CN114266490B - 一种高效且精确的综合交通运输网络安全风险点辨识方法 - Google Patents
一种高效且精确的综合交通运输网络安全风险点辨识方法 Download PDFInfo
- Publication number
- CN114266490B CN114266490B CN202111604098.8A CN202111604098A CN114266490B CN 114266490 B CN114266490 B CN 114266490B CN 202111604098 A CN202111604098 A CN 202111604098A CN 114266490 B CN114266490 B CN 114266490B
- Authority
- CN
- China
- Prior art keywords
- distribution point
- point
- traffic distribution
- identification
- dangerous
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 21
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高效且精确的综合交通运输网络安全风险点辨识方法，该方法包括以下步骤：完成综合交通运输网络中基础设施风险的评估以及安全风险点的确定；对各个交通运输集散点进行标识区域划分，并在标识区域范围内进行场景识别，同时得到标识区域内危险品数量变化信息；根据危险品数量变化信息辨识出风险等级高的交通运输集散点；对各个交通运输集散点的流量进行收集并预测，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级；将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库，并根据基于运输路径总风险最小原则对运输网络进行控制。本发明降低了综合交通运输安全风险情况的发生。
Description
技术领域
本发明涉及智能交通领域，具体来说，涉及一种高效且精确的综合交通运输网络安全风险点辨识方法。
背景技术
综合交通运输网络是由不同运输方式的运输网络设备、载运工具、客货流和组织管理等方面构成的复杂动态***，是支持整个社会经济大***正常运转的基础设施***，其包括铁路运输、公路运输、水上运输及航空运输等。为了提高综合交通运输网络的运行效率，提高经济发展速率，做好综合交通运输网络的安全风险点辨别尤为重要。
专利号CN108520353B，公开了一种综合交通运输网络安全风险点辨识方法，包括综合交通运输网络基础设施关联关系分析、事件影响结果评价指标确定、事件影响扩散矩阵的确定、综合交通运输网络中基础设施风险的评估、综合交通运输网络***的安全风险点确定，从而提高交通运输***可靠性，保障国家运输安全奠定基础。
但是以上专利在具体使用时存在以下缺陷：随着货物的运输规模越来越大，机场、码头、车站等地点中的危险品数量也持续增多。现有技术中在做交通运输网路安全风险点辨识时，没有做到对危险品的识别和每个区域危险品的数量变化，即缺少准确的危险品对交通安全风险的影响进行辨识的方法。且随着历史信息的统计计算成本持续增大，需要降低统计计算成本的方法。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种高效且精确的综合交通运输网络安全风险点辨识方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种高效且精确的综合交通运输网络安全风险点辨识方法，该方法包括以下步骤：
S1、完成综合交通运输网络中基础设施风险的评估以及安全风险点的确定；
S2、对各个交通运输集散点进行标识区域划分，并在标识区域范围内进行场景识别，同时得到标识区域内危险品数量变化信息；
S3、根据危险品数量变化信息辨识出风险等级高的交通运输集散点；
S4、对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级；
S5、将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库，并根据基于运输路径总风险最小原则对运输网络进行控制，当交通运输集散点为汽车站时，假设V为交通运输集散点使用的车辆集合{V1，V2，V3……}；N为需要配送服务的配送点的集合{N1，N2，N3……}；0为配送目的地仓库；是一个整数，表示如果车辆由i点驶向j点则为1，否则为0；Rij表示从i点到j点行驶路径的风险期望值；Kv表示车辆的容量；Di表示需要配送服务的配送点i的需求量；Lij表示车辆从i点驶向j点的距离，因此考虑了运输路径总风险最小原则的数学模型可表示为：
约束条件：
ν＝1，…NVp＝0，…n
v＝1，…NV，其中，
考虑了运输路径总风险最小原则的数学模型公式1.1表示运输的总风险最小；约束条件中的公式1.2、1.3、1.4表示所有的配送点只被同一辆车访问一次；约束条件中公式1.5表示每条路径上配送点的总需求不能超过车辆的总容量。
进一步的，所述交通运输集散点包括机场、码头、汽车车站、火车车站及高铁站。
进一步的，所述S2中对各个交通运输集散点进行区域划分，并在区域范围内进行场景识别，同时得到区域内危险品数量变化信息还包括以下步骤：
S21、建立危险品数据集；
S22、通过信息获取设备在标识区域内进行场景识别，并通过客户端绘出虚拟电子围栏边界；
S23、通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别；
S24、通过形态识别结果，得到标识区域内危险品数量变化信息；
S25、若标识区域内危险品数量大于第一危险阈值小于第二危险阈值，则计数加一，若该标识区域内危险品数量大于第二危险阈值，则计数加三。
进一步的，所述信息获取设备包括工业相机、光源及上位机。
进一步的，所述S23中通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别之前还包括以下步骤：
通过上位机对虚拟电子围栏内的图像进行特征提取，并通过七个区域Hu不变矩T1-T7进行识别：
T1＝N20+N02
T2＝(N20-N02)2+4N11 2
T3＝(N30-3N12)2+(3N21-N03)2
T4＝(N30+N12)2+(N21+N03)2
T5＝(N03-3N12)(N30+N12)[(N30+N12)2-3(N21+N03)2]+(3N12-N03)(N12+N03)[3(N30+N12)2-(N21+N03)2]
T6＝(N20-N02)[(N30+N12)2-(N21+N03)2]+4N11(N30+N12)(N12+N03)
T7＝(3N21-N03)(N30+N12)[(N30+N12)2-3(N21+N03)2]
+(3N12-N03)(N12+N03)[3(N30+N12)2-(N21+N03)2]；
其中，Npq为(p+q)阶归一化中心距，提取出7个不变矩T1-T7，并对7个不变矩进行归一化处理。
进一步的，所述S3中根据危险品数量变化信息辨识出风险等级高的交通运输集散点时，若所述计数大于三小于十，则判断该交通运输集散点为轻度安全风险识别点，若所述计数大于十小于十五，则判断该交通运输集散点为中度安全风险识别点，若所述计数大于十五，则判断该交通运输集散点为重度安全风险识别点。
进一步的，所述S4中对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级还包括以下步骤：
S41、接收各个交通运输集散点的历史流量数据集；
S42、每个交通运输集散点依据自身的历史流量数据的时序性建立训练预测模型，并进行各自训练；
S43、每个交通运输集散点对训练预测模型进行更新迭代，并存储训练预测模型的更新参数；
S44、在中心服务器将各个交通运输集散点的更新参数进行参数聚合，并利用参数聚合得到聚合更新参数，同时将聚合更新参数发送至每个交通运输集散点；
S45、通过训练预测模型得到集散点流量预测数据。
进一步的，所述训练预测模型包含神经网络预测模型。
进一步的，所述S5中将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库还包括以下步骤：
S51、将交通运输集散点的历史流量数据集发送至服务器；
S52、通过服务器内的预存的单元结构和关键词对危险品数量变化信息及历史流量数据集中的时间、地点、流量数据及危险品数量的字段进行划分；
S53、将划分后的字段存入数据库中的相应的单元结构。
进一步的，所述对危险品数量变化信息及历史流量数据集中的时间、地点及流量数据的字段进行划分时预存的单元结构内的关键词的数量至少为一个。
本发明的有益效果为：本发明相比于现有的综合交通运输网络安全风险点辨识方法，能够高效且精确的辨识出交通运输集散点的风险等级，能够到达事先预警的效果，因此提高管理人员的警觉，可有效降低交通运输网络中安全风险情况的发生。通过对各个交通运输集散点的流量进行收集并预测，能够及时对可能出现的交通运输集散点的流量超出情况做出预先准备。通过将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库并根据基于运输路径总风险最小原则对运输网络进行控制，从而可降低历史流量数据的统计计算成本，并达到对运输网络安全风险的有效控制。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种高效且精确的综合交通运输网络安全风险点辨识方法的流程图示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种高效且精确的综合交通运输网络安全风险点辨识方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的高效且精确的综合交通运输网络安全风险点辨识方法，该方法包括以下步骤：
S1、完成综合交通运输网络中基础设施风险的评估以及安全风险点的确定；
S2、对各个交通运输集散点进行标识区域划分，并在标识区域范围内进行场景识别，同时得到标识区域内危险品数量变化信息；
其中，所述交通运输集散点包括机场、码头、汽车车站、火车车站及高铁站；
所述S2中对各个交通运输集散点进行区域划分，并在区域范围内进行场景识别，同时得到区域内危险品数量变化信息还包括以下步骤：
S21、建立危险品数据集；
S22、通过信息获取设备在标识区域内进行场景识别，并通过客户端绘出虚拟电子围栏边界；
S23、通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别；
S24、通过形态识别结果，得到标识区域内危险品数量变化信息；
S25、若标识区域内危险品数量大于第一危险阈值小于第二危险阈值，则计数加一，若该标识区域内危险品数量大于第二危险阈值，则计数加三。所述信息获取设备包括工业相机、光源及上位机，，工业相机包括CCD(Charge Coupled Device)或CMOS(Complementary Metal Oxide Semiconductor)芯片的相机。
在一个实施例中，第一危险阈值和第二危险阈值可根据历史经验和专家意见结合做出修改，以便达到最佳的交通运输集散点判断方法。
所述S23中通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别之前还包括以下步骤：
通过上位机对虚拟电子围栏内的图像进行特征提取，并通过七个区域Hu不变矩T1-T7进行识别：
T1＝N20+N02
T2＝(N20-N02)2+4N11 2
T3＝(N30-3N12)2+(3N21-N03)2
T4＝(N30+N12)2+(N21+N03)2
T5＝(N03-3N12)(N30+N12)[(N30+N12)2-3(N21+N03)2]+(3N12-N03)(N12+N03)[3(N30+N12)2-(N21+N03)2]
T6＝(N20-N02)[(N30+N12)2-(N21+N03)2]+4N11(N30+N12)(N12+N03)
T7＝(3N21-N03)(N30+N12)[(N30+N12)2-3(N21+N03)2]
+(3N12-N03)(N12+N03)[3(N30+N12)2-(N21+N03)2]；
其中，Npq为(p+q)阶归一化中心距，提取出7个不变矩T1-T7，并对7个不变矩进行归一化处理。
S3、根据危险品数量变化信息辨识出风险等级高的交通运输集散点；
其中，所述S3中根据危险品数量变化信息辨识出风险等级高的交通运输集散点时，若所述计数大于三小于十，则判断该交通运输集散点为轻度安全风险识别点，若所述计数大于十小于十五，则判断该交通运输集散点为中度安全风险识别点，若所述计数大于十五，则判断该交通运输集散点为重度安全风险识别点。
S4、对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级；
其中，所述S4中对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级还包括以下步骤：
S41、接收各个交通运输集散点的历史流量数据集；
S42、每个交通运输集散点依据自身的历史流量数据的时序性建立训练预测模型，并进行各自训练；
S43、每个交通运输集散点对训练预测模型进行更新迭代，并存储训练预测模型的更新参数；
S44、在中心服务器将各个交通运输集散点的更新参数进行参数聚合，并利用参数聚合得到聚合更新参数，同时将聚合更新参数发送至每个交通运输集散点；
S45、通过训练预测模型得到集散点流量预测数据。
所述训练预测模型包含神经网络预测模型。
在一个实施例中，所述训练预测模型采用LSTM基本模型算法，使用python(python是编程语言，是面向对象的编程语言，python是荷兰人GuidovanRossum于1989年发明)的Keras(Keras是一个高层神经网络API，Keras由纯Python编写而成)库搭建长短记忆网络流量基本预测模型，搭建超参如下：
(1)神经网络层数：5；
(2)激活函数：soft-sign函数；
(3)输入输出序列长度：24。
本地训练超参如下：
(1)模型迭代次数：500次；
(2)批尺寸：10％。
在本地训练中，需不断更新的参数为模型的权重矩阵Wi。
在中心服务器将各个交通运输集散点的更新参数进行参数聚合，并利用参数聚合得到聚合更新参数，且更新后的模型参数为Wi’，同时存储模型参数更新的差值δi＝Wi’-Wi。
其中，S5、将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库，并根据基于运输路径总风险最小原则对运输网络进行控制，当交通运输集散点为汽车站时，假设V为交通运输集散点使用的车辆集合{V1，V2，V3……}；N为需要配送服务的配送点的集合{N1，N2，N3……}；0为配送目的地仓库；是一个整数，表示如果车辆由i点驶向j点则为1，否则为0；Rij表示从i点到j点行驶路径的风险期望值；Kv表示车辆的容量；Di表示需要配送服务的配送点i的需求量；Lij表示车辆从i点驶向j点的距离，因此考虑了运输路径总风险最小原则的数学模型可表示为：
约束条件：
v＝1，…NVp＝0，…n
v＝1，…NV，其中，
考虑了运输路径总风险最小原则的数学模型公式1.1表示运输的总风险最小；约束条件中的公式1.2、1.3、1.4表示所有的配送点只被同一辆车访问一次；约束条件中公式1.5表示每条路径上配送点的总需求不能超过车辆的总容量；
所述S5中将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库还包括以下步骤：
S51、将交通运输集散点的历史流量数据集发送至服务器；
S52、通过服务器内的预存的单元结构和关键词对危险品数量变化信息及历史流量数据集中的时间、地点、流量数据及危险品数量的字段进行划分；
S53、将划分后的字段存入数据库中的相应的单元结构。
所述对危险品数量变化信息及历史流量数据集中的时间、地点及流量数据的字段进行划分时预存的单元结构内的关键词的数量至少为一个。
综上所述，本发明相比于现有的综合交通运输网络安全风险点辨识方法，能够高效且精确的辨识出交通运输集散点的风险等级，能够到达事先预警的效果，因此提高管理人员的警觉，可有效降低交通运输网络中安全风险情况的发生。通过对各个交通运输集散点的流量进行收集并预测，能够及时对可能出现的交通运输集散点的流量超出情况做出预先准备。通过将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库并根据基于运输路径总风险最小原则对运输网络进行控制，从而可降低历史流量数据的统计计算成本，并达到对运输网络安全风险的有效控制。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，该方法包括以下步骤：
S1、完成综合交通运输网络中基础设施风险的评估以及安全风险点的确定；
S2、对各个交通运输集散点进行标识区域划分，并在标识区域范围内进行场景识别，同时得到标识区域内危险品数量变化信息；
S3、根据危险品数量变化信息辨识出风险等级高的交通运输集散点；
S4、对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级；
S5、将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库，并根据基于运输路径总风险最小原则对运输网络进行控制；
所述S2中对各个交通运输集散点进行区域划分，并在区域范围内进行场景识别，同时得到区域内危险品数量变化信息还包括以下步骤：
S21、建立危险品数据集；
