CN117132178B - 一种基于智慧城市的场景应用模型构建方法 - Google Patents
一种基于智慧城市的场景应用模型构建方法 Download PDFInfo
- Publication number
- CN117132178B CN117132178B CN202311403879.XA CN202311403879A CN117132178B CN 117132178 B CN117132178 B CN 117132178B CN 202311403879 A CN202311403879 A CN 202311403879A CN 117132178 B CN117132178 B CN 117132178B
- Authority
- CN
- China
- Prior art keywords
- scene
- dimensional
- data
- urban
- scene application
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000011161 development Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims description 35
- 230000003068 static effect Effects 0.000 claims description 20
- 239000012634 fragment Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000001931 thermography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智慧城市的场景应用模型构建方法,涉及场景应用模型构建技术领域;本发明通过设置若干个城市区域,并对城市区域设置设备群,通过设备群获得城市区域的采集数据,根据采集数据中物体状态设置因素标签,将相同种类的传感器的采集数据按时间段进行拼接,并将不同种类的传感器拼接后的采集数据相互映射建立多维数据集,根据多维数据集中物体的因素标签建立高维特征点和低维特征点,进而建立各个城市区域的场景应用模型,进而将各个城市区域的场景应用模型进行拼接得到城市场景应用模型,进而通过城市场景应用模型对城市进行虚拟层的场景预测,并通过现实层的场景发展结果验证城市场景应用模型是否准确。
Description
技术领域
本发明涉及场景应用模型构建领域,具体是一种基于智慧城市的场景应用模型构建方法。
背景技术
场景应用模型是一种针对具体场景或特定应用需求而构建的模型,其主要目的是解决特定场景中的问题或实现特定的应用功能,由于其功能的兼容性,其目前已经运用于各个行业,例如城市管理、变电站管理等;
现有的场景应用模型构建方法普遍存在由于场景应用模型需要大量的高质量数据进行训练和测试,然而现实中的数据往往具有不完整、不准确或偏差的问题,会导致建立后的场景应用模型的性能或效果达不到预期,且现有技术缺乏较为准确的方法来评估场景应用模型构建是否准确,为此,提供一种基于智慧城市的场景应用模型构建方法。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于智慧城市的场景应用模型构建方法。
为了实现上述目的,本发明提供如下技术方案:
一种基于智慧城市的场景应用模型构建方法,包括以下步骤:
步骤一,将城市划分为若干个大小相等的城市区域,并对各个城市区域设置设备群,进而通过设备群获得各个城市区域的采集数据,根据采集数据中物体状态设置因素标签;
步骤二,将相同种类的传感器的采集数据按时间段进行拼接,并将不同种类的传感器拼接后的采集数据相互映射建立多维数据集;
步骤三,对城市区域的多维数据集中各个物体的因素标签建立高维特征点以及低维特征点,进而建立各个城市区域的场景应用模型;
步骤四,对各个城市区域进行时间同步,进而将各个城市区域的场景应用模型进行拼接,得到城市场景应用模型,进而通过城市场景应用模型对城市进行虚拟层的场景预测,并通过现实层的场景发展结果验证城市场景应用模型是否准确。
进一步的,所述设备群由若干种传感器、无线信号装置以及管控***组成,所述管控***设有与其所城市区域相同的编号,其用于管理各个传感器的采集数据,且各个管控***之间设有时间同步机制。
进一步的,通过所述设备群获取城市区域的采集数据的过程包括:
设置数据采集周期,当数据采集周期开始时,各个管控***之间进行时间同步校准,各个管控***之间确认时间一致后,向其所在设备群的所有传感器发送数据采集指令;
进而设备群内的所有传感器根据采集指令采集其所在城市区域内数据采集周期相同时间长度的数据发送至管控***;
当数据采集周期结束后,管控***按照传感器的编号对各个传感器的采集数据进行排列,同时对各个传感器的采集数据设置静态因素标签和动态因素标签,其中静态因素标签和动态因素标签同时设置有行人因素标签、***因素标签以及环境因素标签三种子因素标签。
进一步的,所述相同种类传感器的采集数据的拼接过程包括:
设置时间切点,并根据时间切点将同一个数据采集周期内的各个传感器对应的采集数据以时间节点为单位,划分为若干个数据片段;
同时对各个数据片段边缘位置的物体所带有因素标签设置若干个连接特征点,进而将相同种类的传感器在同一个数据采集周期且为相同时间节点的数据片段进行分类;
将在同一个分类下的数据片段的连接特征点进行匹配相连,进而得到对应时间节点内城市区域的相关种类的完整数据片段;
根据时间节点顺序,将各个时间节点对应的完整数据片段依次相连,进而得到对应数据采集周期的完整采集数据。
进一步的,所述多维数据集的建立过程包括:
设置三维坐标轴,将各个种类的传感器所对应的完整采集数据映射于三维坐标轴中同时设置统一的时间轴;
对各个种类的传感器所对应的完整采集数据中带有静态因素的物体设置固定映射标签,对于带有动态因素的物体设置移动映射标签;
将三维坐标轴时间轴各个种类的传感器所对应的完整采集数据中带有固定映射标签的物体进行局部映射重叠;
以时间轴为参考点,获得各个带有移动映射标签的物体的移动向量,将各个种类的传感器所对应的完整采集数据中移动向量相同的物体相互映射,进而得到对应城市区域在相应数据采集周期内的多维数据集。
进一步的,所述场景应用模型的建立过程包括:
遍历多维数据集内各层完整采集数据带有因素标签的物体,将带有动态因素标签的物体标注高维特征点,将带有静态因素标签的物体标注低维特征点;
对于带有高维特征点的物体,根据其带有的行人因素标签、***因素标签或环境因素标签,建立对应的局部场景模型;
以多维数据集上的时间轴为参照点,在行人或物体设置上若干个移动特征点,进而建立对应行人或物体在数据采集周期内的多条位移轨迹线或形变轨迹线;
建立带有高维特征点和行人因素标签的行人或物体的三维图像模型,并将移动特征点标注于三维图像模型的相应位置上,并根据各个移动特征点所对应的移轨迹线或形变轨迹线,建立对应带有高维特征点和行人因素标签的行人或物体在数据采集周期内的移动三维模型;
同时根据多维数据集中各层的完整采集数据,建立对应种类的完整采集数据的移动三维模型;
根据各层完整采集数据在多维数据集中的层次顺序,将各层完整采集数据所对应的三维模型进行叠加映射,进而得到对应行人或物体的局部场景模型,得到各个带有高维特征点的物体的局部场景模型;
对于带有低维特征点的物体,将各层完整采集数据所对应的三维模型进行叠加映射,得到对应带有低维特征点的物体的局部场景模型;
根据多维数据集将带有低维特征点的局部场景模型依次进行相连,进而得到对应城市区域的静态场景模型;
同时将带有高维特征点的移动轨迹映射于静态场景模型中,进而得到对应城市区域的场景应用模型。
进一步的,所述城市区域进行时间同步的过程包括:
设置云计算平台,当城市区域的场景应用模型建立完成后,各个城市区域的管控***向云计算平台发送时钟信号,所述时钟信号包括管控***的编号以及***时间;
云计算平台根据时钟信号的数量与编号确认接收全部城市区域的时钟信号后,云计算平台以其自身的***时间为标准时间,并与各个时钟信号中的***时间进行对比,同时将各个时钟信号中的***时间采用择多判决进行同步对比。
进一步的,建立城市场景应用模型,并验证城市场景应用模型是否准确的过程包括:
各个城市区域的管控***进行时间同步后,将场景应用模型发送至云计算平台,根据各个场景应用模型所对应的城市区域编号,将场景应用模型进行依次相连,得到城市场景应用模型;
以数据采集周期为时间单位,进而根据城市场景应用模型中带有高维特征的物体的移动过程,生成虚拟层的下一个数据采集周期内各个带有高维特征的物体的预计移动过程,进而得到各个城市区域的虚拟层预测发展结果,同时管控***向各个传感器发送数据采集指令,进而生成现实层场景发展结果;
以城市区域为单位,分别将各个城市区域的虚拟层预测发展结果与现实层场景发展结果中各个带有高维特征点的物体的移动或形变过程进行对比,并统计其中移动或形变过程一致的物体数量;
