CN113256014A - 一种5g通信工程智能检测*** - Google Patents
一种5g通信工程智能检测*** Download PDFInfo
- Publication number
- CN113256014A CN113256014A CN202110617206.9A CN202110617206A CN113256014A CN 113256014 A CN113256014 A CN 113256014A CN 202110617206 A CN202110617206 A CN 202110617206A CN 113256014 A CN113256014 A CN 113256014A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- data information
- module
- prediction
- information
- 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.)
- Granted
Links
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种5G通信工程智能检测***,***主要包括存储模块、中心控制模块、应急处理模块、数据采集模块、预处理模块、检测分析模块,数据采集模块采集高速公路上的安全数据信息,预处理模块对安全数据信息进行分析处理得到预处理数据,并将预处理数据发送至检测分析模块,检测分析模块利用逻辑回归算法分别对第一类数据信息和第二类数据信息进行安全预测得到第一预测结果和第二预测结果,并将预测结果发送至中心控制模块,中心控制模块首先是对第一预测结果和第二预测结果进行判断得到最终预测结果,再对最终预测结果进行判断,提高了高速运行过程中安全预测的准确性,提高了检测的速度,从而降低了事故的发生。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种5G通信工程智能检测***。
背景技术
随着5G通信技术的不断发展,在交通技术领域也得到了广泛的应用,特别是高速公路的安全运行监测,现有技术中通过信息的采集、传输、处理来预防和处理高速公路上发生的交通事故,当遇到大雨、大雾、大雪等极端天气时,高速路口会禁止通行,避免车辆在高速路上行驶时发生交通事故,但是当车辆在高速上遇到突变的极端天气时,车辆只能减速行驶或者停滞在高速公路上,当极端天气缓和后,车辆再就近驶离高速,虽然可以通过交警的指挥使得车辆安全驶离高速公路,但是会浪费高度公路使用者和高速公路管理人员大量的时间和精力;极端的天气还会降低高速公路监控***的采集信息的准确性,使得监控拍摄的画面不清晰,虽然已经存在很多带有红外夜视仪等高科技的摄像头可以提高采集的准确性,但是高科技产品并没有完全普及,不同的极端天气对不同的高速路段的影响程度也不相同;除了天气还存在交通流量等其他多种因素对高速公路的安全产生影响,现有技术中可以利用回归模型来分析高速公路实时事故风险的预测评估,但是回归模型也存在其自身的局限性,预测模型的准确性受到到数据的影响,当存在采集的数据存在缺失、不准确、采集数据不及时和考虑的影响因素不同的问题时,预测的结果存在偏差导致预测的精度降低,从而带来安全问题,预测模型的预测结果缺乏对比标准,无法精确预测结果的精度。
发明内容
针对上述情况,为克服现有技术之缺陷,本发明之目的在于提供一种5G通信工程智能检测***,利用预处理模块对安全数据信息进行预处理,再由检测分析模块利用逻辑回归模型对不同影响因素进行安全性预测,通过对比第一预测结果和第二预测结果得到最终预测结果,考虑到了环境和交通流量的相互影响,提高了预测的准确性。
其解决的技术方案是,一种5G通信工程智能检测***,包括存储模块、中心控制模块、应急处理模块、数据采集模块、预处理模块、检测分析模块,数据采集模块采集高速公路上的安全数据信息,预处理模块对安全数据信息进行分析处理得到预处理数据,并将预处理数据发送至检测分析模块,检测分析模块根据预处理数据进行安全预测得到第一预测结果和第二预测结果,并将预测结果发送至中心控制模块,中心控制模块对第一预测结果和第二预测结果进行分析得到最终预测结果,并根据最终预测结果采取相应的措施,由应急处理模块进行执行;
***具体流程如下:
1)、数据采集模块采集的安全数据信息包括驾驶人数据信息、车辆数据信息、环境数据信息、监控数据信息,环境数据信息包括天气数据和路况数据信息,将路况数据信息记为不易变化影响因素N,将天气数据记为易变化性影响因素Y;
2)、预处理模块对安全数据信息进行预处理得到预处理结果,车辆信息中包含车辆在上高速时输入的起始点和终点,行驶路线途径的高速收费站的数目为n,并对行驶路线途径的高速收费站按照途径的顺序进行标号pi(i=1,2,3,…n),记车辆行驶至pi(i=1,2,3,…n)的前五百米处的时间点为ti,当车辆到达每一个时间点处时,采集pi+1所处的地理位置的极端天气概率Pi+1,将行驶路线途径的危险路段的个数记为m,每一路段的记为qj(j=1,2,3,…m),车辆在高速上行驶至危险路段的概率记为Qj,整个行驶路线途径的危险路段发生极端天气的总极端天气概率为F:
Qix为pi到pi+1之间的危险路段,k是指pi到pi+1之间的危险路段个数,预处理模块提取监控数据信息中的每一个危险路段30分钟内的交通流量按照交通法规定的行驶车速经过每个危险路段的时间记为根据交通流量计算单位时间内的平均交通流量和整个行驶路线中途径危险路段的总交通流量G:
预处理模块将得到的总交通流量G、总极端天气概率F、车辆信息、驾驶人数据信息、监控数据信息记为第一类数据信息,将总交通流量G、总极端天气概率F、相关关系系数r、车辆信息、驾驶人数据信息、监控数据信息记为第二类数据信息,预处理模块将第一类数据信息和第二类数据信息记为预处理结果,并将预处理结果发送至检测分析模块;
3)、检测分析模块利用数学分析模型对预处理结果进行安全性预测,并得到第一预测结果和第二预测结果,根据逻辑回归算法对第一类数据信息进行得到第一类预测结果,再根据逻辑回归算法对第二类数据信息进行分析得到第二类预测结果;
4)、中心控制模块接收第一预测结果和第二预测结果,并通过对比第一预测结果和第二预测结果得到最终预测结果,并对最终预测结果进行分析,当最终预测结果会导致安全事故时,中心控制模块向应急处理模块发送警报信号;
5)、应急处理模块接收到警报信号,并向相关部门发送处理信息。
所述检测分析模块利用逻辑回归算法对预测数据进行处理得到第一预测结果和第二预测结果,具体过程如下:
步骤一、利用逻辑回归算法对第一类数据信息进行安全性预测,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,并构造预测函数,设置安全性变量y*,
其中,y*为安全性强度,βθ为每一个显著影响因素的影响系数,再利用Sigmoid函数构造预测函数,通过求解得出的预测函数的解记为第一预测结果;
步骤二、利用步骤一的计算过程对第二类数据信息进行分析,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m、相关关系系数r为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,x5,
再利用步骤一的逻辑回归计算过程进行计算得到第二预测结果;
步骤三、检测分析模块将第一预测结果和第二预测结果发送至中心控制模块,对最佳预测结果进行判断,并生成对应的警报信号。
由于以上技术方案的采用,本发明与现有技术相比具有如下优点;
1.本***通过预处理模块对安全数据信息进行预处理得到预处理数据,再由检测分析模块对预处理数据信息进行分析得到第一预测结果和第二预测结果,再由中心控制模块进行对比分析得到了最终预测结果,在进行安全性预测时,通过逻辑回归模型对代表不同影响因素的变量进行分析,提供了对预测分析结果对比的标准,从而提高了逻辑回归模型检测的准确性。
2.***中以不同的行驶路线为单位,详细分析了环境对高速公路的不同路段的影响,同时,***中的数据采集模块将高速公路上的交通流量也作为预测模型的一个影响变量,在预测分析时,考虑相关系数系数对于回归分析的影响,以交通流量与环境之间的相关关系系数为预测的一个影响变量,使得考虑的因素会更为全面,使得预测模型预测的更加准确,当遇到不利于高速公路正常行驶的情况时,尽可能的预防事故的发生。
附图说明
图1为本***的整体模块图
图2为本***的分析流程图
图3为本***的计算流程图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效,在以下配合参考附图1至图3对实施例的详细说明中,将可清楚的呈现。以下实施例中所提到的结构内容,均是以说明书附图为参考。
一种5G通信工程智能检测***,包括存储模块、中心控制模块、应急处理模块、数据采集模块、预处理模块、检测分析模块,数据采集模块采集高速公路上的安全数据信息,预处理模块对安全数据信息进行分析处理得到预处理数据,并将预处理数据发送至检测分析模块,检测分析模块根据预处理数据进行安全预测得到第一预测结果和第二预测结果,并将预测结果发送至中心控制模块,中心控制模块对第一预测结果和第二预测结果进行分析得到最终预测结果,并根据最终预测结果采取相应的措施,由应急处理模块进行执行;
***具体流程如下:
1)、在对高速公路的使用过程中,数据采集模块采集的安全数据信息包括所有对高速公路使用过程产生影响的数据信息,通过对安全数据信息的数据处理可以提高对告诉公路的使用和管理效率,数据采集模块采集的安全数据信息包括驾驶人数据信息、车辆数据信息、环境数据信息、监控数据信息,安全数据信息还包括公路建筑过程的信息、维修信息、管理信息,环境数据信息包括天气数据和路况数据信息,将路况数据信息记为不易变化影响因素N,将天气数据记为易变化性影响因素Y,环境数据信息中的天气数据和路况数据的变化程度不同,且天气变化不受人为控制;
2)、预处理模块对安全数据信息进行预处理得到预处理结果,安全数据信息中包括不同类型的信息,通过不同的分类方式可以从安全数据信息中提取,车辆信息中包含车辆在上高速时输入的起始点和终点,以一条行驶路线为单位,行驶路线途径的高速收费站的数目为n,并对行驶路线途径的高速收费站按照途径的顺序进行标号pi(i=1,2,3,…n),记车辆行驶至pi(i=1,2,3,…n)的前五百米处的时间点为ti,当车辆到达每一个时间点处时,采集pi+1所处的地理位置的极端天气概率Pi+1,将行驶路线途径的危险路段的个数记为m,每一路段的记为qj(j=1,2,3,…m),车辆在高速上行驶至危险路段的概率记为Qj,整个行驶路线途径的危险路段发生极端天气的总极端天气概率为F,总极端天气概率表示的是在整条行驶路线中,车辆遇到极端天气的概率,每一个极端天气概率Pi+1是以天气预报的数据为准,在每一个pi点的天气状况决定了,车辆是否从高速上撤离:
Qix为pi到pi+1之间的危险路段,x是指pi到pi+1之间的危险路段个数,预处理模块提取监控数据信息中的每一个危险路段30分钟内的交通流量按照交通法规定的行驶车速经过每个危险路段的时间记为在危险路段更易受到极端天气的影响而发生事故,根据交通流量计算单位时间内的平均交通流量和整个行驶路线中途径危险路段的总交通流量G:
计算总交通流量G与总极端天气概率F的相关关系系数r,相关关系系数代表的是总交通流量G与总极端天气概率F之间的相互影响程度,计算处所有行驶路线的总交通流量G与总极端天气概率F,并组成两个向量和根据向量和向量计算相关关系系数r:
预处理模块将得到的总交通流量G、总极端天气概率F、车辆信息、驾驶人数据信息、监控数据信息记为第一类数据信息,将总交通流量G、总极端天气概率F、相关关系系数r、车辆信息、驾驶人数据信息、监控数据信息记为第二类数据信息,预处理模块将第一类数据信息和第二类数据信息记为预处理结果,并将预处理结果发送至检测分析模块;
3)、检测分析模块利用数学分析模型对预处理结果进行安全性预测,并得到第一预测结果和第二预测结果,根据逻辑回归算法对第一类数据信息进行得到第一类预测结果,再根据逻辑回归算法对第二类数据信息进行分析得到第二类预测结果,考虑在相同的安全数据信息的形况下,将相关关系系数作为逻辑回归预测模型的一个预测变量的预测结果与不考虑相关关系系数的预测结果的对比,避免了回归预测过程中因选择的变量不同而来的预测不准确的问题,通过对比来校验预测的准确性;
4)、中心控制模块接收第一预测结果和第二预测结果,并通过对比第一预测结果和第二预测结果得到最终预测结果,并对最终预测结果进行分析,当最终预测结果会导致安全事故时,中心控制模块向应急处理模块发送警报信号,中心控制模块是对整个高速公路的安全监控的中心,当最终预测结果预测出有问题发生,中心控制模块控制应急处理模块进行紧急处理,同时,还可以向管理人员发送预测信息,以提醒及早做出应对措施;
5)、应急处理模块接收到警报信号,并向相关部门发送处理信息。
所述检测分析模块利用逻辑回归算法对预测数据进行处理得到第一预测结果和第二预测结果,具体过程如下:
步骤一、逻辑回归预测是进行预测的一个常见数学模型,预测的精度受到选择的预测变量的影响,利用逻辑回归算法对第一类数据信息进行安全性预测,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,并构造预测函数,设置安全性变量y*,
其中,y*为安全性强度,βθ为每一个显著影响因素的影响系数,再利用Sigmoid函数构造预测函数,通过求解得出的预测函数的解记为第一预测结果;
步骤二、利用步骤一的计算过程对第二类数据信息进行分析,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m、相关关系系数r为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,x5,
再利用步骤一的逻辑回归计算过程进行计算得到第二预测结果;
步骤三、检测分析模块将第一预测结果和第二预测结果发送至中心控制模块,对最佳预测结果进行判断,并生成对应的警报信号。
中心控制模块接收第一预测结果和第二预测结果后,通过对比分析法进行对比得到最终预测结果,再对最终预测结果进行进一步判断,当最终预测结果不在正常交通运行的范围内时,中心控制模块将最终预测结果存储至存储模块,同时生成警报信号,并将警报信号发送至应急处理模块,当最终预测结果在正常交通运行的范围内时,中心控制模块近将最终预测结果存储至存储模块。
所述数据采集模块采集的监控数据信息是对危险路段的监控视频信息,监控视频信息在采集过程中受到设备的老化和环境的影响,使得采集的监控数据信息存在不准确的问题,数据采集模块采集的安全数据信息包括所有与高速公路运行有关的信息。
所述应急处理模子在接收到警报信息后,将对应的预防措施发送至对应的紧急避险子***,将天气预报信息和路况预测信息推送至高速广播,同时将信息发送至驾驶人的手机端。
本发明具体使用时,***主要包括存储模块、中心控制模块、应急处理模块、数据采集模块、预处理模块、检测分析模块,数据采集模块采集高速公路上的安全数据信息,预处理模块对安全数据信息进行分析处理得到预处理数据,并将预处理数据发送至检测分析模块,预处理模块根据安全数据信息得到一条行驶路线的总交通流量和总极端天气概率,再通过计算得到相关关系系数,检测分析模块利用逻辑回归算法分别对第一类数据信息和第二类数据信息进行安全预测得到第一预测结果和第二预测结果,并将预测结果发送至中心控制模块,第一类数据信息相比于第二类数据信息的区别在于没有将相关关系系数考虑为预测影响变量,在相关关系系数的影响下,利用同一回归模型进行预测的结果不同,通过两个预测结果的对比来提高了预测的准确性,中心控制模块对第一预测结果和第二预测结果进行分析得到最终预测结果,并根据最终预测结果采取相应的措施,由应急处理模块进行执行,中心控制模块首先是对第一预测结果和第二预测结果进行判断得到最终预测结果,再对最终预测结果进行判断,当预测结果对高速的正常使用有影响时,中心控制模块将警报信号发送至应急处理模块,应急处理模块想对应的部门发送预防措施。
以上所述是结合具体实施方式对本发明所作的进一步详细说明,不能认定本发明具体实施仅局限于此;对于本发明所属及相关技术领域的技术人员来说,在基于本发明技术方案思路前提下,所作的拓展以及操作方法、数据的替换,都应当落在本发明保护范围之内。
Claims (5)
1.一种5G通信工程智能检测***,其特征在于,包括存储模块、中心控制模块、应急处理模块、数据采集模块、预处理模块、检测分析模块,数据采集模块采集高速公路上的安全数据信息,预处理模块对安全数据信息进行分析处理得到预处理数据,并将预处理数据发送至检测分析模块,检测分析模块根据预处理数据进行安全预测得到第一预测结果和第二预测结果,并将预测结果发送至中心控制模块,中心控制模块对第一预测结果和第二预测结果进行分析得到最终预测结果,并根据最终预测结果采取相应的措施,由应急处理模块进行执行;
***具体流程如下:
1)、数据采集模块采集的安全数据信息包括驾驶人数据信息、车辆数据信息、环境数据信息、监控数据信息,环境数据信息包括天气数据和路况数据信息,将路况数据信息记为不易变化影响因素N,将天气数据记为易变化性影响因素Y;
2)、预处理模块对安全数据信息进行预处理得到预处理结果,车辆信息中包含车辆在上高速时输入的起始点和终点,行驶路线途径的高速收费站的数目为n,并对行驶路线途径的高速收费站按照途径的顺序进行标号pi(i=1,2,3,...n),记车辆行驶至pi(i=1,2,3,...n)的前五百米处的时间点为ti,当车辆到达每一个时间点处时,采集pi+1所处的地理位置的极端天气概率Pi+1,将行驶路线途径的危险路段的个数记为m,每一路段的记为qj(j=1,2,3,...m),车辆在高速上行驶至危险路段的概率记为Qj,整个行驶路线途径的危险路段发生极端天气的总极端天气概率为F:
Qix为pi到pi+1之间的危险路段,k是指pi到pi+1之间的危险路段个数,预处理模块提取监控数据信息中的每一个危险路段30分钟内的交通流量按照交通法规定的行驶车速经过每个危险路段的时间记为根据交通流量计算单位时间内的平均交通流量和整个行驶路线中途径危险路段的总交通流量G:
预处理模块将得到的总交通流量G、总极端天气概率F、车辆信息、驾驶人数据信息、监控数据信息记为第一类数据信息,将总交通流量G、总极端天气概率F、相关关系系数r、车辆信息、驾驶人数据信息、监控数据信息记为第二类数据信息,预处理模块将第一类数据信息和第二类数据信息记为预处理结果,并将预处理结果发送至检测分析模块;
3)、检测分析模块利用数学分析模型对预处理结果进行安全性预测,并得到第一预测结果和第二预测结果,根据逻辑回归算法对第一类数据信息进行得到第一类预测结果,再根据逻辑回归算法对第二类数据信息进行分析得到第二类预测结果;
4)、中心控制模块接收第一预测结果和第二预测结果,并通过对比第一预测结果和第二预测结果得到最终预测结果,并对最终预测结果进行分析,当最终预测结果会导致安全事故时,中心控制模块向应急处理模块发送警报信号;
5)、应急处理模块接收到警报信号,并向相关部门发送处理信息。
2.根据权利要求1所述的一种5G通信工程智能检测***,其特征在于,所述检测分析模块利用逻辑回归算法对预测数据进行处理得到第一预测结果和第二预测结果,具体过程如下:
步骤一、利用逻辑回归算法对第一类数据信息进行安全性预测,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,并构造预测函数,设置安全性变量y*,
其中,y*为安全性强度,βθ为每一个显著影响因素的影响系数,再利用Sigmoid函数构造预测函数,通过求解得出的预测函数的解记为第一预测结果;
步骤二、利用步骤一的计算过程对第二类数据信息进行分析,以总交通流量G、总极端天气概率F、监控数据信息中的路段长度、危险路段个数m、相关关系系数r为安全性预测的显著影响因素,依次标记为x1,x2,x3,x4,x5,
再利用步骤一的逻辑回归计算过程进行计算得到第二预测结果;
步骤三、检测分析模块将第一预测结果和第二预测结果发送至中心控制模块,对最佳预测结果进行判断,并生成对应的警报信号。
3.根据权利要求1所述的一种5G通信工程智能检测***,其特征在于,中心控制模块接收第一预测结果和第二预测结果后,通过对比分析法进行对比得到最终预测结果,再对最终预测结果进行进一步判断,当最终预测结果不在正常交通运行的范围内时,中心控制模块将最终预测结果存储至存储模块,同时生成警报信号,并将警报信号发送至应急处理模块,当最终预测结果在正常交通运行的范围内时,中心控制模块近将最终预测结果存储至存储模块。
4.根据权利要求1所述的一种5G通信工程智能检测***,其特征在于,所述数据采集模块采集的监控数据信息是对危险路段的监控视频信息,监控视频信息在采集过程中受到设备的老化和环境的影响,使得采集的监控数据信息存在不准确的问题,数据采集模块采集的安全数据信息包括所有与高速公路运行有关的信息。
5.根据权利要求1所述的一种5G通信工程智能检测***,其特征在于,所述应急处理模子在接收到警报信息后,将对应的预防措施发送至对应的紧急避险子***,将天气预报信息和路况预测信息推送至高速广播,同时将信息发送至驾驶人的手机端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110617206.9A CN113256014B (zh) | 2021-06-02 | 2021-06-02 | 一种5g通信工程智能检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110617206.9A CN113256014B (zh) | 2021-06-02 | 2021-06-02 | 一种5g通信工程智能检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256014A true CN113256014A (zh) | 2021-08-13 |
CN113256014B CN113256014B (zh) | 2021-10-22 |
Family
ID=77186056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110617206.9A Active CN113256014B (zh) | 2021-06-02 | 2021-06-02 | 一种5g通信工程智能检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256014B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241762A (zh) * | 2021-12-14 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060058940A1 (en) * | 2004-09-13 | 2006-03-16 | Masatoshi Kumagai | Traffic information prediction system |
CN101327795A (zh) * | 2008-06-27 | 2008-12-24 | 中国科学院合肥物质科学研究院 | 一种车辆行驶智能预警*** |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
-
2021
- 2021-06-02 CN CN202110617206.9A patent/CN113256014B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060058940A1 (en) * | 2004-09-13 | 2006-03-16 | Masatoshi Kumagai | Traffic information prediction system |
CN101327795A (zh) * | 2008-06-27 | 2008-12-24 | 中国科学院合肥物质科学研究院 | 一种车辆行驶智能预警*** |
CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
CN109117987A (zh) * | 2018-07-18 | 2019-01-01 | 厦门大学 | 基于深度学习的个性化交通事故风险预测推荐方法 |
CN110867076A (zh) * | 2019-11-05 | 2020-03-06 | 武汉理工大学 | 一种交通事故预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
BEN ZHAI,JIANTAO LU,YANLI WANG,BING WU: "Real-time prediction of crash risk on freeway under fog conditions", 《INTERNATIONAL JOURNAL OF TRANSPORTATION SCIENCE AND TECHNOLOGY》 * |
于帅: "基于气象条件与交通流交互作用的高速公路事故风险分析及预测", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
詹伟: "山区高速公路长大隧道群区域交通安全保障技术研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241762A (zh) * | 2021-12-14 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析*** |
CN114241762B (zh) * | 2021-12-14 | 2022-11-15 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析*** |
Also Published As
Publication number | Publication date |
---|---|
CN113256014B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN112382095B (zh) | 一种多源数据融合的城市快速路交通状态估计方法 | |
CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及*** | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN113313012B (zh) | 一种基于卷积生成对抗网络的危险驾驶行为识别方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管*** | |
WO2023128406A1 (ko) | 커넥티드 자율 주행차의 안전 모니터링 및 운영설계범위를 지원하는 관제 서버 | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
CN111460920A (zh) | 一种面向机场复杂场景的目标跟踪及分割*** | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及*** | |
CN113256014B (zh) | 一种5g通信工程智能检测*** | |
CN114863675A (zh) | 基于路警数据融合的重点车辆位置推测与异常报警方法 | |
CN117078020B (zh) | 基于无人机的物流运输数据管理*** | |
CN117576636B (zh) | 一种物流运输过程监控方法及*** | |
CN117454318A (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析*** | |
CN112464749A (zh) | 一种基于规则与学习的交通场景异常目标检测方法 | |
CN113345220B (zh) | 一种高速公路稽查车辆跟踪与预测分析*** | |
Arman et al. | Trajectory Approximation of the Full Traffic Flow Based on Double Loop Detector Data | |
CN117749830B (zh) | 一种基于边缘计算的车路协同云平台***及其方法 | |
Kim et al. | Reinforcement learning approach to develop variable speed limit strategy using vehicle data and simulations | |
CN117590863B (zh) | 一种5g安防救援网联的无人机云边端协同控制*** | |
CN117315943B (zh) | 一种超限运输违法监测分析与预警方法及*** | |
CN107045710A (zh) | 一种基于智能手机传感器的路面破损状况分析及监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |