CN115964545B - 一种基于运渣车轨迹点推断污染点位的方法 - Google Patents
一种基于运渣车轨迹点推断污染点位的方法 Download PDFInfo
- Publication number
- CN115964545B CN115964545B CN202310252292.7A CN202310252292A CN115964545B CN 115964545 B CN115964545 B CN 115964545B CN 202310252292 A CN202310252292 A CN 202310252292A CN 115964545 B CN115964545 B CN 115964545B
- Authority
- CN
- China
- Prior art keywords
- track
- points
- point
- data
- slag
- 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
- 239000002893 slag Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 239000000428 dust Substances 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229920003169 water-soluble polymer Polymers 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于运渣车轨迹点推断污染点位的方法,涉及运环境监测领域。基于挖掘运渣车时空大数据特征,通过矩阵法和自适应跳跃法设置合理的阈值挖掘出运渣车在运行过程中的停驻点,这种算法能够依据车辆轨迹特征辨别行停规律,同时可以规避数据缺失等问题。算法采用简化的距离计算方式,极大提高其运行效率。结合具体驻留点信息,能有效帮助识别工地、倾倒场、渣土停车场等,为城市扬尘源的管控提供科学依据。从而帮助政府管理者加强对运渣车辆的管控和扬尘源的监管,助力污染防控。
Description
技术领域
本发明涉及交通大数据领域,具体涉及一种基于运渣车轨迹点推断污染点位的方法。
背景技术
城市化的快速发展使得城市建设工程增多,用于运输建筑垃圾的渣土车营运量大大提升,车辆带泥上路,会造成路面二次扬尘污染,超载、未密闭,沿途撒漏,这些现象都需要从源头控制。但在缺少智能化硬件识别和应用的前提下,运渣车所到之点位数量多、分布广,集中监管难度大,施工环境污染严重,难以获取实时有效的数据。
随着大数据、云计算、人工智能、物联网等技术的高速发展,近年来在运渣车上安装GPS装置,监测其行驶状况,保证了车辆轨迹数据的回收和覆盖率方面更加高效。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于运渣车轨迹点推断污染点位的方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于运渣车轨迹点推断污染点位的方法,包括如下步骤:
S1、获取原始运渣车数据并进行数据预处理;
S2、将预处理后的运渣车数据按照时间进行排序,并遍历每一辆运渣车的所有轨迹点;
S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点,若是则将其该停驻点匹配至划分好的网格并结束流程,若不是则重复步骤S3。
进一步的,所述S1中具体包括如下步骤:
S11、读取原始运渣车数据并进行格式转换;
S12、对原始运渣车数据进行异常数据剔除;
S13、利用矩形法识别剔除异常数据后的运渣车非活跃车辆数据,保留所选时段移动车辆数据。
进一步的,所述S12中异常数据包括异常值、清理空值以及补在地理经纬度范围内的数据。
进一步的,所述S13具体中利用矩形法识别剔除异常数据后的运渣车数据非活跃车辆数据的具体方式为:
S131、找出各运渣车运行轨迹中的最大经纬度和最小经纬度;
S132、以所得到的最大经纬度和最小经纬度为车辆轨迹的最大路径距离,判断最大路径距离是否小于距离阈值,若是则判定运渣车辆为不活跃车辆。
进一步的,所述S3具体包括如下步骤:
S31、对每一辆运渣车k,从i+1个轨迹点开始向后遍历,找到时间大于最小时间阈值的最近轨迹点j;
S32、利用矩形法获取当前轨迹点簇(i,j-1)的最大路径距离d max,判断当前轨迹点簇(i,j-1)的最大路径距离d max是否小于所选空间阈值,若小于则该轨迹点簇判定为停驻点并将其全部加入到停驻点集合内,若大于则进入步骤S33;
S33、判断当前轨迹点簇(i,j-1)是否为稀疏点簇,若是则不满足停驻点条件并直接跳过未来设定时间段以内的所有轨迹点,遍历未来设定时间段以后的轨迹点;若否则进入步骤S34;
S34、判断当前轨迹点簇(i,j-1)是否为非常稀疏点簇,若是则直接跳过该轨迹点簇内的所有轨迹点,进入轨迹点j,若轨迹点j大于轨迹长度则退出循环;
S35、将停驻点匹配值划分好的网格内,结束流程。
进一步的,所述S32中判断当前轨迹点簇(i,j-1)是否为非常稀疏点簇的条件为:
所述S33中判断当前轨迹点簇(i,j-1)是否为稀疏点簇的条件为:
进一步的,所述S34中停驻点的判定条件为:
为时间阈值,/>为运渣车在/>时间点的位置数据,/>为运渣车在/>时间点的位置数据,/>为/>内运渣车轨迹的纬度最大值,/>为时间段/>内运渣车轨迹的纬度最小值,/>为时间段/>内运渣车轨迹的经度最大值,/>为时间段/>内运渣车轨迹的经度最小值。
本发明具有以下有益效果:
本发明利用运渣车轨迹GPS数据特征有效筛选停驻点位,使得快速识别城市施工点位、渣车停放点、倾倒场,及时发现建筑垃圾违规处置、消纳的行为成为可能,确保运渣车辆来源可查、去向可追、责任可究,显著提高了执法查处效能。
本发明通过矩阵法和自适应跳跃法设置合理的阈值挖掘出运渣车在运行过程中的停驻点,这种算法能够依据车辆轨迹特征辨别行停规律,同时可以规避数据缺失等问题。算法采用简化的距离计算方式,极大提高运行效率。
附图说明
图1为本发明基于运渣车轨迹点推断污染点位的方法流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于运渣车轨迹点推断污染点位的方法,如图1所示,包括如下步骤:
S1、获取原始运渣车数据并进行数据预处理;
具体而言,本实施例由Python3.7.3实现,使用了numpy、pandas、numba、sklearn等包。操作***为Windows10,硬件环境为i7-10700 8核CPU,16G内存。读取原始运渣车数据,把格式转换为Pandas DataFrame并进行以下数据预处理:
1、处理数据的异常值,清理空值以及不在地理经纬度范围内数据;
2、从原始运渣车数据中剔除非活跃车辆数据,保留所选时段移动着的车辆数据;具体方式同上述矩形法,找出各辆车运行轨迹中的最大经纬度和最小经纬度(矩形),代表车辆运行的最大路径距离,判断该最大路径距离是否小于所选阈值(比如3公里),小于则表明该车辆运动不活跃,剔除。
3、对时间格式进行处理使其能进行时间维度的计算。
S2、将预处理后的运渣车数据按照时间进行排序,并遍历每一辆运渣车的所有轨迹点;
S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点,若是则将其该停驻点匹配至划分好的网格并结束流程,若不是则重复步骤S3。
在本实施例里,步骤S3具体包括如下步骤:
S31、对每一辆车k,从i+1个轨迹点开始向后遍历,找到时间大于最小时间阈值的最近轨迹点j;
S32、利用矩形法获取当前轨迹点簇(i,j-1)的最大路径距离d max,判断当前轨迹点簇(i,j-1)的最大路径距离d max是否小于所选空间阈值,若小于则该轨迹点簇判定为停驻点并将其全部加入到停驻点集合内,若大于则进入步骤S33;
S33、判断当前轨迹点簇(i,j-1)是否为稀疏点簇,若是则不满足停驻点条件并直接跳过未来设定时间段以为的所有轨迹点,遍历未来设定时间段以后的轨迹点;若否则进入步骤S34;
S34、判断当前轨迹点簇(i,j-1)是否为非常稀疏点簇,若是则直接跳过该片段内的所有轨迹点,进入轨迹点j,若轨迹点j大于轨迹长度则退出循环;
S35、将停驻点匹配值划分好的网格内,结束流程。
在本实施例里,针对每一辆车k,遍历其所有轨迹点i,将多个点围绕的情况辨认为停驻点,矩形法是用来判定任意给定轨迹点是否是“准驻点”的方法。其参数包括:时间阈值/>和空间阈值/>。其原理是判定与该轨迹点相邻的轨迹点是否在空间上相近,数学表达如下:
从移动着的车辆轨迹中筛选候选驻留点(静止点和徘徊点),矩阵法+自适应跳跃法。
2)、从第一个轨迹点开始遍历;
3)、自适应式跳跃;
自适应法会快速跳过车辆正常行进过程中的轨迹点,而在驻点附近加密排查。由于车辆大部分轨迹点都是正常行进过程中,故该方法会有加速效果。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于运渣车轨迹点推断污染点位的方法,其特征在于,包括如下步骤:
S1、获取原始运渣车数据并进行数据预处理;
S2、将预处理后的运渣车数据按照时间进行排序,并遍历每一辆运渣车的所有轨迹点;
S3、利用自适应法辨别多个轨迹点所围绕的区域是否为停驻点,若是则将其该停驻点匹配至划分好的网格并结束流程,若不是则重复步骤S3,具体包括如下步骤:
S31、对每一辆运渣车k,从i+1个轨迹点开始向后遍历,找到时间大于最小时间阈值的最近轨迹点j;
S32、利用矩形法获取当前点簇(i,j-1)的最大路径距离d max,判断当前点簇(i,j-1)的最大路径距离d max是否小于所选空间阈值,若小于则该轨迹点簇判定为停驻点并将其全部加入到停驻点集合内,若大于则进入步骤S33,其中,停驻点的判定条件为:
为时间阈值,/>为运渣车在/>时间点的位置数据,/> 为运渣车在/>时间点的位置数据,/>为/>内运渣车轨迹的纬度最大值,/>为时间段/>内运渣车轨迹的纬度最小值,/>为时间段/>内运渣车轨迹的经度最大值,/>为时间段/>内运渣车轨迹的经度最小值;
S33、判断当前点簇(i,j-1)是否为稀疏点簇,若是则不满足停驻点条件并直接跳过未来设定时间段以内的所有轨迹点,遍历未来设定时间段以后的轨迹点;若否则进入步骤S34,其中判断当前点簇(i,j-1)是否为稀疏点簇的条件为:
S34、判断当前点簇(i,j-1)是否为非常稀疏点簇,若是则直接跳过该未来设定时间段内的所有轨迹点,进入轨迹点j,若轨迹点j大于轨迹长度则退出循环,其中,判断当前点簇(i,j-1)是否为非常稀疏点簇的条件为:
S35、将停驻点匹配至划分好的网格内,结束流程。
2.根据权利要求1所述的基于运渣车轨迹点推断污染点位的方法,其特征在于,所述S1中具体包括如下步骤:
S11、读取原始运渣车数据并进行格式转换;
S12、对原始运渣车数据进行异常数据剔除;
S13、利用矩形法识别剔除异常数据后的运渣车非活跃车辆数据,保留所选时段移动车辆数据。
3.根据权利要求2所述的基于运渣车轨迹点推断污染点位的方法,其特征在于,所述S12中异常数据包括异常值、清理空值以及补在地理经纬度范围内的数据。
4.根据权利要求2所述的基于运渣车轨迹点推断污染点位的方法,其特征在于,所述S13具体中利用矩形法识别剔除异常数据后的运渣车数据非活跃车辆数据的具体方式为:
S131、找出各运渣车运行轨迹中的最大经纬度和最小经纬度;
S132、以所得到的最大经纬度和最小经纬度为车辆轨迹的最大路径距离,判断该路近距离是否小于距离阈值,若是则判定运渣车辆为不活跃车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252292.7A CN115964545B (zh) | 2023-03-16 | 2023-03-16 | 一种基于运渣车轨迹点推断污染点位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310252292.7A CN115964545B (zh) | 2023-03-16 | 2023-03-16 | 一种基于运渣车轨迹点推断污染点位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115964545A CN115964545A (zh) | 2023-04-14 |
CN115964545B true CN115964545B (zh) | 2023-05-30 |
Family
ID=85888215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310252292.7A Active CN115964545B (zh) | 2023-03-16 | 2023-03-16 | 一种基于运渣车轨迹点推断污染点位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964545B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112867B (zh) * | 2023-10-24 | 2024-01-09 | 四川国蓝中天环境科技集团有限公司 | 一种基于gps轨迹数据的重型车辆排放计算和可视化方法 |
CN117131149B (zh) * | 2023-10-26 | 2024-01-23 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车gps轨迹的土石方点位和运输网络识别方法 |
CN117473398B (zh) * | 2023-12-26 | 2024-03-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
CN117494011B (zh) * | 2023-12-29 | 2024-03-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车土石方运输特征的扬尘点位类型判别方法 |
CN118211853B (zh) * | 2024-05-17 | 2024-07-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于跨时空聚类的运渣车活跃点位计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730873A (zh) * | 2017-09-14 | 2018-02-23 | 王淑芳 | 一种重点营运车辆异常行为监控方法和*** |
CN114997777A (zh) * | 2022-05-27 | 2022-09-02 | 深圳市规划国土发展研究中心 | 一种基于轨迹信息的车辆移动特征识别方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4730961B2 (ja) * | 2006-03-24 | 2011-07-20 | 富士重工業株式会社 | 塵芥収集車、塵芥収集車の運行管理システム、センタ装置、及び塵芥収集車の運行管理方法 |
JP5225218B2 (ja) * | 2008-07-02 | 2013-07-03 | パナソニック株式会社 | 車両搭載型画像記録装置および画像記録方法 |
KR20130030050A (ko) * | 2011-09-16 | 2013-03-26 | 현대자동차주식회사 | 주차위치 추출방법과 이를 이용한 단말기 및 프로그램이 기록된 기록매체 |
CN104966129A (zh) * | 2015-06-08 | 2015-10-07 | 浙江大学 | 一种车辆运行轨迹的分离方法 |
CN106649709B (zh) * | 2016-12-20 | 2020-02-07 | 北京航空航天大学 | 一种基于数据挖掘的车辆停留行为模式预测与评估方法 |
CN108256560B (zh) * | 2017-12-27 | 2021-05-04 | 同济大学 | 一种基于时空聚类的停驻识别方法 |
CN109541654A (zh) * | 2018-11-19 | 2019-03-29 | 北京金州世纪信息技术有限公司 | 一种车辆停靠点的计算方法及装置 |
CN110148298B (zh) * | 2019-06-24 | 2022-03-18 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110751737B (zh) * | 2019-09-24 | 2021-12-28 | 深圳市捷顺科技实业股份有限公司 | 停车计时方法、装置、设备及计算机可读存储介质 |
CN111127930A (zh) * | 2019-12-13 | 2020-05-08 | 青岛海信网络科技股份有限公司 | 车辆常用行驶路线获取方法及装置 |
CN111966729B (zh) * | 2020-08-27 | 2023-05-19 | 平安国际智慧城市科技股份有限公司 | 一种车辆轨迹数据处理方法、装置、设备及存储介质 |
