2019-05-14
Applicant: 东南大学
Abstract: 本发明提供一种基于高斯混合模型的信号交叉口饱和车头时距估计方法。主要解决的技术问题是：利用车辆号牌数据，基于高斯混合模型，提出一种完全数据驱动的信号交叉口饱和车头时距估计方法。根据采集的信号交叉口号牌数据，分车道提取车头时距，用高斯混合模型对车头时距进行分类，得到两种状态下车头时距的高斯分布模型。根据信号交叉口的实际情况，该模型可看成是饱和状态和非饱和状态下车头时距高斯分布的组合，则两种分布中均值较小的分布可看作是饱和车头时距的高斯分布，其均值即为饱和车头时距。
-
公开(公告)号：CN109448370A
公开(公告)日：2019-03-08
申请号：CN201811268992.0
申请日：2018-10-29
Applicant: 东南大学
IPC: G08G1/01 , G08G1/081 , G06F16/901
Abstract: 本发明公开了一种基于车辆轨迹数据的交通控制子区划分方法，包括如下步骤：对某区域交叉口编号，获取卡口数据、路段长度数据以及该区域路网底图；汇聚卡口数据，将单个车辆的出行链划分成轨迹数据，并剔除无效轨迹；基于最短路原则对缺失的车辆轨迹进行修补；计算一定时段内各交叉口对之间的双向流量，形成交叉口对流量矩阵；以交叉口为节点、交叉口对之间的双向流量作为节点连线的关联度建立全联通的有向网络图，利用随机漫步地图算法对网络图进行初始划分；同类交叉口连通性检验，对现实路网划分非联通部分进行修正；划分结束，将划分结果投射到现实路网上。本发明能够更加充分挖掘交通流的中信息，从全局的角度分析交通网络中的结构。
-
公开(公告)号：CN109408557A
公开(公告)日：2019-03-01
申请号：CN201811150213.7
申请日：2018-09-29
Applicant: 东南大学
IPC: G06F16/2458 , G06F16/22 , G06F16/28 , G06Q50/26
Abstract: 本发明公开了一种基于多重对应和K-means聚类的交通事故成因分析方法，包括如下步骤：(1)根据获取的交通事故数据集，选取影响交通事故发生的变量并分类；(2)通过数据库统计各变量的类别数和相应事故数量，筛选合并异常值的变量类别，得到事故数据表；(3)将得到的事故数据表处理得到二进制指标矩阵；(4)将事故类型作为表征事故特征的变量进行多重对应分析，得到各变量类别的多重对应分析坐标；(5)使用局部线性嵌入算法对事故数据多重对应分析所得变量类别坐标进行降维，得到LLE降维坐标；(6)使用K-means聚类算法对变量类别进行聚类，并根据聚类结果进行分析。本发明根据聚类结果从多维度综合探究交通事故成因，不仅是分析二维对应分析图。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.021 seconds)