根据各个城市区域内带有高维特征点的物体的总数设置准确阈值,若移动或形变过程一致的物体数量大于或等于准确阈值,则判断对应城市区域的场景应用模型准确;
若移动或形变过程一致的物体数量小于准确阈值,则判断对应城市区域的场景应用模型不准确,则根据下一个数据采集周期内对应城市区域的采集数据重新建立场景应用模型;
当判断所有城市区域的场景应用模型验证准确,则通过对应的城市场景应用模型预测下一个数据采集周期的场景预测。
与现有技术相比,本发明的有益效果是:
1、本发明通过设置若干个城市区域,并对城市区域设置设备群,通过设备群获得城市区域的采集数据,根据采集数据中物体状态设置因素标签,将相同种类的传感器的采集数据按时间段进行拼接,并将不同种类的传感器拼接后的采集数据相互映射建立多维数据集,根据多维数据集中物体的因素标签建立高维特征点和低维特征点,进而建立各个城市区域的场景应用模型;通过不同传感器从多个采集角度采集同一个物体的多源数据,并通过多源数据进行多维度映射重合,有效的降低了数据源出现错误的概率,提高了场景应用模型的可信度;
2、本发明通过将各个城市区域的场景应用模型进行拼接得到城市场景应用模型,进而通过城市场景应用模型对城市进行虚拟层的场景预测,并通过现实层的场景发展结果验证城市场景应用模型是否准确;通过结合虚拟层的预测结果与现实层的发展结果进行验证场景应用模型的准确性,有效的减少了因应用场景不明确、建模方法不明确导致的验证场景应用模型错误率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
如图1所示,一种基于智慧城市的场景应用模型构建方法,包括以下步骤:
步骤一,将城市划分为若干个大小相等的城市区域,并对各个城市区域设置设备群,进而通过设备群获得各个城市区域的采集数据,根据采集数据中物体状态设置因素标签;
具体的,获取城市地图,并城市地图生成等比例的城市电子图,进而根据城市电子图将城市划分为若干个相等的城市区域,并对各个城市区域设置编号,例如编号可为S1、S2、……、Sn,n为大于0的自然数;
对各个城市区域设置设备群,所述设备群由若干种传感器、无线信号装置以及管控***组成,其中传感器可为摄像头、红外传感器等,所述管控***设有与其所在城市区域相同的编号,其用于管理各个传感器的采集数据,且各个管控***之间设有时间同步机制;
设置数据采集周期,当数据采集周期开始时,各个管控***之间进行时间同步校准,各个管控***之间确认时间一致后,向其所在设备群的所有传感器发送数据采集指令;
进而设备群内的所有传感器根据采集指令采集其所在城市区域内数据采集周期相同时间长度的数据发送至管控***;
需要说明的是,管控***对各个传感器设置编号si,j,例如s1,1、s1,2、……,其i,j为大于0的自然数,且i≤n,且相同种类的传感器的采集区域依次相互连接或部分重叠,同时在同一个位置的存在种类不重复的传感器;
当数据采集周期结束后,管控***按照传感器的编号对各个传感器的采集数据进行排列,同时对各个传感器的采集数据设置静态因素标签和动态因素标签,其中静态因素标签和动态因素标签同时带有行人因素标签、***因素标签以及环境因素标签三种子因素标签;
所述动态因素标签表示采集数据中发生位移或形变的物体;
所述静态因素标签表示采集数据中未发生位移或形变的物体;
所述行人因素标签表示采集数据中表示行人或与行人呈直接关联状态的部分,如人和汽车;
所述***因素标签表示采集数据中设备群内的传感器部分;
所述环境因素标签表示采集数据中城市的绿化带、建筑物以及路灯等物体;
需要说明的是,在一个数据采集周期内,同一个物体在各个时间段内带有标签因素可不同,且各个物体在任意时间节点上只能带有静态因素标签或动态因素标签,二者不可同时存在。
步骤二,将相同种类的传感器的采集数据按时间段进行拼接,并将不同种类的传感器拼接后的采集数据相互映射建立多维数据集;
具体的,设置时间切点,并根据时间切点将同一个数据采集周期内的各个传感器对应的采集数据以时间节点为单位,划分为若干个数据片段;
同时对各个数据片段边缘位置的物体所带有因素标签设置若干个连接特征点,进而将相同种类的传感器在同一个数据采集周期且为相同时间节点的数据片段进行分类;
将在同一个分类的数据片段进行连接特征点进行匹配相连,进而得到对应时间节点内城市区域的相关种类的完整数据片段;
根据时间节点顺序,将各个时间节点对应的完整数据片段依次相连,进而得到对应数据采集周期的完整采集数据;
