CN115063054B - 车联网大数据分析方法及服务器 - Google Patents
车联网大数据分析方法及服务器 Download PDFInfo
- Publication number
- CN115063054B CN115063054B CN202210985972.5A CN202210985972A CN115063054B CN 115063054 B CN115063054 B CN 115063054B CN 202210985972 A CN202210985972 A CN 202210985972A CN 115063054 B CN115063054 B CN 115063054B
- Authority
- CN
- China
- Prior art keywords
- decision vector
- congestion tendency
- congestion
- tendency decision
- vector set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 907
- 238000000605 extraction Methods 0.000 claims abstract description 158
- 238000004458 analytical method Methods 0.000 claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 29
- 230000009467 reduction Effects 0.000 claims description 13
- 230000006855 networking Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007670 refining Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 17
- 230000000052 comparative effect Effects 0.000 description 13
- 238000002372 labelling Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供的车联网大数据分析方法及服务器,通过获取目标道路对应的目标道路分析数据和对比道路拥堵数据,再对目标道路分析数据和对比道路拥堵数据分别进行拥堵趋势决策向量抽取,得到第一拥堵趋势决策向量集和第二拥堵趋势决策向量集,然后将第一拥堵趋势决策向量集和第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集,最后依据目标决策向量集,得到目标道路分析数据的拥堵趋势分析结果。本申请实施例通过去误差处理,去除第一拥堵趋势决策向量集和第二拥堵趋势决策向量集之间因为设备因素、角度因素、环境因素等可能产生的误差,再通过目标决策向量集进行分析,从而获得更准确的拥堵趋势分析结果。
Description
技术领域
本申请涉及车联网领域,具体而言,涉及一种车联网大数据分析方法及服务器。
背景技术
对于目前快速发展的车联网,在联网运行时会获取到大量行车数据和环境数据,通过对这些大数据进行分析,可在多个场景得到有效应用,例如道路的拥堵趋势分析,可帮助用户提前了解行程路况,也为普遍的导航提供前置参考条件,现有技术中对于车联网大数据进行分析进行拥堵趋势的分析还不够准确。
申请人发现,道路的拥堵往往不是一蹴而就的,通常有迹可循,通过追寻拥堵的痕迹可以帮助对拥堵趋势进行分析,例如对目标道路的过往拥堵情况进行分析来辅助判断当前的拥堵趋势,然而受限于历史数据与当前数据的误差,过程并不简单,亟待解决。需要说明的是,该技术思路和可行手段的介绍仅用于说明本申请技术方案的产生背景,不作为评判新颖性和创造性的前提。
发明内容
本发明的目的在于提供一种车联网大数据分析方法及服务器,以改善不准确的问题。
本申请实施例是这样实现的:
第一方面,本申请实施例提供一种车联网大数据分析方法,应用于拥堵趋势分析服务器,所述方法包括:
响应于对目标道路的拥堵趋势分析请求,获取所述目标道路对应的目标道路分析数据和对比道路拥堵数据;
对所述目标道路分析数据进行拥堵趋势决策向量抽取,得到所述目标道路分析数据的第一拥堵趋势决策向量集;
对所述对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与所述对比道路拥堵数据对应的第二拥堵趋势决策向量集;
将所述第一拥堵趋势决策向量集和所述第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集;
依据所述目标决策向量集,得到所述目标道路分析数据的拥堵趋势分析结果。
本申请实施例通过将目标道路分析数据的第一拥堵趋势决策向量集和对比道路拥堵数据的第二拥堵趋势决策向量集进行去误差处理,以尽量去除第一拥堵趋势决策向量集和第二拥堵趋势决策向量集之间因为设备因素、角度因素、环境因素等可能产生的误差,再通过目标决策向量集获得更准确的拥堵趋势分析结果。
可选地,所述对所述目标道路分析数据进行拥堵趋势决策向量抽取,得到所述目标道路分析数据的第一拥堵趋势决策向量集,包括:
对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
所述对所述对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与所述对比道路拥堵数据对应的第二拥堵趋势决策向量集,包括:
对所述对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,得到与每个所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集;
所述将所述第一拥堵趋势决策向量集和所述第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集,包括:
对于每个第一拥堵趋势决策向量集,对所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集。
本申请实施例通过对目标道路分析数据和对比道路拥堵数据各自进行不少于两次拥堵趋势决策向量抽取,最终得到的目标决策向量集中,涵盖了目标道路分析数据和对比道路拥堵数据中更多的细节,因此,依据目标决策向量集得到目标道路分析数据的拥堵趋势分析结果,准确性更高。
可选地,所述依据所述目标决策向量集,得到所述目标道路分析数据的拥堵趋势分析结果,包括:
依据所述每个第一拥堵趋势决策向量集对应的目标决策向量集,得到所述每个第一拥堵趋势决策向量集的拥堵趋势分析结果;
依据与不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到所述目标道路分析数据的拥堵趋势分析结果。
本申请实施例通过得到不少于两次拥堵趋势决策向量抽取各自对应的拥堵趋势分析结果,再通过不少于两次拥堵趋势决策向量抽取各自对应的拥堵趋势分析结果来确定的目标道路分析数据的拥堵趋势分析结果准确性得到提升。
可选地,所述对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,包括:
对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集;
对于所述每次拥堵趋势决策向量抽取为末次拥堵趋势决策向量抽取时,将末次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,作为所述末次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
对于所述每次拥堵趋势决策向量抽取为除末次拥堵趋势决策向量抽取的其余次拥堵趋势决策向量抽取时,将与所述每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合,得到与所述每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。
本申请实施例通过对目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,令多次拥堵趋势决策向量抽取获得的第一拥堵趋势决策向量集中涵盖了目标道路分析数据中不同的细节,因此,依据不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到的目标道路分析数据的拥堵趋势分析结果的准确性得到提高。
可选地,所述将与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合,得到与所述每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,包括:
将与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行还原操作,得到还原拥堵趋势决策向量集;
将所述还原拥堵趋势决策向量集与该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集进行优化组合,得到该次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
所述对所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,包括:
依据所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,对所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善,得到所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的完善拥堵趋势决策向量集;
依据所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,得到与所述每个第一拥堵趋势决策向量集对应的拥堵标注分布集,其中,所述拥堵标注分布集中任一标注向量的大小,代表所述第一拥堵趋势决策向量集中所属目标与所述任一标注向量相应的第一拥堵趋势决策向量表征拥堵的置信水平;
依据所述完善拥堵趋势决策向量集和所述拥堵标注分布集,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集。
本申请实施例采用还原操作,使第一拥堵趋势决策向量集和对应临时拥堵趋势决策向量集的尺度匹配,便于后续进行向量优化组合。通过对对比道路拥堵数据的第二拥堵趋势决策向量集进行修改完善,以尽量去除因为设备因素、角度因素、环境因素等因素可能带来的目标道路分析数据和对比道路拥堵数据的误差,有利于增加目标道路分析数据的分析结果准确性。进一步地,通过获取目标道路分析数据的第一拥堵趋势决策向量集对应的拥堵标注分布集,该拥堵标注分布集中的每个标注向量的大小,代表在第一拥堵趋势决策向量集中对应所属目标的第一拥堵趋势决策向量是否表征拥堵的置信水平,最后根据拥堵标注分布集,确定第一拥堵趋势决策向量集的拥堵趋势分析结果,保证了准确性。
可选地,所述依据所述第一拥堵趋势决策向量集和与所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,对所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善,包括:
对于所述第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量;
其中,所述第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善。
可选地,所述依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善,包括:
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值和每个共性拥堵趋势决策向量的矢量值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善,具体包括:
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量分别对应的矢量值进行相加,得到第一结果;
对所述多个共性拥堵趋势决策向量分别对应的量化共性值进行相加,得到第二结果;
对所述第一结果和所述第二结果按照预设计算得到计算结果,将所述计算结果确定为对所述目标第二拥堵趋势决策向量进行修改完善后的矢量值。
本申请实施例为每个第一拥堵趋势决策向量确定共性拥堵趋势决策向量,依据多个共性拥堵趋势决策向量各自与对应第一拥堵趋势决策向量之间的量化共性值以得到该对应第三标注向量置信水平,进一步得到与该第三标注向量对应的第二标注向量的置信水平,因此,第二标注向量的置信水平受到对比道路拥堵数据中多个标注向量的影响,以减少各因素对目标道路分析数据中第二标注向量的拥堵趋势分析结果的影响,进一步增加目标道路分析数据的分析准确性。通过共性拥堵趋势决策向量与第一拥堵趋势决策向量的量化共性值和每个共性拥堵趋势决策向量的矢量值,再度确定第一拥堵趋势决策向量所属目标相应的目标第二拥堵趋势决策向量的矢量值,令再度确定的矢量值可以缩小与第一拥堵趋势决策向量的偏差,从而依据完善拥堵趋势决策向量集确定拥堵趋势的结果更准确。
可选地,所述依据所述每个第一拥堵趋势决策向量集和与所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,得到与所述每个第一拥堵趋势决策向量集对应的拥堵标注分布集,包括:
对于所述第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量,其中,所述第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,确定所述第一拥堵趋势决策向量的置信水平;
依据所述第一拥堵趋势决策向量集中每个第一拥堵趋势决策向量对应的置信水平,得到所述拥堵标注分布集;
其中,所述依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,确定所述第一拥堵趋势决策向量的置信水平,包括:
获取多个共性拥堵趋势决策向量分别与所述第一拥堵趋势决策向量之间的量化共性值的优选量化共性值;
依据所述优选量化共性值,确定所述第一拥堵趋势决策向量的置信水平。
可选地,所述第一拥堵趋势决策向量以及与所述第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量之间的量化共性值的获取,包括:
依据所述第一拥堵趋势决策向量在所述第一拥堵趋势决策向量集中所属的目标和事先确定的预设矢量计算值,得到第一决策向量子集;
依据与所述第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量在所述第二拥堵趋势决策向量集中所属的目标和所述预设矢量计算值,得到第二决策向量子集;
依据所述第一决策向量子集和所述第二决策向量子集,确定所述第一拥堵趋势决策向量与所述第一拥堵趋势决策向量对应的该任一共性拥堵趋势决策向量之间的量化共性值;
所述依据所述完善拥堵趋势决策向量集和所述拥堵标注分布集,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集,包括:
对所述完善拥堵趋势决策向量集和所述第一拥堵趋势决策向量集进行融合,得到所述第一拥堵趋势决策向量集对应的融合拥堵趋势决策向量集;
依据所述拥堵标注分布集和所述融合拥堵趋势决策向量集,得到所述目标决策向量集。
第二方面,本申请实施例提供了一种服务器,其包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如本申请实施例第一方面提供的方法。
本申请实施例提供的车联网大数据分析方法及服务器,通过对目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,对对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,获取每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,再对每个第一拥堵趋势决策向量集和与之对应的第二拥堵趋势决策向量集进行去误差处理,得到第一拥堵趋势决策向量集对应的目标决策向量集,也即通过将目标道路分析数据和对比道路拥堵数据中特征进行优化组合,使得第一拥堵趋势决策向量集和第二拥堵趋势决策向量集之间因为设备因素、角度因素、环境因素等可能产生的误差被尽量消除,最后通过目标决策向量集确定第一拥堵趋势决策向量集的拥堵趋势分析结果,结合不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到的目标道路分析数据的拥堵趋势分析结果准确性得到保障。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
附图中的方法、***和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的应用场景示意图。
图2是根据本申请的一些实施例所示的一种服务器中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种车联网大数据分析方法的流程图。
图4是本申请实施例提供的基于人工智能的车联网大数据分析装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、***、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的***所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的应用场景示意图,服务器100和多个与之通信的业务交互设备200通信,业务交互设备200可以是车联网设备、道路图像采集设备等可以采集道路数据的设备。
在一些实施例中,请参照图2,是服务器100的架构示意图,该服务器100包括基于人工智能的车联网大数据分析装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。基于人工智能的车联网大数据分析装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在服务器100的操作***(operating system,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如基于人工智能的车联网大数据分析装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立服务器100与业务交互设备200之间的通信连接,并用于通过网络收发数据。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
可以理解,图2所示的结构仅为示意,服务器100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种车联网大数据分析方法的流程图,该方法应用于图1中的服务器100,具体可以包括以下步骤110-步骤140。在以下步骤110-步骤140的基础上,将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
步骤110:响应于对目标道路的拥堵趋势分析请求,获取目标道路分析数据和对比道路拥堵数据。
目标道路分析数据是需要进行趋势分析的目标道路的道路数据,该道路数据例如可以是搭载车联网设备的车辆上传的道路数据,如环境图像数据、车辆定位数据、距离数据(如车距)、驾驶数据(油门、刹车、变道等),另外,获取的目标道路分析数据可以不仅仅包含目标道路的上述类型数据,还可以包括与目标道路接通的预设范围内的其他连通道路的上述类型数据,以便于分析不同未来时段的拥堵趋势。以上数据可以采用现有的车联网设备进行采集获取得到,以及可以通过分布在道路上的图像采集设备、匹配的卫星等采集得到,本实施例不做限定。本申请实施例中,对比道路拥堵数据,是筛选的具有代表性的历史目标道路拥堵数据(即目标道路和/或与目标道路连通的其他道路的过往的拥堵数据),即在目标道路即将或正在发生拥堵时的道路数据,其选择是针对大量样本进行分析得出的数据。
步骤120:对目标道路分析数据进行拥堵趋势决策向量抽取,得到目标道路分析数据的第一拥堵趋势决策向量集,并对对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与对比道路拥堵数据对应的第二拥堵趋势决策向量集。
拥堵趋势决策向量是用于表征拥堵情况的数据的向量化表示,例如车距、车速、道路图像等等。对目标道路分析数据进行拥堵趋势决策向量抽取,可以通过以下步骤实现:
对目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。作为一种实施方式,每一次拥堵趋势决策向量抽取都可以得到目标道路分析数据的一个临时拥堵趋势决策向量集。其中,前后两次拥堵趋势决策向量抽取,前一次拥堵趋势决策向量抽取输出的临时拥堵趋势决策向量集,是后一次拥堵趋势决策向量抽取的输入。换言之,后一次拥堵趋势决策向量抽取依据前一次拥堵趋势决策向量抽取得到的临时拥堵趋势决策向量集进行其后一次拥堵趋势决策向量抽取,得到后一次拥堵趋势决策向量抽取的临时拥堵趋势决策向量集。
对于不少于两次拥堵趋势决策向量抽取中的末次拥堵趋势决策向量抽取,将末次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,作为该末次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;对于不少于两次拥堵趋势决策向量抽取中除末次拥堵趋势决策向量抽取的其余次拥堵趋势决策向量抽取,将与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。
本申请实施例中,将与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合时,如果该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集的矩阵大小,或者说尺寸,比该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集小,那么,将该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行还原操作,该还原操作的具体方式例如可以是常规的转置卷积、解池化等上采样处理,或者线性插值加1×1卷积完成,进而得到还原操作拥堵趋势决策向量集,该还原操作拥堵趋势决策向量集的大小与该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集相同。
然后,将该还原操作拥堵趋势决策向量集和该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集优化组合(例如相叠加),得到该次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。本申请实施例中,将与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合时,如果该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集的大小,与该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集相等,那么可以将该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集和该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集直接组合(相叠加),得到该次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。
本申请实施例中,可以通过事先训练好的拥堵趋势决策向量抽取模型,对目标道路分析数据进行不少于两次拥堵趋势决策向量抽取。例如,该拥堵趋势决策向量抽取模型包括四层抽取单元,分别是:第一层抽取单元、第二层抽取单元、第三层抽取单元和第四层抽取单元。采用该四层抽取单元对目标道路分析数据X进行四次拥堵趋势决策向量抽取,每一抽取单元都可以获得与该层抽取单元对应的临时拥堵趋势决策向量集,其中,第一层抽取单元对目标道路分析数据进行第一次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集X1,第二层抽取单元对临时拥堵趋势决策向量集X1进行第二次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集X2;第三层抽取单元对临时拥堵趋势决策向量集X2进行第三次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集X3;第四层抽取单元对临时拥堵趋势决策向量集X3进行第四次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集X4。
对于第四层抽取单元,将临时拥堵趋势决策向量集X4作为第四次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X4a;对于第三层抽取单元,将第四层拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X4a进行还原操作后,和第三层拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集X3进行组合,得到第三层拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X3a。对于第二层抽取单元,将第三层拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X3a进行还原操作后,和第二层拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集X2进行组合,得到第二层拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X2a。以此类推,对于第一层抽取单元,将第二层拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X2a进行还原操作后,和第一次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集X1进行组合叠加,得到第一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集X1a。
本申请实施例中,对对比道路拥堵数据进行拥堵趋势决策向量抽取的过程中,也可对对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,得到和每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,其中,获取第二拥堵趋势决策向量集的方式与获取第一拥堵趋势决策向量集相同,因此不再进行介绍。
本申请实施例中,对对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,得到不少于两次拥堵趋势决策向量抽取各自对应的第二拥堵趋势决策向量集,也可以采取与以上的拥堵趋势决策向量抽取模型相同或相对应的抽取模型,例如采用同一抽取模型,又或者共享一个主干网络,分属连体网络的不同子网络。作为一种实施方式,获取第二拥堵趋势决策向量集的拥堵趋势决策向量抽取模型,与获取第一拥堵趋势决策向量集的拥堵趋势决策向量抽取模型相同,其包括四层抽取单元,包括:第一层抽取单元、第二层抽取单元、第三层抽取单元和第四层抽取单元。对对比道路拥堵数据Y进行四次拥堵趋势决策向量抽取,每一层抽取单元都可以得到对应该层的临时拥堵趋势决策向量集。其中,第一层抽取单元对对比道路拥堵数据进行第一次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集Y1,第二层抽取单元对临时拥堵趋势决策向量集Y1进行第二次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集Y2;第三层抽取单元对临时拥堵趋势决策向量集Y2进行第三次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集Y3;第四层抽取单元对临时拥堵趋势决策向量集Y3进行第四次拥堵趋势决策向量抽取,得到临时拥堵趋势决策向量集Y4。
该实施方式中,第四层抽取单元将临时拥堵趋势决策向量集Y4作为第四次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y4a。对于第三层抽取单元,将第四次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y4a进行还原操作后,和第三次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集Y3进行组合,得到第三次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y3a。以此类推,对于第二层抽取单元,则把第三次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y3a进行还原操作后,和第二次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集Y2进行组合,得到第二次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y2a。最后,对于第一层抽取单元,将第二次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y2a进行还原操作后,和第一次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集Y1进行组合,得到第一次拥堵趋势决策向量抽取对应的第二拥堵趋势决策向量集Y1a。
作为一种实施方式,当对多个连通的道路进行拥堵趋势分析时,因为多个道路连通,具有相同的连通道路,那么各自的对比道路拥堵数据具有相同的部分,针对这部分对比道路拥堵数据,只采取一次多次拥堵趋势决策向量抽取,在得到多次拥堵趋势决策向量抽取各自对应的第二拥堵趋势决策向量集后,将各次拥堵趋势决策向量抽取各自对应的第二拥堵趋势决策向量集进行保存。当对一目标道路进行拥堵趋势分析时,如果预先保存有该目标道路对应的对比道路拥堵数据的第二拥堵趋势决策向量集,则可以直接调用,不再对对比道路拥堵数据进行多次拥堵趋势决策向量抽取,节约计算消耗。作为又一种实施方式,可以对目标道路分析数据进行至少一次拥堵趋势决策向量抽取,将末次拥堵趋势决策向量抽取的结果,作为目标道路分析数据的第一拥堵趋势决策向量集;对对比道路拥堵数据进行至少一次拥堵趋势决策向量抽取,将末次拥堵趋势决策向量抽取的结果,作为对比道路拥堵数据的第二拥堵趋势决策向量集。
步骤130:将第一拥堵趋势决策向量集和第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集。
将第一拥堵趋势决策向量集和第二拥堵趋势决策向量集进行去误差处理的过程中,针对每个第一拥堵趋势决策向量集,对每个第一拥堵趋势决策向量集和与每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,得到每个第一拥堵趋势决策向量集对应的目标决策向量集。
其具体过程,可以包括以下步骤:
步骤131:依据第一拥堵趋势决策向量集和与第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,对第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善,得到第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的完善拥堵趋势决策向量集。
作为一种实施方式,可以通过以下步骤对第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善:
对于第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与该第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量,其中,第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与该第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;依据该第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对与该第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善。
以下进行举例,对于每个第一拥堵趋势决策向量,如果第一拥堵趋势决策向量集和第二拥堵趋势决策向量集的大小相同,具体而言,第一拥堵趋势决策向量集举例如下:
X<sub>11</sub> | X<sub>12</sub> | …… | X<sub>1p</sub> |
X<sub>21</sub> | X<sub>11</sub> | …… | X<sub>2p</sub> |
…… | …… | …… | …… |
X<sub>q1</sub> | X<sub>q2</sub> | …… | X<sub>pq</sub> |
第二拥堵趋势决策向量集举例如下:
Y<sub>11</sub> | Y<sub>12</sub> | …… | Y<sub>1p</sub> |
Y<sub>21</sub> | Y<sub>11</sub> | …… | Y<sub>2p</sub> |
…… | …… | …… | …… |
Y<sub>q1</sub> | Y<sub>q2</sub> | …… | Y<sub>pq</sub> |
那么在第一拥堵趋势决策向量集中,任一个第一拥堵趋势决策向量Xpq,与之所属目标对应或者说位置对应的目标第二拥堵趋势决策向量为Ypq。
任一个第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量,可以是在第二拥堵趋势决策向量集中,与目标第二拥堵趋势决策向量之间的矢量计算值(例如余弦距离、欧氏距离)小于预设的矢量阈值的第二拥堵趋势决策向量。在确定每个第一拥堵趋势决策向量的多个共性拥堵趋势决策向量的过程中,从第二拥堵趋势决策向量集中,为第一拥堵趋势决策向量确定所属目标对应的目标第二拥堵趋势决策向量,再将第二拥堵趋势决策向量集中,与目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值的所有第二拥堵趋势决策向量作为该第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量。
此外,还可以将第二拥堵趋势决策向量集中,与目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值的所有第二拥堵趋势决策向量作为候选的拥堵趋势决策向量,之后通过随机或者按照预设间隔均匀采样从多个候选拥堵趋势决策向量中确定多个共性拥堵趋势决策向量。确定第一拥堵趋势决策向量的多个共性拥堵趋势决策向量后,需要确定各个共性拥堵趋势决策向量和第一拥堵趋势决策向量之间的量化共性值,该量化共性值表征彼此之间的相似程度,具体的,可以采用以下方式进行确定:依据第一拥堵趋势决策向量在第一拥堵趋势决策向量集中的所属目标和事先确定的矢量计算值,得到第一决策向量子集;依据与该第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量在第二拥堵趋势决策向量集中的所属目标和矢量计算值,得到第二决策向量子集;依据第一决策向量子集和第二决策向量子集,确定第一拥堵趋势决策向量与该第一拥堵趋势决策向量对应的该任一共性拥堵趋势决策向量之间的量化共性值。
作为一种实施方式,确定第一拥堵趋势决策向量对应的第一决策向量子集的过程中,可以在第一拥堵趋势决策向量集中,以第一拥堵趋势决策向量为起点,依据事先确定的矢量计算值为半径,确定一个第一范围,第一拥堵趋势决策向量集的该第一范围内的第一拥堵趋势决策向量,即构成该第一决策向量子集。需要说明的是,第一决策向量子集中的第一拥堵趋势决策向量,可以包括该第一范围内的全部第一拥堵趋势决策向量,也可以是部分第一拥堵趋势决策向量。
可以推演的,确定任一共性拥堵趋势决策向量对应的第二决策向量子集的过程中,可以在第二拥堵趋势决策向量集上,确定以该任一每个共性拥堵趋势决策向量为起点,以事先确定的矢量计算值为半径得到的第二范围,第二拥堵趋势决策向量集中位于该第二范围内的第二拥堵趋势决策向量,即构成第二决策向量子集。
需要说明的是,第二决策向量子集中的第二拥堵趋势决策向量,可以包括第二范围中所有第二拥堵趋势决策向量,也可以是部分第二拥堵趋势决策向量。作为一种实施方式,第一决策向量子集中的第一拥堵趋势决策向量包括第一范围中的部分第一拥堵趋势决策向量,第二决策向量子集中的第二拥堵趋势决策向量包括第二范围内的部分第二拥堵趋势决策向量;此外,第一决策向量子集中的第一拥堵趋势决策向量和第二子图中的第二拥堵趋势决策向量所属目标相对应。作为另一种实施方式,确定第一拥堵趋势决策向量对应的第一决策向量子集的过程中,可以在第一拥堵趋势决策向量集中,设定以第一拥堵趋势决策向量为中心,以事先确定的矢量计算值为边长构成矩形范围,确定第一拥堵趋势决策向量集中位于该矩形范围内的第一拥堵趋势决策向量,构成第一决策向量子集。同理,第二决策向量子集也可以按此方式得到,此处不再赘述。获取到第一决策向量子集和第二决策向量子集后,依据第一决策向量子集确定第一拥堵趋势决策向量和该第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量之间的量化共性值。该获取的方式可以是采取常用的相似度计算方法,例如计算余弦距离、欧式距离。确定第一拥堵趋势决策向量和每个共性拥堵趋势决策向量之间的量化共性值后,可以依据该第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值和每个共性拥堵趋势决策向量的矢量值,对与该第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善。
作为一种实施方式,可以依据每个共性拥堵趋势决策向量与第一拥堵趋势决策向量之间的量化共性值,对多个共性拥堵趋势决策向量各自对应的矢量值进行相加,例如可以根据预先分配的权重比例加权后,再进行相加,得到第一结果;相应的,对多个共性拥堵趋势决策向量各自对应的量化共性值进行求和,得到第二结果;将第一结果和第二结果按照预设计算得到计算结果,该预设计算可以是进行比例计算,或者进行差值计算,将计算结果确定为对与第一拥堵趋势决策向量所属目标匹配的目标第二拥堵趋势决策向量进行修改完善后的矢量值。对第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量各自进行修改完善后,得到第二拥堵趋势决策向量集的完善拥堵趋势决策向量集。
步骤132:依据第一拥堵趋势决策向量集和与第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,得到与第一拥堵趋势决策向量集对应的拥堵标注分布集。其中,拥堵标注分布集中任一标注向量的大小,代表该第一拥堵趋势决策向量集中所属目标与该任一标注向量相应的第一拥堵趋势决策向量表征拥堵的置信水平。那么,拥堵标注分布集可以指示第一拥堵趋势决策向量集的整体拥堵置信度。作为一种实施方式,与任一个第一拥堵趋势决策向量集对应的拥堵标注分布集的获取过程,可以采用以下步骤得到:对于第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与该第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量。其中,该第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与该第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;依据该第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,确定该第一拥堵趋势决策向量的置信水平。
需要说明的是,第一拥堵趋势决策向量对应的共性拥堵趋势决策向量的确定过程和确定第一拥堵趋势决策向量与共性拥堵趋势决策向量之间的量化共性值的过程,在步骤131中已经进行介绍,因此不再说明。确定了第一拥堵趋势决策向量和每个共性拥堵趋势决策向量之间的量化共性值,可以确定多个共性拥堵趋势决策向量各自与该第一拥堵趋势决策向量之间的量化共性值的优选量化共性值;依据优选量化共性值,确定该第一拥堵趋势决策向量的置信水平。例如,优选量化共性值,可以是其中最大的量化共性值,在其他实施方式中,可以是满足要求的随机的量化共性值,本实施例对此不做限定。示例性的,可以依据多个共性标注向量各自与该第一标注向量之间的量化共性值,确定量化共性值的平均值,并依据该量化共性值的平均值,得到该第一标注向量的置信水平。得到第一拥堵趋势决策向量集中每个第一拥堵趋势决策向量对应的置信水平后,依据第一拥堵趋势决策向量集中每一个第一拥堵趋势决策向量对应的置信水平,得到拥堵标注分布集;此时,可以将全部第一拥堵趋势决策向量各自对应的置信水平形成的集合,作为拥堵标注分布集。
133:依据完善拥堵趋势决策向量集和拥堵标注分布集,得到第一拥堵趋势决策向量集对应的目标决策向量集。本申请实施例中,可以对完善拥堵趋势决策向量集和第一拥堵趋势决策向量集进行融合,得到第一拥堵趋势决策向量集对应的融合拥堵趋势决策向量集;再依据拥堵标注分布集和融合拥堵趋势决策向量集,得到目标决策向量集。例如,将完善拥堵趋势决策向量集和第一拥堵趋势决策向量集进行叠加,得到融合拥堵趋势决策向量集。
在依据拥堵标注分布集和融合拥堵趋势决策向量集得到目标决策向量集时,可以对将拥堵标注分布集和融合拥堵趋势决策向量集进行分布作积,例如,将矩阵数据进行相乘,获得目标决策向量集。
可选地,对第一拥堵趋势决策向量集和对应的第二拥堵趋势决策向量集进行去误差处理,可以通过事先得到的去误差模型进行。例如,该去误差模型包括修改完善模块和标注模块。其中,标注模块被配置成依据132的方法得到第一拥堵趋势决策向量集的拥堵标注分布集。修改完善模块被配置成依据132的方法得到与第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集对应的完善拥堵趋势决策向量集。再将完善拥堵趋势决策向量集和第一拥堵趋势决策向量集进行融合叠加,得到融合拥堵趋势决策向量集;最后依据拥堵标注分布集和融合拥堵趋势决策向量集,得到目标决策向量集。
步骤140:依据目标决策向量集,得到目标道路分析数据的拥堵趋势分析结果。
依据目标决策向量集,得到目标道路分析数据的拥堵趋势分析结果的过程中,在得到不少于两次向量抽取各自对应的第一拥堵趋势决策向量集和第二拥堵趋势决策向量集时,可以依据每个第一拥堵趋势决策向量集对应的目标决策向量集,得到每个第一拥堵趋势决策向量集的拥堵趋势分析结果;依据与不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到目标道路分析数据的拥堵趋势分析结果。
作为一种实施方式,可以通过事先训练得到的拥堵趋势分析模型,对目标决策向量集进行趋势分析,得到与目标道路分析数据对应的拥堵趋势分析结果。该拥堵趋势分析模型可以是通过任意可能的机器学习模型进行训练得到,例如卷积神经网络。当获取到多次拥堵趋势决策向量抽取中的每次拥堵趋势决策向量集,可以将多次拥堵趋势决策向量抽取分别对应的拥堵趋势决策向量集的分析结果进行合并,得到最终的拥堵趋势分析结果。最为另一种实施方式,还可以从多次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集的分析结果中提取交集,以此确定拥堵趋势分析结果。
本申请实施例中,通过对目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,对对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,得到每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,再针对每个第一拥堵趋势决策向量集,对第一拥堵趋势决策向量集和与第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,得到第一拥堵趋势决策向量集对应的目标决策向量集,从而通过将目标道路分析数据和对比道路拥堵数据中的特征进行优化组合,使得第一拥堵趋势决策向量集和第二拥堵趋势决策向量集之间因为设备因素、角度因素、环境因素等可能产生的误差被尽量消除,然后依据目标决策向量集得到第一拥堵趋势决策向量集的拥堵趋势分析结果,结合不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到的目标道路分析数据的拥堵趋势分析结果准确性得到保障。
请参照图4,是本发明实施例提供的基于人工智能的车联网大数据分析装置110的功能模块架构示意图,该基于人工智能的车联网大数据分析装置110可用于执行车联网大数据分析方法,其中,基于人工智能的车联网大数据分析装置110包括:
数据获取模块111,用于响应于对目标道路的拥堵趋势分析请求,获取目标道路分析数据和对比道路拥堵数据。
向量抽取模块112,用于对目标道路分析数据进行拥堵趋势决策向量抽取,得到目标道路分析数据的第一拥堵趋势决策向量集,并对对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与对比道路拥堵数据对应的第二拥堵趋势决策向量集。
去误差模块113,用于将第一拥堵趋势决策向量集和第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集。
分析模块114,用于依据目标决策向量集,得到目标道路分析数据的拥堵趋势分析结果。
其中,数据获取模块111可用于执行步骤110;向量抽取模块112可用于执行步骤120;去误差模块113可用于执行步骤130;分析模块114可用于执行步骤140。
由于在上述实施例中,已经对本发明实施例提供的车联网大数据分析方法进行了详细的介绍,而该基于人工智能的车联网大数据分析装置110的原理与该方法相同,此处不再对基于人工智能的车联网大数据分析装置110的各模块的执行原理进行赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,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。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (9)
1.一种车联网大数据分析方法,其特征在于,应用于拥堵趋势分析服务器,所述方法包括:
响应于对目标道路的拥堵趋势分析请求,获取所述目标道路对应的目标道路分析数据和对比道路拥堵数据;
对所述目标道路分析数据进行拥堵趋势决策向量抽取,得到所述目标道路分析数据的第一拥堵趋势决策向量集;
对所述对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与所述对比道路拥堵数据对应的第二拥堵趋势决策向量集;
将所述第一拥堵趋势决策向量集和所述第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集;
依据所述目标决策向量集,得到所述目标道路分析数据的拥堵趋势分析结果;
其中,所述对所述目标道路分析数据进行拥堵趋势决策向量抽取,得到所述目标道路分析数据的第一拥堵趋势决策向量集,包括:
对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
所述对所述对比道路拥堵数据进行拥堵趋势决策向量抽取,得到与所述对比道路拥堵数据对应的第二拥堵趋势决策向量集,包括:
对所述对比道路拥堵数据进行不少于两次拥堵趋势决策向量抽取,得到与每个所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集;
所述将所述第一拥堵趋势决策向量集和所述第二拥堵趋势决策向量集进行去误差处理,得到目标决策向量集,包括:
对于每个第一拥堵趋势决策向量集,对所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集。
2.根据权利要求1所述的车联网大数据分析方法,其特征在于,所述依据所述目标决策向量集,得到所述目标道路分析数据的拥堵趋势分析结果,包括:
依据所述每个第一拥堵趋势决策向量集对应的目标决策向量集,得到所述每个第一拥堵趋势决策向量集的拥堵趋势分析结果;
依据与不少于两次拥堵趋势决策向量抽取各自对应的第一拥堵趋势决策向量集的拥堵趋势分析结果,得到所述目标道路分析数据的拥堵趋势分析结果。
3.根据权利要求1或2所述的车联网大数据分析方法,其特征在于,所述对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,包括:
对所述目标道路分析数据进行不少于两次拥堵趋势决策向量抽取,得到与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集;
对于所述每次拥堵趋势决策向量抽取为末次拥堵趋势决策向量抽取时,将末次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,作为所述末次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
对于所述每次拥堵趋势决策向量抽取为除末次拥堵趋势决策向量抽取的其余次拥堵趋势决策向量抽取时,将与所述每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合,得到与所述每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集。
4.根据权利要求3所述的车联网大数据分析方法,其特征在于,所述将与每次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集,与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行向量优化组合,得到与所述每次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集,包括:
将与该次拥堵趋势决策向量抽取的下一次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集进行还原操作,得到还原拥堵趋势决策向量集;
将所述还原拥堵趋势决策向量集与该次拥堵趋势决策向量抽取对应的临时拥堵趋势决策向量集进行优化组合,得到该次拥堵趋势决策向量抽取对应的第一拥堵趋势决策向量集;
所述对所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行去误差处理,包括:
依据所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,对所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善,得到所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的完善拥堵趋势决策向量集;
依据所述每个第一拥堵趋势决策向量集和与所述每个第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,得到与所述每个第一拥堵趋势决策向量集对应的拥堵标注分布集,其中,所述拥堵标注分布集中任一标注向量的大小,代表所述第一拥堵趋势决策向量集中所属目标与所述任一标注向量相应的第一拥堵趋势决策向量表征拥堵的置信水平;
依据所述完善拥堵趋势决策向量集和所述拥堵标注分布集,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集。
5.根据权利要求4所述的车联网大数据分析方法,其特征在于,所述依据所述第一拥堵趋势决策向量集和与所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,对所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集进行修改完善,包括:
对于所述第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量;
其中,所述第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善。
6.根据权利要求5所述的车联网大数据分析方法,其特征在于,所述依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善,包括:
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值和每个共性拥堵趋势决策向量的矢量值,对与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量进行修改完善,具体包括:
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,对所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量分别对应的矢量值进行相加,得到第一结果;
对所述多个共性拥堵趋势决策向量分别对应的量化共性值进行相加,得到第二结果;
对所述第一结果和所述第二结果按照预设计算得到计算结果,将所述计算结果确定为对所述目标第二拥堵趋势决策向量进行修改完善后的矢量值。
7.根据权利要求6所述的车联网大数据分析方法,其特征在于,所述依据所述每个第一拥堵趋势决策向量集和与所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集,得到与所述每个第一拥堵趋势决策向量集对应的拥堵标注分布集,包括:
对于所述第一拥堵趋势决策向量集中的每个第一拥堵趋势决策向量,从所述第一拥堵趋势决策向量集对应的第二拥堵趋势决策向量集的多个第二拥堵趋势决策向量中,确定与所述第一拥堵趋势决策向量对应的多个共性拥堵趋势决策向量,其中,所述第一拥堵趋势决策向量对应的各个共性拥堵趋势决策向量,与所述第一拥堵趋势决策向量所属目标对应的目标第二拥堵趋势决策向量之间的矢量计算值满足矢量阈值;
依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,确定所述第一拥堵趋势决策向量的置信水平;
依据所述第一拥堵趋势决策向量集中每个第一拥堵趋势决策向量对应的置信水平,得到所述拥堵标注分布集;
其中,所述依据所述第一拥堵趋势决策向量与每个共性拥堵趋势决策向量之间的量化共性值,确定所述第一拥堵趋势决策向量的置信水平,包括:
获取多个共性拥堵趋势决策向量分别与所述第一拥堵趋势决策向量之间的量化共性值的优选量化共性值;
依据所述优选量化共性值,确定所述第一拥堵趋势决策向量的置信水平。
8.根据权利要求7所述的车联网大数据分析方法,其特征在于,所述第一拥堵趋势决策向量以及与所述第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量之间的量化共性值的获取,包括:
依据所述第一拥堵趋势决策向量在所述第一拥堵趋势决策向量集中所属的目标和事先确定的预设矢量计算值,得到第一决策向量子集;
依据与所述第一拥堵趋势决策向量对应的任一共性拥堵趋势决策向量在所述第二拥堵趋势决策向量集中所属的目标和所述预设矢量计算值,得到第二决策向量子集;
依据所述第一决策向量子集和所述第二决策向量子集,确定所述第一拥堵趋势决策向量与所述第一拥堵趋势决策向量对应的所述任一共性拥堵趋势决策向量之间的量化共性值;
所述依据所述完善拥堵趋势决策向量集和所述拥堵标注分布集,得到所述每个第一拥堵趋势决策向量集对应的目标决策向量集,包括:
对所述完善拥堵趋势决策向量集和所述第一拥堵趋势决策向量集进行融合,得到所述第一拥堵趋势决策向量集对应的融合拥堵趋势决策向量集;
依据所述拥堵标注分布集和所述融合拥堵趋势决策向量集,得到所述目标决策向量集。
9.一种服务器,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985972.5A CN115063054B (zh) | 2022-08-17 | 2022-08-17 | 车联网大数据分析方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210985972.5A CN115063054B (zh) | 2022-08-17 | 2022-08-17 | 车联网大数据分析方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063054A CN115063054A (zh) | 2022-09-16 |
CN115063054B true CN115063054B (zh) | 2022-11-29 |
Family
ID=83207347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210985972.5A Active CN115063054B (zh) | 2022-08-17 | 2022-08-17 | 车联网大数据分析方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063054B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135802B (zh) * | 2024-05-10 | 2024-06-28 | 四川高路文化旅游发展有限责任公司 | 一种基于深度学习网络的桥梁道路管控***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6650948B1 (en) * | 2000-11-28 | 2003-11-18 | Applied Generics Limited | Traffic flow monitoring |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
CN113469425A (zh) * | 2021-06-23 | 2021-10-01 | 北京邮电大学 | 深度交通拥堵预测方法 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495488B (zh) * | 2021-12-30 | 2023-05-02 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和*** |
-
2022
- 2022-08-17 CN CN202210985972.5A patent/CN115063054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6650948B1 (en) * | 2000-11-28 | 2003-11-18 | Applied Generics Limited | Traffic flow monitoring |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
CN113469425A (zh) * | 2021-06-23 | 2021-10-01 | 北京邮电大学 | 深度交通拥堵预测方法 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN115063054A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN115063054B (zh) | 车联网大数据分析方法及服务器 | |
US20220080980A1 (en) | Device for predicting speed of vehicle and method thereof | |
CN113298050B (zh) | 车道线识别模型训练方法、装置及车道线识别方法、装置 | |
CN111256693B (zh) | 一种计算位姿变化方法及车载终端 | |
CN112200193B (zh) | 基于多属性融合的分布式车牌识别方法、***、装置 | |
CN113763371B (zh) | 病理图像的细胞核分割方法及装置 | |
King et al. | Capturing the Variety of Urban Logical Scenarios from Bird-view Trajectories. | |
CN114359554A (zh) | 一种基于多感受野上下文语义信息的图像语义分割方法 | |
CN112651417B (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN115689946B (zh) | 图像修复方法、电子设备及计算机程序产品 | |
CN112749602A (zh) | 目标查询方法、装置、设备及存储介质 | |
CN114141339B (zh) | 膜性肾病的病理图像分类方法、装置、设备及存储介质 | |
CN114913330B (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和*** | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
CN115456060A (zh) | 一种预测轨迹的处理方法和装置 | |
CN110741379A (zh) | 用于确定车辆行驶所在的道路的类型的方法 | |
CN115546522A (zh) | 运动目标的识别方法以及相关装置 | |
CN113537087A (zh) | 一种智慧交通信息处理方法、装置及服务器 | |
CN113239031A (zh) | 一种大数据去噪处理方法 | |
CN106097751A (zh) | 车辆行驶控制方法及装置 | |
CN112258602B (zh) | 一种停止线生成方法、装置、电子设备及存储介质 | |
CN117456407B (zh) | 一种多目标图像跟踪方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |