CN112785371A - 一种共享设备位置预测方法、装置及存储介质 - Google Patents
一种共享设备位置预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112785371A CN112785371A CN202110029392.4A CN202110029392A CN112785371A CN 112785371 A CN112785371 A CN 112785371A CN 202110029392 A CN202110029392 A CN 202110029392A CN 112785371 A CN112785371 A CN 112785371A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- heartbeat
- heartbeat data
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 106
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 62
- 230000015654 memory Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0639—Item locations
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种共享设备位置预测方法、装置及存储介质,所述方法包括:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测,从而提高定位的准确率。
Description
技术领域
本说明书实施例涉及人工智能技术领域,特别涉及一种共享设备位置预测方法、装置及存储介质。
背景技术
近年来,共享单车的出现打破了常规的出行方式,成为新型共享经济模式的载体,因为快捷的取车及停放模式,让共享单车在中国经历了快速地崛起,一些企业甚至进入了海外市场。由于共享单车一般采用无桩停放模式,为避免用户在骑行后对车辆进行随意停放影响公共交通,以及方便用户在需要用车时准确地找到车,共享单车通常设置有GPS定位装置,以使用户根据定位找到用车,以及在骑行后将车辆停放在预定的位置。
为提高对车辆的定位精度,目前,部分共享单车除了接入GPS定位之外,还接入了北斗定位。针对这部分共享单车,每辆共享单车的智能锁内均包含北斗定位装置,智能锁接收北斗卫星信号,向共享单车数据中心发送车辆定位信息。共享单车在后台通过采集车辆定位信息,了解每一辆车的实时位置和行动轨迹,形成大数据。
北斗导航定位覆盖范围更大、定位盲区小,采用北斗实现高精度定位,对于共享出行领域具有里程碑的意义。虽然理论上北斗的定位偏移量为米级甚至厘米级,但是必须借助外界辅助,实际应用时,不可能毫无偏移,为了解决“找不到车、还不了车”等常见问题,并降低超区、禁停区停车的误判率,我们仍需借助算法对偏移量作出预测。
现有的共享单车定位方式,仍然存在定位不准的问题,使得低超区、禁停区停车的误判率较高。
发明内容
本说明书实施例的目的是提供一种共享设备位置预测方法、装置及存储介质,以合理利用长期数据分析中的特征,提高定位的准确率。
为解决上述问题,本说明书实施例提供一种共享设备位置预测方法,所述方法包括:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
为解决上述问题,本说明书实施例还提供一种共享设备位置预测装置,所述装置包括:获取模块,用于获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;生成模块,用于根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;提取模块,用于使用深度神经网络提取各个样本数据的特征值向量;拟合模块,用于基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;预测模块,用于在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
为解决上述问题,本说明书实施例还提供一种电子设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序以实现:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
为解决上述问题,本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
由以上本说明书实施例提供的技术方案可见,本说明书实施例中,可以获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。本说明书实施例提供的方法,合理利用长期数据分析中的特征,提高定位的准确率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,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为本说明书实施例LSTM的架构图;
图2为本说明书实施例一种共享设备位置预测方法的流程图;
图3为本说明书实施例统计稀疏特征示意图;
图4为本说明书实施例深度神经网络提取各个样本数据的特征值向量的架构图;
图5为本说明书实施例时序深层特征示意图;
