CN111951557A - 一种基于车联网大数据的区域短时交通流预测方法及*** - Google Patents
一种基于车联网大数据的区域短时交通流预测方法及*** Download PDFInfo
- Publication number
- CN111951557A CN111951557A CN202010848663.4A CN202010848663A CN111951557A CN 111951557 A CN111951557 A CN 111951557A CN 202010848663 A CN202010848663 A CN 202010848663A CN 111951557 A CN111951557 A CN 111951557A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- vehicle
- internet
- traffic flow
- types
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000006855 networking Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于车联网大数据的区域短时交通流预测方法及***,实现对流经目标区域内的多类型车辆的类型、数量进行预测,提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导,同时将单位时间预测的量,划分为若干个时区段,采用分时区法进行预测,稀释了预测准确率较低的时区段,从而使其单位时间的预测准确率有了明显提高。
Description
技术领域
本发明涉及车流量预测技术领域,特别是一种基于车联网大数据的区域短时交通流预测方法及***。
背景技术
商用车联网通过北斗/GPS、RFID、传感器、摄像头图像处理等装置,完成自身环境和状态信息的采集,通过互联网将车辆自身的各种信息传输汇聚到服务器(云端),这些带有大量车辆位置和运行状态的信息,构成了商用车联网大数据,利用大数据分析技术,通过计算机去分析和处理这些信息,可以延伸出众多的、有价值的应用场景,例如在ITS领域可以做商用车辆的最佳路线规划、及时路况信息汇报,危险品运输车行进路线上交通信号灯动态调整等等。
ITS是智能交通***(Intelligent Transportation System)的简称,交通流量是指在选定时区段内通过某一区域、某一道路断面或某一车道的交通实体数。交通流量的预测信息是ITS中进行智能交通管控、动态交通状态辨识与预测和实时交通流动态诱导的关键。目前交通流量预测技术方法主要有两类:一是基于人工智能即机器学***均、自回归滑动平均、卡尔曼滤波以及线性回归等。
由于现有的交通流量的预测技术方法主要集中在某一道路断面或某一车道的交通流量预测,很少有技术方法用于特定区域交通流量预测,如大型物流园区、矿山等区域。而现实这类区域的交通环境中,车辆的移动变化周期性很强,在同一周期时刻,有些区域会出现较高的交通流量,而有些区域的交通流量则较低,这些区域交通流量的不均衡会给园区的交通管控和商用车的资源利用效率带来严重的影响(如装、卸货时间变长)。特别是在工业园区内,商用货运车辆类型多,设置的车位分别用于不同类型的车辆停放,卸、装货,(现在园区车位基本采用全自动卸货,但是货车类型多,不同类型的货车,配置的卸货机械手不一致,因而相应类型货车需要停放于相应的车位进行卸货)现有预测技术的难以对车辆类型及其相应的数量进行预测。
发明内容
本发明的发明目的在于:针对现有技术存在的无法针对固定区域内的多种类型车辆进行预测的问题,提供一种基于车联网大数据的区域短时交通流预测方法及***。
为了实现上述目的,本发明采用的技术方案为:
一种基于车联网大数据的区域短时交通流预测方法,包括:
S100基于车联网大数据获取目标区域内连续X个周期的车辆情况,X大于1;
S200将车辆情况分为m个类型的车辆,得到每个类型车辆的数量,m大于或等于1;
S300采用统计矩阵法进行预测,计算X个周期车辆类型及相应数量的平均情况,并考虑车辆受不可控因素影响,得到下一个周期的车辆类型及相应数量的初步预测结果;其中,所述不可控因素包括天气、车辆故障、装卸设备故障;
S400针对一个或多个类型的车辆,根据所述下一个周期的初步预测结果,采用分时区法进行预测,将X个周期的每一个周期划分为若干时区,计算出各个时区段的X个周期的平均值,各个时区段的X个周期的平均值与X个周期的平均值的比值乘以下一个周期的初步预测结果,得到各个时区段的初步预测值,然后将各个时区段的初步预测值乘以相应的预测准确率后进行求和,得到下一个周期内的车辆数量的最终预测结果。
一种基于车联网大数据的区域短时交通流预测方法及***,实现对流经目标区域内的多类型车辆的类型、数量进行预测,提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导,同时将单位时间预测的量,划分为若干个时区段,采用分时区法进行预测,稀释了预测准确率较低的时区段,从而使其单位时间的预测准确率有了明显提高。
优选的,所述步骤S200包括:
将车辆情况分为m个类型的车辆,用车流量集合V表示:
V={V11,V12,…,V1i;V21,V22,…,V2j;…;Vm1,Vm2,…,Vmk}
将一个周期划分为n个时区段,用时区段结合表示:
T={T1,T2,…,Tn}
第k周期的车辆类型及相应数量Pk:
优选的,所述步骤S300包括:
S320引入偏差因子,得到第k+1周期的车辆类型及相应数量的初步预测结果;其中,偏差因子表示车辆受不可控因素影响的影响程度。
优选的,所述步骤S310包括:
优选的,所述步骤S320包括:
得到第X+1周期的车辆类型及相应数量:
第k周期的预测偏差ηk:
优选的,所述步骤S400包括:
针对一个或多个类型的车辆,下一个周期内的车辆数量的最终预测结果Nk+1:
优选的,所述的一个周期为一天,或一周,或一个月。
一种基于车联网大数据的区域短时交通流预测***,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器和显示器,所述至少一个处理器与车联网***通信连接,获取园区内车辆流量数据;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上任一项所述的方法;所述处理器设有数据输入输出接口,通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接,用于输入输出数据;所述指令被所述至少一个处理器执行的结果通过显示器进行显示,同时将结果发送于车辆网***。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明的一种基于车联网大数据的区域短时交通流预测方法及***,实现对流经目标区域内的多类型车辆的类型、数量进行预测,提高了园区交通管控能力、商用车的资源利用效率以及为商家生产安排提供指导,同时将单位时间预测的量,划分为若干个时区段,采用分时区法进行预测,稀释了预测准确率较低的时区段,从而使其单位时间的预测准确率有了明显提高。
附图说明
图1是本发明方法的流程示意图。
图2为本发明提供的***的结构示意图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
针对工业园区内,商用货运车辆类型多,设置的车位分别用于不同类型的车辆停放,卸、装货,(现在园区车位基本采用全自动卸货,但是货车类型多,不同类型的货车,配置的卸货机械手不一致,因而相应类型货车需要停放于相应的车位进行卸货)现有预测技术的难以对车辆类型及其相应的数量进行预测,若园区内某时区段某类型商用货运车已经停满了园区内所有的用于停放该类型车辆的车位,若此时商家仍然雇佣该类型货运车辆在此时区段内进行货物配给,由于已经没有了用于该类型车辆停放、卸货空余的车位,显然需要等待,导致商家货物配给不能及时完成。
因此,本实施例1的一种基于车联网大数据的区域短时交通流预测方法,如图1所示,包括如下步骤:
S100由车联网大数据平台前段数据采集***,对该园区车辆进出连续采集X天,得到X天的车辆情况数据。
S200获得一个园区内一天中车辆情况,对该车辆情况进行处理,按照类型进行归类,得到m个类型的车辆,以及获得每个类型车辆的数量(i,j,k相等或不相等),则该园区车流量集合可以表示为:
V={V11,V12,…,V1i;V21,V22,…,V2j;…;Vm1,Vm2,…,Vmk};
将一天划分为n个时区段,时区段集合表示为:T={T1,T2,…,Tn};
开始统计第一天内在园区车辆出现的情况,如下表,
表中,中间数字1表示为:在T1时区段,园区内V1类型车辆出现1辆。0表示该时区段该类型车辆未出现。
S300 X天的平均情况,计算如下:
由依据统计学原理,以上为无偏估计,但是实际情况中,往往存在偏差因子,因此,引入偏差因子此处偏差因子表示某类型车辆受不可控因素(天气、车辆故障、卸(装)设备故障等的影响程度),对第k+1天的偏差因子采用轮盘赌选择法进行选择取值,有来预测第X+1天的车辆情况,即有:
联立(2)与(3)即可求解,即得第X+1天的园区车辆情况:
第k天的预测偏差:ηk,等于车辆预测情况减去采集到的车辆真实情况的平方根,如下:
预测偏差值越小,则预测准确率越高。
S400进一步采用分时区法,对单位时间内的车流量进预测,具体就是将一个单位时间划分为若干时区,该单位时间内的预测数就等于各个时区内的预测数乘以该时区段预测的准确率,然后叠加求和。因为一个单位时间内,不同时区段,车辆流量预测准确率是存在较大的差异,如上午、中午、晚上等,采用分时区法,可以有效将预测准确率较低的时区段进行计算后,提高整个单位时间内的预测准确性,具体的就是:
以天为单位,进行预测,获得了以往每天的车流量情况,来预测下一天整天的车流量情况,
将一天划分为T个时区段,
下一天预测数=求和{采用统计法得到的预测数×[(以往每天各个时区段真实的车流量的平均值/以往每天车流量真实情况的平均值)×相应各个时区段预测的准确率]}
其公式化为:
式中,Nk+1为采用分时区法得到的最终预测数,
(Nk+1)'为采用统计矩阵法等算法得到预测数;
如图2所示,根据本发明示例性实施例的***(例如具备程序执行功能的计算机服务器),其包括至少一个处理器,电源,以及与所述至少一个处理器通信连接的存储器和显示器,所述至少一个处理器与车联网***通信连接,获取园区内车辆流量数据;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一实施例所公开的方法;所述处理器设有数据输入输出接口,通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接,用于输入输出数据;所述指令被所述至少一个处理器执行的结果通过显示器进行显示。同时将结果发送于车辆网***,各个用户即可通过车联网***获得该园区的车流量情况,进而进行各自的安排。电源用于为***提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例与实施例1的区别在于,以一周为单位时间,来预测下一周车流量情况,则可以将一周的时区段划分为7天,下一周预测数=求和7天{采用统计法得到的预测数×[(以往每周各天真实的车流量的平均值/以往每周车流量真实情况的平均值)×各天对应车流量预测的准确率]}。
实施例3
本实施例与实施例1的区别在于,以月为单位时间,来预测下一个月车流量情况,则可以将一个月的时区段划分为四周或30天。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于车联网大数据的区域短时交通流预测方法,其特征在于,包括:
S100基于车联网大数据获取目标区域内连续X个周期的车辆情况,X大于1;
S200将车辆情况分为m个类型的车辆,得到每个类型车辆的数量,m大于或等于1;
S300采用统计矩阵法进行预测,计算X个周期车辆类型及相应数量的平均情况,并考虑车辆受不可控因素影响,得到下一个周期的车辆类型及相应数量的初步预测结果;其中,所述不可控因素包括天气、车辆故障、装卸设备故障;
S400针对一个或多个类型的车辆,根据所述下一个周期的初步预测结果,采用分时区法进行预测,将X个周期的每一个周期划分为若干时区,计算出各个时区段的X个周期的平均值,各个时区段的X个周期的平均值与X个周期的平均值的比值乘以下一个周期的初步预测结果,得到各个时区段的初步预测值,然后将各个时区段的初步预测值乘以相应的预测准确率后进行求和,得到下一个周期内的车辆数量的最终预测结果。
7.根据权利要求1-6任一项所述的一种基于车联网大数据的区域短时交通流预测方法,其特征在于,所述的一个周期为一天,或一周,或一个月。
8.一种基于车联网大数据的区域短时交通流预测***,其特征在于,所述***包括至少一个处理器、以及与所述至少一个处理器通信连接的存储器和显示器;所述处理器设有数据输入输出接口,所述处理器与车联网***通信连接,获取园区内车辆流量数据;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法;所述处理器通过数据输入输出接口与显示器、键盘、鼠标、以及带有USB接口的电子设备进行连接,用于输入输出数据;所述指令被所述至少一个处理器执行的结果通过显示器进行显示,同时,将结果传输于车联网***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848663.4A CN111951557B (zh) | 2020-08-21 | 2020-08-21 | 一种基于车联网大数据的区域短时交通流预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848663.4A CN111951557B (zh) | 2020-08-21 | 2020-08-21 | 一种基于车联网大数据的区域短时交通流预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951557A true CN111951557A (zh) | 2020-11-17 |
CN111951557B CN111951557B (zh) | 2022-05-24 |
Family
ID=73359651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010848663.4A Active CN111951557B (zh) | 2020-08-21 | 2020-08-21 | 一种基于车联网大数据的区域短时交通流预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951557B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082226A1 (en) * | 2008-09-30 | 2010-04-01 | International Business Machines Corporation | System and Methods For Providing Predictive Traffic Information |
CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
US20190164418A1 (en) * | 2017-11-30 | 2019-05-30 | Volkswagen Ag | System and method for predicting and maximizing traffic flow |
US20190172344A1 (en) * | 2017-12-04 | 2019-06-06 | Bluesignal Corporation | System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof |
CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展(北京)有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN111179586A (zh) * | 2019-10-24 | 2020-05-19 | 广州市高科通信技术股份有限公司 | 一种基于大数据分析的交通诱导方法、设备及存储介质 |
CN111311913A (zh) * | 2020-02-26 | 2020-06-19 | 清华大学 | 一种提高公路变窄路段通行效率的控制方法和*** |
-
2020
- 2020-08-21 CN CN202010848663.4A patent/CN111951557B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082226A1 (en) * | 2008-09-30 | 2010-04-01 | International Business Machines Corporation | System and Methods For Providing Predictive Traffic Information |
CN104183134A (zh) * | 2014-08-27 | 2014-12-03 | 重庆大学 | 基于智能分车型的高速公路短时交通流量预测方法 |
US20190164418A1 (en) * | 2017-11-30 | 2019-05-30 | Volkswagen Ag | System and method for predicting and maximizing traffic flow |
US20190172344A1 (en) * | 2017-12-04 | 2019-06-06 | Bluesignal Corporation | System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN110009429A (zh) * | 2019-04-10 | 2019-07-12 | 金瓜子科技发展(北京)有限公司 | 一种预测流量数据的方法、装置和计算机设备 |
CN110517485A (zh) * | 2019-08-09 | 2019-11-29 | 大连理工大学 | 一种基于时段划分的短时交通流预测方法 |
CN111179586A (zh) * | 2019-10-24 | 2020-05-19 | 广州市高科通信技术股份有限公司 | 一种基于大数据分析的交通诱导方法、设备及存储介质 |
CN111311913A (zh) * | 2020-02-26 | 2020-06-19 | 清华大学 | 一种提高公路变窄路段通行效率的控制方法和*** |
Non-Patent Citations (6)
Title |
---|
JIAN LIU;LIJUAN LIU: "An Improved Car-Following Model Car with Leading Acceleration Considered", 《IEEE》, 31 December 2010 (2010-12-31), pages 1 - 6, XP031841564 * |
***: "基于时间序列模型的短时交通流预测的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
***: "基于时间序列模型的短时交通流预测的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 11, 16 October 2014 (2014-10-16), pages 034 - 24 * |
翟冬梅: "基于深度学习的短时交通流预测研究", 《工程科技Ⅱ辑; 信息科技》, 15 January 2020 (2020-01-15), pages 1 - 77 * |
邢珊珊: "基于时空关联的城市快速路短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
邢珊珊: "基于时空关联的城市快速路短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, 15 January 2018 (2018-01-15), pages 034 - 597 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951557B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
Fan et al. | Short-term load forecasting based on a semi-parametric additive model | |
Labadi et al. | Stochastic petri net modeling, simulation and analysis of public bicycle sharing systems | |
CN115511194B (zh) | 一种农业数据处理方法、***、装置及介质 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN110751411B (zh) | 一种面向云制造任务的制造资源匹配方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
CN116167585A (zh) | 应用于垃圾运收的数据处理方法、装置、设备及调度*** | |
CN116777328A (zh) | 一种物流车线及装载管理方法、装置、设备及存储介质 | |
Junyou et al. | Application of support vector machine in bus travel time prediction | |
Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
Irfan et al. | Week Ahead Electricity Power and Price Forecasting Using Improved DenseNet-121 Method. | |
CN111951557B (zh) | 一种基于车联网大数据的区域短时交通流预测方法及*** | |
CN116911717A (zh) | 一种用于城市贸易中的运力分配方法及*** | |
Chang et al. | Dynamic traffic prediction for insufficient data roadways via automatic control theories | |
CN116882673A (zh) | 一种煤炭供应链***及调度方法 | |
CN114626766B (zh) | 基于大数据的共享电动车调度方法、装置、设备及介质 | |
CN115640986A (zh) | 基于奖励的机器人调度方法、装置、设备及介质 | |
CN116027741A (zh) | 一种用于复杂制造场景的边云协同人工智能框架 | |
Biagioni et al. | From model-based to model-free: Learning building control for demand response | |
CN114399344B (zh) | 数据处理方法和数据处理装置 | |
CN114327840B (zh) | 数据处理方法和数据处理装置 | |
CN112308344A (zh) | 一种未离港航班订座值预测方法、装置及电子设备 | |
CN111047354A (zh) | 一种分时定价的实现方法、装置、电子设备和存储介质 | |
Anbazhagan et al. | RETRACTED CHAPTER: Short-Term Load Forecasting Using Wavelet De-noising Signal Processing Techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231030 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Yami Technology (Guangzhou) Co.,Ltd. Address before: 610031 Sichuan province Chengdu City Street No. 2 Patentee before: CHENGDU TECHNOLOGICAL University |