-
公开(公告)号：CN108256590A
公开(公告)日：2018-07-06
申请号：CN201810155791.3
申请日：2018-02-23
Applicant: 长安大学
IPC: G06K9/62
CPC classification number: G06K9/6218 , G06K9/6215
Abstract: 一种基于复合元路径的相似出行者识别方法，使用时空GPS轨迹构造异构出行网络模型，提出出行元路径的定义。在出行网络模型中选取元路径集合，采用出行相似性度量算法实现用户相似性计算，预测两个用户在出行行为的上相似性。本发明提出的采用复合元路径的相似性计算方法比基于单条元路径方法的查全率与查准率高，且有直观的可理解语义性，有助于准确地发现潜在用户和相似群体，为他们提供更加精准和差异化的服务。
-
公开(公告)号：CN110689131A
公开(公告)日：2020-01-14
申请号：CN201910920130.X
申请日：2019-09-26
Applicant: 长安大学
Abstract: 一种基于朴素贝叶斯模型的车辆能耗影响分析方法，对车辆驾驶数据进行处理后再进行计算，得到车辆数据信息；通过联机分析处理对车辆数据信息进行多维度的分析，得到车辆因素和油耗的二维视图，通过判断各种车辆因素与油耗的二维视图是否有关联，从而筛选得到影响油耗的因素；对筛选出的影响油耗的因素进行离散化处理，然后划分为若个子类，并通过朴素贝叶斯模型计算各种影响油耗的因素的估计概率，确定对油耗影响最大的信息。本发明采用联机分析处理系统进行数据分析，分析各个因素是否与油耗有关联，对与油耗有关联的因素，使用数据挖掘来确定主要的节省燃料的影响因素，从而确定司机的驾驶习惯和风格，给出驾驶建议，从而达到节能驾驶的目的。
-
Patent Agency Ranking
公开(公告)号：CN108256590B
公开(公告)日：2019-04-02
申请号：CN201810155791.3
申请日：2018-02-23
Applicant: 长安大学
IPC: G06K9/62
Abstract: 一种基于复合元路径的相似出行者识别方法，使用时空GPS轨迹构造异构出行网络模型，提出出行元路径的定义。在出行网络模型中选取元路径集合，采用出行相似性度量算法实现用户相似性计算，预测两个用户在出行行为的上相似性。本发明提出的采用复合元路径的相似性计算方法比基于单条元路径方法的查全率与查准率高，且有直观的可理解语义性，有助于准确地发现潜在用户和相似群体，为他们提供更加精准和差异化的服务。
-
公开(公告)号：CN109979194B
公开(公告)日：2020-07-10
申请号：CN201910171316.X
申请日：2019-03-07
Applicant: 长安大学
Abstract: 本发明属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。本发明以大规模重型商用车的GNSS行驶数据为数据源，通过时空特征提取与模式学习建立车辆行为模型，来辨识和预测重型商用车的坡道爬行行为。首先对数据进行时间分段，提取同一地理位置下车辆速度为零的时间连续样本，运用卡尔曼滤波优化样本数据精度，进一步提升样本质量。然后采用Markov Chain Monte Carlo模型构造车辆高度差的特征分布，并使用Metropolis Hastings算法进行参数估计，确定重型商用车的爬行行为特征。最后，建立基于逻辑回归的车辆行为模型HVMove。达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态的目的。
-
公开(公告)号：CN111047179A
公开(公告)日：2020-04-21
申请号：CN201911244779.0
申请日：2019-12-06
Applicant: 长安大学
IPC: G06Q10/06 , G06Q10/08 , G06F16/2458
Abstract: 一种基于频繁模式挖掘的车辆运输效率分析方法，通过智能加载传感器获得车辆数据，对车辆数据进行预处理，得到完整的车辆数据；对完整的车辆数据进行计算，得到车辆属性信息；对车辆属性信息进行大数据感知，得到属性数据；采用频繁模式挖掘算法确定各属性数据之间的相关性度量值，通过计算两者之间的提升度，得到各个因素之间的相关性，确定影响油耗的最大因素，分析出对车辆运输效率影响的相关性因素，以降低车辆的燃油消耗为目的，进而提高车辆的运输效率。相较于现有技术,本发明能更精准地分析出影响车辆燃油消耗的主要因素，有效的得出影响车辆运输效率的相关性因素，通过降低车辆的燃油消耗，来提高车辆的运输效率。
-
公开(公告)号：CN111047179B
公开(公告)日：2021-06-01
申请号：CN201911244779.0
申请日：2019-12-06
Applicant: 长安大学
IPC: G06Q10/06 , G06Q10/08 , G06F16/2458
Abstract: 一种基于频繁模式挖掘的车辆运输效率分析方法，通过智能加载传感器获得车辆数据，对车辆数据进行预处理，得到完整的车辆数据；对完整的车辆数据进行计算，得到车辆属性信息；对车辆属性信息进行大数据感知，得到属性数据；采用频繁模式挖掘算法确定各属性数据之间的相关性度量值，通过计算两者之间的提升度，得到各个因素之间的相关性，确定影响油耗的最大因素，分析出对车辆运输效率影响的相关性因素，以降低车辆的燃油消耗为目的，进而提高车辆的运输效率。相较于现有技术,本发明能更精准地分析出影响车辆燃油消耗的主要因素，有效的得出影响车辆运输效率的相关性因素，通过降低车辆的燃油消耗，来提高车辆的运输效率。
-
公开(公告)号：CN109979194A
公开(公告)日：2019-07-05
申请号：CN201910171316.X
申请日：2019-03-07
Applicant: 长安大学
Abstract: 本发明属于行为识别领域，具体涉及一种基于马尔可夫链的重型车辆坡道爬行行为识别方法。本发明以大规模重型商用车的GNSS行驶数据为数据源，通过时空特征提取与模式学习建立车辆行为模型，来辨识和预测重型商用车的坡道爬行行为。首先对数据进行时间分段，提取同一地理位置下车辆速度为零的时间连续样本，运用卡尔曼滤波优化样本数据精度，进一步提升样本质量。然后采用Markov Chain Monte Carlo模型构造车辆高度差的特征分布，并使用Metropolis Hastings算法进行参数估计，确定重型商用车的爬行行为特征。最后，建立基于逻辑回归的车辆行为模型HVMove。达到有效地辨识重型商用车的坡道行驶状态，以及准确地预测其坡道行驶状态的目的。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
