CN107038503A - 一种共享设备的需求量预测方法及*** - Google Patents
一种共享设备的需求量预测方法及*** Download PDFInfo
- Publication number
- CN107038503A CN107038503A CN201710253210.5A CN201710253210A CN107038503A CN 107038503 A CN107038503 A CN 107038503A CN 201710253210 A CN201710253210 A CN 201710253210A CN 107038503 A CN107038503 A CN 107038503A
- Authority
- CN
- China
- Prior art keywords
- target area
- shared equipment
- neural network
- location data
- network model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种共享设备的需求量预测方法及***,其中该方法包括:采集目标区域在预定时间段内的定位数据;将定位数据输入至预先建立的神经网络模型的预处理层,以按照预处理规则处理各定位数据得到目标区域对应的样本数据;将各样本数据输入至神经网络模型中的隐含层以进行样本训练;在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到预测结果。该方法利用神经网络算法建立神经网络模型,通过深度学习对大量得到的样本数据进行训练,从而在输入当前定位数据后,能够得到目标区域对应的需求量的预测结果,从而实现实时预测。另外,在获取到定位数据后,会对定位数据进行预处理,因此,能够提高预测结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种共享设备的需求量预测方法及***。
背景技术
为了方便人们的生活,出现了很多共享设备,例如共享单车,或共享汽车等。共享单车是指企业与政府合作,在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供自行车单车共享服务。日前,各种类型的共享单车迅速风靡全国各地,甚至延伸到了海外。
然而,人们在使用共享单车的过程中出现了很多问题,其中之一就是骑车难的问题,很多用户需要租车时在周围确找不到车,而有时候不需要租车的时候周围却有大量闲置车,一方面,这给用户使用带来了极大的不便,另一方面,也给企业带来很大的利润损失。
由此可见,如何能够***一个地区的共享设备的需求量,从而提高共享设备的利用率是本领域技术人员亟待解决地问题。
发明内容
本发明的目的是提供一种共享设备的需求量预测方法及***,用于***一个地区的共享设备的需求量,从而提高共享设备的利用率。
为解决上述技术问题,本发明提供一种共享设备的需求量预测方法,包括:
采集目标区域在预定时间段内的定位数据;其中,所述定位数据包括位置信息、时间信息和共享设备的数量;
将所述定位数据输入至预先建立的神经网络模型的预处理层,以按照预处理规则处理各所述定位数据得到所述目标区域对应的样本数据;
将各所述样本数据输入至所述神经网络模型中的隐含层以进行样本训练;
在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到所述目标区域的需求量的预测结果。
优选地,若所述目标区域大于预定区域,则还包括:将所述目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
优选地,所述预处理规则包括奇异值分解法或主成分分析法。
优选地,所述神经网络模型中的所述隐含层为多个。
优选地,所述共享设备为共享单车或共享汽车。
为解决上述技术问题,本发明还提供一种共享设备的需求量预测***,包括:
采集单元,用于采集目标区域在预定时间段内的定位数据;其中,所述定位数据包括位置信息、时间信息和共享设备的数量;
预处理单元,用于将所述定位数据输入至预先建立的神经网络模型的预处理层,以按照预处理规则处理各所述定位数据得到所述目标区域对应的样本数据;
样本训练单元,用于将各所述样本数据输入至所述神经网络模型中的隐含层以进行样本训练;
预测单元,用于在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到所述目标区域的需求量的预测结果。
优选地,若所述目标区域大于预定区域,则还包括:划分单元,用于将所述目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
优选地,所述预处理单元的预处理规则包括奇异值分解法或主成分分析法。
优选地,所述神经网络模型中的所述隐含层为多个。
优选地,所述共享设备为共享单车或共享汽车。
