CN112365705B - 确定道路交通量的方法 - Google Patents

确定道路交通量的方法 Download PDF

Info

Publication number
CN112365705B
CN112365705B CN202010876092.5A CN202010876092A CN112365705B CN 112365705 B CN112365705 B CN 112365705B CN 202010876092 A CN202010876092 A CN 202010876092A CN 112365705 B CN112365705 B CN 112365705B
Authority
CN
China
Prior art keywords
neural network
output
wavelet
wavelet neural
time period
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.)
Active
Application number
CN202010876092.5A
Other languages
English (en)
Other versions
CN112365705A (zh
Inventor
韩直
徐冲聪
朱湧
俞山川
李加玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Original Assignee
China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Merchants Chongqing Communications Research and Design Institute Co Ltd filed Critical China Merchants Chongqing Communications Research and Design Institute Co Ltd
Priority to CN202010876092.5A priority Critical patent/CN112365705B/zh
Publication of CN112365705A publication Critical patent/CN112365705A/zh
Application granted granted Critical
Publication of CN112365705B publication Critical patent/CN112365705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供的一种确定道路交通量的方法，包括以下步骤：S1.采集目标道路的历史交通信息；S2.将历史交通信息构成学***均车速信息计算目标道路在预测时段的交通流量；通过上述方法，能够对目标道路的历史数据准确预测出当前时段的交通量信息，从而为交通管控和交通诱导提供准确的数据支持，而且，能够有效确保数据的准确性，能够满足时间跨度和监控范围广的需求。

Description

确定道路交通量的方法
技术领域
本发明涉及交通领域，尤其涉及一种确定道路交通量的方法。
背景技术
现有技术中，对于道路交通量的获取主要有以下两种方式：一种采用人工统计的方式，其主要针对于短时、阶段性和非连续性的交通量数据获取，但是对于时间跨度较大的交通量的采集，这种方式则无法实现，而且其准确性低。另一种是通过在道路设置传感器、摄像机等设备进行采集，其通过这些数据设备直接或者间接获取交通量数据，但是这种方式存在成本高昂且准确性低，而且也是无法满足时间跨度大、监控范围广的需求。
因此，为了解决上述技术问题，亟需提出一种新的技术手段加以解决。
发明内容
有鉴于此，本发明的目的是提供一种确定道路交通量的方法，能够对目标道路的历史数据准确预测出当前时段的交通量信息，从而为交通管控和交通诱导提供准确的数据支持，而且，能够有效确保数据的准确性，能够满足时间跨度和监控范围广的需求。
本发明提供的一种确定道路交通量的方法，包括以下步骤：
包括以下步骤：
S1.采集目标道路的历史交通信息；
S2.将历史交通信息构成学习数据集，并将学习数据集划分为多个学习数据子集；
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练,并得到预测时段的交通信息；
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量。
进一步，步骤S1中，采集的目标道路的历史交通信息包括目标道路的平均通行速度
Figure BDA0002652680330000021
平均车长
Figure BDA0002652680330000022
以及车辆制动平均反应时间
Figure BDA0002652680330000023
将所采集的交通信息构建成数据集G，其中：
Figure BDA0002652680330000024
进一步，步骤S2具体包括：
计算车辆制动平均反应间隔
Figure BDA0002652680330000025
Figure BDA0002652680330000026
构建学习数据集D：
Figure BDA0002652680330000027
将学习数据集按照x个时间间隔进行划分，形成多个学习数据子集S。
进一步，步骤S3中具体包括：
S31.构建小波神经网络，包括输入层、隐藏层以及输出层；
其中，隐藏层节点的输出公式为：
Figure BDA0002652680330000028
h(i)＝cos[1.75·h(j)]e-h(j)/2；
其中，h(j)为隐藏层第j个节点输出值；p为隐藏层节点数；ωij为输入层和隐藏层的连接权值；bj为小波基函数y的平移因子；aj为小波基函数y的伸缩因子；y为小波基函数；
输出层的输出公式为：
Figure BDA0002652680330000031
其中，ωik为隐藏层到输出层连接权值；h(i)为隐藏层第i个节点输出值；m为输出层节点数；
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk，并设置网络学习速率η；
S33.将学习数据自己S分为两组，包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本；
S34.将训练样本输入到小波神经网络中，并计算网络的期望输出，并且计算网络的实际输出与期望输出的误差w；
S35.根据误差w修正小波神经网络的参数，使得期望输出与实际输出一致；
S36.判断是否达到迭代次数，如是，则结束，如否，则返回步骤S33。
进一步，步骤S35中，根据如下方法进行小波神经网络的参数修正：
误差w根据如下公式计算：
Figure BDA0002652680330000032
其中，yn(k)为期望输出，y(k)为神经网络实际输出；
小波神经网络的权值以及小波基函数系数根据如下公式进行修正：
Figure BDA0002652680330000033
Figure BDA0002652680330000034
Figure BDA0002652680330000035
其中：
Figure BDA0002652680330000041
Figure BDA0002652680330000042
Figure BDA0002652680330000043
其中，
Figure BDA0002652680330000044
为第i次误差更新中小波基函数的平移因子；
Figure BDA0002652680330000045
为第i次误差更新中小波基函数的平移因子；
Figure BDA0002652680330000046
为第i次误差更新中输入层和隐含层的权值；
Figure BDA0002652680330000047
为第i+1次误差更新中小波基函数的平移因子；
Figure BDA0002652680330000048
为第i+1次误差更新中小波基函数的平移因子；
Figure BDA0002652680330000049
为第i+1次误差更新中输入层和隐含层的权值，η为学习速率。
进一步，步骤S4中，根据如下方法确定交通量Q：
Figure BDA00026526803300000410
其中，
Figure BDA00026526803300000411
为小波神经网络输出的当前时段预测车辆制动平均反应时间，
Figure BDA00026526803300000412
为小波神经网络输出的当前时段预测的车辆制动平均反应间隔，
Figure BDA00026526803300000413
为小波神经网络输出的当前时段预测的平均车长，v为当前时段的平均车速。
本发明的有益效果：通过本发明，能够对目标道路的历史数据准确预测出当前时段的交通量信息，从而为交通管控和交通诱导提供准确的数据支持，而且，能够有效确保数据的准确性，能够满足时间跨度和监控范围广的需求。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
图2为小波神经网络示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明：
本发明提供的一种确定道路交通量的方法，包括以下步骤：
包括以下步骤：
S1.采集目标道路的历史交通信息；
S2.将历史交通信息构成学习数据集，并将学习数据集划分为多个学习数据子集；
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练,并得到预测时段的交通信息；
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量；通过上述方法，能够对目标道路的历史数据准确预测出当前时段的交通量信息，从而为交通管控和交通诱导提供准确的数据支持，而且，能够有效确保数据的准确性，能够满足时间跨度和监控范围广的需求。
本实施例中，步骤S1中，采集的目标道路的历史交通信息包括目标道路的平均通行速度
Figure BDA0002652680330000051
平均车长
Figure BDA0002652680330000052
以及车辆制动平均反应时间
Figure BDA0002652680330000053
将所采集的交通信息构建成数据集G，其中：
Figure BDA0002652680330000054
步骤S2具体包括：
将计算车辆制动平均反应间隔
Figure BDA0002652680330000055
Figure BDA0002652680330000056
构建学习数据集D：
Figure BDA0002652680330000057
将学习数据集按照x个时间间隔进行划分，形成多个学习数据子集S，通过上述方法，利于后续做出准确的计算。
本实施例中，步骤S3中具体包括：
S31.构建小波神经网络，包括输入层、隐藏层以及输出层；
其中，隐藏层节点的输出公式为：
Figure BDA0002652680330000061
h(i)＝cos[1.75·h(j)]e-h(j)/2；
其中，h(j)为隐藏层第j个节点输出值；p为隐藏层节点数；ωij为输入层和隐藏层的连接权值；bj为小波基函数y的平移因子；aj为小波基函数y的伸缩因子；y为小波基函数；
输出层的输出公式为：
Figure BDA0002652680330000062
其中，ωik为隐藏层到输出层连接权值；h(i)为隐藏层第i个节点输出值；m为输出层节点数；
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk，并设置网络学习速率η；
S33.将学习数据自己S分为两组，包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本；
S34.将训练样本输入到小波神经网络中，并计算网络的期望输出，并且计算网络的实际输出与期望输出的误差w；
S35.根据误差w修正小波神经网络的参数，使得期望输出与实际输出一致；
S36.判断是否达到迭代次数，如是，则结束，如否，则返回步骤S33；也就是说，当达到迭代次数后，小波神经网络输出的交通信息就为预测的当前时段的交通信息，包括小波神经网络输出的车辆制动平均反应时间、小波神经网络输出的车辆制动平均反应间隔、小波神经网络输出的平均车长。
本实施例中，步骤S35中，根据如下方法进行小波神经网络的参数修正：
误差w根据如下公式计算：
Figure BDA0002652680330000071
其中，yn(k)为期望输出，y(k)为神经网络实际输出；
小波神经网络的权值以及小波基函数系数根据如下公式进行修正：
Figure BDA0002652680330000072
Figure BDA0002652680330000073
Figure BDA0002652680330000074
其中：
Figure BDA0002652680330000075
Figure BDA0002652680330000076
Figure BDA0002652680330000077
其中，
Figure BDA0002652680330000078
为第i次误差更新中小波基函数的平移因子；
Figure BDA0002652680330000079
为第i次误差更新中小波基函数的平移因子；
Figure BDA00026526803300000710
为第i次误差更新中输入层和隐含层的权值；
Figure BDA00026526803300000711
为第i+1次误差更新中小波基函数的平移因子；
Figure BDA00026526803300000712
为第i+1次误差更新中小波基函数的平移因子；
Figure BDA00026526803300000713
为第i+1次误差更新中输入层和隐含层的权值，η为学习速率。
本实施例中，步骤S4中，根据如下方法确定交通量Q：
Figure BDA0002652680330000081
其中，
Figure BDA0002652680330000082
为小波神经网络输出的当前时段预测车辆制动平均反应时间，
Figure BDA0002652680330000083
为小波神经网络输出的当前时段预测的车辆制动平均反应间隔，
Figure BDA0002652680330000084
为小波神经网络输出的当前时段预测的平均车长，v为当前时段的平均车速，v为当前时段实时采集的平均车速。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种确定道路交通量的方法，其特征在于：包括以下步骤：
S1.采集目标道路的历史交通信息；
S2.将历史交通信息构成学习数据集，并将学习数据集划分为多个学习数据子集；
S3.将数据子集输入到小波神经网络中对小波神经网络进行训练，并得到预测时段的交通信息；
S4.根据小波神经网络输出的预测时段的交通信息以及预测时段实时采集的平均车速信息计算目标道路在预测时段的交通流量；
步骤S1中，采集的目标道路的历史交通信息包括目标道路的平均通行速度
Figure FDA0003592667440000011
平均车长
Figure FDA0003592667440000012
以及车辆制动平均反应时间
Figure FDA0003592667440000013
将所采集的交通信息构建成数据集G，其中：
Figure DEST_PATH_IMAGE002
；
步骤S2具体包括：
计算车辆制动平均反应间隔
Figure FDA0003592667440000015
Figure FDA0003592667440000016
构建学习数据集D：
Figure FDA0003592667440000017
将学习数据集按照x个时间间隔进行划分，形成多个学习数据子集S；
步骤S4中，根据如下方法确定交通量Q：
Figure FDA0003592667440000018
其中，
Figure FDA0003592667440000019
为小波神经网络输出的当前时段预测车辆制动平均反应时间，
Figure FDA00035926674400000110
为小波神经网络输出的当前时段预测的车辆制动平均反应间隔，
Figure FDA0003592667440000021
为小波神经网络输出的当前时段预测的平均车长，v为当前时段的平均车速；
步骤S3中具体包括：
S31.构建小波神经网络，包括输入层、隐藏层以及输出层；
其中，隐藏层节点的输出公式为：
Figure FDA0003592667440000022
h(i)＝cos[1.75·h(j)]e-h(j)/2；
其中，h(j)为隐藏层第j个节点输出值；p为隐藏层节点数；ωij为输入层和隐藏层的连接权值；bj为小波基函数y的平移因子；aj为小波基函数y的伸缩因子；y为小波基函数；
输出层的输出公式为：
Figure FDA0003592667440000023
其中，ωik为隐藏层到输出层连接权值；h(i)为隐藏层第i个节点输出值；m为输出层节点数；
S32.初始化小波函数的伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk，并设置网络学习速率η；
S33.将学习数据自己S分为两组，包括用于训练小波神经网络的训练样本和用于对小波神经网络的输出精度进行测试的测试样本；
S34.将训练样本输入到小波神经网络中，并计算网络的期望输出，并且计算网络的实际输出与期望输出的误差w；
S35.根据误差w修正小波神经网络的参数，使得期望输出与实际输出一致；
S36.判断是否达到迭代次数，如是，则结束，如否，则返回步骤S33。
2.根据权利要求1所述确定道路交通量的方法，其特征在于：步骤S35中，根据如下方法进行小波神经网络的参数修正：
误差w根据如下公式计算：
Figure FDA0003592667440000031
其中，yn(k)为期望输出，y(k)为神经网络实际输出；
小波神经网络的权值以及小波基函数系数根据如下公式进行修正：
Figure FDA0003592667440000032
Figure FDA0003592667440000033
Figure FDA0003592667440000034
其中：
Figure FDA0003592667440000035
Figure FDA0003592667440000036
Figure FDA0003592667440000037
其中，
Figure FDA0003592667440000038
为第i次误差更新中小波基函数的平移因子；
Figure FDA0003592667440000039
为第i次误差更新中小波基函数的平移因子；
Figure FDA00035926674400000310
为第i次误差更新中输入层和隐含层的权值；
Figure FDA00035926674400000311
为第i+1次误差更新中小波基函数的平移因子；
Figure FDA00035926674400000312
为第i+1次误差更新中小波基函数的平移因子；
Figure FDA00035926674400000313
为第i+1次误差更新中输入层和隐含层的权值，η为学习速率。
CN202010876092.5A 2020-08-27 2020-08-27 确定道路交通量的方法 Active CN112365705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010876092.5A CN112365705B (zh) 2020-08-27 2020-08-27 确定道路交通量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010876092.5A CN112365705B (zh) 2020-08-27 2020-08-27 确定道路交通量的方法

Publications (2)

Publication Number Publication Date
CN112365705A CN112365705A (zh) 2021-02-12
CN112365705B true CN112365705B (zh) 2022-05-27

Family

ID=74516709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010876092.5A Active CN112365705B (zh) 2020-08-27 2020-08-27 确定道路交通量的方法

Country Status (1)

Country Link
CN (1) CN112365705B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682345A (zh) * 2012-01-11 2012-09-19 河南科技大学 基于双最优学习率快速学习神经网络的交通流预测方法
CN105513350A (zh) * 2015-11-30 2016-04-20 华南理工大学 基于时空特性的分时段多参数短时交通流预测方法
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制***及控制方法
CN107085942A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种基于狼群算法的交通流预测方法、装置及***
CN107085941A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种交通流预测方法、装置及***
CN109067427A (zh) * 2018-08-16 2018-12-21 北京科技大学 一种基于优化型小波神经网络的跳频序列预测方法
CN109147332A (zh) * 2018-10-16 2019-01-04 林夏珊 一种研究微观交通流的时空分析法
CN109492792A (zh) * 2018-09-28 2019-03-19 昆明理工大学 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法
CN110007235A (zh) * 2019-03-24 2019-07-12 天津大学青岛海洋技术研究院 一种电动汽车蓄电池soc在线预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7421321B2 (en) * 1995-06-07 2008-09-02 Automotive Technologies International, Inc. System for obtaining vehicular information
KR100331167B1 (ko) * 2000-03-28 2002-04-01 장태수 웨이블렛을 이용한 교차로에서의 차량 대기길이 측정 방법
CN107095670A (zh) * 2017-05-27 2017-08-29 西南交通大学 驾驶员反应时间预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682345A (zh) * 2012-01-11 2012-09-19 河南科技大学 基于双最优学习率快速学习神经网络的交通流预测方法
CN105513350A (zh) * 2015-11-30 2016-04-20 华南理工大学 基于时空特性的分时段多参数短时交通流预测方法
CN105844927A (zh) * 2016-04-06 2016-08-10 深圳榕亨实业集团有限公司 新型感知与控制的道路交叉口群信号控制***及控制方法
CN107085942A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种基于狼群算法的交通流预测方法、装置及***
CN107085941A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种交通流预测方法、装置及***
CN109067427A (zh) * 2018-08-16 2018-12-21 北京科技大学 一种基于优化型小波神经网络的跳频序列预测方法
CN109492792A (zh) * 2018-09-28 2019-03-19 昆明理工大学 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法
CN109147332A (zh) * 2018-10-16 2019-01-04 林夏珊 一种研究微观交通流的时空分析法
CN110007235A (zh) * 2019-03-24 2019-07-12 天津大学青岛海洋技术研究院 一种电动汽车蓄电池soc在线预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于短时交通流预测的广域动态;韩直;《交通运输***工程与信息》;20200228;全文 *

Also Published As

Publication number Publication date
CN112365705A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN107066682B (zh) 用于预测道路网内道路摩擦力的设备和方法
Mba et al. Application of artificial neural network for predicting hourly indoor air temperature and relative humidity in modern building in humid region
CN112242060B (zh) 交通流量预测方法及装置、计算机设备及可读存储介质
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN104200687B (zh) 一种驾驶员速度控制行为监测装置及监测方法
CN109615860B (zh) 一种基于非参数贝叶斯框架的信号交叉口状态估计方法
CN109188026B (zh) 适用于mems加速度计的自动标定的深度学习方法
Nåvik et al. Variation in predicting pantograph–catenary interaction contact forces, numerical simulations and field measurements
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及***
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN111951553A (zh) 一种基于交通大数据平台与中观仿真模型的预测方法
CN105844038B (zh) 一种高速公路多类型交通检测器组合优化布设方法
CN111190211B (zh) 一种gps失效位置预测定位方法
CN110533239B (zh) 一种智慧城市空气品质高精度测量方法
CN105824987A (zh) 一种基于遗传算法的风场特征统计分布模型建立方法
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能***
CN113744888B (zh) 区域流行病趋势预测预警方法及***
CN113640712B (zh) 一种舰船垂向感应磁场垂向分量的预测方法
CN114492984A (zh) 粉尘浓度的时空分布预测方法、装置、设备和存储介质
CN112365705B (zh) 确定道路交通量的方法
CN101782473A (zh) 有支座沉降时基于角度监测的索***的递进式健康监测方法
CN112100721A (zh) 基于移动群智感知和深度学习的桥梁结构模态识别方法
KR102480382B1 (ko) 인공지능 기반 풍하중 산정 시스템
CN113053106B (zh) 基于多传感器信息融合的交通状态估计方法和装置
CN113868223A (zh) 水质监测方法、装置、***和可读存储介质

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
GR01 Patent grant
GR01 Patent grant