项目：建立交通标志识别程序 该项目 该项目的目标/步骤如下： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 用书面报告总结结果 依存关系 该项目要求： tensorflow-gpu == 1.7.0 scipy == 1.0.0 matplotlib == 2.0.0 numpy == 1.14.2 opencv-contrib-python == 3.4.0.12 sklearn == 0.18.2 数据集探索 数据集摘要 。 加载数据集和基本摘要 加载数据集后，我得到以下摘要信息： 训练例数：34799 测试例数：12630 验证示例数：4410 图像形状为：（32 32，3） 类数标签：43 探索性可视化 该图像网格表示从训练集中每个类别中选择的一个随机图像 分配 现在，我们将探索分

整个项目源码： 引言 前面我们讲完交通标志的识别，现在我们开始尝试来实现交通信号灯的识别 接下来我们将按照自己的思路来实现并完善整个Project. 在这个项目中，我们使用HSV色彩空间来识别交通灯，可以改善及提高的地方： 可以采用Faster-RCNN或SSD来实现交通灯的识别 首先我们第一步是导入数据，并在RGB及HSV色彩空间可视化部分数据。这里的数据，我们采用的图片， 总共三类：红绿黄，1187张图片，其中，723张红色交通灯图片，429张绿色交通灯图片，35张黄色交通灯图片。 导入库 # import some libs import cv2 import os import glob import random import numpy as np import matplotlib.pyplot as plt import matplotlib.image as mpimg

3D交通事故 用ThreeJs模拟交通事故 问题 如果浏览器下载文件而不是打开文件，则需要清除Cookie数据

Identifying Encrypted Malware Traffic with Contextual Flow Data, ETA

Identifying Encrypted Malware Traffic with Contextual Flow Data 识别加密网络流量中包含的威胁会带来一系列独特的挑战。监视此流量中是否存在威胁和恶意软件很重要，但是必须以保持加密完整性的方式进行监视。由于模式匹配无法对加密数据进行操作，因此以前的方法已经利用了从流中收集的可观察到的元数据，例如流的数据包长度和到达时间。在这项工作中，我们通过考虑数据全能性来扩展当前的最新技术方法。为此，我们开发了受监督的机器学习模型，这些模型利用了一组独特且多样化的网络流数据功能。这些数据功能包括TLS握手元数据，链接到加密流的DNS上下文流以及5分钟内来自同一源IP地址的HTTP上下文流的HTTP标头。 我们首先展示数百万个唯一流上恶意流量和良性流量对TLS，DNS和HTTP的使用之间的区别。本研究用于设计具有最大区分能力的功能集。然后，我们表明，将这种上下文信息合并到有监督的学习系统中，可以对分类为加密的恶意流的问题以0.00％的错误发现率显着提高性能。我们还将在一个独立的真实数据集中验证我们的误报率。

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

在车辆自组织网络（VANET）中，车辆通常通过定期广播信标消息来向其相邻车辆通知其当前状态，例如位置，方向和速度。 选择合适的信标方案被认为是一项重要的挑战，因为我们需要在信息准确性和信道拥塞之间进行权衡。 在本文中，我们提出了一种基于短期交通环境预测的自适应信标方案。 通过使用我们的自适应信标方案，车辆可以有效地减少信道拥塞并提高有限信道资源的利用率。 本文详细介绍了基于ARIMA模型的预测方法，并对将发射功率自适应和信标生成速率自适应结合在一起的信标自适应方法进行了描述。 分析和仿真证明了我们的自适应信标方案的性能。

SR Traffic-Engineering Cisco 英文原版ppt 学习SR-TE 一篇足以。

说明： 基于红绿灯图片进行红绿灯进定位、检测和识别。编译环境cmake+opencv。 (Location, detection and recognition of traffic lights based on traffic lights pictures. Compile environment cmake + OpenCV.)

为解决目前可变车道多为手动定时控制、感应控制而引起的可变车道利用率不高以及控制精度不高的问题,首先对影响可变车道属性的因素进行分析,然后以实时的交通流量数据为基础,提出了一种基于动态交通流量的可变车道自适应控制方法,实时地改变可变车道的属性,充分利用可变车道,提高信号交叉口的通行能力。PARAMICS仿真结果表明,该方法能够提高可变车道的利用率,减小信号交叉口的交通延误。