S22、通过信息获取设备在标识区域内进行场景识别，并通过客户端绘出虚拟电子围栏边界；
S23、通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别；
S24、通过形态识别结果，得到标识区域内危险品数量变化信息；
S25、若标识区域内危险品数量大于第一危险阈值小于第二危险阈值，则计数加一，若该标识区域内危险品数量大于第二危险阈值，则计数加三；
所述S23中通过信息获取设备获取虚拟电子围栏内的图像，并通过分类识别器将该虚拟电子围栏内的图像进行形态识别之前还包括以下步骤：
通过上位机对虚拟电子围栏内的图像进行特征提取，并通过七个区域Hu不变矩T1-T7进行识别：
T1=N20+N02
T2=（N20-N02）2+4N11 2
T3=（N30-3N12）2+（3N21-N03）2
T4=（N30+N12）2+（N21+N03）2
T5=（N03-3N12）（N30+N12）[（N30+N12）2-3（N21+N03）2]+（3N12-N03）（N12+N03）[3（N30+N12）2-（N21+N03）2]
T6=（N20-N02）[（N30+N12）2-（N21+N03）2]+4N11（N30+N12）（N12+N03）
T7=（3N21-N03）（N30+N12）[（N30+N12）2-3（N21+N03）2]
+（3N12-N03）（N12+N03）[3（N30+N12）2-（N21+N03）2]；
其中，Npq为（p+q）阶归一化中心距，提取出7个不变矩T1-T7，并对7个不变矩进行归一化处理；
所述S3中根据危险品数量变化信息辨识出风险等级高的交通运输集散点时，若所述计数大于三小于十，则判断该交通运输集散点为轻度安全风险识别点，若所述计数大于十小于十五，则判断该交通运输集散点为中度安全风险识别点，若所述计数大于十五，则判断该交通运输集散点为重度安全风险识别点；
所述S4中对各个交通运输集散点的流量进行收集并预测，得到集散点流量预测数据，若集散点流量预测数据大于流量阈值，则提高交通运输集散点的风险等级还包括以下步骤：
S41、接收各个交通运输集散点的历史流量数据集；
S42、每个交通运输集散点依据自身的历史流量数据的时序性建立训练预测模型，并进行各自训练；
S43、每个交通运输集散点对训练预测模型进行更新迭代，并存储训练预测模型的更新参数；
S44、在中心服务器将各个交通运输集散点的更新参数进行参数聚合，并利用参数聚合得到聚合更新参数，同时将聚合更新参数发送至每个交通运输集散点；
S45、通过训练预测模型得到集散点流量预测数据。
2.根据权利要求1所述的一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，所述交通运输集散点包括机场、码头、汽车车站、火车车站及高铁站。
3.根据权利要求1所述的一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，所述信息获取设备包括工业相机、光源及上位机。
4.根据权利要求1所述的一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，所述训练预测模型包含神经网络预测模型。
5.根据权利要求4所述的一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，所述S5中将危险品数量变化信息及交通运输集散点流量数据进行存储并建立数据库还包括以下步骤：
S51、将交通运输集散点的历史流量数据集发送至服务器；
S52、通过服务器内的预存的单元结构和关键词对危险品数量变化信息及历史流量数据集中的时间、地点、流量数据及危险品数量的字段进行划分；
S53、将划分后的字段存入数据库中的相应的单元结构。
6.根据权利要求5所述的一种高效且精确的综合交通运输网络安全风险点辨识方法，其特征在于，所述对危险品数量变化信息及历史流量数据集中的时间、地点及流量数据的字段进行划分时预存的单元结构内的关键词的数量至少为一个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604098.8A CN114266490B (zh) | 2021-12-24 | 2021-12-24 | 一种高效且精确的综合交通运输网络安全风险点辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604098.8A CN114266490B (zh) | 2021-12-24 | 2021-12-24 | 一种高效且精确的综合交通运输网络安全风险点辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266490A CN114266490A (zh) | 2022-04-01 |
| CN114266490B true CN114266490B (zh) | 2024-03-29 |
Family
ID=80830257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111604098.8A Active CN114266490B (zh) | 2021-12-24 | 2021-12-24 | 一种高效且精确的综合交通运输网络安全风险点辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266490B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117935563B (zh) * | 2024-03-22 | 2024-06-14 | 长安大学 | 一种基于交通运输网络的风险点辨识方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
| CN105160514A (zh) * | 2015-07-10 | 2015-12-16 | 辽宁成远***工程有限公司 | 治安综合管理***和治安综合管理的方法 |
| CN107978110A (zh) * | 2017-12-06 | 2018-05-01 | 中国科学院上海技术物理研究所 | 基于图像匹配的电子围栏智能在位识别***及识别方法 |
| CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
| CN111383150A (zh) * | 2020-03-04 | 2020-07-07 | 青岛海信网络科技股份有限公司 | 一种用于交通警务违规行为的识别监管方法和装置 |
-
2021
- 2021-12-24 CN CN202111604098.8A patent/CN114266490B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
| CN105160514A (zh) * | 2015-07-10 | 2015-12-16 | 辽宁成远***工程有限公司 | 治安综合管理***和治安综合管理的方法 |
| CN107978110A (zh) * | 2017-12-06 | 2018-05-01 | 中国科学院上海技术物理研究所 | 基于图像匹配的电子围栏智能在位识别***及识别方法 |
| CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
| CN111383150A (zh) * | 2020-03-04 | 2020-07-07 | 青岛海信网络科技股份有限公司 | 一种用于交通警务违规行为的识别监管方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑风险性约束的危险化学品运输路径优化研究;李孟波等;《物流工程与管理》;20121115(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114266490A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114390079B (zh) | 一种智慧城市公共场所管理方法和物联网*** | |
| CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
| CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
| Wang et al. | Fine-grained traffic flow prediction of various vehicle types via fusion of multisource data and deep learning approaches | |
| CN108242149A (zh) | 一种基于交通数据的大数据分析方法 | |
| CN111653096A (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
| CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
| CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
| CN114266490B (zh) | 一种高效且精确的综合交通运输网络安全风险点辨识方法 | |
| CN114419924B (zh) | 一种基于智慧城市的ai应用控制管理*** | |
| CN107610282A (zh) | 一种公交客流统计*** | |
| CN112083456B (zh) | 一种货运状态识别方法、装置、设备及存储介质 | |
| CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
| CN114743401A (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
| CN111402615B (zh) | 一种基于导航信息的可变车道控制方法 | |
| CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测***与方法 | |
| CN117392853B (zh) | 一种基于云端的大数据智能车道控制*** | |
| CN114091757A (zh) | 基于客流分析预测的公交、地铁智能调度方法 | |
| Wang et al. | Vision-based highway traffic accident detection | |
| CN117437774A (zh) | 一种基于ai的多模态交通流量预测*** | |
| CN117371596A (zh) | 一种基于多源数据的智慧城市用公共交通综合调控*** | |
| CN111008578B (zh) | 一种视频文件数据价值评估方法 | |
| CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
| CN117079462A (zh) | 一种基于Apriori算法的路段突发交通事件预测***及方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Xiaofa Inventor after: Jia Xuefeng Inventor before: Jia Xuefeng Inventor before: Zhang Xiaofa Inventor before: Zhang Xuehe |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |