基于图像的交通监控/密度实时预测：在 MATLAB 中训练神经网络，导出到 ONNX 以进行 Python Flask 部署-m...

市场上有许多路线规划应用程序。 有些人通过使用地图找到最短路径来帮助他们的用户计划他们的旅行。 但是，如果不考虑实际的交通状况，即使它们使用了最精确的地图，通常看起来更快的路线也会比预期花费更长的时间。 其他路线规划应用程序试图通过让用户打开 GPS 来解决这个问题。 根据用户在特定位置累积的 GPS，该应用程序可以“看到”那里的交通密度。 除此之外，一些应用程序还将流量报告和推文纳入其优化模型。 然而，这些方法取决于用户同意打开他们的 GPS 并发布有关交通状况的推文。 出于隐私考虑，一些用户可能希望在离线模式下使用该应用程序而不打开他们的 GPS，而且我们不能依赖用户始终在所有情况下始终如一地发布关于交通状况的推文。 有多少用户日复一日地受到惩罚或有动力在一次又一次的流量报告中调用。 此外，交通密度的分类是主观的。 一个用户对繁忙交通的定义是另一个用户认为正常的交通 在新加坡，全