采用相同方法得到各个种类的传感器在相同数据采集周期内的完整采集数据,并根据完整采集数据所对应传感器种类对设置编号,例如编号可为a1,1、a2、……、an,m,an,m表示编号为Sn的城市区域的第m种传感器的完整采集数据,m为大于0的自然数;
下面通过获取摄像头的完成采集数据过程说明获取各个种类传感器的完整采集数据原理过程:
管控***根据传感器的种类提取出摄像头采集的城市区域的视频数据,对视频数据设置完因素标签后,通过设置时间切点将视频数据划分为若干个图像数据,进而根据各个图像数据边缘位置的物体所带有因素标签设置连接特征点;
所述连接特征点由其所在物体的特征像素片段和因素标签组成,例如连接特征点带有动态因素标签和行人因素标签,特征像素片段例如可为行人头像像素片段;
将同一个时间节点的全部图像数据通过连接特征点进行相互匹配映射连接,对于特征连接点之间的图像区域自动删除,进而得到对应时间节点的城市区域的完整图像数据;
采用相同方法获得同一个数据采集周期时间内所有时间节点的完整图像数据,并按照时间节点顺序将各个完整图像数据依次相连,得到完整视频数据;
进一步的,设置三维坐标轴,将各个种类的传感器所对应的完整采集数据映射于三维坐标轴中,并根据城市区域的大小,在各个完成采集数据设置四个终端坐标点,同时设置统一的时间轴;
对各个种类的传感器所对应的完整采集数据中带有静态因素标签的物体设置固定映射标签,对于带有动态因素的物体设置移动映射标签;
首先将三维坐标轴时间轴各个种类的传感器所对应的完整采集数据中带有固定映射标签的物体进行局部映射重叠;
以时间轴为参考点,获取各个带有移动映射标签的物体的移动向量,将各个种类的传感器所对应的完整采集数据中移动向量相同的物体相互映射,进而得到对应城市区域在相应数据采集周期内的多维数据集。
步骤三,对城市区域的多维数据集中各个物体的因素标签建立高维特征点以及低维特征点,进而建立各个城市区域的场景应用模型;
具体的,遍历多维数据集内各层完整采集数据带有因素标签的物体,将带有动态因素标签的物体标注高维特征点,将带有静态因素标签的物体标注低维特征点;
对于带有高维特征点的物体,根据其带有的行人因素标签、***因素标签或环境因素标签,建立对应的局部场景模型;
以带有高维特征点和行人因素标签的行人或物体为例,以多维数据集上时间轴为参照点,在行人或物体上设置若干个移动特征点,进而建立对应行人或物体在数据采集周期内的多条位移轨迹线或形变轨迹线;
建立带有高维特征点和行人因素标签的行人或物体的三维图像模型,并将移动特征点标注于三维图像模型的相应位置上,并根据各个移动特征点所对应的移轨迹线或形变轨迹线,建立对应带有高维特征点和行人因素标签的行人或物体在数据采集周期内的移动三维模型;
同时根据多维数据集中各层的完整采集数据,建立对应种类的完整采集数据的移动三维模型,例如有红外传感器所采集的行人热成像数据,进而建立行人的移动三维热成像模型;
根据各层完整采集数据在多维数据集中的层次顺序,将各层完整采集数据所对应的三维模型进行叠加映射,进而得到对应行人或物体的局部场景模型;
依此类推,得到各个带有高维特征点的物体的局部场景模型;
对于带有低维特征点的物体,将各层完整采集数据所对应的三维模型进行叠加映射,得到对应带有低维特征点的物体的局部场景模型;
进一步的,将带有低维特征点的局部场景模型依次进行相连,进而得到对应城市区域的静态场景模型;
同时将各个带有高维特征点的移动轨迹映射于相应位置的静态场景模型中,进而得到对应城市区域的场景应用模型。
步骤四,对各个城市区域进行时间同步,进而将各个城市区域的场景应用模型进行拼接,得到城市场景应用模型,进而通过城市场景应用模型对城市进行虚拟层的场景预测,并通过现实层的场景发展结果验证城市场景应用模型是否准确;
具体的,设置云计算平台,当城市区域的场景应用模型建立完成后,各个城市区域的管控***向云计算平台发送时钟信号,所述时钟信号包括管控***的编号以及***时间;
云计算平台根据时钟信号的数量与编号确认接收全部城市区域的时钟信号后,云计算平台以其自身的***时间为标准时间,并与各个时钟信号中的***时间进行对比,同时将各个时钟信号中的***时间采用择多判决进行同步对比;
若标准时间与***时间之间的时间差的绝对值在(0,0.001]之间,则判断标准时间与***时间一致,并统计与标准时间与***时间一致的对应的时钟信号数量Num1;
若标准时间与***时间之间的时间差的绝对值不在(0,0.001]之间,则判断标准时间与***时间不一致,并统计与标准时间与***时间不一致的对应的时钟信号数量Num2;
同时采用相同的方法,将各个***时间进行对比,并将其中***时间一致的时钟信号进行分类并统计数量;
若Num1≥Num2,则根据标准时间生成时钟信号发送至管控***,进而各个管控***根据接收到的时钟信号更新自身***时间;
若Num1<Num2,则选取***时间一致的时钟信号数量最多***时间为标准时间生成,时钟信号发送至管控***,进而各个管控***根据接收到的时钟信号更新自身***时间,同时云计算平台根据新的标准时间更新自身的***时间;
进一步的,各个城市区域的管控***进行时间同步后,将场景应用模型发送至云计算平台,进而云计算平台根据各个场景应用模型所对应的城市区域编号,将场景应用模型进行依次相连,得到城市场景应用模型;
以数据采集周期为时间单位,进而根据城市场景应用模型中带有高维特征的物体的移动过程,生成虚拟层的下一个数据采集周期内各个带有高维特征的物体的预计移动过程,进而得到各个城市区域的虚拟层预测发展结果;
同时管控***向各个传感器发送数据采集指令,并采用步骤二和步骤三的方法生成现实层场景发展结果;
以城市区域为单位,分别将各个城市区域的虚拟层预测发展结果与现实层场景发展结果中各个带有高维特征点的物体的移动或形变过程进行对比,并统计其中移动或形变过程一致的物体数量;
根据各个城市区域内带有高维特征点的物体的总数设置准确阈值,若移动或形变过程一致的物体数量大于或等于准确阈值,则判断对应城市区域的场景应用模型准确;
若移动或形变过程一致的物体数量小于准确阈值,则判断对应城市区域的场景应用模型不准确,则根据下一个数据采集周期内对应城市区域的采集数据重新建立场景应用模型;
当判断所有城市区域的场景应用模型验证准确,则通过对应的城市场景应用模型预测下一个数据采集周期的场景预测。
以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (3)
1.一种基于智慧城市的场景应用模型构建方法,其特征在于,包括以下步骤:
步骤一,将城市划分为若干个大小相等的城市区域,并对各个城市区域设置设备群,进而通过设备群获得各个城市区域的采集数据,根据采集数据中物体状态设置因素标签;
所述设备群由若干种传感器、无线信号装置以及管控***组成,所述管控***设有其所在城市区域相同的编号,其用于管理各个传感器的采集数据,且各个管控***之间设有时间同步机制;
通过所述设备群获取城市区域的采集数据的过程包括:设置数据采集周期,进而数据采集周期开始时,各个管控***之间进行时间同步校准,各个管控***之间确认时间一致后,向其所在设备群的所有传感器发送数据采集指令;
当数据采集周期结束后,管控***对各个传感器的采集数据设置静态因素和动态因素标签,其中静态因素标签和动态因素标签同时设置有行人因素标签、***因素标签以及环境因素标签三种子因素标签;
步骤二,将相同种类的传感器的采集数据按时间段进行拼接,并将不同种类的传感器拼接后的采集数据相互映射建立多维数据集;
所述相同种类传感器的采集数据的拼接过程包括:设置时间切点,并根据时间切点将同一个数据采集周期内相同种类的传感器的采集数据以时间节点为单位,划分为若干个数据片段;
同时对各个数据片段边缘位置的物体所带有因素标签设置若干个连接特征点,进而将相同时间节点的数据片段进行分类;
将在同一个分类下的数据片段的连接特征点进行匹配相连,进而得到对应时间节点内城市区域的相关种类的完整数据片段;
根据时间节点顺序,将各个时间节点对应的完整数据片段依次相连,进而得到对应数据采集周期的完整采集数据;
所述多维数据集的建立过程包括:设置三维坐标轴,将各个种类的传感器所对应的完整采集数据映射于三维坐标轴中,同时设置统一的时间轴;
对各个种类的传感器所对应的完整采集数据中带有静态因素的物体设置固定映射标签,对于带有动态因素的物体设置移动映射标签;
将三维坐标轴时间轴各个种类的传感器所对应的完整采集数据中带有固定映射标签的物体进行局部映射重叠;
以时间轴为参考点,获得各个带有移动映射标签的物体的移动向量,将各个种类的传感器所对应的完整采集数据中移动向量相同的物体相互映射,进而得到对应城市区域在相应数据采集周期内的多维数据集;
步骤三,对城市区域的多维数据集中各个物体的因素标签建立高维特征点以及低维特征点,进而建立各个城市区域的场景应用模型;
所述场景应用模型的建立过程包括:遍历多维数据集内各层完整采集数据带有因素标签的物体,将带有动态因素标签的物体标注高维特征点,将带有静态因素标签的物体标注低维特征点;
对于带有高维特征点的物体,根据其带有的行人因素标签、***因素标签或环境因素标签,建立对应的局部场景模型;
以多维数据集上时间轴为参照点,在物体上设置若干个移动特征点,进而建立对应物体在数据采集周期内的多条位移轨迹线或形变轨迹线;
建立物体的三维图像模型,并将移动特征点标注于三维图像模型的相应位置上,并根据各个移动特征点所对应的移轨迹线或形变轨迹线,建立对应物体在数据采集周期内的移动三维模型;
同时根据多维数据集中各层的完整采集数据,建立对应种类的完整采集数据的移动三维模型;
根据各层完整采集数据在多维数据集中的层次顺序,将各层完整采集数据所对应的三维模型进行叠加映射,进而得到对应物体的局部场景模型,得到各个带有高维特征点的物体的局部场景模型;
对于带有低维特征点的物体,将各层完整采集数据所对应的三维模型进行叠加映射,得到对应带有低维特征点的物体的局部场景模型;
将多维数据集中带有低维特征点的局部场景模型依次进行相连,进而得到对应城市区域的静态场景模型,将带有高维特征点的物体的移动轨迹映射于静态场景模型中,进而得到对应城市区域的场景应用模型;
步骤四,对各个城市区域进行时间同步,进而将各个城市区域的场景应用模型进行拼接,得到城市场景应用模型,进而通过城市场景应用模型对城市进行虚拟层的场景预测,并通过现实层的场景发展结果验证城市场景应用模型是否准确。
2.根据权利要求1所述的一种基于智慧城市的场景应用模型构建方法,其特征在于,所述城市区域之间进行时间同步的过程包括:
设置云计算平台,当城市区域的场景应用模型建立完成后,各个城市区域的管控***向云计算平台发送时钟信号,所述时钟信号包括管控***的编号以及***时间;
云计算平台根据时钟信号的数量与编号确认接收全部城市区域的时钟信号后,云计算平台以其自身的***时间为标准时间,并与各个时钟信号中的***时间进行对比,同时将各个时钟信号中的***时间采用择多判决进行同步对比。
3.根据权利要求2所述的一种基于智慧城市的场景应用模型构建方法,其特征在于,建立城市场景应用模型,并验证城市场景应用模型是否准确的过程包括:
各个城市区域的管控***进行时间同步后,将场景应用模型发送至云计算平台,根据各个场景应用模型所对应的城市区域编号,将场景应用模型进行依次相连,得到城市场景应用模型;
以数据采集周期为时间单位,进而根据城市场景应用模型中带有高维特征的物体的移动过程,生成虚拟层的下一个数据采集周期内各个带有高维特征的物体的预计移动过程,进而得到各个城市区域的虚拟层预测发展结果,同时管控***向各个传感器发送数据采集指令,进而生成现实层场景发展结果;
以城市区域为单位,分别将各个城市区域的虚拟层预测发展结果与现实层场景发展结果中各个带有高维特征点的物体的移动或形变过程进行对比,并统计其中移动或形变过程一致的物体数量;
根据各个城市区域内带有高维特征点的物体的总数设置准确阈值,将移动或形变过程一致的物体数量与准确阈值进行对比,根据对比结果判断城市区域的场景应用模型是否准确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403879.XA CN117132178B (zh) | 2023-10-27 | 2023-10-27 | 一种基于智慧城市的场景应用模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403879.XA CN117132178B (zh) | 2023-10-27 | 2023-10-27 | 一种基于智慧城市的场景应用模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132178A CN117132178A (zh) | 2023-11-28 |
CN117132178B true CN117132178B (zh) | 2023-12-29 |
Family
ID=88853091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311403879.XA Active CN117132178B (zh) | 2023-10-27 | 2023-10-27 | 一种基于智慧城市的场景应用模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132178B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、***、电子设备和存储介质 |
CN114863054A (zh) * | 2022-05-30 | 2022-08-05 | 山西省城市规划和发展研究有限公司 | 一种基于仿真动态技术的智慧城市规划*** |
CN114897444A (zh) * | 2022-07-12 | 2022-08-12 | 苏州大学 | 一种城市分区域内服务设施需求识别方法及*** |
-
2023
- 2023-10-27 CN CN202311403879.XA patent/CN117132178B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、***、电子设备和存储介质 |
CN114863054A (zh) * | 2022-05-30 | 2022-08-05 | 山西省城市规划和发展研究有限公司 | 一种基于仿真动态技术的智慧城市规划*** |
CN114897444A (zh) * | 2022-07-12 | 2022-08-12 | 苏州大学 | 一种城市分区域内服务设施需求识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117132178A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144786B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and storage medium | |
US10832478B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
EP3211596A1 (en) | Generating a virtual world to assess real-world video analysis performance | |
CN108648194B (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
WO2023231991A1 (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
WO2023138154A1 (zh) | 对象识别方法、网络训练方法、装置、设备、介质及程序 | |
Shi et al. | An integrated traffic and vehicle co-simulation testing framework for connected and autonomous vehicles | |
WO2023016182A1 (zh) | 位姿确定方法、装置、电子设备和可读存储介质 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN115147644A (zh) | 图像描述模型的训练和描述方法、***、设备及存储介质 | |
CN114898243A (zh) | 基于视频流的交通场景解析方法以及装置 | |
CN117975418A (zh) | 一种基于改进rt-detr的交通标识检测方法 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN117132178B (zh) | 一种基于智慧城市的场景应用模型构建方法 | |
CN117333845A (zh) | 一种基于改进YOLOv5s的小目标交通标志实时检测方法 | |
CN115131407B (zh) | 面向数字仿真环境的机器人目标跟踪方法、装置和设备 | |
CN116524382A (zh) | 一种桥梁转体合拢准确性检验方法***、设备 | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
CN114663917A (zh) | 基于多视角的多人三维人***姿估计方法及装置 | |
CN110148205A (zh) | 一种基于众包影像的三维重建的方法和装置 | |
CN112766068A (zh) | 一种基于网格化标注的车辆检测方法及*** | |
WO2024000728A1 (zh) | 单目三维平面恢复方法、设备及存储介质 |
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 |