-
公开(公告)号:CN116993779A
公开(公告)日:2023-11-03
申请号:CN202310968240.X
申请日:2023-08-03
申请人: 重庆大学 , 重庆数字交通产业有限公司
IPC分类号: G06T7/246 , G06V20/54 , G06V20/40 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种适于监控视频下的车辆目标跟踪方法,包括以下步骤:改进联合检测跟踪模型TransCenter的主干网络结构,利用卷积结构构建注意力模块;改进联合检测跟踪模型TransCenter的特征融合网络,利用矩阵分解模型构建多尺度特征融合网络;设计多特征多级车辆目标匹配算法;在公开的车辆目标跟踪数据集UA‑DETRAC上训练联合车辆目标检测跟踪模型;使用训练的模型跟踪监控视频下的车辆目标。本发明适于监控视频下的车辆目标跟踪方法,能够有效降低因目标遮挡、目标相似、目标尺度快速变换等因素造成的车辆目标跟踪漂移和跟踪丢失,准确性更高、稳定性更强。
-
公开(公告)号:CN111739292A
公开(公告)日:2020-10-02
申请号:CN202010514575.0
申请日:2020-06-08
申请人: 重庆大学 , 重庆首讯科技股份有限公司
摘要: 本发明公开了一种考虑路网OD流量贡献时变性的收费站流量预测方法,S1:统计分析路网中构成各收费站90%出口流量的入口站点数,拟合其区间分布,在此基础上得到降维阈值;S2:通过分析不同天中同一预测时间区间的流量贡献率,拟合其概率分布,估计预测时段的贡献率;S3:结合不同天中在同一预测区间的流量贡献率的变化程度,确定在预测区间路网中各收费站的权重;S4:结合各收费站的实时上道流量数据,建立考虑OD间贡献时变性的下道流量预测模型,得到初步预测结果;S5:根据上一时间窗口的预测结果与实际结果的误差,对本时间窗口的预测结果进行修正,得到最终的预测结果。本发明减小了计算的规模,提高了精度,值得在本领域大量推广。
-
公开(公告)号:CN118470968A
公开(公告)日:2024-08-09
申请号:CN202410587767.2
申请日:2024-05-13
申请人: 重庆大学 , 重庆数字交通产业集团有限公司
IPC分类号: G08G1/01 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/0985
摘要: 本发明涉及交通运输技术领域,公开了一种基于特征注意力分解和图卷积网络的交通流量预测方法,将流量数据分解为季节项、趋势和余项,采用多头注意力机制来表示卷积核大小在提取趋势方面的适应性;随后,利用时空注意力来模拟交通数据的动态时空相关性;最后,使用时空卷积来提取交通数据的局部时空依赖性。通过实验分析,本发明提出的DFAGCN模型具有最先进的性能,将时间序列分解应用于交通数据可以显着提高交通预测的准确性。
-
公开(公告)号:CN111739292B
公开(公告)日:2022-04-01
申请号:CN202010514575.0
申请日:2020-06-08
申请人: 重庆大学 , 重庆首讯科技股份有限公司
摘要: 本发明公开了一种考虑路网OD流量贡献时变性的收费站流量预测方法,S1:统计分析路网中构成各收费站90%出口流量的入口站点数,拟合其区间分布,在此基础上得到降维阈值;S2:通过分析不同天中同一预测时间区间的流量贡献率,拟合其概率分布,估计预测时段的贡献率;S3:结合不同天中在同一预测区间的流量贡献率的变化程度,确定在预测区间路网中各收费站的权重;S4:结合各收费站的实时上道流量数据,建立考虑OD间贡献时变性的下道流量预测模型,得到初步预测结果;S5:根据上一时间窗口的预测结果与实际结果的误差,对本时间窗口的预测结果进行修正,得到最终的预测结果。本发明减小了计算的规模,提高了精度,值得在本领域大量推广。
-
公开(公告)号:CN118364966A
公开(公告)日:2024-07-19
申请号:CN202410587780.8
申请日:2024-05-13
申请人: 重庆大学 , 重庆数字交通产业集团有限公司
IPC分类号: G06Q10/04 , G06F18/23213 , G06F18/24 , G06F18/214 , G06F17/14 , G06F17/18 , G06F18/22 , G06N3/0455
摘要: 本发明公开了一种基于Transformer的长时间多变量时间序列预测方法,针对多变量长期时间序列预测任务,提出了一种有效的基于变压器的模型CMPPformer,其中有两个关键部分:通道混合依赖和周期性切割模块。首先,本发明利用时间序列聚类对多元时间序列进行分组,以实现通道混合依赖,从而减少过拟合和虚假回归。其次,使用FFT找出多维周期,根据计算出的周期长度,对时间序列进行修补,从而捕捉局部语义信息。此外,通过应用周期性切割模块和通道混合依赖性,可以降低时间和空间复杂性。
-
公开(公告)号:CN116993779B
公开(公告)日:2024-05-14
申请号:CN202310968240.X
申请日:2023-08-03
申请人: 重庆大学 , 重庆数字交通产业集团有限公司
IPC分类号: G06T7/246 , G06V20/54 , G06V20/40 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要: 本发明公开了一种适于监控视频下的车辆目标跟踪方法,包括以下步骤:改进联合检测跟踪模型TransCenter的主干网络结构,利用卷积结构构建注意力模块;改进联合检测跟踪模型TransCenter的特征融合网络,利用矩阵分解模型构建多尺度特征融合网络;设计多特征多级车辆目标匹配算法;在公开的车辆目标跟踪数据集UA‑DETRAC上训练联合车辆目标检测跟踪模型;使用训练的模型跟踪监控视频下的车辆目标。本发明适于监控视频下的车辆目标跟踪方法,能够有效降低因目标遮挡、目标相似、目标尺度快速变换等因素造成的车辆目标跟踪漂移和跟踪丢失,准确性更高、稳定性更强。
-
-
-
-
-