本发明所提供的共享设备的需求量预测方法及***,其中,该方法利用神经网络算法建立神经网络模型,通过深度学习方法对大量得到的样本数据进行训练,从而在输入当前定位数据后,能够得到目标区域对应的需求量的预测结果。另外,在获取到定位数据后,会对定位数据进行预处理,因此,能够提高预测结果的准确性。由此可见,本方法不仅能够实现实时预测,而且预测结果的准确性有保证。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种共享设备的需求量预测方法的流程图;
图2为本发明实施例提供的一种共享设备的需求量预测***的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种共享设备的需求量预测方法及***,用于***一个地区的共享设备的需求量,从而提高共享设备的利用率。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种共享设备的需求量预测方法的流程图。如图1所示,共享设备的需求量预测方法包括:
S11:采集目标区域在预定时间段内的定位数据;其中,定位数据包括位置信息、时间信息和共享设备的数量。
S12:将定位数据输入至预先建立的神经网络的预处理层,以按照预处理规则处理各定位数据得到目标区域对应的样本数据。
S13:将各样本数据输入至神经网络模型中的隐含层以进行样本训练。
S14:在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到目标区域的需求量的预测结果。
需要说明的是,本发明中需要预先建立神经网络模型,神经网络模型的建立依据神经网络的原理构建,为本领域技术人员所熟知的领域,本发明不再赘述。作为优选地实施方式,共享设备为共享单车或共享汽车。可以理解地是,共享设备除了上述两种外,还可以是其它种类的设备,本实施例不再赘述。
在步骤S11中,预定时间段的大小可以根据实际情况而定,可以是1个小时或半小时。在具体实施中,共享设备,例如共享单车或共享汽车,都安装有车载定位模块,通过GPS定位***就可以实时获取每个共享设备的定位数据。本实施例中就是通过GPS定位***得到各共享设备的定位数据。
由于本实施例中,选取的是一个预定时间段内的定位数据,因此,这些定位数据有可能有重复的。比如在某一段时间内,某区域s中的共享设备数量一直没变,即前一个采集周期采集到的定位数据和后一个周期采集到的定位数据有重复,因此,在预定时间段内,采集到的定位数据中就会存在较多的冗余数据,如果将这些数据全部输入至神经网络模型中的话,则不仅影响训练结果,也增加了大量的无效运算。再比如,在预定时间段内,某共享设备虽然前后两次采集的位置信息不同,但是两个位置信息都在目标区域中,则这样的数据也是多余的。可以理解的是,剔除的重复数据越多,则样本训练的速度越快,但是如果预处理规则设置的不当,则容易造成样本数据缺失,预测结果的精度降低。作为优选地实施方式,预处理规则包括奇异值分解法或主成分分析法。
在得到样本数据后,将样本数据输入至神经网络模型中进行样本训练从而得到训练后的神经网络模型,当接收到当前定位数据后,就可以通过训练后的神经网络得到当前定位数据对应的目标区域的需求量的预测结果。这里的预测结果就是神经网络模型的输出结果,预测结果包含时间信息和共享设备的数量。通过预测结果,工作人员就可以将共享设备的数量在时间信息对应的时刻之前,投放至目标区域内。
需要强调的是,由于样本数据的量越多,训练次数越多,则预测结果的准确性越高,因此,在具体实施中,需要经过多次、大量的样本训练。作为优选地实施方式,神经网络模型中的隐含层为多个。
本实施例提供的共享设备的需求量预测方法,利用神经网络算法建立神经网络模型,通过深度学习方法对大量得到的样本数据进行训练,从而在输入当前定位数据后,能够得到目标区域对应的需求量的预测结果。另外,在获取到定位数据后,会对定位数据进行预处理,因此,能够提高预测结果的准确性。由此可见,本方法,不仅能够实现实时预测,而且预测结果的准确性有保证。
作为优选地实施方式,在上述实施例的基础上,若目标区域大于预定区域,则还包括:将目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
在具体实施中,如果一个目标区域较大,则该区域内的对于共享设备的需求量就会相对较高。但是考虑到,用户使用的方便性,需要在投放位置上更加准确,从而减少用户索取的时间。本实施例中,如果目标区域较大,则先对该目标区域进行划分,分为多个子区域,然后每个子区域之间都是独立的,相对于一个新的目标区域,即按照步骤S11-S14执行即可。这样就可以得到多个子区域对应的预测结果。工作人员按照这的预测结果,在每个子区域内投放对应数量的共享设备即可。
上述部分描述了共享设备的需求量预测方法对应的实施例,本发明还提供一种与该方法对应的共享设备的需求量预测***的实施例。由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种共享设备的需求量预测***的结构图。如图2所示,共享设备的需求量预测***包括:
采集单元11,用于采集目标区域在预定时间段内的定位数据;其中,定位数据包括位置信息、时间信息和共享设备的数量。
预处理单元12,用于将定位数据输入至预先建立的神经网络的预处理层,以按照预处理规则处理各定位数据得到目标区域对应的样本数据。
样本训练单元13,用于将各样本数据输入至神经网络模型中的隐含层以进行样本训练.
预测单元14,用于在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到目标区域的需求量的预测结果。
作为优选地实施方式,若目标区域大于预定区域,则还包括:划分单元,用于将目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
作为优选地实施方式,预处理单元12的预处理规则包括奇异值分解法或主成分分析法。
作为优选地实施方式,神经网络模型中的隐含层为多个。
作为优选地实施方式,共享设备为共享单车或共享汽车。
本实施例提供的共享设备的需求量预测***,利用神经网络算法建立神经网络模型,通过深度学习方法对大量得到的样本数据进行训练,从而在输入当前定位数据后,能够得到目标区域对应的需求量的预测结果。另外,在获取到定位数据后,会对定位数据进行预处理,因此,能够提高预测结果的准确性。由此可见,本方法,不仅能够实现实时预测,而且预测结果的准确性有保证。
以上对本发明所提供的共享设备的需求量预测方法及***进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种共享设备的需求量预测方法,其特征在于,包括:
采集目标区域在预定时间段内的定位数据;其中,所述定位数据包括位置信息、时间信息和共享设备的数量;
将所述定位数据输入至预先建立的神经网络模型的预处理层,以按照预处理规则处理各所述定位数据得到所述目标区域对应的样本数据;
将各所述样本数据输入至所述神经网络模型中的隐含层以进行样本训练;
在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到所述目标区域的需求量的预测结果。
2.根据权利要求1所述的共享设备的需求量预测方法,其特征在于,若所述目标区域大于预定区域,则还包括:将所述目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
3.根据权利要求1所述的共享设备的需求量预测方法,其特征在于,所述预处理规则包括奇异值分解法或主成分分析法。
4.根据权利要求1所述的共享设备的需求量预测方法,其特征在于,所述神经网络模型中的所述隐含层为多个。
5.根据权利要求1所述的共享设备的需求量预测方法,其特征在于,所述共享设备为共享单车或共享汽车。
6.一种共享设备的需求量预测***,其特征在于,包括:
采集单元,用于采集目标区域在预定时间段内的定位数据;其中,所述定位数据包括位置信息、时间信息和共享设备的数量;
预处理单元,用于将所述定位数据输入至预先建立的神经网络模型的预处理层,以按照预处理规则处理各所述定位数据得到所述目标区域对应的样本数据;
样本训练单元,用于将各所述样本数据输入至所述神经网络模型中的隐含层以进行样本训练;
预测单元,用于在获取到预测指令时,接收当前定位数据并输入至经训练后的神经网络模型中以得到所述目标区域的需求量的预测结果。
7.根据权利要求6所述的共享设备的需求量预测***,其特征在于,若所述目标区域大于预定区域,则还包括:划分单元,用于将所述目标区域划分为多个子区域;
其中,将各子区域作为新的目标区域。
8.根据权利要求6所述的共享设备的需求量预测***,其特征在于,所述预处理单元的预处理规则包括奇异值分解法或主成分分析法。
9.根据权利要求6所述的共享设备的需求量预测***,其特征在于,所述神经网络模型中的所述隐含层为多个。
10.根据权利要求6所述的共享设备的需求量预测***,其特征在于,所述共享设备为共享单车或共享汽车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253210.5A CN107038503A (zh) | 2017-04-18 | 2017-04-18 | 一种共享设备的需求量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710253210.5A CN107038503A (zh) | 2017-04-18 | 2017-04-18 | 一种共享设备的需求量预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107038503A true CN107038503A (zh) | 2017-08-11 |
Family
ID=59535470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710253210.5A Pending CN107038503A (zh) | 2017-04-18 | 2017-04-18 | 一种共享设备的需求量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038503A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944618A (zh) * | 2017-11-20 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 共享车辆的布点规划方法、装置以及电子设备 |
CN108399212A (zh) * | 2018-02-02 | 2018-08-14 | 深圳市微埃智能科技有限公司 | 物联网终端的时间序列数据处理和神经网络趋势预测方法 |
CN109146312A (zh) * | 2018-09-06 | 2019-01-04 | 安徽智行新能源科技有限公司深圳分公司 | 城市内基于网点的分时租赁网点价值评估方法 |
CN109543922A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 用于有桩共享单车站点群的分时段借还量预测方法 |
CN111507541A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN112381560A (zh) * | 2020-10-23 | 2021-02-19 | 东北石油大学 | 一种共享设备产品市场预测***及方法 |
CN113452379A (zh) * | 2021-07-16 | 2021-09-28 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361398A (zh) * | 2014-08-04 | 2015-02-18 | 浙江工业大学 | 公共自行车租赁点自然需求预测方法 |
CN104778508A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于多源数据融合的公共自行车租借预测方法 |
CN104916124A (zh) * | 2015-06-04 | 2015-09-16 | 东南大学 | 基于马尔可夫模型的公共自行车***调控方法 |
CN106357437A (zh) * | 2016-08-31 | 2017-01-25 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
-
2017
- 2017-04-18 CN CN201710253210.5A patent/CN107038503A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361398A (zh) * | 2014-08-04 | 2015-02-18 | 浙江工业大学 | 公共自行车租赁点自然需求预测方法 |
CN104778508A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于多源数据融合的公共自行车租借预测方法 |
CN104916124A (zh) * | 2015-06-04 | 2015-09-16 | 东南大学 | 基于马尔可夫模型的公共自行车***调控方法 |
CN106357437A (zh) * | 2016-08-31 | 2017-01-25 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
Non-Patent Citations (2)
Title |
---|
杨良斌等: "《信息分析方法与实践》", 31 January 2017 * |
解小平等: "基于 Elman神经网络的公共自行车单站点需求预测", 《计算机工程与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944618A (zh) * | 2017-11-20 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 共享车辆的布点规划方法、装置以及电子设备 |
US11107135B2 (en) | 2017-11-20 | 2021-08-31 | Advanced New Technologies Co., Ltd. | Assessing shared vehicle popularities |
WO2019095845A1 (zh) * | 2017-11-20 | 2019-05-23 | 阿里巴巴集团控股有限公司 | 共享车辆的布点规划方法、装置以及电子设备 |
CN108399212A (zh) * | 2018-02-02 | 2018-08-14 | 深圳市微埃智能科技有限公司 | 物联网终端的时间序列数据处理和神经网络趋势预测方法 |
CN109146312A (zh) * | 2018-09-06 | 2019-01-04 | 安徽智行新能源科技有限公司深圳分公司 | 城市内基于网点的分时租赁网点价值评估方法 |
CN109543922B (zh) * | 2018-12-20 | 2021-04-20 | 西安电子科技大学 | 用于有桩共享单车站点群的分时段借还量预测方法 |
CN109543922A (zh) * | 2018-12-20 | 2019-03-29 | 西安电子科技大学 | 用于有桩共享单车站点群的分时段借还量预测方法 |
CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111507541B (zh) * | 2020-04-30 | 2021-01-29 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN111507541A (zh) * | 2020-04-30 | 2020-08-07 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
CN112381560A (zh) * | 2020-10-23 | 2021-02-19 | 东北石油大学 | 一种共享设备产品市场预测***及方法 |
CN112381560B (zh) * | 2020-10-23 | 2022-10-21 | 东北石油大学 | 一种共享设备产品市场预测***及方法 |
CN113452379A (zh) * | 2021-07-16 | 2021-09-28 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
CN113452379B (zh) * | 2021-07-16 | 2022-08-02 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038503A (zh) | 一种共享设备的需求量预测方法及*** | |
CN103679611B (zh) | 基于案例推理的城市综合应急智能仿真***的运行方法 | |
EP2191233B1 (de) | Vorrichtung und verfahren zum aktualisieren von kartendaten | |
CN111462484A (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
CN104408203A (zh) | 一种预测移动对象轨迹终点的方法 | |
CN108022012A (zh) | 基于深度学习的车辆位置预测方法 | |
CN104424812B (zh) | 一种公交到站时间预测***和方法 | |
CN104484999A (zh) | 基于用户轨迹确定动态交通信息的方法及装置 | |
CN103824449B (zh) | 一种利用众包来寻找及处理道路事故黑点的方法 | |
CN109377252A (zh) | 一种基于大数据框架的客户满意度预测方法 | |
CN108335377A (zh) | 一种基于gis技术的道路巡查车辆业务自动考核的方法 | |
DE102019135333A1 (de) | Systeme und verfahren zur disposition und routenplanung von fahrzeugen | |
CN110309952B (zh) | 一种基于通勤模型的城市就业空间布局优化辅助*** | |
CN106710144A (zh) | 一种驾驶行程评价方法及装置 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN110414526A (zh) | 语义分割网络的训练方法、训练装置、服务器和存储介质 | |
CN113706862A (zh) | 一种考虑路网容量约束的分布式主动均衡管控方法 | |
CN106898142A (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN102968494A (zh) | 通过微博采集交通信息的***及方法 | |
CN115100848B (zh) | 一种地面交通拥堵的出行溯源方法和*** | |
CN109670673A (zh) | 露天矿生产管控*** | |
CN105654574A (zh) | 基于车载设备的驾驶行为评估方法及装置 | |
CN107274061A (zh) | 一种基于熵权法的智慧城市评价方法 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN106790072A (zh) | 恶意登录地址识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170811 |
|
RJ01 | Rejection of invention patent application after publication |