CN111723997A - 一种基于gan的城市重大交通事故数据样本自动生成方法 - Google Patents
一种基于gan的城市重大交通事故数据样本自动生成方法 Download PDFInfo
- Publication number
- CN111723997A CN111723997A CN202010595276.4A CN202010595276A CN111723997A CN 111723997 A CN111723997 A CN 111723997A CN 202010595276 A CN202010595276 A CN 202010595276A CN 111723997 A CN111723997 A CN 111723997A
- Authority
- CN
- China
- Prior art keywords
- network
- generating
- data
- max
- generated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000007614 genetic variation Effects 0.000 abstract description 3
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于GAN的城市重大交通事故数据样本自动生成方法,目的是自动生成城市重大交通事故数据样本,从而提供大量数据给深度学习模型进行学习和训练,提高模型对交通事故预测的准确率,从而挽回大量由交通事故带来的损失。本发明中的遗传变异‑对抗生成网络主要由两部分组成,一个是生成网络,另一个是鉴别网络。本发明首次将遗传变异算法用于与生成网络结合来生成假的数据样本,同时对抗生成网络也是第一次用于重大交通事故样本生成。
Description
技术领域
本发明涉及一种基于遗传变异-对抗生成网络的城市重大交通事故数据样本生成方法,属于智能交通应用技术领域。
背景技术
重大交通事故尤其是车祸在全世界都是一个巨大的问题,每年全世界约有130万人死于车辆交通事故,约有5千万人在车辆交通事故中受伤。目前已经有基于大数据的机器学习技术来***交通事故以尽量减少损失。众所周知,深度学习技术需要大量交通事故样本,交通事故数据数量越多,模型的准确率越高。但是由于发生及记录的重大交通事故数量并不多,并涉及到一定的隐私,同时相对负样本而言(即没有发生重大交通事故),正样本(发生的重大交通事故)数量太少,属于不均衡样本,对于模型的训练精度有较大影响,如何增加重大交通事故样本数量提供给模型学习,从而提高重大交通事故预测准确率,成为了一个非常重要的问题。因此,通过人工智能算法,自动生成城市重大交通事故数据样本,有重要价值和意义。
发明内容
本发明的目的是:自动生成城市重大交通事故数据样本,从而提供大量数据给深度学习模型进行学习和训练,提高模型对交通事故预测的准确率,从而挽回大量由交通事故带来的损失。
为了达到上述目的,本发明的技术方案是提供了一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,包括以下步骤:
步骤1、将城市交通事故特征定义为四个维度:天气特性、时间特性、道路特性、车辆类型特性,对真实重大交通事故样本集中每一个事故样本的特征进行独热编码,得到特征向量,作为真实数据样本库X={x1,x2,…,xi,…,xm},xi表示第i个特征向量;
步骤2、生成初始假的数据集Z={z1,z2,…,zi,…,zm},zi表示第i个假的重大交通事故样本的特征向量;
步骤3、建立生成网络和鉴别网络,生成网络和鉴别网络为神经网络,其中:生成网络的输出层神经元与输入层神经元个数相同;鉴别网络的输入层有真实数据和生成网络生成的数据,鉴别网络的输出层有一个神经元,输出结果为一个值;随后初始化生成网络和鉴别网络的参数,生成网络的参数为θd和鉴别网络的参数为θg;
步骤5.鉴别网络的目标函数V表示为:
步骤7、重复步骤4到步骤6直至生成网络和鉴别网络都收敛,获得训练后的对抗生成网络,对抗生成网络训练好以后,即可用来生成重大交通事故数据。
优选地,步骤1中:所述时间特性包括是否为早晚高峰期、是否为通勤日、是否为节假日、一年中的哪一个月份;所述道路特性包括与最近的十字路口距离、道路宽度、道路曲折度。
优选地,步骤2中,生成假的数据集Z时,设置探索率A%,则初始假的数据集Z中A%数据根据遗传算法中的变异算法生成,(100-A)%的数据完全随机生成。
优选地,所述遗传算法中的变异算法包括以下步骤:
步骤2.1、分别统计真实数据样本库X中的四个维度特征的均值、最小值和最大值,得到天气特性特征的均值μ1、最小值min1、最大值max1;时间特性特征的均值μ2、最小值min2、最大值max2;道路特性特征的均值μ3、最小值min3、最大值max3;车辆类型特性特征的均值μ4、最小值min4、最大值max4;
步骤2.2、遗传算法中的变异算法:根据高斯分布规律以及3σ定理,依据步骤2.1得到的四个维度特征的均值、最小值和最大值,获得生成的假的数据集Z中60%数据的均值为μ,方差为(max-min)/3。
优选地,步骤3中,所述生成网络和所述鉴别网络分别为隐含层为5层且每个隐含层含有4个神经元的神经网络。
本发明是一种基于遗传变异-对抗生成网络(GAN)的城市重大交通事故数据样本生成方法,目的是自动生成城市重大交通事故数据样本,从而提供大量数据给深度学习模型进行学习和训练,提高模型对交通事故预测的准确率,从而挽回大量由交通事故带来的损失。该方法将城市交通事故特征定义为四个维度:天气特性、时间特性、道路特性和车辆类型特性,对每一个事故样本的特征进行独热编码(one-hot)后得到一个特征向量(vector)作为真实数据样本库。遗传变异-对抗生成网络主要由两部分组成,一个是生成网络,另一个是鉴别网络,采用遗传变异-生成网络(Generator)生成假的重大交通事故样本,再使用鉴别网络(Discriminator)来给真实数据和生成数据打分,将结果反馈给生成网络(Generator),生成网络(Generator)改进生成的数据后,再使用鉴别网络来评分,这样不断的博弈更新后,会得到一个很好的生成样本。其特征在于首次将遗传变异算法用于与生成网络结合来生成假的数据样本,同时对抗生成网络也是第一次用于重大交通事故样本生成。
附图说明
图1为本发明的流程图;
图2为鉴别网络示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种智能自动生成城市事故数据样本的方法。该方法将城市交通事故特征定义为四个维度:天气特性、时间特性(是否为早晚高峰期、是否为通勤日、是否为节假日、一年中的哪一个月份)、道路特性(与最近的十字路口距离、道路宽度、道路曲折度)、车辆类型特性,对每一个事故样本的特征进行独热编码(one-hot)后得到一个特征向量(vector)作为真实数据样本库。
遗传变异-对抗生成网络主要由两部分组成,一个是生成网络,另一个是对抗网络,采用遗传变异-生成网络(Generator)生成假的重大交通事故样本,再使用鉴别网络(Discriminator)来给真实数据和生成数据打分,将结果反馈给生成网络(Generator),生成网络(Generator)改进生成的数据后,再使用鉴别网络来评分,这样不断的博弈更新后,会得到一个很好的生成样本。
本发明首次将遗传变异算法用于与生成网络结合来生成假的数据样本,同时对抗生成网络也是第一次用于重大交通事故样本自动生成,具体包括以下步骤:
步骤1.将城市交通事故特征定义为四个维度:天气特性、时间特性(是否为早晚高峰期、是否为通勤日、是否为节假日、一年中的哪一个月份)、道路特性(与最近的十字路口距离、道路宽度、道路曲折度)、车辆类型特性。对真实重大交通事故样本集中每一个事故样本的特征进行独热编码(one-hot),得到特征向量,作为真实数据样本库X={x1,x2,…,xi,…,xm},xi表示第i个特征向量。
步骤2.生成初始假的数据集Z={z1,z2,…,zi,…,zm},zi表示第i个假的重大交通事故样本的特征向量:设置探索率(exploration rate),比如等于60%,则初始假的数据集Z中60%数据的生成算法,根据遗传算法中的变异算法生成,40%的数据完全随机生成。
遗传算法中变异算法实现如下:
步骤2.1分别统计真实数据样本库X中的四个维度特征的均值、最小值和最大值,得到天气特性特征的均值μ1、最小值min1、最大值max1;时间特性特征的均值μ2、最小值min2、最大值max2;道路特性特征的均值μ3、最小值min3、最大值max3;车辆类型特性特征的均值μ4、最小值min4、最大值max4;
步骤2.2遗传算法中的变异算法:根据高斯分布规律以及3σ定理,依据步骤2.1得到的四个维度特征的均值、最小值和最大值,获得生成的假的数据集Z中60%数据的均值为μ,方差为(max-min)/3。
步骤3.生成网络和鉴别网络分别为隐含层为5层且每个隐含层含有4个神经元的神经网络。生成网络的输出层神经元与输入层神经元个数相同。鉴别网络的输入层有真实数据和生成网络生成的数据,鉴别网络的输出层有一个神经元,输出结果为一个值,见图2。训练网络即更新生成网络和鉴别网络的权重参数。初始化生成网络和鉴别网络的参数,生成网络的参数为θd和鉴别网络的参数为θg。
步骤5.鉴别网络的目标函数V表示为:
步骤6.从步骤2中生成的假的数据集Z={z1,z2,…,zi,…,zm}中采样n个样本,计算此时生成网络(θg)生成的结果根据生成网络的目标函数通过梯度上升的方法来更新权重参数: 式中,表示参数θg的导数。
步骤7.重复步骤4到步骤6直至生成网络和鉴别网络都收敛,获得训练后的对抗生成网络,对抗生成网络训练好以后,即可用来生成重大交通事故数据。
Claims (5)
1.一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,包括以下步骤:
步骤1、将城市交通事故特征定义为四个维度:天气特性、时间特性、道路特性、车辆类型特性,对真实重大交通事故样本集中每一个事故样本的特征进行独热编码,得到特征向量,作为真实数据样本库X={x1,x2,...,xi,...,xm},xi表示第i个特征向量;
步骤2、生成初始假的数据集Z={z1,z2,...,zi,...,zm},zi表示第i个假的重大交通事故样本的特征向量;
步骤3、建立生成网络和鉴别网络,生成网络和鉴别网络为神经网络,其中:生成网络的输出层神经元与输入层神经元个数相同;鉴别网络的输入层有真实数据和生成网络生成的数据,鉴别网络的输出层有一个神经元,输出结果为一个值;随后初始化生成网络和鉴别网络的参数,生成网络的参数为θd和鉴别网络的参数为θg;
步骤5.鉴别网络的目标函数V表示为:
步骤6、从步骤2中生成的假的数据集Z={z1,z2,...,zi,...,zm}中采样n个样本,计算此时生成网络生成的结果根据生成网络的目标函数通过梯度上升的方法来更新权重参数:式中,表示参数θg的导数;
步骤7、重复步骤4到步骤6直至生成网络和鉴别网络都收敛,获得训练后的对抗生成网络,对抗生成网络训练好以后,即可用来生成重大交通事故数据。
2.如权利要求1所述的一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,步骤1中:所述时间特性包括是否为早晚高峰期、是否为通勤日、是否为节假日、一年中的哪一个月份;所述道路特性包括与最近的十字路口距离、道路宽度、道路曲折度。