图6为本说明书实施例一种电子设备的功能结构示意图;
图7为本说明书实施例一种共享设备位置预测装置的功能结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
随着共享设备越来越普遍化,共享设备也越来越被更多人所使用,具体比较常见的共享设备有共享单车、共享移动电源、共享雨伞等,其中共享单车在用户借还过程中是一对一的关系,即一个共享单车只能同时与一个用户进行一对一的借还过程,而共享移动电源和共享雨伞在用户借还过程中是一对多的关系,即一个共享装置(共享移动电源借还设备或共享雨伞借还设备)能与多个用户之间进行借还过程。
由于共享移动电源和共享雨伞等共享设备通常与共享装置配合使用,如共享装置设置在某个地点,如地铁站、商店,用户可以在地铁站、商店附近找到共享装置,并从共享装置中取出共享移动电源和共享雨伞等共享设备,在归还共享设备时只需将借用的共享设备置于共享装置中即可。区别于共享移动电源和共享雨伞等共享设备,共享单车、共享电瓶车等共享设备通常不予共享装置配合使用,即共享单车、共享电瓶车等共享设备的借用位置和归还位置通常不是固定的,使得这些共享设备通常会安装有卫星定位芯片,如全球定位***(GlobalPositioning System,GPS)、北斗定位***等,以便对共享设备进行跟踪和管理,使得用户可以基于定位找到共享设备,以及将共享合并归还在预定的位置。
在本说明书实施例中,所述共享设备可以为安装有卫星定位芯片的共享设备,如共享单车、共享助力车、共享电瓶车、共享汽车等。当然,所述共享设备还可以包括其他安装有卫星定位芯片的共享设备,本说明书实施例对此不作限定。
北斗导航定位覆盖范围更大、定位盲区小,采用北斗实现高精度定位,对于共享出行领域具有里程碑的意义。虽然理论上北斗的定位偏移量为米级甚至厘米级,但是必须借助外界辅助,实际应用时,不可能毫无偏移,为了解决“找不到车、还不了车”等常见问题,并降低超区、禁停区停车的误判率,我们仍需借助算法对偏移量作出预测。
传统的预测方法,是基于长短期记忆网络(LSTM,Long Short-Term Memory)模型来对共享设备的位置进行预测。其架构如图1所示。输入的类别特征有地理位置(省份、城市、geohash)、是否订单进行中、车辆类型、天气状况等,非类别特征有地理位置(经纬度)、时间戳、一定阈值区域内车辆数等,输出得到的数据即为共享设备的位置预测信息。
LSTM模型通常对时间序列的数据具有较高的敏感性,例如不论是共享单车还是共享助力车,都是每隔预设时间上传一次数据,数据中包含车子的各种心跳信息,其中包括位置信息,这些数据存在一定的时间序列关系。通常基于这些时间序列的数据,使用LSTM模型对共享设备的位置进行预测。然而,车辆一般可以分为三个状态:被骑行(由于车子自身的行驶速度导致的车子地理位置发生改变),被调度过程中(车子静止在被调度的车辆车厢里,是相对速度导致的位置变化),停留(车子的地址位置不发生改变)。由于不明确该辆车的骑行状态以及不同用户骑行速度有差异,车子每隔预设时间上传回来的数据中包含的位置数据不存在精确的时间序列性,使得基于LSTM模型的共享设备位置的预测方法仍然存在定位不准的问题。基于现有技术中存在的问题,本说明书实施例提供一种共享设备位置预测方法、装置及存储介质,以合理利用长期数据分析中的特征,提高定位的准确率。
请参阅图2。本说明书实施例提供一种共享设备位置预测方法。在本说明书实施例中,执行所述共享设备位置预测方法的主体可以是具有逻辑运算功能的电子设备,所述电子设备可以是服务器。所述服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信单元、处理器和存储器等。当然,所述服务器并不限于上述具有一定实体的电子设备,其还可以为运行于上述电子设备中的软体。所述服务器还可以为分布式服务器,可以是具有多个处理器、存储器、网络通信模块等协同运作的***。或者,服务器还可以为若干服务器形成的服务器集群。所述方法可以包括以下步骤。
S210:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息。
在一些实施例中,所述心跳数据可以为共享设备每隔预设时间向服务器发送的,用于表征共享设备状态的数据。所述预设时间可以是2分钟,也可以是1分钟、3分钟、5分钟等,当然,所述预设时间还可以为其他值,本说明书实施例对此不做限定。
在一些实施例中,所述心跳数据可以包括所述共享设备上传所述心跳数据时所处的位置信息。例如,某个心跳数据的上传时间为a时刻,则该心跳数据包括a时刻该共享设备所处的位置信息。所述位置信息可以包括省份、城市、geohash地址编码、经纬度等。
在一些实施例中,所述位置信息可以基于北斗定位和GPS定位得到。具体的,可以分被获取基于北斗定位得到的位置数据和基于GPS定位得到的位置数据,通常,基于北斗定位得到的位置数据和基于GPS定位得到的位置数据会存在差别,可以将基于北斗定位得到的位置数据和基于GPS定位得到的位置数据的均值作为所述位置信息。
在一些实施例中,所述共享设备为预设时间段内没有发生过失联行为的共享设备。具体的,共享设备连续两次上传心跳数据的时间间隔不超过预设值,即表示该共享设备未发生失联。
在一些实施例中,所述共享设备还可以是预设时间段内基于北斗定位得到的位置数据和基于GPS定位得到的位置数据之差小于一定阈值的共享设备,从而保证所述共享设备的定位稳定性。
在一些实施例中,所述心跳数据可以包括类别数据和数值数据。其中,所述类别数据为通过类别表示的数据,例如所述类别数据可以为省份、城市、geohash地址编码、订单是否进行中、车辆类型、软件版本、天气状况等数据;所述数值数据为通过数值表示的数据,例如可以是经纬度、时间戳、一定阈值区域内的车辆数、行驶里程、车辆电流、车辆电压等数据。
在一些实施例中,所述心跳数据还可以包括时间序列数据和非时间序列数据。其中,所述时间序列数据为随时间变化的数据,如行驶里程,车辆电流,车辆电压、经纬度等数据;所述非时间序列数据为一段时间内不随时间变化的数据,如天气状况、软件版本升级、版本对应的平均定位准确率、版本升级时长、历史软件版本等数据。需要说明的是,类别数据和数值数据与时间序列数据和非时间序列数据为不同通过不对维度对心跳数据进行划分的数据,心跳数据中的某些数据可以同时为类别数据和时间序列数据、同时为类别数据和非时间序列数据、同时为数值数据和时间序列数据或同时为数值数据和非时间序列数据。
S220:根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息。
在一些实施例中,所述心跳数据具有时间先后顺序,可以基于共享设备对心跳数据的上传时间对心跳数据进行排序,相邻心跳数据之间是具有关联性的。因此,为准确预测共享设备最新上传心跳数据后的下一位置,可以将之前预设个数的心跳数据作为预测的依据,可以根据以下方式根据所述心跳数据生成多个样本数据:基于预设时间步长对所述心跳数据进行划分,得到多个样本数据;其中,相邻的样本数据之间至少包括一个相同的心跳数据。
举例来说,以具有十组心跳数据为例,(1,2,…,10)表示按上传的时间顺序排列的十组心跳数据,若预设的时间步长为5,以相邻的样本数据之间至少包括一个相同的心跳数据为限制条件,可以得到样本数据6个样本数据:(1,2,3,4,5)、(2,3,4,5,6)、(3,4,5,6,7)……(6,7,8,9,10)。可以看出,以这种方式生成的样本数据中,相邻的两组样本数据中包括了4个相同的心跳数据。若设置相邻的两组样本数据中包括了3个相同的心跳数据,则可以得到样本数据5个样本数据:(1,2,3,4,5)、(3,4,5,6,7)、(4,5,6,7,8)……(6,7,8,9,10)。当然,根据心跳数据的数量不同,还可以设置相邻的两组样本数据包括1个相同的心跳数据、2个相同的心跳数据、5个相同的心跳数据,甚至更多相同的心跳数据。需要注意的是,由上述例子可以看出,相同数量的心跳数据的情况下,相邻的两组样本数据中包括相同的心跳数据的数量越多,可以生成越多的样本数据。因此,为尽可能获取更多的样本数据,可以使相邻的两组样本数据中包括尽可能多的相同的心跳数据,优选为相邻的两组样本数据中只有一个不相同的心跳数据。
在一些实施例中,所述样本数据还可以设置有标签,所述标签可以为共享设备的位置信息。具体的,可以将所述样本数据中末位心跳数据的后一个心跳数据的位置信息作为样本数据的标签。例如,对于样本数据(1,2,3,4,5),其标签为末位心跳数据5的后一个心跳数据的位置信息,即样本数据(1,2,3,4,5)的标签为心跳数据6的位置信息;对于样本数据(2,3,4,5,6),其标签为末位心跳数据6的后一个心跳数据的位置信息,即样本数据(2,3,4,5,6)的标签为心跳数据7的位置信息。
S230:使用深度神经网络提取各个样本数据的特征值向量。
在一些实施例中,深度神经网络对于输入的数据具有一定的要求,因此可以在使用深度神经网络提取各个样本数据的特征值向量之前,将样本数据转换为深度神经网络可接受的输入数据,以便于取各个样本数据的特征值向量。
在一些实施例中,可以对各个心跳数据进行处理生成各个心跳数据对应的目标向量,将目标向量作为深度神经网络可接受的输入数据,基于所述各个心跳数据对应的目标向量,使用深度神经网络提取各个样本数据的特征值向量。
在一些实施例中,对各个心跳数据进行处理生成各个心跳数据对应的目标向量可以包括:将所述心跳数据中的类别数据进行one-hot编码处理和特征embedding处理得到所述类别数据对应的数值数据;将所述类别数据对应的数值数据和心跳数据的数值数据进行合并生成心跳数据对应的目标向量。具体的,one-hot会把类别特征根据取值个数,映射到一个向量,向量中的每一位代表该心跳数据是否输入这个特征,比如性别,有两个取值,男和女,那么经过one-hot编码后,取值男会被映射成(0,1),取值女会被映射成(1,0)。然后进行embedding,会把one-hot后的类别特征映射到一个指定维度的向量中,心跳数据中的数值数据不作其他处理,然后将同一心跳数据中的类别数据对应的数值数据和心跳数据的数值数据进行合并生成心跳数据对应的目标向量。
在一些实施例中,所述目标向量可以包括时间序列向量和非时间序列向量。
所述时间序列向量可以由时间序列数据,如行驶里程,车辆电流,车辆电压、经纬度等数据等得到。具体的,对于某个心跳数据,可以对该心跳数据中时间序列数据下的类别数据进行one-hot编码处理和特征embedding处理得到所述类别数据对应的数值数据;将所述类别数据对应的数值数据和该心跳数据中时间序列数据下的数值数据进行合并生成该心跳数据中时间序列数据对应的时间序列向量。
同理,所述非时间序列向量可以由非时间序列数据,气状况、软件版本升级、版本对应的平均定位准确率、版本升级时长、历史软件版本等数据等得到。如图3所示,所述统计稀疏特征即为非时间序列数据,对于某个心跳数据,可以对该心跳数据中非时间序列数据下的类别数据进行one-hot编码处理和特征embedding处理得到所述类别数据对应的数值数据;将所述类别数据对应的数值数据和该心跳数据中非时间序列数据下的数值数据进行合并生成该心跳数据中时间序列数据对应的时间序列向量。如此,每个心跳数据都可以对应有时间序列向量和非时间序列向量。
在一些实施例中,所述深度神经网络(Deep Neural Networks,DNN)是深度学习的基础,有时也叫做多层感知机(Multi-Layer perceptron,MLP)。使用深度神经网络提取各个样本数据的特征值向量的架构如图4所示,所述时序深层特征表示时间序列数据,所述统计稀疏特征表示非时间序列数据,通过不同的方式对时间序列数据和非时间序列数据进行处理,实现各个样本数据的特征值向量的提取。
在一些实施例中,可以将各个样本数据中的多个心跳数据对应的时间序列向量进行堆叠处理,得到各个样本数据的综合时间序列向量;基于预设规则从样本数据中选择至少一个心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,生成各个样本数据的特征值向量。
具体的,每个样本数据中包括多个心跳数据,对于这些心跳数据对应的时间序列向量,可以进行堆叠处理,如图5所示,所述时序深层特征即为时间序列数据,可以将多个时间序列向量,生成一个能够表征时间序列性的向量,该向量即为样本数据的综合时间序列向量。
在一些实施例中,可以从样本数据中选择至少一个心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,生成各个样本数据的特征值向量。具体的,可以根据预设规则从样本数据中选择至少一个心跳数据对应的非时间序列向量。所述预设规则可以为,选择样本数据中首个心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,或选择样本数据中处于末位的心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接;当然,还可以选择两个及以上的心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,例如,可以选择样本数据中前两个或以上的心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,或选择样本数据中处于末位的两个或以上的心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接。当然,还可以采用其他规则选择至少一个心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,本说明书实施例对此不作限定。
下面对拼接方式进行举例说明。若所述样本数据的综合时间序列向量为(0.52,0.36,0.25,0.14,0.896),选择的心跳数据对应的非时间序列向量为(0.89,0.56,0.25,0.45,0.578,0.56),则拼接后的结果可以为(0.52,0.36,0.25,0.14,0.896,0.89,0.56,0.25,0.45,0.578,0.56)。
S240:基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件。
在一些实施例中,所述目标函数可以表征拟合得到的位置信息和标注的位置信息之间的误差。
现有技术中,通常将损失函数作为目标函数来进行拟合。所述损失函数(lossfunction)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估模型。然而一般的损失函数是不会区分难易样本的,一个样本如果是离群值,即该样本的拟合值和标注值相差过大,那么预估它会使得整个模型跑偏;一个样本的拟合值和标注值相差过小,那么该样本为易分样本,或者一个样本的拟合值发生异常漂移,那么该样本为难分样本,对于易分样本和难分样本也不需要过度在意,如果拟合过程中被迫去关注这些样本,反而有可能降低拟合过程的准确度。基于此,本说明书实施例中,通过定义一个变量-梯度密度,让这个变量能衡量出一定梯度范围内的样本数量,从而能够区分难易样本,进而提高拟合的准确性。
在一些实施例中,所述目标函数为:
其中,loss表示目标函数;ASL1(di)表示修正的平方差损失函数,di表示第i个样本数据拟合位置和标注位置之差,μ表示修正系数,N表示样本数据总数;GD(gi)表示样本数据的梯度密度,表示第i个样本的梯度模长,ε表示梯度系数,表示第k个样本数据是否在当前样本数据i的梯度模长范围内。
根据上述目标函数可知,di反映了拟合难度,di越大说明拟合值越不准确,梯度模长gi用于将di反映的拟合难度归一化到0-1之间,当di越大时,gi越趋向于1,说明拟合值越越不准确。基于上述目标函数对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,能够区分难易样本,进而提高拟合的准确性。
在一些实施例中,经过对北斗定位的信息发现,预测出的位置信息与实际位置信息之间的误差,有一定的聚集性,并不是随意分布的,为凸显异常值以及提高拟合效果,所述方法还可以包括基于所述目标函数的值的大小为各个样本数据设置权重;根据所述权重对拟合过程进行调整,直至所述目标函数收敛。具体的,根据梯度密度GD(gi)表达式可以看出,梯度密度表示在N个样本数据中,梯度模长在范围内样本数据的个数。进一步的,可知GD(gi)/N表示梯度模长在范围内样本数据的个数在所有样本中的占比。在拟合过程中,通常易分样本和难分样本数量都要比一般样本多,为使拟合过程中避免过多关注易分样本和难分样本,可以将数量较多的易分样本、难分样本和离群样本打压一下,也就是说,GD(gi)/N越大,则可以给予样本数据i越小的权重,则有:
其中,βi表示第i个样本数据的权重。
在一些实施例中,可以通过梯度下降法实现拟合过程,进一步的,可以将样本数据的权重与样本的梯度相乘,使得拟合过程中,权重越低的样本梯度也越小,对拟合过程的影响也越小,进一步提高了拟合的准确性。
在一些实施例中,所述归类条件可以为各个样本数据的特征值向量和各个样本数据对应的位置信息的映射关系,例如可以为f(x)=y′。其中,x表示样本数据的特征值向量,y′表示拟合的位置信息。
S250:在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
在一些实施例中,目标函数等于0,即表示标注的位置信息和拟合的位置信息相同,但是实际应用中,难以达到使所有样本数据的标注的位置信息和拟合的位置信息相同的情况,所以要尽可能时目标函数趋近于零,在目标函数收敛的情况下表示目标函数区域稳定,这种情况下即使拟合再多的数据也不会对归类条件有大的提升。因此,可以在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
在一些实施例中,可以将预测数据按照样本数据的处理步骤进行处理后,根据所述归类条件对共享设备的位置进行预测。具体的,所述根据所述归类条件对共享设备的位置进行预测可以包括以下步骤:
S251:获取由多个按时间顺序排列的心跳数据组成的待预测数据;所述待预测数据中心跳数据的个数等于所述样本数据中心跳数据的个数;其中,所述待预测数据中处于末位的心跳数据为共享设备最新上传的心跳数据。
S252:使用深度神经网络提取待预测数据的特征值向量。
待预测数据的特征值向量的提取与样本数据的特征值向量的提取类似,可以参照S230中的说明,在此不再赘述。
S253:将所述特征值向量代入所述归类条件,得到所述共享设备未来的位置信息。
在一些实施例中,所述共享设备未来的位置信息可以为所述共享设备最近一次上传心跳数据后,下一次上传心跳数据时所述共享设备的位置。由于下一次上传的心跳数据中包含了所述共享设备的位置信息,若所述共享设备未来的位置信息与下一次上传的心跳数据中的位置信息相同,则表明该共享设备的定位准确,若所述共享设备未来的位置信息与下一次上传的心跳数据中的位置信息不相同,则表明该共享设备的定位发生了漂移。对于定位发生漂移的共享设备,可以由工作人员对该共享设备进行处理,查找定位漂移原因。
本说明书实施例提供的方法,可以获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。本说明书实施例提供的方法,通过合理利用长期数据分析中的特征,提高定位的准确率。
本说明书上述实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的电子设备中执行。图6为本说明书实施例一种电子设备的功能结构示意图,所述电子设备可以包括存储器和处理器。
在一些实施例中,所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现共享设备位置预测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据用户终端的使用所创建的数据。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(APPlication Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述处理器可以执行所述计算机指令实现以下步骤:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
在本说明书实施例中,该电子设备具体实现的功能和效果,可以与其它实施例对照解释,在此不再赘述。
图7为本说明书实施例一种图片分割装置的功能结构示意图,该装置具体可以包括以下的结构模块。
获取模块710,用于获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;
生成模块720,用于根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;
提取模块730,用于使用深度神经网络提取各个样本数据的特征值向量;
拟合模块740,用于基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;
预测模块750,用于在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
本说明书实施例还提供了一种共享设备位置预测方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
在本说明书实施例中,上述存储介质包括但不限于随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(HardDisk Drive,HDD)或者存储卡(Memory Card)。所述存储器可用于存储所述计算机程序和/或模块,所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据用户终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。在本说明书实施例中,该计算机可读存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于装置实施例和设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员在阅读本说明书文件之后,可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合,这些组合也在本说明书公开和保护的范围内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (12)
1.一种共享设备位置预测方法,其特征在于,所述方法包括:
获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;
根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;
使用深度神经网络提取各个样本数据的特征值向量;
基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;
在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述心跳数据生成多个样本数据包括:
基于预设时间步长对所述心跳数据进行划分,得到多个样本数据;其中,相邻的样本数据之间至少包括一个相同的心跳数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对各个心跳数据进行处理生成各个心跳数据对应的目标向量;
相应的,基于所述各个心跳数据对应的目标向量,使用深度神经网络提取各个样本数据的特征值向量。
4.根据权利要求3所述的方法,其特征在于,所述心跳数据包括类别数据和数值数据;所述类别数据包括省份、城市、geohash地址编码、订单是否进行中、车辆类型、软件版本、天气状况中的至少一种;所述数值数据包括经纬度、时间戳、一定阈值区域内的车辆数、行驶里程、车辆电流、车辆电压中的至少一种;
相应的,将所述类别数据进行one-hot编码处理和特征embedding处理得到所述类别数据对应的数值数据;将所述类别数据对应的数值数据和心跳数据的数值数据进行合并生成心跳数据对应的目标向量。
5.根据权利要求3所述的方法,其特征在于,所述目标向量包括时间序列向量和非时间序列向量;
相应的,所述使用深度神经网络提取各个样本数据的特征值向量包括:
将各个样本数据中的多个心跳数据对应的时间序列向量进行堆叠处理,得到各个样本数据的综合时间序列向量;
基于预设规则从样本数据中选择至少一个心跳数据对应的非时间序列向量与所述样本数据的综合时间序列向量进行拼接,生成各个样本数据的特征值向量。
6.根据权利要求5所述的方法,其特征在于,所述时间序列向量由以下至少一种类型的数据得到:行驶里程,车辆电流,车辆电压、经纬度;所述非时间序列向量由以下至少一种类型的数据得到:天气状况、软件版本升级、版本对应的平均定位准确率、版本升级时长、历史软件版本。
9.据权利要求1所述的方法,其特征在于,所述根据所述归类条件对共享设备的位置进行预测包括:
获取由多个按时间顺序排列的心跳数据组成的待预测数据;所述待预测数据中心跳数据的个数等于所述样本数据中心跳数据的个数;其中,所述待预测数据中处于末位的心跳数据为共享设备最新上传的心跳数据;
使用深度神经网络提取待预测数据的特征值向量;
将所述特征值向量代入所述归类条件,得到所述共享设备未来的位置信息。
10.一种共享设备位置预测装置,其特征在于,所述装置包括:
获取模块,用于获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;
生成模块,用于根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;
提取模块,用于使用深度神经网络提取各个样本数据的特征值向量;
拟合模块,用于基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;
预测模块,用于在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
11.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现:获取共享设备每隔预设时间上传的心跳数据;所述心跳数据包括所述共享设备上传所述心跳数据时所处的位置信息;根据所述心跳数据生成多个样本数据;其中,每个样本数据包括多个按时间顺序排列的心跳数据;所述样本数据的标签为所述样本数据中末位心跳数据的后一个心跳数据的位置信息;使用深度神经网络提取各个样本数据的特征值向量;基于预设的目标函数,对各个样本数据的特征值向量和各个样本数据对应的位置信息进行拟合,得到所述样本数据与位置信息的归类条件;在所述目标函数收敛的情况下,根据所述归类条件对共享设备的位置进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029392.4A CN112785371A (zh) | 2021-01-11 | 2021-01-11 | 一种共享设备位置预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029392.4A CN112785371A (zh) | 2021-01-11 | 2021-01-11 | 一种共享设备位置预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785371A true CN112785371A (zh) | 2021-05-11 |
Family
ID=75756425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110029392.4A Pending CN112785371A (zh) | 2021-01-11 | 2021-01-11 | 一种共享设备位置预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785371A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN108696558A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 位置信息处理方法和装置 |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机***有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109508751A (zh) * | 2018-12-06 | 2019-03-22 | 西南交通大学 | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 |
CN110097193A (zh) * | 2019-04-28 | 2019-08-06 | 第四范式(北京)技术有限公司 | 训练模型的方法及***和预测序列数据的方法及*** |
CN110245678A (zh) * | 2019-05-07 | 2019-09-17 | 华中科技大学 | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110751175A (zh) * | 2019-09-12 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 损失函数的优化方法、装置、计算机设备和存储介质 |
CN110766937A (zh) * | 2019-05-22 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
CN111724616A (zh) * | 2020-06-11 | 2020-09-29 | 樊馨 | 基于人工智能的数据获取及共享的方法与装置 |
CN111753870A (zh) * | 2020-04-16 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 目标检测模型的训练方法、装置和存储介质 |
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN111831956A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 高自由度类不平衡性损失函数的调整方法和存储介质 |
-
2021
- 2021-01-11 CN CN202110029392.4A patent/CN112785371A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108696558A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 位置信息处理方法和装置 |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机***有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN109508751A (zh) * | 2018-12-06 | 2019-03-22 | 西南交通大学 | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 |
CN110097193A (zh) * | 2019-04-28 | 2019-08-06 | 第四范式(北京)技术有限公司 | 训练模型的方法及***和预测序列数据的方法及*** |
CN110245678A (zh) * | 2019-05-07 | 2019-09-17 | 华中科技大学 | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 |
CN111767455A (zh) * | 2019-05-09 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 一种信息推送的方法和装置 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110766937A (zh) * | 2019-05-22 | 2020-02-07 | 北京嘀嘀无限科技发展有限公司 | 停车点识别方法、装置、电子设备以及可读存储介质 |
CN110751175A (zh) * | 2019-09-12 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 损失函数的优化方法、装置、计算机设备和存储介质 |
