CN116469013A - 道路积水预测方法、装置、计算机设备及存储介质 - Google Patents
道路积水预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116469013A CN116469013A CN202310730385.6A CN202310730385A CN116469013A CN 116469013 A CN116469013 A CN 116469013A CN 202310730385 A CN202310730385 A CN 202310730385A CN 116469013 A CN116469013 A CN 116469013A
- Authority
- CN
- China
- Prior art keywords
- road
- ponding
- area
- predicted
- prediction
- 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 58
- 238000001556 precipitation Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 155
- 238000009825 accumulation Methods 0.000 claims description 97
- 239000013598 vector Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000012876 topography Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了道路积水预测方法、装置、计算机设备及存储介质。所述方法包括:获取带有当前降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据;获取待预测道路上一时刻的道路积水面积将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;输出所述预测结果;其中,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;所述历史图像包括历史降水量、相对时间和位置信息。通过实施本发明实施例的方法可实现提高道路积水的预测准确率,可进行积水预测与预警推送。
Description
技术领域
本发明涉及积水预测方法,更具体地说是道路积水预测方法、装置、计算机设备及存储介质。
背景技术
暴雨、台风等天气现象容易导致城市道路积水进而引发内涝灾害,对居民出行生活、交通运输以及财产安全带来影响。采用积水识别预测模型能够及时、准确监控道路积水,自动推送预警信息,从而有效防范内涝灾害,守护城市生命财产安全。
但是,现有的积水识别预测方法在技术手段上,仅依靠路面摄像头获取图像信息,容易受到地域和天气环境影响,进而影响识别准确性;在识别结果上,只能简单识别判断路面是否有积水,无法进行积水预测与预警推送,难以及时采取防范措施,具有局限性。
因此,有必要设计一种新的方法,实现提高道路积水的预测准确率,可进行积水预测与预警推送。
发明内容
本发明的目的在于克服现有技术的缺陷,提供道路积水预测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:道路积水预测方法,包括:
获取带有当前降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据;
获取待预测道路上一时刻的道路积水面积;
将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;
输出所述预测结果;
其中,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;
所述历史图像包括当时降水量、相对时间和位置信息。
其进一步技术方案为:所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的,包括:
获取历史图像;
对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集;
构建时序网络;
利用样本集对所述时序网络进行训练,以学习降水量、位置信息和相对时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
其进一步技术方案为:所述将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果,包括:
利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果;
利用编码组件对所述处理结果确定特征向量;
利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值;
当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积;
根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
其进一步技术方案为:所述当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积,包括:
根据设定阈值判断所述积水深度值是否超过深度值阈值;
若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
其进一步技术方案为:所述对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积,包括:
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析结合所述积水深度以及角度计算出道路积水面积。
其进一步技术方案为:所述根据所述积水面积结合待预测道路上一时刻的道路积水面积确定预测结果,包括:
确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
其进一步技术方案为:所述解码组件包括多层解码器,所述解码器包括多头自注意力层、多头注意力层以及全连接前馈层。
其进一步技术方案为:所述位置信息包括地势高低、地势之间的关系、地势排水能力,所述积水预测模型通过同一时间段内,积水深度与地势梯度随时间的正相关变化规律,和/或,积水面积与地势梯度随时间的正相关变化规律,来确定所述历史图像中的地势之间的关系。
本发明还提供了道路积水预测装置,包括:
待预测数据获取单元,用于获取待预测道路当前降水量、位置信息以及相对时间信息,以得到待预测数据;
上一刻数据获取单元,用于获取待预测道路上一时刻的道路积水面积;
预测单元,用于将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;
输出单元,用于输出所述预测结果。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过将带有当前的天气降水量、位置信息以及时间信息的待预测道路图片、待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,在预测的过程强调了降水量、地域和相对时间对积水面积的影响,结合上一刻道路积水面积判断预测的积水面积的准确率,进而确定预测结果,通过接入天气数据和地域位置结合时序预测网络,实现提高道路积水的预测准确率,可进行积水预测与预警推送。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的道路积水预测方法的应用场景示意图;
图2为本发明实施例提供的道路积水预测方法的流程示意图;
图3为本发明实施例提供的道路积水预测方法的子流程示意图;
图4为本发明实施例提供的道路积水预测方法的子流程示意图;
图5为本发明实施例提供的道路积水预测方法的子流程示意图;
图6为本发明实施例提供的固定区域降水不同的积水面积的示意图;
图7为本发明实施例提供的道路积水预测装置的示意性框图;
图8为本发明实施例提供的道路积水预测装置的预测单元的示意性框图;
图9为本发明实施例提供的道路积水预测装置的积水面积确定子单元的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的道路积水预测方法的应用场景示意图。图2为本发明实施例提供的道路积水预测方法的示意性流程图。该道路积水预测方法应用于服务器中。该服务器与终端以及摄像头进行数据交互,摄像头拍摄带有当前降水量、位置信息以及相对时间信息的待预测道路图片,并且与待预测道路上一时刻的道路积水面积结合形成输入值,将输入值输入至积水预测模型中进行道路的积水面积的预测,通过准确的天气数据和地域位置精准数据提升判断正确性,利用时序预测模型,接入天气预报和地理位置信息以对路面积水情况进行预测分析,获得对道路未来积水的预测判定,从而提供积水预警信息。
图2是本发明实施例提供的道路积水预测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S140。
S110、获取带有当前降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据。
在本实施例中,待预测数据是指待预测道路的图片,该图片携带有需要预测时的降水量、待预测道路的位置信息以及对应的预测时间信息。
S120、获取待预测道路上一时刻的道路积水面积。
在本实施例中,待预测道路上一时刻的道路积水面积是指由积水预测模型对待预测道路进行道路积水面积在预测时间上一时刻的预测结果。
S130、将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果。
在本实施例中,预测结果是指当积水概率值超过积水阈值时的道路积水面积预测值。
具体地,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;另外,所述历史图像包括历史降水量、相对时间和位置信息。
在一实施例中,请参阅图3,上述的积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的,包括步骤S130a~S130d。
S130a、获取历史图像。
在本实施例中,历史图像是指历史近两年的天气和地域积水数据作为源数据,其中包含天气降水量,目标区域的位置信息和时间信息。
具体地,在同一区域,降水量和相对时间的位置信息等数据关联,直接影响该区域的积水状态,在降水量一致的情况下,不同区域随不同时间的积水状态也会不同,所以需要将降水量和地域信息与相对时间都相关联,通过准确的天气数据和地域位置精准数据提升判断正确性。
S130b、对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集。
在本实施例中,将所述历史图像组合起来,对所述历史图像进行处理排序,统一标准,在t时刻,所述历史图像的内容为降水量,位置点的横坐标x1,纵坐标y1,相对时间t。其中,降水量与相对时间的相关性的规律比较简单,但涉及到位置信息会复杂许多,因为道路是各种各样的,海拔有高有低,所以不同的道路形态和不同的海拔会直接影响水的流动性,进而在积水面积的判定上增加了其复杂性。通常情况下,海拔较低的区域更容易积水,海拔较高的区域不容易积水,但是,一般道路内部随着位置坐标的不同,排水能力也不同,因此,不能简单地根据海拔和位置信息来分析积水面积,还要考虑道路内部各个位置信息的排水能力以及两个相邻位置之间水的流动。这就增加了对于位置信息与降水量以及相对时间的相关性判定的复杂度,不单单是学习该块区域与降水量和相对时间的相关性,还需要融合周围地势,同时结合海拔高低和自身排水能力多方面综合判定,将以上的历史图像的内容通过时序预测方式去学习其复杂的相关性,即采用时序网络进行学习降水量、位置和相对时间这些历史参数的变化规律;当时间变化,会根据降水量的数值和位置信息的不同做出对道路积水判定不同的输出值,判定的输出值包含积水面积。上述的位置信息包括地势高低、地势排水能力以及地势之间的关系等。对应的相对时间下的积水面积分布图是指与历史图像一样的图像,但是该图像携带有积水面积分布情况,包括积水面积以及积水深度值等标签。
本实施例中,地势之间的关系最难学习,且最难与其他信息相关联。本实施例中,利用多个不同函数的叠加学习去映射出不同地域与其自身排水能力的关系。具体地,所述积水预测模型通过同一时间段内,积水深度与地势梯度随时间的正相关变化规律,和/或,积水面积与地势梯度随时间的正相关变化规律,来确定所述历史图像中的地势之间的关系。
除此,积水预测模型还需要结合周围地势之间的关系来综合判断积水情况,通过学习周围环绕地势之间以及自身地势和积水之间的关系,反映出临近区域水流流向问题,从而掌握周遭地势与该地势对积水面积的影响,综合以上因素,通过学习和分析位置信息、海拔高低、周围地势和排水能力等因素之间的关系,帮助认识不同积水情况与地域信息的关系,这种复杂性在于将许多因素结合起来,从综合角度分析和判定积水情况,而不只是仅仅依靠单一因素的判断,可以使得积水预测更加完善,这种综合学习和分析方法提高了对复杂区域信息的理解和应用能力。
对于标签的标注,也就是对应的相对时间下的积水面积分布图的形成,关于历史数据的道路积水面积的标签由人为划分判定,通过历史图片(包含当时的降水量,相对时间和位置信息)划定标签,比如:在降水量为50毫米时,确定一块道路区域,若相对时间不同,历史图片所展示路面的积水面积会不同,在较短的相对时间,图片形成积水范围较小,随着相对时间加长,积水面积增大,而在输出位置的积水面积则是作为一个训练的任务点,让训练进行调整优化,积水面积的计算是通过图片分割的面积,角度和深度算出实际积水面积作为标签去训练。
S130c、构建时序网络。
在本实施例中,上述的时序网络包括用于对道路图片以及上一时刻的道路积水面积进行向量转换、维度扩展等处理的处理层、编码组件、解码组件以及线性激活层,其中,所述解码组件包括多头自注意力层、多头注意力层以及全连接前馈层。
S130d、利用样本集对所述时序网络进行训练,以学习降水量、位置信息和相对时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
在本实施例中,积水预测模型的预测,除了需要输入上述提到的相关的数据,同时需要上一个时刻的输出的积水面积,这样结合判定预测道路积水面积。其***状态描述方程为:,其中/>即为***当前时刻状态值,/>代表了降水量信息,代表了***的外部输入,最终两者共同作用下得到了下一时刻***的状态值/>,而该值就是预测结果。
在本实施例中,积水预测模型使用编解码结构,并用时序的连接方式构建出时序网络结构,能够通过上一时刻的输出加上输入数据(主要是降水量)进行当前时刻的道路积水情况判断,该时刻不是连续的时刻,在这个时序网络下,可以根据降水量的变化去调整输入,达到对未来道路积水的准确预测。将待测道路图片输入到编码结构,在解码结构中输出积水面积和积水深度值。
训练完成后,需要进行测试,当测试之后整个模型收敛,则该模型可以作为积水预测模型,如果未收敛,则需要调整模型参数进行再次训练,直至模型收敛。
S131、利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果。
在本实施例中,处理结果是指将每个时刻、每个位置的信息都转换成其对应的状态向量,对每个状态向量进行归一化扩充维度所形成的结果。
具体地,输入一个时刻的数据,以batch_size为32,则输入的尺寸为321/>4,转换成其对应的状态向量,对状态向量进行归一化扩充维度。
S132、利用编码组件对所述处理结果确定特征向量。
在本实施例中,特征向量是指综合上下文特征的各个向量表示结果。
具体地,编码组件由多个编码器构成,每个编码器的结构均相同,但所有编码器都不共享权重。
对于编码器的工作原理:扩充后的多维向量进入编码器的多头自注意力层,通过每个位置映射出一个向量表示,并计算出该向量上的相似度得分,计算相似度得分首先需要计算注意力的权重,通过查询向量、键向量和值向量计算出注意力分数,获取注意力权重与值向量相乘加权求和,获得映射出的向量表示,使用残差链接,进行输入和输出向量的融合,再通过一个前馈神经网络输出综合上下文特征的各个向量表示。
编码器包括多头自注意力层、第一残差层、前馈神经网络以及第二残差层,输入的多维向量进入多头自注意力层,还会进入第一残差层,且多头自注意力层输出的结果也会进入第一残差层,由第一残差层对多头自注意力层输出的结果以及多维向量进行处理后,形成的输出结果输入至前馈神经网络,在将该输出结果同时输入第二残差层,以由第二残差层将前馈神经网络输出的结果以及第一残差层输出的结果进行残差连接,形成特征向量。
S133、利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值。
在本实施例中,积水概率值是指该待测道路上的每个区域可能产生积水的概率值。
所述解码组件包括多层解码器,所述解码器包括多头自注意力层、多头注意力层以及全连接前馈层。
在本实施例中,多头自注意力层:在解码组件中会输入一个(例)321/>4尺寸的向量即特征向量作为该层的输入,该层与编码组件中的多头自注意力层的结构类似,但额外添加了mask,防止在判断当前位置的信息时关联到后续位置,因果混乱,确保了生成位置的预测时,仅仅依赖于小于该位置处的已知输出,相当于把后面不该看到的信息屏蔽掉。
多头注意力层:该层是连接在多头自注意力层后面,该层有两个输入,一个是编码组件的前馈神经网络的特征向量,一个是多头自注意力层的输出向量,融合输入到多头注意力层,输出到全连接前馈层,全连接前馈层与编码层的前馈网络层结构一样,在上述的三个层中,每一层的输出都会进行残差连接,为了保证残差结构,模型中的所有子层以及嵌入层都会产生多维向量的输出;最后在每个解码层的末尾得到的表示会被送入一个线性变换层和softmax函数,这个预测结果会成为下一个时间步的向量输入,然后形成多层解码层的连接。
另外,在多头自注意力层与多头注意力层之间设置有残差层,多头注意力层与线性变换层之间设置有残差层,对于多头自注意力层与多头注意力层之间设置的残差层输出内容会进入多头注意力层以及残差层;线性变换层的输出可以作为解码器的输入或者直接输出。
S134、当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积。
在一实施例中,请参阅图5,上述的步骤S134可包括步骤S1341~S1343。
S1341、根据设定阈值判断所述积水深度值是否超过深度值阈值;
S1342、若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;
S1343、对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
当所述积水深度值未超过深度值阈值,则进入步骤S110。
具体地,对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析结合所述积水深度以及角度计算出道路积水面积。
在本实施例中,当积水深度值大于设定阈值时,确定需要进行积水识别的区域,从视频中接入该区域的图片,作为输入给积水识别模型。识别出积水区域,并对该区域进行像素级别的分析,计算出积水面积。根据积水面积的计算结果,可以与预先设定的标准或参考值进行比较,判断当前的积水情况是否符合预期。
S135、根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
具体地,确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
如图6所示,以每十分钟为一个记录点,三种不同的降水量(30,50,80mm)去记录同一个固定区域的积水面积情况,0时刻为刚开始降雨时刻,80分钟时刻为降雨停止时刻,记录积水面积变化。
上述的预测过程,实则与模型的训练过程一致,只是在训练过程输入的是历史图像以及对应的相对时间下的积水面积分布图作为样本集,执行与预测过程一样的步骤。
S140、输出所述预测结果。
上述的道路积水预测方法,通过将带有当前的天气降水量、位置信息以及相对时间信息的待预测道路图片、待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,在预测的过程强调了降水量、地域和相对时间对积水面积的影响,结合上一刻道路积水面积判断预测的积水面积的准确率,进而确定预测结果,通过接入天气数据和地域位置结合时序预测网络,实现提高道路积水的预测准确率,可进行积水预测与预警推送。
图7是本发明实施例提供的一种道路积水预测装置300的示意性框图。如图7所示,对应于以上道路积水预测方法,本发明还提供一种道路积水预测装置300。该道路积水预测装置300包括用于执行上述道路积水预测方法的单元,该装置可以被配置于服务器中。具体地,请参阅图7,该道路积水预测装置300包括待预测数据获取单元301、上一刻数据获取单元302、预测单元303以及输出单元304。
待预测数据获取单元301,用于获取待预测道路当前降水量、位置信息以及相对时间信息,以得到待预测数据;上一刻数据获取单元302,用于获取待预测道路上一时刻的道路积水面积;预测单元303,用于将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;输出单元304,用于输出所述预测结果。
在一实施例中,上述的道路积水预测装置300还包括模型生成单元,用于历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练,形成积水预测模型。
在一实施例中,模型生成单元包括历史图像获取子单元、标注子单元、网络构建子单元以及训练子单元。
历史图像获取子单元,用于获取历史图像;标注子单元,用于对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集;网络构建子单元,用于构建时序网络;训练子单元,用于利用样本集对所述时序网络进行训练,以学习降水量、位置信息和相对时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
在一实施例中,如图8所示,所述预测单元303包括预处理子单元3031、编码子单元3032、解码子单元3033、积水面积确定子单元3034以及结果确定子单元3035。
预处理子单元3031,用于利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果;编码子单元3032,用于利用编码组件对所述处理结果确定特征向量;解码子单元3033,用于利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值;积水面积确定子单元3034,用于当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积;结果确定子单元3035,用于根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
在一实施例中,所述积水面积确定子单元3034包括深度值判断模块30341、截取模块30342以及计算模块30343。
深度值判断模块30341,用于根据设定阈值判断所述积水深度值是否超过深度值阈值;截取模块30342,用于若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;计算模块30343,用于对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
在一实施例中,所述计算模块30343,用于对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析结合所述积水深度以及角度计算出道路积水面积。
在一实施例中,所述结果确定子单元3035,用于确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述道路积水预测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述道路积水预测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种道路积水预测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种道路积水预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取带有当前降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据;获取待预测道路上一时刻的道路积水面积;将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;输出所述预测结果;
其中,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;
所述图像包括当时降水量、时间和位置信息。
所述积水预测模型通过同一时刻的所述积水深度与积水面积的变化的比率与地势梯度变化成正相关的规律确定所述历史图像中的地势之间的关系。
在一实施例中,处理器502在实现所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的步骤时,具体实现如下步骤:
获取历史图像;对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集;构建时序网络;利用样本集对所述时序网络进行训练,以学习降水量、位置信息和相对时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
在一实施例中,处理器502在实现所述将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果步骤时,具体实现如下步骤:
利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果;利用编码组件对所述处理结果确定特征向量;利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值;当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积;根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
其中,所述解码组件包括多层解码器,所述解码器包括多头自注意力层、多头注意力层以及全连接前馈层。
在一实施例中,处理器502在实现所述当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积步骤时,具体实现如下步骤:
根据设定阈值判断所述积水深度值是否超过深度值阈值;若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
在一实施例中,处理器502在实现所述对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积步骤时,具体实现如下步骤:
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析结合所述积水深度以及角度计算出道路积水面积。
在一实施例中,处理器502在实现所述根据所述积水面积结合待预测道路上一时刻的道路积水面积确定预测结果步骤时,具体实现如下步骤:
确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502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 IntegratedCircuit,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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取带有当前的降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据;获取待预测道路上一时刻的道路积水面积;将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;输出所述预测结果;
其中,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;
所述历史图像包括历史降水量、时间和位置信息。
所述积水预测模型通过同一时刻的所述积水深度与积水面积的变化的比率与地势梯度变化成正相关的规律确定所述历史图像中的地势之间的关系。
在一实施例中,所述处理器在执行所述计算机程序而实现所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的步骤时,具体实现如下步骤:
获取历史图像;对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集;构建时序网络;利用样本集对所述时序网络进行训练,以学习降水量、位置信息和时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果步骤时,具体实现如下步骤:
利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果;利用编码组件对所述处理结果确定特征向量;利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值;当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积;根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
其中,所述解码组件包括多层解码器,所述解码器包括多头自注意力层、多头注意力层以及全连接前馈层。
在一实施例中,所述处理器在执行所述计算机程序而实现所述当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积步骤时,具体实现如下步骤:
根据设定阈值判断所述积水深度值是否超过深度值阈值;若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积步骤时,具体实现如下步骤:
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述积水面积结合待预测道路上一时刻的道路积水面积确定预测结果步骤时,具体实现如下步骤:
确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
所述存储介质可以是U盘、移动硬盘、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计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果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,可以存储在一个存储介质中。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,或者该技术方案的全部或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,终端,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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.道路积水预测方法,其特征在于,包括:
获取带有当前降水量、位置信息以及相对时间信息的待预测道路图片,以得到待预测数据;
获取待预测道路上一时刻的道路积水面积;
将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;
输出所述预测结果;
其中,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的;
所述历史图像包括历史降水量、相对时间和位置信息。
2.根据权利要求1所述的道路积水预测方法,其特征在于,所述积水预测模型是通过历史图像以及对应的相对时间下的积水面积分布图作为样本集对时序网络进行训练所得的,包括:
获取历史图像;
对所述历史图像进行排序以及标签标注,以确定对应的相对时间下的积水面积分布图,并与所述历史图像形成样本集;
构建时序网络;
利用样本集对所述时序网络进行训练,以学习降水量、位置信息和相对时间的变化规律,并将学习结果与时序网络上一时刻的输出结果判定预测道路积水面积,形成积水预测模型。
3.根据权利要求1所述的道路积水预测方法,其特征在于,所述将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果,包括:
利用所述积水预测模型将所述待预测数据转换为向量,并进行归一化和维度扩充,以得到处理结果;
利用编码组件对所述处理结果确定特征向量;
利用解码组件对综合上下文特征的各个向量进行解码处理,并由线性激活层进行处理,以得积水概率值以及积水深度值;
当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积;
根据所述道路积水面积结合待预测道路上一时刻的道路积水面积确定预测结果。
4.根据权利要求3所述的道路积水预测方法,其特征在于,所述当积水概率值超过积水阈值时,根据所述积水深度值确定道路积水面积,包括:
根据设定阈值判断所述积水深度值是否超过深度值阈值;
若所述积水深度值超过深度值阈值,则从拍摄的道路视频中截取所述道路的图片;
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积。
5.根据权利要求4所述的道路积水预测方法,其特征在于,所述对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析,计算出道路积水面积,包括:
对所述图片进行积水区域的识别,并对所述积水区域进行像素级别的分析结合所述积水深度以及角度计算出道路积水面积。
6.根据权利要求4所述的道路积水预测方法,其特征在于,所述根据所述积水面积结合待预测道路上一时刻的道路积水面积确定预测结果,包括:
确定所述积水面积与待预测道路上一时刻的道路积水面积在相对时间内的差值,当差值符合要求,确定所述积水面积为预测结果。
7.根据权利要求4所述的道路积水预测方法,其特征在于,所述解码组件包括多层解码器,所述解码器包括多头自注意力层、多头注意力层以及全连接前馈层。
8.根据权利要求1所述的道路积水预测方法,其特征在于,所述位置信息包括地势高低、地势之间的关系、地势排水能力,所述积水预测模型通过同一时间段内,积水深度与地势梯度随时间的正相关变化规律,和/或,积水面积与地势梯度随时间的正相关变化规律,来确定所述历史图像中的地势之间的关系。
9.道路积水预测装置,其特征在于,包括:
待预测数据获取单元,用于获取待预测道路当前降水量、位置信息以及相对时间信息,以得到待预测数据;
上一刻数据获取单元,用于获取待预测道路上一时刻的道路积水面积;
预测单元,用于将所述待预测数据以及待预测道路上一时刻的道路积水面积输入至积水预测模型中进行道路积水面积的预测,以得到预测结果;
输出单元,用于输出所述预测结果。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的方法。
11.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730385.6A CN116469013B (zh) | 2023-06-20 | 2023-06-20 | 道路积水预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730385.6A CN116469013B (zh) | 2023-06-20 | 2023-06-20 | 道路积水预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116469013A true CN116469013A (zh) | 2023-07-21 |
CN116469013B CN116469013B (zh) | 2023-09-08 |
Family
ID=87184700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730385.6A Active CN116469013B (zh) | 2023-06-20 | 2023-06-20 | 道路积水预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469013B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
US20180300549A1 (en) * | 2017-04-12 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Road detecting method and apparatus |
WO2019183752A1 (zh) * | 2018-03-26 | 2019-10-03 | 深圳市锐明技术股份有限公司 | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 |
CN111707230A (zh) * | 2019-08-02 | 2020-09-25 | 云途信息科技(杭州)有限公司 | 基于多终端数据融合的道路质量检测*** |
CN112382091A (zh) * | 2020-11-11 | 2021-02-19 | 北京世纪高通科技有限公司 | 一种道路积水预警方法及装置 |
CN113516203A (zh) * | 2021-08-10 | 2021-10-19 | 欧梯恩智能科技(苏州)有限公司 | 内涝预测模型的训练方法、模型及预测方法和存储装置 |
CN113780668A (zh) * | 2021-09-15 | 2021-12-10 | 泰华智慧产业集团股份有限公司 | 一种基于历史数据的城市积水内涝预测方法及*** |
CN114970340A (zh) * | 2022-05-18 | 2022-08-30 | 河海大学 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
CN115563540A (zh) * | 2022-10-21 | 2023-01-03 | 城云科技(中国)有限公司 | 结合多源数据和深度学习的城市内涝预测方法及其应用 |
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
CN115755228A (zh) * | 2022-09-29 | 2023-03-07 | 国网浙江省电力有限公司嘉兴供电公司 | 一种积水路段预测方法 |
CN115830428A (zh) * | 2022-12-06 | 2023-03-21 | 香港中文大学(深圳) | 降水临近预测图像生成方法、***、电子装置和存储介质 |
CN116229362A (zh) * | 2023-02-21 | 2023-06-06 | 中国地质大学(武汉) | 一种基于实时监控视频的智能积水检测与深度估计方法 |
-
2023
- 2023-06-20 CN CN202310730385.6A patent/CN116469013B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
US20180300549A1 (en) * | 2017-04-12 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Road detecting method and apparatus |
WO2019183752A1 (zh) * | 2018-03-26 | 2019-10-03 | 深圳市锐明技术股份有限公司 | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 |
CN111707230A (zh) * | 2019-08-02 | 2020-09-25 | 云途信息科技(杭州)有限公司 | 基于多终端数据融合的道路质量检测*** |
CN112382091A (zh) * | 2020-11-11 | 2021-02-19 | 北京世纪高通科技有限公司 | 一种道路积水预警方法及装置 |
CN113516203A (zh) * | 2021-08-10 | 2021-10-19 | 欧梯恩智能科技(苏州)有限公司 | 内涝预测模型的训练方法、模型及预测方法和存储装置 |
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
CN113780668A (zh) * | 2021-09-15 | 2021-12-10 | 泰华智慧产业集团股份有限公司 | 一种基于历史数据的城市积水内涝预测方法及*** |
CN114970340A (zh) * | 2022-05-18 | 2022-08-30 | 河海大学 | 一种非完全信息下的商用微波反演降雨驱动的城市道路积水模拟预测替代方法 |
CN115755228A (zh) * | 2022-09-29 | 2023-03-07 | 国网浙江省电力有限公司嘉兴供电公司 | 一种积水路段预测方法 |
CN115563540A (zh) * | 2022-10-21 | 2023-01-03 | 城云科技(中国)有限公司 | 结合多源数据和深度学习的城市内涝预测方法及其应用 |
CN115830428A (zh) * | 2022-12-06 | 2023-03-21 | 香港中文大学(深圳) | 降水临近预测图像生成方法、***、电子装置和存储介质 |
CN116229362A (zh) * | 2023-02-21 | 2023-06-06 | 中国地质大学(武汉) | 一种基于实时监控视频的智能积水检测与深度估计方法 |
Non-Patent Citations (2)
Title |
---|
梁好;段丽瑶;霍凯;赵敏;: "天津城市自动化内涝监测预警***设计与实现", 中国防汛抗旱, no. 06, pages 35 - 39 * |
顾杰;王嘉;邓俊晖;: "基于ARIMA模型与BP神经网络算法的水质预测", 电脑编程技巧与维护, no. 03, pages 5 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN116469013B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN111582175A (zh) | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN113204903B (zh) | 一种预测雷电的方法 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及*** | |
CN115984714B (zh) | 一种基于双分支网络模型的云检测方法 | |
CN116258859A (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN116665153A (zh) | 一种基于改进型Deeplabv3+网络模型的道路场景分割方法 | |
CN115205855A (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
CN111695404B (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 | |
CN112837326B (zh) | 遗留物检测方法、装置及设备 | |
Reulen et al. | Ga-smaat-gnet: Generative adversarial small attention gnet for extreme precipitation nowcasting | |
CN111339864B (zh) | 异常行为报警方法和装置 | |
CN117827863B (zh) | 基于cldas数据库的大气环境监测分析方法及*** | |
CN118015525B (zh) | 图像中道路积水的识别方法、装置、终端和存储介质 | |
US20240070832A1 (en) | Device and method for detecting wildfire | |
CN117911879B (zh) | 一种融合sam的细粒度高分遥感影像变化检测方法 | |
CN118051878B (zh) | 基于多模态融合改进深度学习的极端降水次季节预报方法 | |
CN115205526A (zh) | 模型构建方法、图像处理方法、装置及电子设备 | |
Li et al. | Easily deployable real-time detection method for small traffic signs | |
CN117935607A (zh) | 一种停车位预测方法、装置、电子设备和存储介质 |
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 |