3.如权利要求1所述的一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,步骤2中,生成假的数据集Z时,设置探索率A%,则初始假的数据集Z中A%数据根据遗传算法中的变异算法生成,(100-A)%的数据完全随机生成。
4.如权利要求1所述的一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,所述遗传算法中的变异算法包括以下步骤:
步骤2.1、分别统计真实数据样本库X中的四个维度特征的均值、最小值和最大值,得到天气特性特征的均值μ1、最小值min1、最大值max1;时间特性特征的均值μ2、最小值min2、最大值max2;道路特性特征的均值μ3、最小值min3、最大值max3;车辆类型特性特征的均值μ4、最小值min4、最大值max4;
步骤2.2、遗传算法中的变异算法:根据高斯分布规律以及3σ定理,依据步骤2.1得到的四个维度特征的均值、最小值和最大值,获得生成的假的数据集Z中60%数据的均值为μ,方差为(max-min)/3。
5.如权利要求1所述的一种基于GAN的城市重大交通事故数据样本自动生成方法,其特征在于,步骤3中,所述生成网络和所述鉴别网络分别为隐含层为5层且每个隐含层含有4个神经元的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595276.4A CN111723997A (zh) | 2020-06-23 | 2020-06-23 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595276.4A CN111723997A (zh) | 2020-06-23 | 2020-06-23 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723997A true CN111723997A (zh) | 2020-09-29 |
Family
ID=72569191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010595276.4A Pending CN111723997A (zh) | 2020-06-23 | 2020-06-23 | 一种基于gan的城市重大交通事故数据样本自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723997A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
CN113434459A (zh) * | 2021-06-30 | 2021-09-24 | 电子科技大学 | 基于生成对抗网络的片上网络任务映射方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学***安城市车流统计方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
DE102018201290A1 (de) * | 2018-01-29 | 2019-08-01 | Osram Gmbh | Verfahren zum erzeugen einer komprimierten version eines künstlichen neuronalen netzwerks sowie vorrichtung und speichermedium |
US20190273510A1 (en) * | 2018-03-01 | 2019-09-05 | Crowdstrike, Inc. | Classification of source data by neural network processing |
US20190325264A1 (en) * | 2018-04-24 | 2019-10-24 | Here Global B.V. | Machine learning a feature detector using synthetic training data |
CN110458370A (zh) * | 2019-08-19 | 2019-11-15 | 南京航空航天大学 | 一种基于开放数据的城市道路安全预测方法及*** |
CN111079640A (zh) * | 2019-12-09 | 2020-04-28 | 合肥工业大学 | 一种基于自动扩增样本的车型识别方法及*** |
CN111231983A (zh) * | 2020-01-14 | 2020-06-05 | 浙江吉利汽车研究院有限公司 | 基于交通事故记忆网络的车辆控制方法、装置及设备 |
-
2020
- 2020-06-23 CN CN202010595276.4A patent/CN111723997A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN108074244A (zh) * | 2017-09-07 | 2018-05-25 | 汉鼎宇佑互联网股份有限公司 | 一种融合深度学***安城市车流统计方法 |
US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
DE102018201290A1 (de) * | 2018-01-29 | 2019-08-01 | Osram Gmbh | Verfahren zum erzeugen einer komprimierten version eines künstlichen neuronalen netzwerks sowie vorrichtung und speichermedium |
US20190273510A1 (en) * | 2018-03-01 | 2019-09-05 | Crowdstrike, Inc. | Classification of source data by neural network processing |
US20190325264A1 (en) * | 2018-04-24 | 2019-10-24 | Here Global B.V. | Machine learning a feature detector using synthetic training data |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN110458370A (zh) * | 2019-08-19 | 2019-11-15 | 南京航空航天大学 | 一种基于开放数据的城市道路安全预测方法及*** |
CN111079640A (zh) * | 2019-12-09 | 2020-04-28 | 合肥工业大学 | 一种基于自动扩增样本的车型识别方法及*** |
CN111231983A (zh) * | 2020-01-14 | 2020-06-05 | 浙江吉利汽车研究院有限公司 | 基于交通事故记忆网络的车辆控制方法、装置及设备 |
Non-Patent Citations (4)
Title |
---|
杨昌东;余烨;徐珑刀;付源梓;路强;: "基于AT-PGGAN的增强数据车辆型号精细识别", 中国图象图形学报, no. 03, 16 March 2020 (2020-03-16), pages 179 - 190 * |
殷洪峰;周伟健;: "深度学习在江苏省高速公路交通事故预测中的应用", 中国交通信息化, no. 02, 15 February 2020 (2020-02-15), pages 131 - 135 * |
熊晓夏;陈龙;梁军;陈月霞;: "基于贝叶斯网络模型的道路交通事故链生成与演化研究", 公路交通科技, no. 05, 15 May 2018 (2018-05-15), pages 103 - 111 * |
郭清杨;: "基于生成对抗网络的对抗样本生成", 现代计算机, no. 07, 5 March 2020 (2020-03-05), pages 25 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529114A (zh) * | 2021-01-13 | 2021-03-19 | 北京云真信科技有限公司 | 基于gan的目标信息识别方法、电子设备和介质 |
CN113434459A (zh) * | 2021-06-30 | 2021-09-24 | 电子科技大学 | 基于生成对抗网络的片上网络任务映射方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781838B (zh) | 一种复杂场景下行人的多模态轨迹预测方法 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN110097755A (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN102779510B (zh) | 基于特征空间自适应投影的语音情感识别方法 | |
CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN110555476B (zh) | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及*** | |
CN111723997A (zh) | 一种基于gan的城市重大交通事故数据样本自动生成方法 | |
CN109214460A (zh) | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 | |
CN112732905B (zh) | 一种基于知识图谱的交通事故分析与防控方法及*** | |
CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
CN110309771A (zh) | 一种基于gbdt-insgaii的eas声磁***标签识别算法 | |
CN113887643A (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN113673749A (zh) | 车辆行人地图轨迹预测方法及装置 | |
CN111907523A (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN115270506A (zh) | 一种人群沿楼梯上行的通行时间预测方法及*** | |
CN112116125A (zh) | 一种基于深度强化学习的电动汽车充电导航方法 | |
CN114912719A (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
CN112749508A (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN115796017A (zh) | 一种基于模糊理论的可解释交通认知方法 | |
CN111028512B (zh) | 一种基于稀疏bp神经网络的实时交通预测方法及装置 | |
CN113851149A (zh) | 一种基于对抗迁移和Frobenius范数的跨库语音情感识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |