CN115775085A - 一种基于数字孪生的智慧城市管理方法及*** - Google Patents
一种基于数字孪生的智慧城市管理方法及*** Download PDFInfo
- Publication number
- CN115775085A CN115775085A CN202310100893.6A CN202310100893A CN115775085A CN 115775085 A CN115775085 A CN 115775085A CN 202310100893 A CN202310100893 A CN 202310100893A CN 115775085 A CN115775085 A CN 115775085A
- Authority
- CN
- China
- Prior art keywords
- city
- model
- business
- target
- service
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的智慧城市管理方法及***,包括以下步骤:利用信息采集设备采集目标城市的城市地理信息,基于所述目标城市的城市地理信息进行三维重建得到所述目标城市的三维模型;通过数字孪生综合服务平台将目标城市的三维模型统一封装为目标城市孪生模型。本发明利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型,使得目标城市的城市业务模型克服受目标城市的城市业务信息数据量的限制,获得较好的业务状态判定准确度,并且可以大大减少训练所需要的样本量和通过减少训练参数降低训练时间,在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
Description
技术领域
本发明涉及智慧城市技术领域,具体涉及一种基于数字孪生的智慧城市管理方法及***。
背景技术
数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备***的数字映射***。
现有技术CN113609656A公开了一种基于数字孪生的智慧城市决策***和方法,包括孪生子***,孪生子***,用于实时感知并采集城市资源信息;将采集到的城市资源信息;将城市资源信息以及城市地理信息模型、城市建筑信息模型和城市交通路网模型融合,生成城市信息模型,并根据城市信息模型形成城市数字孪生空间;根据城市信息模型构建对应至少一个决策维度的数字孪生城市操作***;推演子***,用于根据城市资源信息以及城市信息模型,与现实城市同步,针对至少一个决策维度进行虚实协同推演;决策子***,用于基于孪生子***,在城市数字孪生空间中,用于对推演子***的针对于至少一个决策维度的推演数据进行分析,获得针对于至少一个决策维度的至少一个决策方案。
虽然上述现有技术能够在智慧城市中结合数字孪生技术实现城市管理的维度决策,但是单一城市维度决策数据量有限,因此导致基于数字孪生的智慧城市决策准确性有限,进而导致对城市管理的辅助功能较差。
发明内容
本发明的目的在于提供一种基于数字孪生的智慧城市管理方法及***,以解决现有技术中城市维度决策数据量有限,导致基于数字孪生的智慧城市决策准确性有限的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于数字孪生的智慧城市管理方法,包括以下步骤:
利用信息采集设备采集目标城市的城市地理信息,基于所述目标城市的城市地理信息进行三维重建得到所述目标城市的三维模型;
通过数字孪生综合服务平台将目标城市的三维模型统一封装为目标城市孪生模型;
获取目标城市的各邻域城市的城市业务信息,并将各邻域城市的城市业务信息进行深度学习得到邻域城市的城市业务模型;
利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型;
将目标城市的城市业务模型放置在目标城市孪生模型的各个业务节点中,得到目标城市的业务孪生模型,以在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
作为本发明的一种优选方案,所述城市地理信息包括空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
作为本发明的一种优选方案,所述城市业务信息包括人员业务数据、环境业务数据和智能控制业务数据,所述城市业务模型包括人员业务模型、环境业务模型和智能控制业务模型。
作为本发明的一种优选方案,所述城市业务模型的构建包括:
基于各邻域城市的人员业务数据进行人员业务的状态进行标记,利用神经网络对作为输入项的所述人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的人员业务模型;
基于各邻域城市的环境业务数据进行环境业务的状态进行标记,利用神经网络对作为输入项的所述人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的环境业务模型;
基于各邻域城市的人员业务数据进行智能控制业务的状态进行标记,利用神经网络对作为输入项的所述智能控制业务数据和作为输出项的智能控制业务状态进行深度学习得到邻域城市的智能控制业务模型。
作为本发明的一种优选方案,所述目标城市的城市业务模型的获得包括:
基于目标城市的城市业务信息利用最大后验估计算法计算出目标城市的城市业务模型的模型参数;
所述目标城市的城市业务模型的模型参数的计算包括:
计算目标城市的城市业务信息中各个业务数据与邻域城市的城市业务模型进行高斯分布相似度计算,所述高斯分布相似度计算公式为:
式中,Pr(i|x i )为目标城市的城市业务信息中第i个业务数据x i 与邻域城市的城市业务模型中第i个高斯分布的相似度,w i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重,w j 为目标城市的城市业务信息中第i个业务数据x j 的高斯权重,p(x i )和p(x j )分布为x i 和x j 的先验分布概率,M为业务数据总数量,i,j为计数变量;
基于高斯分布相似度计算出目标城市的城市业务模型的模型参数,所述模型参数的计算公式为:
式中,n i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重更新值,E i (x)为目标城市的城市业务信息中第i个业务数据x i 的均值更新值,E i (x2)为目标城市的城市业务信息中第i个业务数据x i 的方差更新值;
将目标城市的城市业务模型的模型参数与领域城市的城市业务模型的模型参数进行融合,得到所述目标城市的城市业务模型;
所述模型参数的融合公式为:
式中,rw i 、ru i 和rd i 分别为所述目标城市的城市业务模型中的高斯权重、均值和方差,a i v 、a i y 、a i z 分别为rw i 、ru i 和rd i 与n i 、E i (x)和E i (x2)的自适应融合参数。
作为本发明的一种优选方案,所述空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据在进行运用时进行归一化处理。
作为本发明的一种优选方案,利用高速AI相机、边缘智能分析设备、控制设备、三方传感设备采集空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
作为本发明的一种优选方案,所述目标城市孪生模型置于数字孪生综合服务平台,所述数字孪生综合服务平台与信息采集设备通信连接。
作为本发明的一种优选方案,本发明提供了一种根据所述的智慧城市管理方法的智慧城市管理***,包括:
信息采集设备,用于采集目标城市的城市地理信息;
孪生模型搭建模块,用于构建目标城市孪生模型;
数字孪生综合服务平台,用于运行目标城市孪生模型。
作为本发明的一种优选方案,所述信息采集设备包括高速AI相机、边缘智能分析设备、控制设备、三方传感设备。
本发明与现有技术相比较具有如下有益效果:
本发明利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型,使得目标城市的城市业务模型克服受目标城市的城市业务信息数据量的限制,获得较好的业务状态判定准确度,并且可以大大减少训练所需要的样本量和通过减少训练参数降低训练时间,将目标城市的城市业务模型放置在目标城市孪生模型的各个业务节点中,得到目标城市的业务孪生模型,以在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的智慧城市管理方法流程图。
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,而不是全部的实施例。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,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于数字孪生的智慧城市管理方法,包括以下步骤:
利用信息采集设备采集目标城市的城市地理信息,基于目标城市的城市地理信息进行三维重建得到目标城市的三维模型;
通过数字孪生综合服务平台将目标城市的三维模型统一封装为目标城市孪生模型;
获取目标城市的各邻域城市的城市业务信息,并将各邻域城市的城市业务信息进行深度学习得到邻域城市的城市业务模型;
利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型;
将目标城市的城市业务模型放置在目标城市孪生模型的各个业务节点中,得到目标城市的业务孪生模型,以在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
城市地理信息包括空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
城市业务信息包括人员业务数据、环境业务数据和智能控制业务数据,城市业务模型包括人员业务模型、环境业务模型和智能控制业务模型。智慧城市应用平台是基于用户业务面向行业的人工智能数据在上层的应用,其中,智能控制业务包括照明***、排风***、水热***、电梯等公用设施状态及参数自动检测、设备的自动化智能化控制、耗能态势分析、耗能规划及调配、人员业务包括人群聚集、人员斗殴等人群行为分析、人员轨迹分析及定位、非法入侵,环境业务包括火灾、烟雾等自然环境的智能监控及智能布防、应急智能响应、应急方案管理、机房故障检测、机房无人值守、智能停车、物业管理等应用场景的智能化。
城市业务模型的构建包括:
基于各邻域城市的人员业务数据进行人员业务的状态进行标记,利用神经网络对作为输入项的人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的人员业务模型;
基于各邻域城市的环境业务数据进行环境业务的状态进行标记,利用神经网络对作为输入项的人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的环境业务模型;
基于各邻域城市的人员业务数据进行智能控制业务的状态进行标记,利用神经网络对作为输入项的智能控制业务数据和作为输出项的智能控制业务状态进行深度学习得到邻域城市的智能控制业务模型。
目标城市的城市业务模型的获得包括:
基于目标城市的城市业务信息利用最大后验估计算法计算出目标城市的城市业务模型的模型参数;
目标城市的城市业务模型的模型参数的计算包括:
计算目标城市的城市业务信息中各个业务数据与邻域城市的城市业务模型进行高斯分布相似度计算,高斯分布相似度计算公式为:
式中,Pr(i|x i )为目标城市的城市业务信息中第i个业务数据x i 与邻域城市的城市业务模型中第i个高斯分布的相似度,w i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重,w j 为目标城市的城市业务信息中第i个业务数据x j 的高斯权重,p(x i )和p(x j )分布为x i 和x j 的先验分布概率,M为业务数据总数量,i,j为计数变量;
基于高斯分布相似度计算出目标城市的城市业务模型的模型参数,模型参数的计算公式为:
式中,n i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重更新值,E i (x)为目标城市的城市业务信息中第i个业务数据x i 的均值更新值,E i (x2)为目标城市的城市业务信息中第i个业务数据x i 的方差更新值;
将目标城市的城市业务模型的模型参数与领域城市的城市业务模型的模型参数进行融合,得到目标城市的城市业务模型;
模型参数的融合公式为:
式中,rw i 、ru i 和rd i 分别为目标城市的城市业务模型中的高斯权重、均值和方差,a i v 、a i y 、a i z 分别为rw i 、ru i 和rd i 与n i 、E i (x)和E i (x2)的自适应融合参数。
目标城市的城市业务信息中的业务数据量有限,深度学习训练出的城市业务模型容易出现欠拟合,因此利用目标城市的邻接城市的城市业务信息中的业务数据进行预训练,得到一个预训练模型,即邻接城市的城市业务模型,并在邻接城市的城市业务模型中通过最大后验估计算法的自适应,将预先训练过的邻接城市的城市业务模型向目标城市的城市业务模型进行微调,可有效克服目标城市的城市业务数据有限,造成城市业务模型精度有限的问题。而且这种方式可以大大减少训练所需要的样本量和训练时间(通过减少训练参数)。
最大后验估计算法的自适应能够使得目标城市的城市业务模型实现自循环、自适应、自学习的拟合城市业务变化来为城市治理和城市科学高效发展提供辅助支持,辅助解决复杂的城市业务问题。
空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据在进行运用时进行归一化处理。
利用高速AI相机、边缘智能分析设备、控制设备、三方传感设备采集空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
目标城市孪生模型置于数字孪生综合服务平台,数字孪生综合服务平台与信息采集设备通信连接。
本发明提供了一种根据的智慧城市管理方法的智慧城市管理***,包括:
信息采集设备,用于采集目标城市的城市地理信息;
孪生模型搭建模块,用于构建目标城市孪生模型;
数字孪生综合服务平台,用于运行目标城市孪生模型。
信息采集设备包括高速AI相机、边缘智能分析设备、控制设备、三方传感设备。
本发明利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型,使得目标城市的城市业务模型克服受目标城市的城市业务信息数据量的限制,获得较好的业务状态判定准确度,并且可以大大减少训练所需要的样本量和通过减少训练参数降低训练时间,将目标城市的城市业务模型放置在目标城市孪生模型的各个业务节点中,得到目标城市的业务孪生模型,以在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于数字孪生的智慧城市管理方法,其特征在于,包括以下步骤:
利用信息采集设备采集目标城市的城市地理信息,基于所述目标城市的城市地理信息进行三维重建得到所述目标城市的三维模型;
通过数字孪生综合服务平台将目标城市的三维模型统一封装为目标城市孪生模型;
获取目标城市的各邻域城市的城市业务信息,并将各邻域城市的城市业务信息进行深度学习得到邻域城市的城市业务模型;
利用目标城市的城市业务信息对邻域城市的城市业务模型进行模型纠偏,得到目标城市的城市业务模型;
将目标城市的城市业务模型放置在目标城市孪生模型的各个业务节点中,得到目标城市的业务孪生模型,以在目标城市孪生模型实现对目标城市中业务状态的实时展示来辅助城市管理。
2.根据权利要求1所述的一种基于数字孪生的智慧城市管理方法,其特征在于:所述城市地理信息包括空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
3.根据权利要求2所述的一种基于数字孪生的智慧城市管理方法,其特征在于:所述城市业务信息包括人员业务数据、环境业务数据和智能控制业务数据,所述城市业务模型包括人员业务模型、环境业务模型和智能控制业务模型。
4.根据权利要求3所述的一种基于数字孪生的智慧城市管理方法,其特征在于:所述城市业务模型的构建包括:
基于各邻域城市的人员业务数据进行人员业务的状态进行标记,利用神经网络对作为输入项的所述人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的人员业务模型;
基于各邻域城市的环境业务数据进行环境业务的状态进行标记,利用神经网络对作为输入项的所述人员业务数据和作为输出项的人员业务状态进行深度学习得到邻域城市的环境业务模型;
基于各邻域城市的人员业务数据进行智能控制业务的状态进行标记,利用神经网络对作为输入项的所述智能控制业务数据和作为输出项的智能控制业务状态进行深度学习得到邻域城市的智能控制业务模型。
5.根据权利要求4所述的一种基于数字孪生的智慧城市管理方法,其特征在于:所述目标城市的城市业务模型的获得包括:
基于目标城市的城市业务信息利用最大后验估计算法计算出目标城市的城市业务模型的模型参数;
所述目标城市的城市业务模型的模型参数的计算包括:
计算目标城市的城市业务信息中各个业务数据与邻域城市的城市业务模型进行高斯分布相似度计算,所述高斯分布相似度计算公式为:
式中,Pr(i|x i )为目标城市的城市业务信息中第i个业务数据x i 与邻域城市的城市业务模型中第i个高斯分布的相似度,w i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重,w j 为目标城市的城市业务信息中第i个业务数据x j 的高斯权重,p(x i )和p(x j )分布为x i 和x j 的先验分布概率,M为业务数据总数量,i,j为计数变量;
基于高斯分布相似度计算出目标城市的城市业务模型的模型参数,所述模型参数的计算公式为:
式中,n i 为目标城市的城市业务信息中第i个业务数据x i 的高斯权重更新值,E i (x)为目标城市的城市业务信息中第i个业务数据x i 的均值更新值,E i (x2)为目标城市的城市业务信息中第i个业务数据x i 的方差更新值;
将目标城市的城市业务模型的模型参数与领域城市的城市业务模型的模型参数进行融合,得到所述目标城市的城市业务模型;
所述模型参数的融合公式为:
式中,rw i 、ru i 和rd i 分别为所述目标城市的城市业务模型中的高斯权重、均值和方差,a i v 、a i y 、a i z 分别为rw i 、ru i 和rd i 与n i 、E i (x)和E i (x2)的自适应融合参数。
6.根据权利要求5所述的一种基于数字孪生的智慧城市管理方法,其特征在于:所述空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据在进行运用时进行归一化处理。
7.根据权利要求6所述的一种基于数字孪生的智慧城市管理方法,其特征在于,利用高速AI相机、边缘智能分析设备、控制设备、三方传感设备采集空间地理位置数据、空间图像数据、空间视频数据、远距离遥感影像数据、POI清单/台账数据。
8.根据权利要求7所述的一种基于数字孪生的智慧城市管理方法,其特征在于,所述目标城市孪生模型置于数字孪生综合服务平台,所述数字孪生综合服务平台与信息采集设备通信连接。
9.一种根据权利要求1-8任一项所述的基于数字孪生的智慧城市管理方法的智慧城市管理***,其特征在于,包括:
信息采集设备,用于采集目标城市的城市地理信息;
孪生模型搭建模块,用于构建目标城市孪生模型;
数字孪生综合服务平台,用于运行目标城市孪生模型。
10.根据权利要求9所述的一种智慧城市管理***,其特征在于,所述信息采集设备包括高速AI相机、边缘智能分析设备、控制设备、三方传感设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100893.6A CN115775085B (zh) | 2023-02-13 | 2023-02-13 | 一种基于数字孪生的智慧城市管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100893.6A CN115775085B (zh) | 2023-02-13 | 2023-02-13 | 一种基于数字孪生的智慧城市管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775085A true CN115775085A (zh) | 2023-03-10 |
CN115775085B CN115775085B (zh) | 2023-04-25 |
Family
ID=85393666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310100893.6A Active CN115775085B (zh) | 2023-02-13 | 2023-02-13 | 一种基于数字孪生的智慧城市管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775085B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307740A (zh) * | 2023-05-16 | 2023-06-23 | 苏州和歌信息科技有限公司 | 基于数字孪生城市的起火点分析方法及***、设备及介质 |
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及*** |
CN117114245A (zh) * | 2023-10-18 | 2023-11-24 | 长春市联心花信息科技有限公司 | 一种基于数字孪生的城市数据集成方法 |
CN117787659A (zh) * | 2024-02-23 | 2024-03-29 | 中建照明有限公司 | 一种基于5g的智慧城市能源管理***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020256418A2 (ko) * | 2019-06-20 | 2020-12-24 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
CN112184007A (zh) * | 2020-09-27 | 2021-01-05 | 浙江工业大学 | 一种基于数字孪生的车间设备远程诊断方法 |
CN112634110A (zh) * | 2020-12-08 | 2021-04-09 | 浙江安防职业技术学院 | 基于cim技术的数字孪生时空大数据平台 |
CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策***及方法 |
CN114297850A (zh) * | 2021-12-28 | 2022-04-08 | 北京软通智慧科技有限公司 | 数字孪生城市仿真推演方法及*** |
CN114650512A (zh) * | 2022-03-18 | 2022-06-21 | 杨邦会 | 一种基于数字孪生的智慧城市生态环境监测*** |
CN115271526A (zh) * | 2022-08-18 | 2022-11-01 | 杭州集联科技有限公司 | 一种基于数字孪生的智慧城市管理*** |
CN115272224A (zh) * | 2022-07-26 | 2022-11-01 | 同济大学 | 一种面向智慧城市建设的无监督路面损害检测方法 |
WO2022266509A1 (en) * | 2021-06-18 | 2022-12-22 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin enrichment |
-
2023
- 2023-02-13 CN CN202310100893.6A patent/CN115775085B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020256418A2 (ko) * | 2019-06-20 | 2020-12-24 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
US20220197231A1 (en) * | 2019-06-20 | 2022-06-23 | Korea Digital Twin Lab. Inc. | Computing system for virtual sensor implementation using digital twin and method for realtime data collection thereof |
CN112184007A (zh) * | 2020-09-27 | 2021-01-05 | 浙江工业大学 | 一种基于数字孪生的车间设备远程诊断方法 |
CN112634110A (zh) * | 2020-12-08 | 2021-04-09 | 浙江安防职业技术学院 | 基于cim技术的数字孪生时空大数据平台 |
WO2022266509A1 (en) * | 2021-06-18 | 2022-12-22 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin enrichment |
CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策***及方法 |
CN114297850A (zh) * | 2021-12-28 | 2022-04-08 | 北京软通智慧科技有限公司 | 数字孪生城市仿真推演方法及*** |
CN114650512A (zh) * | 2022-03-18 | 2022-06-21 | 杨邦会 | 一种基于数字孪生的智慧城市生态环境监测*** |
CN115272224A (zh) * | 2022-07-26 | 2022-11-01 | 同济大学 | 一种面向智慧城市建设的无监督路面损害检测方法 |
CN115271526A (zh) * | 2022-08-18 | 2022-11-01 | 杭州集联科技有限公司 | 一种基于数字孪生的智慧城市管理*** |
Non-Patent Citations (2)
Title |
---|
李超 等: "数字孪生在智慧城市中的应用" * |
杨晓飞 等: "数字孪生背景下的城市全空间数据服务体系建设" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307740A (zh) * | 2023-05-16 | 2023-06-23 | 苏州和歌信息科技有限公司 | 基于数字孪生城市的起火点分析方法及***、设备及介质 |
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及*** |
CN116953680B (zh) * | 2023-09-15 | 2023-11-24 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及*** |
CN117114245A (zh) * | 2023-10-18 | 2023-11-24 | 长春市联心花信息科技有限公司 | 一种基于数字孪生的城市数据集成方法 |
CN117787659A (zh) * | 2024-02-23 | 2024-03-29 | 中建照明有限公司 | 一种基于5g的智慧城市能源管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115775085B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及*** | |
CN109743683B (zh) | 一种采用深度学习融合网络模型确定手机用户位置的方法 | |
CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
CN107818133A (zh) | 一种基于大数据的居民区网络能力分析方法及*** | |
CN113077090A (zh) | 客流预测方法、***及计算机可读存储介质 | |
CN112668375B (zh) | 景区内游客分布分析***及方法 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及*** | |
CN114388137A (zh) | 城市流感发病趋势预测方法、***、终端以及存储介质 | |
CN110956412A (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN106815563A (zh) | 一种基于人体表观结构的人群数量预测方法 | |
CN111125290B (zh) | 一种基于河长制的智能巡河方法、装置及存储介质 | |
CN117456726A (zh) | 基于人工智能算法模型的异常停车识别方法 | |
CN105992954A (zh) | 基于传感器的设施能量建模 | |
Li et al. | Extraction and modelling application of evacuation movement characteristic parameters in real earthquake evacuation video based on deep learning | |
Andersson et al. | Towards predicting dengue fever rates using convolutional neural networks and street-level images | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN109900865A (zh) | 一种基于神经网络的空气污染检测*** | |
CN110147728A (zh) | 客户信息分析方法、***、设备及可读存储介质 | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
CN115761519A (zh) | 指标预测方法、装置、设备、存储介质及程序产品 | |
CN111753362B (zh) | 一种基于移动平台的大型建筑设计方法 | |
CN107436945A (zh) | 一种基于电子地图的信息采集方法及*** | |
Wei | Energy Footprinting and Human-Centric Building Co-Optimization with Multi-Task Deep Reinforcement Learning | |
Cheng et al. | Network SpaceTime AI: Concepts, Methods and Applications. |
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 |