CN113011815A (zh) * | 2021-03-11 | 2021-06-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种货车停靠点提取方法和出行特征确定方法、装置 |
CN113553482B (zh) * | 2021-09-18 | 2022-02-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 停留点识别和出行链构建***、算法、设备及存储介质 |
CN114140300A (zh) * | 2021-11-02 | 2022-03-04 | 北京中交兴路车联网科技有限公司 | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 |
CN115436972A (zh) * | 2022-08-31 | 2022-12-06 | 湖南省交通科学研究院有限公司 | 基于重载货车gps轨迹识别停留点的方法、***及介质 |
CN115457777B (zh) * | 2022-09-06 | 2023-09-19 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
-
2023
- 2023-03-16 CN CN202310252292.7A patent/CN115964545B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730873A (zh) * | 2017-09-14 | 2018-02-23 | 王淑芳 | 一种重点营运车辆异常行为监控方法和*** |
CN114997777A (zh) * | 2022-05-27 | 2022-09-02 | 深圳市规划国土发展研究中心 | 一种基于轨迹信息的车辆移动特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115964545A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115964545B (zh) | 一种基于运渣车轨迹点推断污染点位的方法 | |
CN102999756B (zh) | 基于gpu实现pso-svm对道路标志的识别方法 | |
CN102385705B (zh) | 利用多特征自动集群法的异常行为侦测***与方法 | |
CN104200466A (zh) | 一种预警方法及摄像机 | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控*** | |
CN109781945B (zh) | 一种基于移动装置的污染物区域间传输排查方法与*** | |
CN112929827B (zh) | 建筑废弃物的排放监控方法、装置及介质 | |
CN117131149B (zh) | 一种基于运渣车gps轨迹的土石方点位和运输网络识别方法 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN109934161B (zh) | 基于卷积神经网络的车辆识别与检测方法及*** | |
CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN117392855A (zh) | 基于卫星定位数据的车辆超限超载概率识别方法及*** | |
Chen et al. | Managing edge AI cameras for traffic monitoring | |
CN114897944B (zh) | 一种基于DeepSORT的多目标连续跟踪方法 | |
Lance et al. | Efficient vehicle counting algorithm using gaussian mixing models and IOU based tracker for LPWAN based intelligent traffic management systems | |
CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
CN112180913A (zh) | 特种车辆识别方法 | |
Zhang et al. | A method for construction core points identification based on trajectory data of engineering vehicles | |
CN116310307A (zh) | 基于图像分析的地铁车厢清客判断方法及电子设备 | |
Jafari et al. | Intelligent Traffic Light Solution for Green and Sustainable Smart City | |
CN114446053B (zh) | 针对智能网联车辆轨迹误差的无控制交叉口安全评价方法 | |
CN118036162B (zh) | 智能地锁的建筑规划方法、装置、终端设备及存储介质 | |
CN118071234B (zh) | 基于输入输出隐马尔可夫模型的运渣车运输活动预测方法 | |
Yuan et al. | Traffic Information Mining Based on Queue Profile Geometry at Signalized Intersections |
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 |