-
公开(公告)号：CN112989548A
公开(公告)日：2021-06-18
申请号：CN201911304123.3
申请日：2019-12-17
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多模型组合的城市道路交通流仿真推演方法。该方法克服了已有仿真模型实用性差的缺陷。首先用长短时记忆神经网络模型对历史流量数据进行预测，使用马尔科夫模型估计状态转移概率，将预测好的流量数据与估计的状态转移概率存至数据库中；接下来在数据库中建表，用于存放各断面的卡尔曼滤波参数和流量的初始值；然后按照单次推演执行读取参数‑流量一步预测‑更新噪声协方差‑流量校准‑更新参数的流程实现断面流量的仿真推演。本发明能够较好地用于城市路网交通流的仿真推演，预测交通流随时间推移的时空分布规律。
-
公开(公告)号：CN112905379A
公开(公告)日：2021-06-04
申请号：CN202110260633.6
申请日：2021-03-10
Applicant: 南京理工大学
IPC: G06F11/07 , G06F16/9537 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于自我注意力机制的图自编码器的交通大数据修复方法，包括：确定需要进行交通数据修复的区域，采集该区域的历史交通数据；构建掩码矩阵，同时基于所选区域的路网结构生成邻接矩阵；基于自我注意力机制和图卷积网络构建数据修复模型；对数据修复模型进行训练；针对需要修复的交通数据，利用训练好的数据修复模型获得数据修复结果。本发明在GCN的基础上引入自编码器、多头注意力机制等结构，利用GCN的结构有效地学习城市路网的拓扑图结构，利用多头注意力机制学习交通流数据的时空关联性，并利用自编码器依据存在缺失的交通数据生成完整的交通数据，且通过多头注意力机制和GCN可以有效提高模型数据修复的准确性。
-
公开(公告)号：CN109859467B
公开(公告)日：2020-11-10
申请号：CN201910089236.X
申请日：2019-01-30
IPC: G08G1/01
Abstract: 一种交通模型中环境影响因子的挖掘分析方法,具体步骤如下：(1)选定需要进行交通流分析的路段，获取所选路段中所需交通参数的历史数据；(2)根据获取的交通参数的历史数据，确定环境影响因子的挖掘分析时段；(3)选定所需的已知交通参数作为特征变量，并按时间序列一一对应；(4)利用基于EM算法的高斯混合模型对所选时间段的路段交通参数进行环境影响因子挖掘分析；(5)将模型挖掘分析所得的环境影响因子与按交通流理论所得实际交通状况比较，并选取某时间段交通系统进行验证；(6)分析验证结果，是否符合实际交通状况及交通流理论。
-
公开(公告)号：CN111862602A
公开(公告)日：2020-10-30
申请号：CN202010586441.X
申请日：2020-06-24
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于轨迹数据的单交叉口信号配时优化方法，方法包括以下步骤：获取交叉口的原始信号配时信息；获取与交叉口关联路段上同一时段浮动车的历史轨迹数据，求取各浮动车在各周期内的排队位置；根据贝叶斯模型与概率分布理论预测交叉口周期各相位内的排队长度；结合启动波理论计算各相位的最佳配时时长。本发明综合考虑了当前路网浮动车渗透率较低的现实情况，采用不同方法对不同渗透率的交通场景进行计算。本发明利用交叉口排队长度的估计方法结合交通波理论对交叉口进行配时，充分利用海量轨迹数据，充分结合了统计学与交通波理论的优势，建立了基于轨迹数据的交叉口信号配时方法，提高了各相位绿灯时长利用率，有效降低交叉口延误。
-
公开(公告)号：CN110175406A
公开(公告)日：2019-08-27
申请号：CN201910448257.6
申请日：2019-05-27
Applicant: 南京理工大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于船联网条件下的多船跟随行为模拟方法。该方法建立的模型考虑了船联网和邻近船舶动态信息对当前船舶的影响。同时结合对船的速度、距离的影响建立的模型。首先从数据库中读取需要的关于船航行的记录，然后对数据进行分析，导出船队航行的有关条件和相关方程解析，最后根据提出的新模型预测出结果。该模型可以对跟随行为中速度的情况获得较高的预测精度，并且通过稳定性分析也可以知道该模型可以提高船队航行的稳定性。同时该模型可以用于船实际运行的仿真软件的模拟理论基础。
-
Patent Agency Ranking
公开(公告)号：CN109754126A
公开(公告)日：2019-05-14
申请号：CN201910089338.1
申请日：2019-01-30
Abstract: 本发明公开了基于时空相关性和卷积神经网络的短时交通流预测方法，挖掘交通流量数据之中的时空相关性，交通流量数据并转化为具有时空交通流量信息的二维矩阵，利用卷积神经网络对矩阵内部交通流的时空特征信息进行提取、处理和学习，最终得出预测结果，此外还采用了时空特征选择算法筛选出最佳输入数据。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的时空相关性，从而有效提高了交通流量数据的预测精度。
-
公开(公告)号：CN108986482A
公开(公告)日：2018-12-11
申请号：CN201810732598.1
申请日：2018-07-05
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于单轴地磁传感器的车辆检测方法。该方法包括以下步骤：在同一车道前后固定距离布置两个地磁传感器，车辆经过时，两个地磁传感器收集数据；将地磁传感器收集的数据进行数据清洗以及去噪声处理；地磁传感器利用改进的基于固定阈值的状态机算法检测车辆，并提取车辆到达传感器检测范围的时间以及离开的时间；统计设定时间段内的车流量，计算车辆的行驶速度和车长。本发明方法既可以单独运用在重要的交通路段或者交通路口获取车辆参数，也可以与其他交通检测设备联合使用，获取更加全面的交通信息，具有低功耗、检测灵敏度高、安装方便、不受恶劣环境影响的优点。
-
公开(公告)号：CN114882454B
公开(公告)日：2024-08-27
申请号：CN202210615232.2
申请日：2022-06-01
Applicant: 南京理工大学
IPC: G06V20/54 , G06V10/82 , G06V10/762 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06V10/44
Abstract: 本发明提出了一种基于深度学习的城市高空视角下车辆的检测方法，获取高空视角下包含车辆的图片，对图像进行标注和数据增广预处理，并按比例划分为检测模型的训练集和验证集；使用Ghost卷积结构替换YOLOv5的卷积层，并对backbone增加CA注意力模块，使用CBR层替换YOLOv5的Bottleneck层，增加针对小目标的检测层优化，据此构建改进的YOLOv5网络模型，用于预测车辆信息；使用零开始训练法，训练改进的YOLOv5网络模型，得到最优参数；将实际高空摄像头获取的交通视频数据分解为测试图像，预处理后输入改进的YOLOv5网络模型，完成车辆检测。本发明具有检测精度高、鲁棒性好，同时大大减小了模型尺寸，为模型在边缘设备部署提供了新的解决方案。
-
公开(公告)号：CN114501378B
公开(公告)日：2024-08-23
申请号：CN202210232103.5
申请日：2022-03-06
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于车路协同的特殊环境应急通信方法及系统，搭载有智能车载设备的车辆在驶入对应路侧设备服务范围时，建立与该路侧设备的传输连接，并断开与其他路侧设备的连接；车载设备向对应路侧设备发送车辆基本驾驶信息；路侧设备接收到车辆基本驾驶信息后进行距离判断，根据距离发送针对不同应用场景下的预警信息；路侧设备判断蜂窝通信质量是否正常，当通信质量出现异常时，路侧设备主动将通信方式切换为LoRa应急通信方式；当本轮消息传输结束时，路侧设备重新对通信质量与距离信息进行判断，决定下一轮消息的传输方式。本发明在4G信号受限的环境，可以有效提高车路协同相关服务的通信稳定性，降低各种特殊环境下的消息传输风险。
-
公开(公告)号：CN118276569A
公开(公告)日：2024-07-02
申请号：CN202410111698.8
申请日：2024-01-25
Applicant: 南京理工大学
IPC: G05D1/43 , G05D109/30
Abstract: 本发明公开了一种冰区智能船队跟驰与控制方法。建立冰区智能船队跟驰物理模型，获取船队航行的航行数据，包括速度、船头间距、船舶参数、海冰类型和海冰厚度；引入当前船与其他船的速度差、期望船头间距和海冰阻力对船舶加速度的影响，以控制船舶加速度为目标，建立存在时滞的改进MVD冰区智能船队跟驰模型；以实际船头间距与期望船头间距的误差函数为输入，结合PID算法设计滑模面，根据建立的冰区智能船队跟驰模型和Lyapunov稳定性第二定理设计SMC‑PID控制器；针对待控制船舶，获取该船舶与前一船舶的平均速度和船头间距，聚类分析得到船舶航行的安全域，结合该船舶与前一船舶的速度差范围，进一步确定船舶航行的状态；利用SMC‑PID控制器，控制处于非安全状态的船舶加速度。本发明提高了冰区智能船队航行的安全性和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.033 seconds)