CN111753870A (zh) * | 2020-04-16 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 目标检测模型的训练方法、装置和存储介质 |
CN111724616A (zh) * | 2020-06-11 | 2020-09-29 | 樊馨 | 基于人工智能的数据获取及共享的方法与装置 |
CN111831956A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 高自由度类不平衡性损失函数的调整方法和存储介质 |
Non-Patent Citations (2)
Title |
---|
王增平: "基于GRU-NN模型的短期负荷预测方法", 《电力***自动化》 * |
顾士坦: "《典型条件下冲击地压发生机理与危险辨识方法及应用》", 31 December 2018, pages: 67 - 68 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11892312B2 (en) | Methods and systems for providing information for an on-demand service | |
Zheng | Trajectory data mining: an overview | |
CN109887272B (zh) | 一种交通人流量的预测方法及装置 | |
CN112035591B (zh) | 一种路网匹配方法、装置、设备和存储介质 | |
Feldman et al. | idiary: From gps signals to a text-searchable diary | |
WO2009108458A2 (en) | Learning transportation modes from raw gps data | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
CN113068131B (zh) | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 | |
CN112989220A (zh) | 一种运动轨迹处理方法、介质、装置及设备 | |
CN112000736B (zh) | 时空轨迹伴随分析方法、***及电子设备和存储介质 | |
CN110709828A (zh) | 使用条件随机域模型确定文本属性的***及方法 | |
Lin et al. | A stacking model for variation prediction of public bicycle traffic flow | |
Moharm et al. | Big data in ITS: Concept, case studies, opportunities, and challenges | |
Liao et al. | Fusing geographic information into latent factor model for pick-up region recommendation | |
Zou et al. | Deep learning for cross-domain data fusion in urban computing: Taxonomy, advances, and outlook | |
US20230214676A1 (en) | Prediction model training method, information prediction method and corresponding device | |
CN112261093B (zh) | 人车数据匹配方法及装置 | |
CN112785371A (zh) | 一种共享设备位置预测方法、装置及存储介质 | |
Balsebre et al. | Cityfm: City foundation models to solve urban challenges | |
Zhang et al. | Online vehicle trajectory compression algorithm based on motion pattern recognition | |
Sekiguchi et al. | Ensemble learning using motion sensors and location for human activity recognition | |
Esuli et al. | Traj2user: exploiting embeddings for computing similarity of users mobile behavior | |
Yang et al. | iLogBook: Enabling text-searchable event query using sparse vehicle-mounted GPS data | |
Zhao et al. | Integrated compression of vehicle spatio‐temporal trajectories under the road stroke network constraint | |
CN114691523B (zh) | 一种gps***调测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |