CN116580329A - 无人机热度预测方法、装置、设备及介质 - Google Patents
无人机热度预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116580329A CN116580329A CN202310859579.6A CN202310859579A CN116580329A CN 116580329 A CN116580329 A CN 116580329A CN 202310859579 A CN202310859579 A CN 202310859579A CN 116580329 A CN116580329 A CN 116580329A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- detection area
- data
- track
- 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 50
- 238000001514 detection method Methods 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000005236 sound signal Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种无人机热度预测方法、装置、设备及介质，能够通过网格化处理得到每个侦测区域对应的网格单元，以降低无人机坐标的识别难度，对每个侦测区域内所有无人机的轨迹数据进行预处理得到每个无人机的轨迹坐标，基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到无人机轨迹编码数据并存储至配置数据库，以便快速调用并执行后续相关处理，结合从配置数据库中调取并解码得到的目标解码数据、无人机热度等级预测模型计算目标区域内每个无人机的热度等级，生成无人机热度地图并显示，进而能够直观的展示指定区域内无人机热度，以辅助进行无人机的安全控制。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种无人机热度预测方法、装置、设备及介质。
背景技术
随着民用无人机保有量日趋增多，无人机乱飞现象日益严重。低空飞行器存在机动性强、灵活性高、飞行时间短、质量低的特点，且常规手段存在发现难、核实难、处置难、处罚难的痛点。因此，对指定区域内的低空飞行器进行快速压制是一项重要研究内容，只有辅助指挥人员快速决策、整合空地处置力量，才能彻底解决低空飞行器乱飞的现象。
在现有技术中，针对无人机的乱飞现象虽采取了一定的解决方案，但并未对指定时间段内的低空飞行器的数据进行威胁度分析，且分析算法的复杂度高、对数据准确度的要求也较高、技术要求高，无法提高处置低空飞行器的效率，且无法适用多无人机场景，难以进行推广实现。
发明内容
鉴于以上内容，有必要提供一种无人机热度预测方法、装置、设备及介质，能够对指定区域内无人机的热度进行预测，以辅助进行无人机飞行过程中的快速预警。
一种无人机热度预测方法，所述无人机热度预测方法包括：
获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
实时采集每个侦测区域内所有无人机的轨迹数据；
对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
获取每个无人机的轨迹坐标的采集时间；
基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
根据本发明优选实施例，所述对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元包括：
对每个侦测区域按照经纬度进行预设轮次的网格划分；
将最后一轮网格划分后得到的网格划分结果确定为每个侦测区域对应的网格单元；
其中，在每轮划分时，获取当前网格划分结果，在所述当前网格划分结果的基础上继续执行当轮的按照经纬度的网格划分。
根据本发明优选实施例，所述实时采集每个侦测区域内所有无人机的轨迹数据包括：
利用被动式无线电设备采集每个侦测区域内所有无人机的电信号；
利用光电设备采集每个侦测区域内所有无人机的图像信号；
利用阵列型麦克风采集每个侦测区域内所有无人机的声音信号；
整合每个侦测区域内所有无人机的电信号、每个侦测区域内所有无人机的图像信号及每个侦测区域内所有无人机的声音信号，得到每个侦测区域内所有无人机的轨迹数据。
根据本发明优选实施例，所述对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标包括：
基于卡尔曼滤波平滑算法对每个侦测区域内所有无人机的轨迹数据进行平滑处理，得到待处理数据；
获取所述待处理数据中的所述电信号，将所述电信号输入至预先训练的电信号特征提取模型，得到电信号特征图；
获取所述待处理数据中的所述图像信号，将所述图像信号输入至预先训练的图像信号特征提取模型，得到图像信号特征图；
获取所述待处理数据中的所述声音信号，将所述声音信号输入至预先训练的MFCC模型，得到声音信号特征图；
对所述电信号特征图、所述图像信号特征图及所述声音信号特征图进行特征融合，得到融合特征；
利用PCA降维算法对所述融合特征进行降维处理，得到每个无人机的轨迹坐标。
根据本发明优选实施例，所述调取预先训练的无人机热度等级预测模型前，所述方法还包括：
获取历史无人机轨迹数据作为训练样本；
对所述训练样本进行标记，得到标签样本；
利用所述标签样本训练卷积神经网络模型；
当所述卷积神经网络模型的准确率达到配置准确率时，停止训练，得到所述无人机热度等级预测模型。
根据本发明优选实施例，所述基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级包括：
根据所述无人机热度预测指令确定预测时间段及目标位置；
从所述目标解码数据中获取所述预测时间段内每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离；
将所述预测时间段、每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离作为输入数据输入至所述无人机热度等级预测模型；
获取所述无人机热度等级预测模型的输出数据作为所述目标区域内每个无人机的热度等级。
根据本发明优选实施例，所述根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图包括：
配置热度等级与显示颜色的对应关系；
根据所述对应关系确定所述目标区域内每个无人机的热度等级所对应的目标显示颜色；
根据每个无人机的热度等级所对应的目标显示颜色对每个无人机的热度等级进行标记，以生成所述目标区域的无人机热度地图。
一种无人机热度预测装置，所述无人机热度预测装置包括：
网格化单元，用于获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
采集单元，用于实时采集每个侦测区域内所有无人机的轨迹数据；
预处理单元，用于对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
获取单元，用于获取每个无人机的轨迹坐标的采集时间；
编码单元，用于基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
解码单元，用于响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
计算单元，用于调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
生成单元，用于根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述无人机热度预测方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述无人机热度预测方法。
由以上技术方案可以看出，本发明能够对每个侦测区域进行网格化处理得到每个侦测区域对应的网格单元，降低了无人机坐标的识别难度，实时采集并对每个侦测区域内所有无人机的轨迹数据进行预处理得到每个无人机的轨迹坐标，基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据并存储至配置数据库，以便于后续快速调用并执行相关处理，结合从配置数据库中调取后解码得到的目标解码数据、无人机热度等级预测模型计算目标区域内每个无人机的热度等级，生成无人机热度地图并显示，进而能够直观的展示指定区域内无人机热度，以辅助进行无人机的安全控制。
附图说明
图1是本发明无人机热度预测方法的较佳实施例的流程图。
图2是本发明无人机热度预测方法的应用环境示意图。
图3是本发明无人机热度预测装置的较佳实施例的功能模块图。
图4是本发明实现无人机热度预测方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明无人机热度预测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述无人机热度预测方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。具体可参见图2，是本发明无人机热度预测方法的应用环境示意图。其中，所述服务器采集各侦测区域内所有无人机的轨迹数据，并存储至数据库，以供后续预测每个无人机的热度等级，并生成无人机热度地图时使用。
所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
具体地，所述无人机热度预测方法包括：
S10，获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元。
可以理解的是，无人机的飞行区域可以包括很多，为了便于针对性管理，可以预先对无人机的飞行区域进行划分，如按照侦测的优先级进行划分，或者按照地理位置进行划分等，具体可以根据实际的侦测需求进行配置，本发明不限制。
通过侦测区域的划分，能够在后续侦测时根据实际的侦测需求对指定的区域进行侦测，缩小了侦测范围，以实现对无人机的精准侦测。
在本实施例中，所述对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元包括：
对每个侦测区域按照经纬度进行预设轮次的网格划分；
将最后一轮网格划分后得到的网格划分结果确定为每个侦测区域对应的网格单元；
其中，在每轮划分时，获取当前网格划分结果，在所述当前网格划分结果的基础上继续执行当轮的按照经纬度的网格划分。
例如：所述预设轮次可以配置为5次。在初始划分时，对于侦测区域甲，将侦测区域甲分别沿经度及纬度进行划分，得到第一网格数据；在第二轮网格划分时，在第一网格数据的基础上，继续沿经纬度进行划分，以此类推，直至经过5轮的网格划分后，将当前得到的网格数据确定为侦测区域甲的网格单元，并将划分后的网格单元以字符A~Z进行表征，每个小单元的字符用于表征单个网格的地理位置。
通过对各侦测区域进行网格划分，能够提高无人机位置信息的可读性，便于识别。
S11，实时采集每个侦测区域内所有无人机的轨迹数据。
在本实施例中，实时采集每个侦测区域内所有无人机的轨迹数据，以便后续根据轨迹数据进行无人机热度预测。
具体地，所述实时采集每个侦测区域内所有无人机的轨迹数据包括：
利用被动式无线电设备采集每个侦测区域内所有无人机的电信号；
利用光电设备采集每个侦测区域内所有无人机的图像信号；
利用阵列型麦克风采集每个侦测区域内所有无人机的声音信号；
整合每个侦测区域内所有无人机的电信号、每个侦测区域内所有无人机的图像信号及每个侦测区域内所有无人机的声音信号，得到每个侦测区域内所有无人机的轨迹数据。
通过上述实施例，分别利用不同的采集设备采集电信号、图像信号及声音信号，以多维度信号作为无人机的轨迹数据，能够使后续的热度预测更加准确。
S12，对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标。
在本实施例中，为了进一步提高无人机的识别精度，还需要对每个侦测区域内所有无人机的轨迹数据进行预处理。
具体地，所述对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标包括：
基于卡尔曼滤波平滑算法对每个侦测区域内所有无人机的轨迹数据进行平滑处理，得到待处理数据；
获取所述待处理数据中的所述电信号，将所述电信号输入至预先训练的电信号特征提取模型，得到电信号特征图；
获取所述待处理数据中的所述图像信号，将所述图像信号输入至预先训练的图像信号特征提取模型，得到图像信号特征图；
获取所述待处理数据中的所述声音信号，将所述声音信号输入至预先训练的MFCC（Mel Frequency Cepstrum Coefficient，Mel频率倒谱系数）模型，得到声音信号特征图；
对所述电信号特征图、所述图像信号特征图及所述声音信号特征图进行特征融合，得到融合特征；
利用PCA（Principal Component Analysis，主成分分析）降维算法对所述融合特征进行降维处理，得到每个无人机的轨迹坐标。
其中，所述电信号特征提取模型及所述图像信号特征提取模型可以为基于CNN（Convolutional Neural Networks，卷积神经网络）模型进行训练而得到的模型。
通过对每个侦测区域内所有无人机的轨迹数据进行预处理，能够进一步提高轨迹数据的可识别性，进而提高后续热度预测的准确度及预测速度。
S13，获取每个无人机的轨迹坐标的采集时间。
具体地，可以在采集每个无人机的轨迹坐标时同步记录每个无人机的轨迹坐标的采集时间。
S14，基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库。
其中，所述配置数据库可以为ES（Elastic Search）数据库。ES数据库具有较高的检索效率，可靠性高。
需要说明的是，本实施例对采用的编码算法不做限制。
S15，响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据。
在本实施例中，所述目标区域可以为每个侦测区域中的任意一个侦测区域。
在本实施例中，所述无人机热度预测指令可以由具有无人机安全管理职责的相关人员触发。
在本实施例中，可以利用与前文采用的编码算法所对应的解码算法对所述目标编码数据进行解码处理。
S16，调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级。
在本实施例中，所述调取预先训练的无人机热度等级预测模型前，所述方法还包括：
获取历史无人机轨迹数据作为训练样本；
对所述训练样本进行标记，得到标签样本；
利用所述标签样本训练卷积神经网络模型；
当所述卷积神经网络模型的准确率达到配置准确率时，停止训练，得到所述无人机热度等级预测模型。
其中，所述对所述训练样本进行标记可以为对所述训练样本进行热度标记。
其中，所述配置准确率可以进行自定义配置，如98%。
通过上述实施例，能够基于标记的历史数据训练得到所述无人机热度等级预测模型，以供后续进行热度预测时使用。
在本实施例中，所述基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级包括：
根据所述无人机热度预测指令确定预测时间段及目标位置；
从所述目标解码数据中获取所述预测时间段内每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离；
将所述预测时间段、每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离作为输入数据输入至所述无人机热度等级预测模型；
获取所述无人机热度等级预测模型的输出数据作为所述目标区域内每个无人机的热度等级。
相应地，在训练所述无人机热度等级预测模型时，则可以获取所述历史无人机轨迹数据中的预测时间段、每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离作为所述训练样本，同时，以对应的热度等级对该训练样本中的样本数据进行打标签处理，以标签作为训练目标训练得到所述无人机热度等级预测模型。
其中，热度等级越高，则说明无人机飞行时的风险越高，对安全的威胁性越大，此时，则需要及时进行安全防护及飞行控制，以避免产生安全问题。
其中，所述预测时间段是指需要进行无人机热度预测的具体时间段，若所述预测时间段为上午9时到11时，则获取上午9时到11时这段时间内的无人机数量及每个无人机到所述目标位置的直线距离，再进行后续处理。
其中，所述目标位置是预先配置的基准位置，用于确定无人机是否飞行过于靠近，风险度是否过高。例如：在所述目标位置确定后，若有无人机到所述目标位置的距离低于安全距离，则可以确定该无人机当前飞行的风险过高。
本实施例采用的无人机热度等级预测模型在进行预测时结合了所述预测时间段内每个无人机到所述目标位置的直线距离，因此可以对指定时间段内的低空飞行器的数据进行威胁度分析。同时，热度预测过程采用的网格划分处理、无人机热度等级预测模型等算法复杂度较低，对于数据及技术没有过高的要求，能够适用于多无人机场景。且由于预先存储了轨迹数据，并提前进行网格化、预处理、编码等操作，提高了后续热度预测的效率，便于推广使用。
S17，根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
在本实施例中，所述根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图包括：
配置热度等级与显示颜色的对应关系；
根据所述对应关系确定所述目标区域内每个无人机的热度等级所对应的目标显示颜色；
根据每个无人机的热度等级所对应的目标显示颜色对每个无人机的热度等级进行标记，以生成所述目标区域的无人机热度地图。
例如：当所述热度等级为高、中、低时，可以根据用户的普遍认知，将高热度等级配置为红色，将中热度等级配置为橙色，将低热度等级配置为黄色，使用户能够通过视觉效果直观的感受到热度的高低，以方便用户根据不同的热度及时进行无人机的控制。
本实施例对指定区域内的多个无人机的热度等级（即安全威胁性）进行分析，并且通过电子地图（即所述无人机热度地图）可以显示不同区域内无人机的威胁程度，从而直观地展示某个区域内受到无人机威胁的等级，实现快速预警，以增强对目标物的保护。
由以上技术方案可以看出，本发明能够对每个侦测区域进行网格化处理得到每个侦测区域对应的网格单元，降低了无人机坐标的识别难度，实时采集并对每个侦测区域内所有无人机的轨迹数据进行预处理得到每个无人机的轨迹坐标，基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据并存储至配置数据库，以便于后续快速调用并执行相关处理，结合从配置数据库中调取后解码得到的目标解码数据、无人机热度等级预测模型计算目标区域内每个无人机的热度等级，生成无人机热度地图并显示，进而能够直观的展示指定区域内无人机热度，以辅助进行无人机的安全控制。
如图3所示，是本发明无人机热度预测装置的较佳实施例的功能模块图。所述无人机热度预测装置11包括网格化单元110、采集单元111、预处理单元112、获取单元113、编码单元114、解码单元115、计算单元116、生成单元117。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
其中，所述网格化单元110，用于获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
所述采集单元111，用于实时采集每个侦测区域内所有无人机的轨迹数据；
所述预处理单元112，用于对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
所述获取单元113，用于获取每个无人机的轨迹坐标的采集时间；
所述编码单元114，用于基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
所述解码单元115，用于响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
所述计算单元116，用于调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
所述生成单元117，用于根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
由以上技术方案可以看出，本发明能够对每个侦测区域进行网格化处理得到每个侦测区域对应的网格单元，降低了无人机坐标的识别难度，实时采集并对每个侦测区域内所有无人机的轨迹数据进行预处理得到每个无人机的轨迹坐标，基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据并存储至配置数据库，以便于后续快速调用并执行相关处理，结合从配置数据库中调取后解码得到的目标解码数据、无人机热度等级预测模型计算目标区域内每个无人机的热度等级，生成无人机热度地图并显示，进而能够直观的展示指定区域内无人机热度，以辅助进行无人机的安全控制。
如图4所示，是本发明实现无人机热度预测方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如无人机热度预测程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（Flash Card）等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如无人机热度预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块（例如执行无人机热度预测程序等），以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个无人机热度预测方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成网格化单元110、采集单元111、预处理单元112、获取单元113、编码单元114、解码单元115、计算单元116、生成单元117。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述无人机热度预测方法的部分。
所述计算机设备1集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器等。
进一步地，计算机可读存储介质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区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图4中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图4仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图4示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种无人机热度预测方法，所述处理器13可执行所述多个指令从而实现：
获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
实时采集每个侦测区域内所有无人机的轨迹数据；
对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
获取每个无人机的轨迹坐标的采集时间；
基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，本案中所涉及到的数据均为合法取得。
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，所述模块的划分，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。
本发明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。本发明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发明，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种无人机热度预测方法，其特征在于，所述无人机热度预测方法包括：
获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
实时采集每个侦测区域内所有无人机的轨迹数据；
对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
获取每个无人机的轨迹坐标的采集时间；
基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
2.如权利要求1所述的无人机热度预测方法，其特征在于，所述对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元包括：
对每个侦测区域按照经纬度进行预设轮次的网格划分；
将最后一轮网格划分后得到的网格划分结果确定为每个侦测区域对应的网格单元；
其中，在每轮划分时，获取当前网格划分结果，在所述当前网格划分结果的基础上继续执行当轮的按照经纬度的网格划分。
3.如权利要求1所述的无人机热度预测方法，其特征在于，所述实时采集每个侦测区域内所有无人机的轨迹数据包括：
利用被动式无线电设备采集每个侦测区域内所有无人机的电信号；
利用光电设备采集每个侦测区域内所有无人机的图像信号；
利用阵列型麦克风采集每个侦测区域内所有无人机的声音信号；
整合每个侦测区域内所有无人机的电信号、每个侦测区域内所有无人机的图像信号及每个侦测区域内所有无人机的声音信号，得到每个侦测区域内所有无人机的轨迹数据。
4.如权利要求3所述的无人机热度预测方法，其特征在于，所述对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标包括：
基于卡尔曼滤波平滑算法对每个侦测区域内所有无人机的轨迹数据进行平滑处理，得到待处理数据；
获取所述待处理数据中的所述电信号，将所述电信号输入至预先训练的电信号特征提取模型，得到电信号特征图；
获取所述待处理数据中的所述图像信号，将所述图像信号输入至预先训练的图像信号特征提取模型，得到图像信号特征图；
获取所述待处理数据中的所述声音信号，将所述声音信号输入至预先训练的MFCC模型，得到声音信号特征图；
对所述电信号特征图、所述图像信号特征图及所述声音信号特征图进行特征融合，得到融合特征；
利用PCA降维算法对所述融合特征进行降维处理，得到每个无人机的轨迹坐标。
5.如权利要求1所述的无人机热度预测方法，其特征在于，所述调取预先训练的无人机热度等级预测模型前，所述方法还包括：
获取历史无人机轨迹数据作为训练样本；
对所述训练样本进行标记，得到标签样本；
利用所述标签样本训练卷积神经网络模型；
当所述卷积神经网络模型的准确率达到配置准确率时，停止训练，得到所述无人机热度等级预测模型。
6.如权利要求1所述的无人机热度预测方法，其特征在于，所述基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级包括：
根据所述无人机热度预测指令确定预测时间段及目标位置；
从所述目标解码数据中获取所述预测时间段内每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离；
将所述预测时间段、每个采集时间点的无人机数量及每个无人机到所述目标位置的直线距离作为输入数据输入至所述无人机热度等级预测模型；
获取所述无人机热度等级预测模型的输出数据作为所述目标区域内每个无人机的热度等级。
7.如权利要求1所述的无人机热度预测方法，其特征在于，所述根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图包括：
配置热度等级与显示颜色的对应关系；
根据所述对应关系确定所述目标区域内每个无人机的热度等级所对应的目标显示颜色；
根据每个无人机的热度等级所对应的目标显示颜色对每个无人机的热度等级进行标记，以生成所述目标区域的无人机热度地图。
8.一种无人机热度预测装置，其特征在于，所述无人机热度预测装置包括：
网格化单元，用于获取每个侦测区域，并对每个侦测区域进行网格化处理，得到每个侦测区域对应的网格单元；
采集单元，用于实时采集每个侦测区域内所有无人机的轨迹数据；
预处理单元，用于对每个侦测区域内所有无人机的轨迹数据进行预处理，得到每个无人机的轨迹坐标；
获取单元，用于获取每个无人机的轨迹坐标的采集时间；
编码单元，用于基于每个无人机的轨迹坐标、每个无人机的轨迹坐标的采集时间、每个侦测区域对应的网格单元进行编码处理，得到每个侦测区域对应的无人机轨迹编码数据，并将每个侦测区域对应的无人机轨迹编码数据存储至配置数据库；
解码单元，用于响应于对目标区域的无人机热度预测指令，从所述配置数据库中调取与所述目标区域对应的无人机轨迹编码数据作为目标编码数据，并对所述目标编码数据进行解码处理，得到目标解码数据；
计算单元，用于调取预先训练的无人机热度等级预测模型，基于所述目标解码数据及所述无人机热度等级预测模型计算所述目标区域内每个无人机的热度等级；
生成单元，用于根据所述目标区域内每个无人机的热度等级生成所述目标区域的无人机热度地图，并显示所述无人机热度地图。
9. 一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的无人机热度预测方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的无人机热度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310859579.6A CN116580329B (zh) | 2023-07-13 | 2023-07-13 | 无人机热度预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310859579.6A CN116580329B (zh) | 2023-07-13 | 2023-07-13 | 无人机热度预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116580329A true CN116580329A (zh) | 2023-08-11 |
| CN116580329B CN116580329B (zh) | 2023-09-26 |
Family
ID=87543542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310859579.6A Active CN116580329B (zh) | 2023-07-13 | 2023-07-13 | 无人机热度预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116580329B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9671791B1 (en) * | 2015-06-10 | 2017-06-06 | Amazon Technologies, Inc. | Managing unmanned vehicles |
| EP3349086A1 (en) * | 2017-01-17 | 2018-07-18 | Thomson Licensing | Method and device for determining a trajectory within a 3d scene for a camera |
| CN110471055A (zh) * | 2019-07-08 | 2019-11-19 | 岭澳核电有限公司 | 飞行物轨迹预测方法、装置、可读存储介质及终端设备 |
| CN111754053A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 热力信息反馈方法、装置、计算机设备和存储介质 |
| CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
| CN112596049A (zh) * | 2021-03-02 | 2021-04-02 | 陕西山利科技发展有限责任公司 | 一种提升无人机侦测准确率的方法 |
| CN114637325A (zh) * | 2022-03-10 | 2022-06-17 | 四川腾盾科技有限公司 | 一种无人机飞行轨迹预测方法、电子设备及存储介质 |
| CN115064009A (zh) * | 2022-05-10 | 2022-09-16 | 南京航空航天大学 | 一种终端区无人机与有人机冲突风险等级划分方法 |
| CN115421512A (zh) * | 2022-08-24 | 2022-12-02 | 深圳市栢迪科技有限公司 | 无人机的图像探测方法、装置、电子设备及存储介质 |
-
2023
- 2023-07-13 CN CN202310859579.6A patent/CN116580329B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9671791B1 (en) * | 2015-06-10 | 2017-06-06 | Amazon Technologies, Inc. | Managing unmanned vehicles |
| EP3349086A1 (en) * | 2017-01-17 | 2018-07-18 | Thomson Licensing | Method and device for determining a trajectory within a 3d scene for a camera |
| CN110471055A (zh) * | 2019-07-08 | 2019-11-19 | 岭澳核电有限公司 | 飞行物轨迹预测方法、装置、可读存储介质及终端设备 |
| CN111754053A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 热力信息反馈方法、装置、计算机设备和存储介质 |
| CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
| CN112596049A (zh) * | 2021-03-02 | 2021-04-02 | 陕西山利科技发展有限责任公司 | 一种提升无人机侦测准确率的方法 |
| CN114637325A (zh) * | 2022-03-10 | 2022-06-17 | 四川腾盾科技有限公司 | 一种无人机飞行轨迹预测方法、电子设备及存储介质 |
| CN115064009A (zh) * | 2022-05-10 | 2022-09-16 | 南京航空航天大学 | 一种终端区无人机与有人机冲突风险等级划分方法 |
| CN115421512A (zh) * | 2022-08-24 | 2022-12-02 | 深圳市栢迪科技有限公司 | 无人机的图像探测方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| RENWEI ZHU等: "Short-term Trajectory Prediction for Small Scale Drones at Low-attitude Airspace", 2022 IEEE 4TH INTERNATIONAL CONFERENCE ON CIVIL AVIATION SAFETY AND INFORMATION TECHNOLOGY (ICCASIT) * |
| STEFAN BECKER等: "An Evaluation of Trajectory Prediction Approaches and Notes on the TrajNet Benchmark", COMPUTER VISION AND PATTERN RECOGNITION * |
| 席庆彪;杨述星;张帅;屈耀红;: "基于A*算法的无人机地面目标跟踪", 火力与指挥控制, no. 03 * |
| 李文广;胡永江;庞强伟;李永科;贾红霞;: "基于改进遗传算法的多无人机协同侦察航迹规划", 中国惯性技术学报, no. 02 * |
| 闫斌;石凯;叶润;: "禁飞区无人机预警算法研究", 计算机应用研究, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116580329B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
| CN111950621B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN116168350B (zh) | 基于物联网实现施工人员违规行为的智能监测方法及装置 | |
| CN114005297B (zh) | 一种基于车联网的车队协调行驶方法 | |
| CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
| CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
| CN112115890B (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN112052409B (zh) | 地址解析方法、装置、设备及介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN116580329B (zh) | 无人机热度预测方法、装置、设备及介质 | |
| CN115147248B (zh) | 一种基于大数据的旅游信息咨询***和方法 | |
| CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN113963413A (zh) | 基于人工智能的疫情排查方法、装置、电子设备及介质 | |
| CN113869218A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
| CN113920720A (zh) | 高速公路隧道设备故障处理方法、装置及电子设备 | |
| CN112561891A (zh) | 图像质量检测方法、装置、设备及存储介质 | |
| CN117387425A (zh) | 车载无人机防御方法、装置、设备及介质 | |
| CN115174620B (zh) | 一种智能化旅游综合服务***和方法 | |
| CN116976821B (zh) | 企业问题反馈信息处理方法、装置、设备及介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
| CN117316359B (zh) | 血液检测过程跟踪方法、装置、设备及介质 | |
| CN117492454B (zh) | 基于智慧杆的无人驾驶车辆控制方法、装置、设备及介质 | |
| CN117576721A (zh) | 指定人员的访客管理方法、装置、设备及介质 |
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 |