CN112837577A - 一种加油站车流分析方法及*** - Google Patents

一种加油站车流分析方法及*** Download PDF

Info

Publication number
CN112837577A
CN112837577A CN202110034947.4A CN202110034947A CN112837577A CN 112837577 A CN112837577 A CN 112837577A CN 202110034947 A CN202110034947 A CN 202110034947A CN 112837577 A CN112837577 A CN 112837577A
Authority
CN
China
Prior art keywords
refueling
congestion
time model
refueling time
congestion 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.)
Pending
Application number
CN202110034947.4A
Other languages
English (en)
Inventor
关超华
周斯加
陈志军
杨承儒
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.)
Shangshan Zhicheng Suzhou Information Technology Co ltd
Original Assignee
Shangshan Zhicheng Suzhou Information Technology 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 Shangshan Zhicheng Suzhou Information Technology Co ltd filed Critical Shangshan Zhicheng Suzhou Information Technology Co ltd
Priority to CN202110034947.4A priority Critical patent/CN112837577A/zh
Publication of CN112837577A publication Critical patent/CN112837577A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
    • B67D—DISPENSING, DELIVERING OR TRANSFERRING LIQUIDS, NOT OTHERWISE PROVIDED FOR
    • B67D7/00—Apparatus or devices for transferring liquids from bulk storage containers or reservoirs into vehicles or into portable containers, e.g. for retail sale purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种加油站车流分析方法及***，包括在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，天气情况为晴天、雨天、阴天及下雪天之其中一种；拥堵时段为上午、中午、下午及晚上之其中一个；基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。实施本发明，能评估出加油站的拥堵情况和排队时间，提升用户体验。

Description

一种加油站车流分析方法及***
技术领域
本发明涉及加油站车辆拥堵分析技术领域，尤其涉及一种加油站车流分析方法及***。
背景技术
近些年来，随着家用车辆数量的不断增加，使得加油站常出现车辆排长队加油的问题，尤其是假日情况下的高速加油站。
目前，尽管出现一些技术(如ETC卡支付油费)在一定程度上加快排队速度，用以缓解加油排长队的压力，但无法给客户一个精准的排队时间，让客户选择是否接受。因此，有必要对加油站车流进行分析，评估出加油站的拥堵情况和排队时间，从而提升用户体验。
发明内容
本发明实施例所要解决的技术问题在于，提供一种加油站车流分析方法及***，能评估出加油站的拥堵情况和排队时间，提升用户体验。
为了解决上述技术问题，本发明实施例提供了一种加油站车流分析方法，所述方法包括以下步骤：
S1、在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
S2、基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
其中，所述步骤S1中，所确定的加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的。
其中，所述步骤S1中，所确定的天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
其中，所述加油时间模型组有十六个加油时间模型，包括：
晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型。
其中，所述加油时间模型组中每一加油时间模型均基于神经网络构建出来的，并通过加油站在每一天气情况下各拥堵时段的历史车辆排队总时间生成训练样本及测试样本进行训练和测试。
其中，对每一加油时间模型进行训练均执行以下步骤，具体包括：
获取相应天气情况下相应拥堵时段的历史数据，包括多天的车辆排队总时间及车辆总数；
根据所获取的多天的车辆排队总时间及车辆总数，计算出每天车辆的平均排队时间，且进一步将所计算出每天车辆的平均排队时间生成训练样本及测试样本；
基于神经网络，构建相应的加油时间模型，并采用训练样本及测试样本对所构建的加油时间模型进行训练及测试，直至训练误差满足预定的均分误差为止，得到相应训练好的加油时间模型。
本发明实施例还提供了一种加油站车流分析***，包括：
拥堵数据获取单元，用于在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
排队总时间计算单元，用于基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
其中，所确定的加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的。
其中，所确定的天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
其中，所述加油时间模型组有十六个加油时间模型，包括：
晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型。
实施本发明实施例，具有如下有益效果：
本发明在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段，用以选择相应的一加油时间模型进行计算，得到加油车辆排队总时间。从而能评估出加油站的拥堵情况(如天气情况和拥堵时段)和排队时间(如加油车辆排队总时间)，提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的加油站车流分析方法的流程图；
图2为本发明实施例提供的加油站车流分析***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种加油站车流分析方法，该方法用于基于物联网技术与密度传感器及压力感应器互联的计算机设备上，具体包括以下步骤：
步骤S1、在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
步骤S2、基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
具体过程为，发明人发现，加油站出现加油车辆拥堵时的天气情况包括但不限于晴天、雨天、阴天及下雪天，且相应的拥堵时段包括但不限于上午、中午、下午及晚上，因此在评估加油车辆排队总时间时，也应区别不同天气情况下不同拥堵时段。应当说明的是，加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的，天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
因此，在步骤S1之前，需要根据上述不同天气情况下不同拥堵时段，预先构建相应的加油时间模型并对其进行训练及测试，以便能够根据实际情况来评估加油车辆排队总时间。因此，有十六个加油时间模型形成加油时间模型组，具体包括：
(1)晴天组：晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
(2)雨天组：雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
(3)阴天组：阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
(4)下雪天组：下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型
此时，上述所有的加油时间模型均基于神经网络构建出来的，并通过加油站在每一天气情况下各拥堵时段的历史车辆排队总时间生成训练样本及测试样本进行训练和测试，具体执行以下步骤，具体包括：
获取相应天气情况下相应拥堵时段的历史数据，包括多天的车辆排队总时间及车辆总数；
根据所获取的多天的车辆排队总时间及车辆总数，计算出每天车辆的平均排队时间，且进一步将所计算出每天车辆的平均排队时间生成训练样本及测试样本；
基于神经网络，构建相应的加油时间模型，并采用训练样本及测试样本对所构建的加油时间模型进行训练及测试，直至训练误差满足预定的均分误差为止，得到相应训练好的加油时间模型。
在一个实施例中，以晴天上午为例来对晴天上午拥堵时段的加油时间模型进行说明，具体如下：
获取晴天上午拥堵时段的历史数据，包括20个晴天上午拥堵时段的车辆排队总时间及车辆总数；应当说明的是，历史数据是从目标视频中提取出来的；
求解出上述20天车辆的平均排队时间，记为
Figure BDA0002893840530000051
并将
Figure BDA0002893840530000061
作为训练样本，将
Figure BDA0002893840530000062
作为测试样本；
基于神经网络，构建晴天上午拥堵时段的加油时间模型，将训练样本导入该加油时间模型进行训练，并用测试样本对该加油时间模型进行测试，直至训练误差满足预定的均分误差
Figure BDA0002893840530000063
为止，得到训练好的晴天上午拥堵时段的加油时间模型；其中，
Figure BDA0002893840530000064
在步骤S1中，在检测到加油站出现加油车辆拥堵时，需要获取待分析的相关数据，包括加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段。
在步骤S2中，根据待分析的相关数据中的天气情况及拥堵时段，在上述十六个预先训练好的加油时间模型中选择相应的一加油时间模型，并将待分析的相关数据中的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
如图2所示，为本发明实施例中，提供的一种加油站车流分析***，包括：
拥堵数据获取单元110，用于在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
排队总时间计算单元120，用于基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
其中，所确定的加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的。
其中，所确定的天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
其中，所述加油时间模型组有十六个加油时间模型，包括：
晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型。
实施本发明实施例，具有如下有益效果：
本发明在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段，用以选择相应的一加油时间模型进行计算，得到加油车辆排队总时间。从而能评估出加油站的拥堵情况(如天气情况和拥堵时段)和排队时间(如加油车辆排队总时间)，提升用户体验。
值得注意的是，上述***实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种加油站车流分析方法，其特征在于，所述方法包括以下步骤：
S1、在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
S2、基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
2.如权利要求1所述的加油站车流分析方法，其特征在于，所述步骤S1中，所确定的加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的。
3.如权利要求1所述的加油站车流分析方法，其特征在于，所述步骤S1中，所确定的天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
4.如权利要求1所述的加油站车流分析方法，其特征在于，所述加油时间模型组有十六个加油时间模型，包括：
晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型。
5.如权利要求4所述的加油站车流分析方法，其特征在于，所述加油时间模型组中每一加油时间模型均基于神经网络构建出来的，并通过加油站在每一天气情况下各拥堵时段的历史车辆排队总时间生成训练样本及测试样本进行训练和测试。
6.如权利要求5所述的加油站车流分析方法，其特征在于，对每一加油时间模型进行训练均执行以下步骤，具体包括：
获取相应天气情况下相应拥堵时段的历史数据，包括多天的车辆排队总时间及车辆总数；
根据所获取的多天的车辆排队总时间及车辆总数，计算出每天车辆的平均排队时间，且进一步将所计算出每天车辆的平均排队时间生成训练样本及测试样本；
基于神经网络，构建相应的加油时间模型，并采用训练样本及测试样本对所构建的加油时间模型进行训练及测试，直至训练误差满足预定的均分误差为止，得到相应训练好的加油时间模型。
7.一种加油站车流分析***，其特征在于，包括：
拥堵数据获取单元，用于在检测到加油站出现加油车辆拥堵时，确定加油车辆拥堵时的加油车辆总数，以及对应的天气情况和拥堵时段；其中，所述天气情况为晴天、雨天、阴天及下雪天之其中一种；所述拥堵时段为上午、中午、下午及晚上之其中一个；
排队总时间计算单元，用于基于所确定的天气情况及拥堵时段，在预先训练好的加油时间模型组中选择相应的一加油时间模型，并将所确定的加油车辆总数导入所选的加油时间模型中计算，得到加油车辆排队总时间。
8.如权利要求7所述的加油站车流分析***，其特征在于，所确定的加油车辆总数是从摄像头所拍摄的车辆视频中提取出来的。
9.如权利要求7所述的加油站车流分析***，其特征在于，所确定的天气情况及拥堵时段是从计算机预设的天气软件中提取出来的。
10.如权利要求7所述的加油站车流分析***，其特征在于，所述加油时间模型组有十六个加油时间模型，包括：
晴天上午拥堵时段的加油时间模型、晴天中午拥堵时段的加油时间模型、晴天下午拥堵时段的加油时间模型、晴天晚上拥堵时段的加油时间模型；
雨天上午拥堵时段的加油时间模型、雨天中午拥堵时段的加油时间模型、雨天下午拥堵时段的加油时间模型、雨天晚上拥堵时段的加油时间模型；
阴天上午拥堵时段的加油时间模型、阴天中午拥堵时段的加油时间模型、阴天下午拥堵时段的加油时间模型、阴天晚上拥堵时段的加油时间模型；
下雪天上午拥堵时段的加油时间模型、下雪天中午拥堵时段的加油时间模型、下雪天下午拥堵时段的加油时间模型、下雪天晚上拥堵时段的加油时间模型。
CN202110034947.4A 2021-01-12 2021-01-12 一种加油站车流分析方法及*** Pending CN112837577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110034947.4A CN112837577A (zh) 2021-01-12 2021-01-12 一种加油站车流分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110034947.4A CN112837577A (zh) 2021-01-12 2021-01-12 一种加油站车流分析方法及***

Publications (1)

Publication Number Publication Date
CN112837577A true CN112837577A (zh) 2021-05-25

Family

ID=75927836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110034947.4A Pending CN112837577A (zh) 2021-01-12 2021-01-12 一种加油站车流分析方法及***

Country Status (1)

Country Link
CN (1) CN112837577A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038206A (zh) * 2021-11-03 2022-02-11 武汉紫阑信息技术有限公司 一种车辆服务显示方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104697540A (zh) * 2013-12-10 2015-06-10 大陆汽车投资（上海）有限公司 提供加油站信息的方法和信息处理装置及车载导航***
CN108154261A (zh) * 2017-12-18 2018-06-12 北京中交兴路信息科技有限公司 一种最优加油站的推荐方法及装置
WO2019063672A2 (de) * 2017-09-27 2019-04-04 Continental Automotive Gmbh Persönlicher intelligenter tankassistent
CN110324368A (zh) * 2018-03-29 2019-10-11 上海博泰悦臻网络技术服务有限公司 一种基于天气的预测路况的共享方法及其***
CN111814526A (zh) * 2019-10-08 2020-10-23 北京嘀嘀无限科技发展有限公司 加油站拥堵评估方法、服务器、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104697540A (zh) * 2013-12-10 2015-06-10 大陆汽车投资（上海）有限公司 提供加油站信息的方法和信息处理装置及车载导航***
WO2019063672A2 (de) * 2017-09-27 2019-04-04 Continental Automotive Gmbh Persönlicher intelligenter tankassistent
CN108154261A (zh) * 2017-12-18 2018-06-12 北京中交兴路信息科技有限公司 一种最优加油站的推荐方法及装置
CN110324368A (zh) * 2018-03-29 2019-10-11 上海博泰悦臻网络技术服务有限公司 一种基于天气的预测路况的共享方法及其***
CN111814526A (zh) * 2019-10-08 2020-10-23 北京嘀嘀无限科技发展有限公司 加油站拥堵评估方法、服务器、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038206A (zh) * 2021-11-03 2022-02-11 武汉紫阑信息技术有限公司 一种车辆服务显示方法及装置

Similar Documents

Publication Publication Date Title
WO2022142042A1 (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN109034036A (zh) 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质
CN106529081A (zh) 一种基于神经网络的pm2.5实时等级预测方法和***
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN108556682B (zh) 一种续驶里程预测方法、装置及设备
CN106650157B (zh) 车辆零部件故障发生概率估算方法、装置及***
CN110969142B (zh) 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法
CN111796957B (zh) 基于应用日志的交易异常根因分析方法及***
CN105046959B (zh) 基于双窗口滑动匹配机制的城市道路行程时间提取方法
CN117173913B (zh) 基于不同时段车流量分析的交通控制方法及***
CN111210537A (zh) 一种油耗分析方法、装置、设备和存储介质
CN115100819B (zh) 基于大数据分析的滑坡灾害预警方法、装置及电子设备
CN112837577A (zh) 一种加油站车流分析方法及***
CN111564036A (zh) 交通信息可信度的检测方法、装置、***及存储介质
CN111400428A (zh) 一种知识图谱体系搭建方法
CN111177500A (zh) 数据对象分类方法、装置、计算机设备和存储介质
CN110807493A (zh) 一种车辆分类模型的优化方法及设备
CN112132088B (zh) 一种巡检点位漏巡识别方法
CN113179195A (zh) 一种can报文埋点检测方法、***、装置及计算机可读存储介质
CN109583632B (zh) 基于网联数据的电动汽车充电行为预测方法
CN117033891A (zh) 基于单车交通事故数据库的交通事故严重程度评估方法
CN108268678A (zh) 驾驶行为分析方法、装置及***
CN111832599A (zh) 一种基于机器学习随机森林的加油站预测方法
CN114136342B (zh) 里程篡改判断方法及***
Haryono et al. Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210525

RJ01 Rejection of invention patent application after publication