- 综合排序
- 最热优先
- 最新优先
- 来自专栏大大的小数据
行车数据分析2020.11.11
2、上午上班8点27停车，中午12点30回到家，下午2点31上班，晚上6点52回到家。 3、晚上回家受下班不匆忙和下班晚高峰影响，回到家时间相对不集中。 4、 5、 6、上午上班停车时间波峰尾，8点33，应该提早5分钟。 7、 8、下午上班停车时间波峰尾，2点36，应该提早10分钟。 9、 10、每天开车时间（时分）折线图。
47600编辑于 2022-09-21 - 来自专栏大数据文摘
自行车赛2.0——大数据如何再造环法自行车赛
自行车赛这些年日子不好过。高科技能否拯救它？ 自行车这个运动正在发生一些非同寻常的变化。著名的环法自行车赛将于这周末开始，历时三周。它，正处于这些变化的核心。 新的环法自行车赛中心的门户网站可以(其制造商保证)接收反馈可靠的GPS数据，使粉丝们可以得到非常精确的答案。 在沿途某个地方，环法公司现代化赛事负责人Christian Prudhomme看起来对环法自行车赛以及数据在塑造其未来中所扮演的角色有深刻的领悟。 在幕后，支持环法自行车赛2.0的大数据是由高科技公司Dimension Data开发的。其核心是一辆大卡车，外面印着公司的绿色标志，里面有约6-8名软件工程师。 作为一名自行车运动的发烧友，为全世界最大最好的自行车赛管理一个野心勃勃的大数据项目，这要么是世界上最好的工作，要么是压力山大乏善可陈的。
86130发布于 2018-05-24 - 来自专栏嵌入式Linux系统开发
行车记录仪主要方案公司
那么音视频技术应用较多的地方有安防行业、行车记录仪、运动相机等。今天就给大家介绍一下，行车记录仪主要的方案提供商。 但记录仪市场对这种大鳄来说太小了，前期投入力度不大，在经历了14年行车记录大暴发之后，现在正发力行车记录仪市场。 80%中高的行车记录仪市场,是行车记录仪品牌客户首选的行车记录仪方案。 在14年6月份以前所以世面上看到的双录行车记录仪基本上都是全志的主控芯片。期待全志在其芯片稳定、视频效果上加大投入，在现在互联网，车联网概念横飞的时代，其发展前景应该会非常好。 6、补充： 常见音视频技术：可以参考CSDN“雷霄骅”的博客，讲的很详细。
3.4K30发布于 2021-05-28 - 来自专栏数据科学和人工智能
数据集 | 自行车租赁数据集
下载数据集请登录爱数科(www.idatascience.cn) 自行车出租计划是主要城市减少污染和碳排放的一种方式，同时鼓励锻炼。 该数据集记录了华盛顿特区的一个自行车出租计划两年来每天每小时的数据。每小时都记录了天气状况，以及临时用户和注册用户租用自行车的数量。 1. 字段描述 2. 数据预览 3.
97010编辑于 2022-03-30 - 来自专栏深度学习和计算机视觉
基于Python使用OpenCV进行车牌检测
# Estimations of character contours sizes of cropped license plates dimensions = [LP_WIDTH/6, 步骤6 创建机器学习模型并训练模型 数据是干净和准备好的，现在是时候创建一个神经网络，它将足够智能，在训练后识别字符。 对于建模，我们将使用具有3层的卷积神经网络。
2.2K20编辑于 2022-02-14 - 来自专栏高速公路那点事儿
解决方案 | 雾天行车安全难题多，智能行车安全诱导系统能破局吗？
随着技术创新与行业应用发展，2016年交通运输部发布了《雾天公路行车安全诱导装置》（JTT 1032）交通行业标准，极大得促进了公路雾区行车安全智能诱导及防撞预警系统（以下简称：行车安全智能诱导系统）的发展 行车安全智能诱导系统利用设置在公路两侧的行车安全智能诱导设施（也称为智能诱导边缘标）为在途车辆提供安全引导，在控制系统的集中智能控制下，行车安全智能诱导设施会根据不同的能见度与车流情况，采用不同的发光亮度 具体目标如下： (1)根据系统实时采集的能见度、雨、雪等行车环境数据，自动控制路侧智能诱导边缘标，以不同的亮度、颜色、闪烁频率等组合进行针对性行车引导，实现雨雪雾霾等复杂气象环境下的高速公路自适应安全诱导 ，不论环境照度条件，系统都将开发行车主动诱导功能，随着能见度条件的进一步降低，系统将自动切换至防止追尾警示模式，该模式下，无车辆通过时仍采用行车主动诱导工作模式。 05-设备构成 公路行车安全智能诱导系统主要由交通气象环境感知设备、行车安全智能诱导装置（智能诱导边缘标）、现场控制主机设备（数据预处理器）三大核心设备组成。
62500编辑于 2025-07-03 - 来自专栏大大的小数据
采集行车记录GPS轨迹并推送邮件2020.11.13
1、登录行车PGS记录页面。 2、跳转到轨迹页面。 3、把轨迹页面截图。 4、把截图发送到邮箱。
98820编辑于 2022-09-22 - 来自专栏燧机科技-视频AI智能分析
行车作业区域人员闯入检测系统
： 行车轨道沿线：立杆安装（高度6-8m，俯角30°），覆盖“轨道两侧5m警戒区”，支持ROI动态聚焦（当人员进入警戒区时自动放大跟踪）； 行车驾驶室视角盲区：壁装补盲摄像机（广角120°），结合激光测距模块 行车作业区禁止闯入”）； 证据留存：抓拍闯入瞬间图像（含时间戳、坐标），通过4G/以太网双模传输至管理中心（支持ONVIF协议接入主流安防平台）； 远程管控：管理中心软件输出弹窗告警+声光提示，同步显示人员轨迹回放与行车制动状态 行车作业区域人员闯入检测系统基于LSTM和Transformer架构深度学习算法，行车作业区域人员闯入检测系统通过集成AI大模型，采用AI智能分析预警摄像机设备嵌入AI人体识别深度算法，对人员的精确检测 ，实现对人体检测分析识别，实时预警行车作业区域内人员闯入事件。 当有人员进入行车作业监测范围内可对其自动识别联动语音告警器报警和输出开关量信号联动行车停止工作，也可以对其抓拍并将当时图像传输到管理中心，在管理中心管理软件输出报警弹窗和语音提示。
34510编辑于 2026-01-15 - 来自专栏机器学习AI算法工程
行车环境实时语义分割与深度估计
本项目旨在实现车辆前方行车环境的实时解析。具体通过对行车记录仪的图像、视频数据的语义分割和深度估计实现。要实现的目标如下图所示： ? 2. 模型 本项目在实现行车环境场景语义分割和深度估计实时解析的过程中，尝试使用了不同的模型，有复现文献中提出的网络框架TRL、也有在语义分割ICNet的基础上增加深度分支，最后自己搭建了一个轻量化的模型。
93220发布于 2019-10-28 - 来自专栏全栈程序员必看
怎么提高开车技术_全日行车计划
现在有n个城市，每个城市有它的高度 Hi H_i，保证每个 Hi H_i互不相同。我们定义两个城市之间的距离 disi,j=|Hi−Hj| dis_{i,j}=|H_i-H_j|，并且只能从编号小的城市去到编号大的城市。现在有两个人，小A和小B要开车（雾）去旅行。小A先开一天，小B再开一天。每一天都可以从一个开到另一个城市。小A会选择去离当前城市第二近的城市，小B会选择去离当前城市最近的那个城市。如果他们行驶的总路程将会超过给定的X就会不继续开车(∩_∩)，结束旅行。求： 1：给定一个X，求从哪一个城市出发，小A行驶的路程/小B行驶的路程最小。（认为一个数/0=∞）。若有多个城市相等，选择高度最高的那个。 2：给出m个询问，每次询问从S出发，限制为X，小A走的路程和小B走的路程。
29720编辑于 2022-09-23 - 来自专栏深度学习入门与实践
【深度学习】用PaddlePaddle进行车牌识别（二）
os.path.exists(outputPath)): 4 os.mkdir(outputPath) 5 outfile = open('label.txt','w') 6 fc5 = paddle.layer.fc(input = fc5_drop,size = 65,act = paddle.activation.Linear()) 42 43 fc6_ drop = paddle.layer.dropout(input = fc,dropout_rate = 0.5) 44 fc6 = paddle.layer.fc(input = fc6_drop drop = paddle.layer.dropout(input = fc,dropout_rate = 0.5) 51 fc6 = paddle.layer.fc(input = 传统的方法需要对图片灰度化，字符进行切分等，需要很多数据预处理的过程，端到端的方法可以直接将原始的图片灌进去进行训练，最后出来预测的车牌字符的结果，这个方法在构建了两层卷积-池化网络结构后，并行训练了7个全连接层来进行车牌的字符识别
1.7K80发布于 2018-04-04 - 来自专栏钱塘小甲子的博客
PyQt利用百度API绘制行车路径
任务不太难，基本要求就是能够在Qt界面上根据车辆的起始经纬度，绘制出实际地图上的行车轨迹。 1.构建Qwebview控件。 ? 首先，我们qt的界面中插入QWebView控件。
2.1K30发布于 2019-01-28 - 来自专栏嵌入式项目开发
Linux小项目-行车记录仪项目设计
前言 行车记录这个设备相信大家应该都不陌生，它的功能主要是记录车辆行驶途中的影像及声音。 现在横穿马路的行车、摩托车，不交通规则形势的汽车也经常遇到，万一和他们产生了刮碰，有可能会被敲诈勒索，如果有了行车记录仪，司机可为自己提供有效的证据。 这篇文章就介绍在Linux最小系统开发板上如何实现行车记录仪的功能，开发板自带了8G的EMMC，也可以外扩SD卡。 首先，在设计行车记录仪这个项目之前，要先了解清楚行车记录仪的功能。 ; video_buffer.index=i;/*缓冲区的编号*/ if(ioctl(video_fd,VIDIOC_QBUF,&video_buffer))return -5; } /*6. / int opt=V4L2_BUF_TYPE_VIDEO_CAPTURE; /*视频捕获设备*/ if(ioctl(video_fd,VIDIOC_STREAMON,&opt))return -6;
1.8K30编辑于 2022-05-11 - 来自专栏数控编程社区
如何对不同材质的工件进行车削
6、车削淬硬钢 车削硬度通常为 55–65 HRC 的钢件被称为硬零件车削，是一种经济高效的磨削替代方案。硬零件车削具有更高的灵活性、更好的交货时间和更高的质量。
1.7K10编辑于 2024-06-12 - 来自专栏AI那点小事
CCF考试——201712-4行车路线
样例输入 6 7 1 1 2 3 1 2 3 2 0 1 3 30 0 3 4 20 0 4 5 30 1 3 5 6 1 5 6 1 样例输出 76 样例说明 从1走小道到2，再走小道到3，疲劳度为52=25；然后从3走大道经过4到达5，疲劳度为20+30=50；最后从5走小道到6，疲劳度为1。
70210发布于 2020-04-20 - 来自专栏reizhi
263KMH 史上最快自行车诞生
作为很多人曾经的首选代步工具，自行车的记忆是难以磨灭的。而随着科技的发展，电动车、摩托车以及私家车逐渐代替了自行车成为新的个人代步工具。尽管如此，我们每天仍然能在城市中看到不少自行车的身影。 甚至于在某些堵车严重的地区，骑自行车上班比汽车要更快。虽然自行车也分为城市车、山地车、越野车等很多种，但你有没有设想过最高时速263KM/H的自行车呢？ 近日，有外国友人就自己设计出了这么一款“喷气动力”的自行车，最高时速达到了263KM/H，创下了史上最快自行车的记录。 在此之前，自行车的速度记录是242.6KM/H，创立时间为2002年。在视频中可以看到，当火箭自行车超越旁边的小汽车时，速度及其之快。 其次速度上也不便于控制，毕竟没有人需要一辆这么快的自行车，除非是007要追上一架飞机。最后，这个会不会太危险了。
77710编辑于 2022-09-26 - 来自专栏罗超频道
ofo连下33城，中国重回自行车时代
在许多60后、70后的中国人记忆里，自行车都曾是中国人最重要的交通工具，不过，随着中国经济的飞速发展，自行车在这个第二大经济体的马路上逐步被汽车、电动车所取代，滑板车、平衡车、电助力车诸多新的代步工具出现 ，轨道交通、滴滴等出行解决方案的普及让中国人的出行方式丰富而便利，自行车则“退化”为一种骑行运动，文化和运动属性大于交通属性，自行车道在广州等发展很快的城市几乎消失，人们骑车还要去“绿道”。 当时，奈斯提出，从提倡环保的角度来看，中国能否重回自行车时代？现在看来，奈斯当时的倡议正在成为现实：自行车逆袭了。 中国又回到了曾经的那个自行车国度 自行车回来的方式，并不是更多人去购买自行车，而是乘着移动互联网和共享经济的东风，实现了随时随地便捷租赁的共享单车模式。 因此，短时间内规模性扩张的关键则在于，一是足够强的供应链能力，可在短时间内生产或整合更多的自行车，并高效率地投放到城市；二是要有足够强的配套管理能力，能够对投入到街面的自行车进行科学的管理。
55460发布于 2018-04-27 - 来自专栏云深之无迹
MCM2022A，自行车动力学模型
其次，侧风会改变自行车的阻力区域，因为空气以不同的方向流过自行车和骑手。相对于自行车的路径，风可以具有任何方向。考虑这些问题的第一步是将风速分成两个分量。 逆风分量与自行车的路径相切，速度为v WTan，侧风分量垂直于自行车的路径，速度为v WNor。 然后可以根据自行车的速度和逆风分量计算空气速度： v A = v G + v WTan 偏航角是自行车路径与自行车上方气流方向之间的角度。 车轮旋转的空气阻力 对于风洞测试，自行车应安装在滚轮上，使其车轮以地面速度旋转。这是因为车轮的运动改变了自行车和骑手上的空气流动。然而，在风洞中测量的力只是空气向后推自行车和骑手的力。 自行车功率方程的实验验证 这种方法首先被证明可以将公路自行车手的力量预测大约 3%（Martin 等人，1998 年）。
1.3K21编辑于 2022-03-07 - 来自专栏机器学习/数据可视化
基于LSTM模型的自行车需求预测
作者：Peter 编辑：Peter 大家好，我是Peter~ 今天给大家带来一篇新的kaggle数据分析实战案例：基于长短期记忆网络（LSTM）模型的伦敦自行车需求预测分析。 object 数据中没有缺失值： [008i3skNgy1gzebaindxlj30k00e80th.jpg] 字段含义 解释下数据中字段的含义： timestamp：用于将数据分组的时间戳字段 cnt：新自行车份额的计数 ", label="predicted label") # 图例位置 plt.legend(loc="best") plt.show() [e6c9d24ely1gzfkrm2rjpj21gs0kmte6 作者还写了两段话： [e6c9d24ely1gzfkrptnn7j21he0k6gr0.jpg] Note that our model is predicting only one point in 虽然我们的模型不能真正捕捉到极值，但它在预测（理解）一般模式方面还是做得很好 [e6c9d24ely1gzfkru11x1j21gs0kmte6.jpg] AS you can see that I have
2K10编辑于 2022-02-22 - 来自专栏深度学习入门与实践
【深度学习系列】用PaddlePaddle进行车牌识别（一）
今天给大家带来的项目是用PaddlePaddle进行车牌识别。车牌识别其实属于比较常见的图像识别的项目了，目前也属于比较成熟的应用，大多数老牌厂家能做到准确率99%+。 +8+23+6+23+17 +i*23 + i*6 ; 22 self.img[0:70, base : base+23]= GenCh1(self.fontE,val[i+2 +8+23+6+23+17 +i*23 + i*6 ; 171 self.img[0:70, base : base+23]= GenCh1(self.fontE,val[i+ 上图即为生成的车牌数据，有清晰的有模糊的，有比较方正的，也有一些比较倾斜，生成完大量的车牌样张后就可以进行车牌识别了。 下一小节将会讲如何用端对端的CNN进行车牌识别，不需要通过传统的ocr先对字符进行分割处理后再识别。
2.2K100发布于 2018-03-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号