- 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。 11、上午上班时间8点02分，应该提前到7点55分出发。下午上班时间2点12分，应该提前到2点00出发。 12、 13、把时间分段，区分出上午上班、上午下班、下午上班、下午下班。
47500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。 联咏在2013年初直推出1080P解决方案的芯片NT96650行车记录仪方案，挤入1080P俱乐部该芯片一出来就受到了广泛关注，联咏NT96650搭载镁光0330的行车记录仪，测试起来白天画质、细节、细腻度及清晰度非常好 在2014年中，为了弥补自己在前后双路行车记录仪方案便的不足，先后推出了NT96655 NT96660 NT96663主控芯片，目前推出单芯片主控内置DDR更有竞争优势的NT96658行车记录仪方案更迅速占领 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。
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
将彩色图像转换为灰度图像，即代替3个通道（BGR），图像只有一个8位通道，其值范围为0–255，其中0对应于黑色，255对应于白色。我们这样做是为了为下一个过程准备图像。 步骤8 输出 最后，让我们将图像输入到我们的模型中。
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 ，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。 灯光亮度及颜色：可以设定黄色或红色两种颜色，亮度等级不少于8档。 闪烁频率：智能雾灯的同步闪烁频率可根据需要进行调整，档位数不少于4档。 闪烁方式：红灯闪烁或黄灯闪烁可调。 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 边缘计算节点：采用华为Atlas 200I A2（算力22TOPS，INT8精度），部署MindSpore Lite框架，支持单卡并发处理16路1080P视频流，内置防尘散热模块（IP65防护，适配钢厂高温高尘环境 __init__() # 视觉特征提取（YOLOv8骨干网络简化版） self.backbone = nn.Sequential( # 输入：[B, 3, H logits = self.classifier(self.fusion_fc(fused_feat)) # [B, 2] return logits # 核心逻辑：8帧 （三）轻量化与国产化适配 模型压缩：通过通道剪枝+量化（FP32→INT8），模型体积从156MB压缩至32MB，支持Atlas 200I A2单卡并发处理20路视频流； 国产化兼容：完成与昇腾310芯片
34310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PyQt+YOLO
python3GUI---基于PyQt5+YOLOv8+DeepSort的智慧行车可视化系统（详细介绍）
一．前言大家好，本次给大家带来我的新作品：基于PyQt5+YOLOv8的智慧行车可视化系统，这是一款模仿盯盯拍等HUD的实时行车分析可视化系统，我们使用自己训练的模型进行目标检测、采用多种维度检测目标车辆以及距离 2.YOLOv8YOLOv8在该系统中主要负责实时目标检测，是感知模块的核心。 三．核心功能这里我将使用图文的方式详细介绍我们的PyQt5+YOLOv8+DeepSort的智慧行车可视化系统，请大家耐心仔细观看。 8.行车深度模块这里我们使用了MiDaS单目深度估计方法来展示当前场景中的深度变化情况。该方法基于深度学习模型，能够从单张图像中预测出相对深度信息，从而直观反映出画面中不同区域的远近关系。 五．总结本次和大家详细分析了我使用PyQt5+YOLOv8+DeepSort开发的智慧行车可视化系统，这个系统高端大气，非常适合学习计算机视觉、YOLOv8、OpenCV、PyQt5等技术，非常适合用来研究学习
26111编辑于 2026-03-29 - 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）
label.txt','w') 6 for i in xrange(batchSize): 7 plateStr,plate = G.genPlateString(-1,-1) 8 batch_size=16) 5 6 # 读取验证数据 7 val_reader = paddle.batch(paddle.reader.shuffle( 8 # 构建卷积-池化层-1 6 conv_pool_1 = paddle.networks.simple_img_conv_pool( 7 input=x, 8 self.X_train = X_train 6 self.Y_train = Y_train 7 self.X_val = X_val 8 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。 上代码： # -*- coding: utf-8 -*- import sys import os from PyQt4 import QtGui, uic, QtCore class car_trace_plot 4.看一下ht.html文件 <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-<em>8</em>" /> <meta
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。 安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，可为交通事故提供证据，喜欢自驾游的人，还可以用它来记录征服艰难险阻的过程。 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。 （1）行车记录运行起来后，需要间隔循环录制视频保存，一般是1~10分钟一段视频，这样设计的原理是方便按时间查找视频，也防止以为情况损坏视频编码， 导致视频无法正常播放。
1.8K30编辑于 2022-05-11 - 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 - 来自专栏数控编程社区
如何对不同材质的工件进行车削
数控编程、车铣复合、普车加工、Mastercam、行业前沿、机械视频，生产工艺、加工中心、模具、数控等前沿资讯在这里等你哦
1.6K10编辑于 2024-06-12 - 来自专栏AI那点小事
CCF考试——201712-4行车路线
数据规模和约定 对于30%的评测用例，1 ≤ n ≤ 8，1 ≤ m ≤ 10； 对于另外20%的评测用例，不存在小道； 对于另外20%的评测用例，所有的小道不相交；
70010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。 其次是轮组，因为轮组除了本身在空气中运动的阻力外，钢丝在旋转时亦会产生阻力， 整体轮组约占了整个阻力8%。
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。 seaborn进行了可视化探索分析，图表精美，分析维度多样化，结论清晰 使用LSTM模型：长短期网络模型的使用，使得结果更具价值和参考性 [008i3skNly1gzc5pf2trlj30go037t8s.jpg 的著作 2、知乎文章：https://zhuanlan.zhihu.com/p/24018768 3、B站：搜索李沐大佬关于LSTM的讲解 [008i3skNly1gz6gl55ssfj30zk0g4go8. 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 ] 可以从图中观察到以下3点结论： 年初到7、8月份需求量呈现上升趋势 差不多在8月份达到一定的峰值 8月份过后需求量开始降低 每小时需求量 plt.figure(figsize=(16,6)) sns.pointplot
2K10编辑于 2022-02-22
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