CN117540114A - 基于大数据挖掘的公路数据查询方法及*** - Google Patents
基于大数据挖掘的公路数据查询方法及*** Download PDFInfo
- Publication number
- CN117540114A CN117540114A CN202410032675.8A CN202410032675A CN117540114A CN 117540114 A CN117540114 A CN 117540114A CN 202410032675 A CN202410032675 A CN 202410032675A CN 117540114 A CN117540114 A CN 117540114A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- database
- highway
- traffic management
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007418 data mining Methods 0.000 title claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 109
- 238000007726 management method Methods 0.000 claims description 100
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
- G08B5/36—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission using visible light sources
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于公路数据查询领域,提供了基于大数据挖掘的公路数据查询方法及***,所述***包括:数据采集模块、数据分析预测模块、查询接口模块、数据展示模块。本发明可以基于处理后的公路数据对未来时间的公路状态进行预测分析,并将预测结果存储于数据库中。通过预测模型,用户可以了解未来公路的状态,从而做出相应的决策。且建立了查询通道,并支持多维度的查询。用户可以根据路段和时间等多个条件来进行查询,从而获取更精确、全面的公路数据信息。同时通过图表化的数据展示和设定风险阈值,将公路数据以可视化的形式呈现,并对超过阈值的数据进行高亮警示。这样可以帮助用户快速定位潜在的风险点,并采取相应的措施。
Description
技术领域
本发明属于公路数据查询领域,尤其涉及基于大数据挖掘的公路数据查询方法及***。
背景技术
公路数据查询是指通过各种技术手段和方法来获取、检索和分析公路相关的数据信息。这些数据信息包括公路交通流量、车辆速度、道路状况、交通事故统计等,可以用于公路管理、交通规划、交通运输决策等领域。随着大数据技术的发展,公路数据查询正变得越来越智能化和高效化。通过数据挖掘、机器学习等方法,可以从海量的公路数据中挖掘出更深层次的知识和洞察,为公路管理和交通决策提供更准确、可靠的支持。
现有技术在预测分析能力、多维度查询和数据可视化与风险警示方面存在一些缺陷。这些缺陷限制了用户对未来公路状态的预测和决策能力,以及对多个查询维度的全面了解。同时,缺乏数据可视化和风险警示功能使得用户对数据的理解和风险管理能力有所限制。
发明内容
本发明的目的在于提供基于大数据挖掘的公路数据查询方法,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明是这样实现的,基于大数据挖掘的公路数据查询方法,所述方法包括:
与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
作为本发明更进一步的方案,所述与车辆通信***和交通管理***建立连接,具体包括:
与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
作为本发明更进一步的方案,所述建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,具体包括:
对数据库中的数据进行清洗、规范化、转换和缺失值处理;
基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
作为本发明更进一步的方案,所述建立查询通道,具体包括:
构建用户查询接口,并将查询接口与数据库建立连接;
获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
作为本发明更进一步的方案,所述将提取的信息进行制表处理,具体包括:
依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
本发明的另一目的在于提供基于大数据挖掘的公路数据查询***,所述***包括:
数据采集模块,用于与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
数据分析预测模块,用于对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
查询接口模块,用于建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
数据展示模块,用于将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
作为本发明更进一步的方案,所述数据采集模块包括:
车辆通信连接单元,用于与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
交通***连接单元,用于与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
数据存储单元,用于创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
作为本发明更进一步的方案,所述数据分析预测模块包括:
数据预处理单元,用于对数据库中的数据进行清洗、规范化、转换和缺失值处理;
分析预测单元,用于基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
绑定存储单元,用于将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
作为本发明更进一步的方案,所述查询接口模块包括:
通道构建单元,用于构建用户查询接口,并将查询接口与数据库建立连接;
查询检索单元,用于获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
作为本发明更进一步的方案,所述数据展示模块包括:
可视化生成单元,用于依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
预警显示单元,用于设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
本发明的有益效果是:
本发明可以基于处理后的公路数据对未来时间的公路状态进行预测分析,并将预测结果存储于数据库中。通过预测模型,用户可以了解未来公路的状态,从而做出相应的决策。且建立了查询通道,并支持多维度的查询。用户可以根据路段和时间等多个条件来进行查询,从而获取更精确、全面的公路数据信息。这种多维度查询能力使用户能够根据具体需求来定制查询条件,提高查询结果的准确性和针对性。同时通过图表化的数据展示和设定风险阈值,将公路数据以可视化的形式呈现,并对超过阈值的数据进行高亮警示。这样可以提高用户对数据的理解和分析能力,帮助用户快速定位潜在的风险点,并采取相应的措施。
附图说明
图1为本发明实施例提供的基于大数据挖掘的公路数据查询方法的流程图;
图2为本发明实施例提供的与车辆通信***和交通管理***建立连接的流程图;
图3为本发明实施例提供的建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析的流程图;
图4为本发明实施例提供的建立查询通道的流程图;
图5为本发明实施例提供的将提取的信息进行制表处理的流程图;
图6为本发明实施例提供的基于大数据挖掘的公路数据查询***的结构框图;
图7为本发明实施例提供的数据采集模块的结构框图;
图8为本发明实施例提供的数据分析预测模块的结构框图;
图9为本发明实施例提供的查询接口模块的结构框图;
图10为本发明实施例提供的数据展示模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的基于大数据挖掘的公路数据查询方法的流程图,如图1所示,基于大数据挖掘的公路数据查询方法,所述方法包括:
S100,与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
在本步骤中,首先与每辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,其中包括车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息。这些数据能够提供车辆状态和所处道路情况的实时信息。同时,与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括路段气象数据、路段车流量数据和路段拥堵、事故数据等。这些官方公路数据能够提供更全面的公路交通状况信息。接下来,创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中。在存储时,需要获取数据的采集时间,并将采集时间和路段作为标签对数据进行标注。这样的标签化处理可以方便后续的数据处理和查询操作。
通过与车辆通信***和交通管理***建立连接,能够实时获取车辆传感器数据和官方公路数据,使得公路数据的更新更加及时,提高了查询结果的准确性。本步骤可以获取多种类型的公路数据,包括车辆导航信息、车辆传感器数据、路段气象数据、路段车流量数据和路段拥堵、事故数据等,使得查询结果更加全面,用户可以获得更多的信息。将来自不同数据源的公路数据进行整合和归档,建立数据库,方便后续的预处理和查询操作,提高了数据的可利用性。通过采集时间和路段作为标签对数据进行标注,可以提供更加精确和灵活的查询功能,用户可以根据时间和路段等条件进行查询,快速获取所需信息。数据整合和标签化处理为后续风险阈值比对提供了基础。将提取的信息制表处理,并与设定的风险阈值进行比对,当超出阈值时,在表中做出高亮警示,帮助用户及时发现潜在风险。
S200,对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
在本步骤中,首先进行数据预处理过程。这包括对数据库中的数据进行清洗、规范化、转换和处理缺失值等操作。通过这些步骤,可以提高数据的质量和一致性,减少噪声和异常值的影响,为后续的预测分析提供更可靠的数据基础。接下来会基于数据库中存储的历史数据,构建预测模型。这涉及使用机器学习和数据挖掘技术,结合当前的车辆通信***数据流和交通管理***收集的公路数据,来预测未来时间段特定路段公路的状态数据。预测模型可以根据历史数据的模式和趋势,以及当前数据的特征,进行准确的预测。
在预测过程中,为了将预测结果与实际数据相对应,还将作为参数的车辆通信***数据流和交通管理***收集的公路数据的时间添加为标签,为预测结果加上时间标签。这样可以方便后续的查询和分析,用户可以根据时间段来查询特定时间范围内的预测结果。
最后将相同时间标签的预测模型预测结果与数据库中已存储的数据进行绑定存储。这样就将预测结果与实际数据相对应,方便后续的查询和对比分析。
通过数据清洗、规范化、转换和处理缺失值等预处理步骤,可以提高数据质量和一致性,减少噪声和异常值的影响,为后续的预测分析提供更可靠的数据基础。借助机器学习和数据挖掘技术,结合历史数据和当前数据,可以构建准确的预测模型,以预测未来时间段特定路段公路的状态数据。通过为预测结果添加时间标签,将预测结果与具体时间绑定存储,方便后续的查询和分析,用户可以根据时间段来查询特定时间范围内的预测结果。将预测结果与数据库中已存储的数据进行绑定存储,使得预测结果与实际数据相对应,方便后续的查询和对比分析,从而评估预测结果的准确性和可靠性。
S300,建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
在本步骤中,需要构建用户查询接口,并将查询接口与数据库建立连接。这样用户可以通过查询接口向***提出查询请求,而***可以通过与数据库的连接来获取相关数据。根据用户输入的路段数据和时间数据,对数据库中具有相同路段标签和时间标签的数据进行检索。通过与数据库进行比对,可以快速获取与用户查询条件相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
本步骤建立了一个高效的查询通道,用户可以通过该通道快速向***提出查询请求。***与数据库的连接使得查询过程更加快捷和便利。根据用户输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索。这样可以精确地匹配用户所需的公路数据,提高查询结果的准确性。查询通道支持多维度的查询,用户可以根据路段和时间等多个条件来进行查询。这样可以提供更灵活、全面的查询功能,满足用户不同的需求。由于与车辆通信***和交通管理***建立了连接,S300能够实时获取车辆传感器收集的公路数据和交通管理***中的数据。这使得查询结果可以及时反馈给用户,满足用户对实时信息的需求。
S400,将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
在本步骤中,需要依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表。这可以将数据以可视化的形式呈现,方便用户对公路数据进行观察和分析。随后需要设定风险阈值,并将所得到的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对。当车辆通信***的数据流或交通管理***收集的公路数据超过设定的风险阈值时,就在图表中对该数据进行高亮标注,以示警示。
通过建立图表,将数据以可视化的形式展示,使用户能够直观地观察和分析公路数据。这样可以更清晰地了解数据的趋势和变化。允许用户设定风险阈值,根据具体需求来定义风险的界限。这样可以根据不同情况和需求,对数据进行个性化的风险评估和预警。通过与预测模型和风险阈值的比对,能够实时监测数据的风险情况。当车辆通信***的数据流或交通管理***收集的公路数据超过设定的风险阈值时,在图表中对该数据进行高亮标注,使用户能够及时发现和处理风险情况。通过对超过风险阈值的数据进行高亮标注,可以帮助用户快速定位潜在的风险点,提高决策的效率。用户可以根据高亮标注的数据,重点关注可能存在问题的区域和时间段,从而采取相应的措施。
图2为本发明实施例提供的与车辆通信***和交通管理***建立连接的流程图,如图2所示,所述与车辆通信***和交通管理***建立连接,具体包括:
S110,与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
S120,与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
S130,创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
图3为本发明实施例提供的建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析的流程图,如图3所示,所述建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,具体包括:
S210,对数据库中的数据进行清洗、规范化、转换和缺失值处理;
S220,基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
S230,将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
图4为本发明实施例提供的建立查询通道的流程图,如图4所示,所述建立查询通道,具体包括:
S310,构建用户查询接口,并将查询接口与数据库建立连接;
S320,获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
图5为本发明实施例提供的将提取的信息进行制表处理的流程图,如图5所示,所述将提取的信息进行制表处理,具体包括:
S410,依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
S420,设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
图6为本发明实施例提供的基于大数据挖掘的公路数据查询***的结构框图,如图6所示,基于大数据挖掘的公路数据查询***,所述***包括:
数据采集模块100,用于与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
在本模块中,首先与每辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,其中包括车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息。这些数据能够提供车辆状态和所处道路情况的实时信息。同时,与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括路段气象数据、路段车流量数据和路段拥堵、事故数据等。这些官方公路数据能够提供更全面的公路交通状况信息。接下来,创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中。在存储时,需要获取数据的采集时间,并将采集时间和路段作为标签对数据进行标注。这样的标签化处理可以方便后续的数据处理和查询操作。
通过与车辆通信***和交通管理***建立连接,能够实时获取车辆传感器数据和官方公路数据,使得公路数据的更新更加及时,提高了查询结果的准确性。本步骤可以获取多种类型的公路数据,包括车辆导航信息、车辆传感器数据、路段气象数据、路段车流量数据和路段拥堵、事故数据等,使得查询结果更加全面,用户可以获得更多的信息。将来自不同数据源的公路数据进行整合和归档,建立数据库,方便后续的预处理和查询操作,提高了数据的可利用性。通过采集时间和路段作为标签对数据进行标注,可以提供更加精确和灵活的查询功能,用户可以根据时间和路段等条件进行查询,快速获取所需信息。数据整合和标签化处理为后续风险阈值比对提供了基础。将提取的信息制表处理,并与设定的风险阈值进行比对,当超出阈值时,在表中做出高亮警示,帮助用户及时发现潜在风险。
数据分析预测模块200,用于对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
在本模块中,首先进行数据预处理过程。这包括对数据库中的数据进行清洗、规范化、转换和处理缺失值等操作。通过这些步骤,可以提高数据的质量和一致性,减少噪声和异常值的影响,为后续的预测分析提供更可靠的数据基础。接下来会基于数据库中存储的历史数据,构建预测模型。这涉及使用机器学习和数据挖掘技术,结合当前的车辆通信***数据流和交通管理***收集的公路数据,来预测未来时间段特定路段公路的状态数据。预测模型可以根据历史数据的模式和趋势,以及当前数据的特征,进行准确的预测。
在预测过程中,为了将预测结果与实际数据相对应,还将作为参数的车辆通信***数据流和交通管理***收集的公路数据的时间添加为标签,为预测结果加上时间标签。这样可以方便后续的查询和分析,用户可以根据时间段来查询特定时间范围内的预测结果。
最后将相同时间标签的预测模型预测结果与数据库中已存储的数据进行绑定存储。这样就将预测结果与实际数据相对应,方便后续的查询和对比分析。
通过数据清洗、规范化、转换和处理缺失值等预处理步骤,可以提高数据质量和一致性,减少噪声和异常值的影响,为后续的预测分析提供更可靠的数据基础。借助机器学习和数据挖掘技术,结合历史数据和当前数据,可以构建准确的预测模型,以预测未来时间段特定路段公路的状态数据。通过为预测结果添加时间标签,将预测结果与具体时间绑定存储,方便后续的查询和分析,用户可以根据时间段来查询特定时间范围内的预测结果。将预测结果与数据库中已存储的数据进行绑定存储,使得预测结果与实际数据相对应,方便后续的查询和对比分析,从而评估预测结果的准确性和可靠性。
查询接口模块300,用于建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
在本模块中,需要构建用户查询接口,并将查询接口与数据库建立连接。这样用户可以通过查询接口向***提出查询请求,而***可以通过与数据库的连接来获取相关数据。根据用户输入的路段数据和时间数据,对数据库中具有相同路段标签和时间标签的数据进行检索。通过与数据库进行比对,可以快速获取与用户查询条件相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
本模块建立了一个高效的查询通道,用户可以通过该通道快速向***提出查询请求。***与数据库的连接使得查询过程更加快捷和便利。根据用户输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索。这样可以精确地匹配用户所需的公路数据,提高查询结果的准确性。查询通道支持多维度的查询,用户可以根据路段和时间等多个条件来进行查询。这样可以提供更灵活、全面的查询功能,满足用户不同的需求。由于与车辆通信***和交通管理***建立了连接,查询接口模块300能够实时获取车辆传感器收集的公路数据和交通管理***中的数据。这使得查询结果可以及时反馈给用户,满足用户对实时信息的需求。
数据展示模块400,用于将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
在本模块中,需要依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表。这可以将数据以可视化的形式呈现,方便用户对公路数据进行观察和分析。随后需要设定风险阈值,并将所得到的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对。当车辆通信***的数据流或交通管理***收集的公路数据超过设定的风险阈值时,就在图表中对该数据进行高亮标注,以示警示。
通过建立图表,将数据以可视化的形式展示,使用户能够直观地观察和分析公路数据。这样可以更清晰地了解数据的趋势和变化。允许用户设定风险阈值,根据具体需求来定义风险的界限。这样可以根据不同情况和需求,对数据进行个性化的风险评估和预警。通过与预测模型和风险阈值的比对,能够实时监测数据的风险情况。当车辆通信***的数据流或交通管理***收集的公路数据超过设定的风险阈值时,在图表中对该数据进行高亮标注,使用户能够及时发现和处理风险情况。通过对超过风险阈值的数据进行高亮标注,可以帮助用户快速定位潜在的风险点,提高决策的效率。用户可以根据高亮标注的数据,重点关注可能存在问题的区域和时间段,从而采取相应的措施。
图7为本发明实施例提供的数据采集模块的结构框图,如图7所示,所述数据采集模块包括:
车辆通信连接单元110,用于与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
交通***连接单元120,用于与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
数据存储单元130,用于创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
图8为本发明实施例提供的数据分析预测模块的结构框图,如图8所示,所述数据分析预测模块包括:
数据预处理单元210,用于对数据库中的数据进行清洗、规范化、转换和缺失值处理;
分析预测单元220,用于基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
绑定存储单元230,用于将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
图9为本发明实施例提供的查询接口模块的结构框图,如图9所示,所述查询接口模块包括:
通道构建单元310,用于构建用户查询接口,并将查询接口与数据库建立连接;
查询检索单元320,用于获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
图10为本发明实施例提供的数据展示模块的结构框图,如图10所示,所述数据展示模块包括:
可视化生成单元410,用于依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
预警显示单元420,用于设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于大数据挖掘的公路数据查询方法,其特征在于,所述方法包括:
与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
2.根据权利要求1所述的方法,其特征在于,所述与车辆通信***和交通管理***建立连接,具体包括:
与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
3.根据权利要求2所述的方法,其特征在于,所述建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,具体包括:
对数据库中的数据进行清洗、规范化、转换和缺失值处理;
基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
4.根据权利要求3所述的方法,其特征在于,所述建立查询通道,具体包括:
构建用户查询接口,并将查询接口与数据库建立连接;
获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
5.根据权利要求4所述的方法,其特征在于,所述将提取的信息进行制表处理,具体包括:
依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
6.基于大数据挖掘的公路数据查询***,其特征在于,所述***包括:
数据采集模块,用于与车辆通信***和交通管理***建立连接,实时获取车辆传感器收集的公路数据以及交通管理***中收集的公路数据,并建立数据库,根据采集时间对公路数据进行整合和归档;
数据分析预测模块,用于对数据库中的公路数据进行预处理,并建立预测模型,基于与处理后的公路数据对未来时间的公路状态进行预测分析,并将预测分析结果存储于数据库中;
查询接口模块,用于建立查询通道,并获取用户所输入的查询信息,将所述查询信息与数据库中的已存信息进行比对并提取;
数据展示模块,用于将提取的信息进行制表处理,并根据设置风险阈值,将所提取的数据中的预测分析结果与风险阈值进行比对,当超出阈值时,在表中做出高亮警示。
7.根据权利要求6所述的***,其特征在于,所述数据采集模块包括:
车辆通信连接单元,用于与每一辆车的车辆通信***建立通信连接,并接收来自车辆通信***的数据流,所述数据流包括:车辆导航信息、车辆传感器所采集的道路信息和周围车辆信息;
交通***连接单元,用于与交通管理***建立通信连接,获取交通管理***中收集的公路数据,包括:路段气象数据、路段车流量数据和路段拥堵、事故数据;
数据存储单元,用于创建数据库,并将车辆通信***的数据流和交通管理***收集的公路数据存储于数据库中,且在存储时获取该数据的采集时间,并将采集时间和路段作为标签对数据进行标注。
8.根据权利要求7所述的***,其特征在于,所述数据分析预测模块包括:
数据预处理单元,用于对数据库中的数据进行清洗、规范化、转换和缺失值处理;
分析预测单元,用于基于数据库中所存储的历史数据,构建预测模型,通过当前的车辆通信***的数据流和交通管理***收集的公路数据,对未来时间段该段公路的状态数据进行预测,并将作为参数的车辆通信***的数据流和交通管理***收集的公路数据的时间作为标签,为预测结果添加时间标签;
绑定存储单元,用于将相同时间标签的预测模型预测结果和数据库中已存储的数据进行绑定存储。
9.根据权利要求8所述的***,其特征在于,所述查询接口模块包括:
通道构建单元,用于构建用户查询接口,并将查询接口与数据库建立连接;
查询检索单元,用于获取用户所输入的路段数据和时间数据,在数据库中对相同路段标签和时间标签的数据进行检索,获取相匹配的车辆通信***的数据流和交通管理***收集的公路数据。
10.根据权利要求9所述的***,其特征在于,所述数据展示模块包括:
可视化生成单元,用于依据检索得到的车辆通信***的数据流和交通管理***收集的公路数据,建立图表;
预警显示单元,用于设定风险阈值,并将所得的车辆通信***的数据流和交通管理***收集的公路数据与风险阈值进行比对,当车辆通信***的数据流或交通管理***收集的公路数据超过风险阈值时,在图表中对该数据进行高亮标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032675.8A CN117540114A (zh) | 2024-01-10 | 2024-01-10 | 基于大数据挖掘的公路数据查询方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032675.8A CN117540114A (zh) | 2024-01-10 | 2024-01-10 | 基于大数据挖掘的公路数据查询方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117540114A true CN117540114A (zh) | 2024-02-09 |
Family
ID=89794308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032675.8A Pending CN117540114A (zh) | 2024-01-10 | 2024-01-10 | 基于大数据挖掘的公路数据查询方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071037A (zh) * | 2024-04-22 | 2024-05-24 | 山东路科公路信息咨询有限公司 | 一种基于公路数据对公路全生命周期的监测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788270A (zh) * | 2016-05-13 | 2016-07-20 | 广州运星科技有限公司 | 基于物联网的交通数据预测方法及处理服务器 |
US20170243121A1 (en) * | 2016-02-22 | 2017-08-24 | Institute For Information Industry | Traffic forecasting system, traffic forecasting method and traffic model establishing method |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及*** |
CN114298493A (zh) * | 2021-12-09 | 2022-04-08 | 苏州智能交通信息科技股份有限公司 | 一种公路运行监测***、方法、终端及存储介质 |
CN114566046A (zh) * | 2022-03-01 | 2022-05-31 | 海南大学 | 一种短时交通状况预测***及其方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
CN117057614A (zh) * | 2023-09-01 | 2023-11-14 | 中国公路工程咨询集团有限公司 | 一种基于遥感技术的公路安全运行动态变化预测方法及*** |
-
2024
- 2024-01-10 CN CN202410032675.8A patent/CN117540114A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243121A1 (en) * | 2016-02-22 | 2017-08-24 | Institute For Information Industry | Traffic forecasting system, traffic forecasting method and traffic model establishing method |
CN105788270A (zh) * | 2016-05-13 | 2016-07-20 | 广州运星科技有限公司 | 基于物联网的交通数据预测方法及处理服务器 |
CN110619748A (zh) * | 2019-10-22 | 2019-12-27 | 江苏广宇协同科技发展研究院有限公司 | 基于交通大数据的交通状况分析与预测方法、装置及*** |
CN114298493A (zh) * | 2021-12-09 | 2022-04-08 | 苏州智能交通信息科技股份有限公司 | 一种公路运行监测***、方法、终端及存储介质 |
CN114566046A (zh) * | 2022-03-01 | 2022-05-31 | 海南大学 | 一种短时交通状况预测***及其方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
CN117057614A (zh) * | 2023-09-01 | 2023-11-14 | 中国公路工程咨询集团有限公司 | 一种基于遥感技术的公路安全运行动态变化预测方法及*** |
Non-Patent Citations (1)
Title |
---|
杨欢进等: "服务外包风险及其控制机制研究", 30 September 2016, 河北人民出版社, pages: 199 - 200 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071037A (zh) * | 2024-04-22 | 2024-05-24 | 山东路科公路信息咨询有限公司 | 一种基于公路数据对公路全生命周期的监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020232879A1 (zh) | 风险传导关联图谱优化方法、装置、计算机设备和存储介质 | |
CN117540114A (zh) | 基于大数据挖掘的公路数据查询方法及*** | |
CN109829628A (zh) | 基于大数据的风险预警方法、装置和计算机设备 | |
CN110782123B (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
CN108388640B (zh) | 一种数据转换方法、装置以及数据处理*** | |
CN110990445B (zh) | 一种数据处理方法、装置、设备和介质 | |
CN113051330B (zh) | 基于大数据的实时环境监控方法、装置及计算机设备 | |
CN110609952B (zh) | 数据采集方法、***和计算机设备 | |
CN112965960A (zh) | 一种智慧警务数据融合清洗研判装置 | |
CN108717415B (zh) | 生产设备生命周期状态数据建模方法和*** | |
CN115481291A (zh) | 一种车辆全息档案动态管理方法及装置 | |
CN114998004A (zh) | 一种基于企业金融贷款风控的方法及*** | |
CN112948504B (zh) | 数据采集方法、装置、计算机设备和存储介质 | |
CN117609278A (zh) | 基于深度度量学习的多模态电力数据管理方法与*** | |
CN112836124A (zh) | 一种画像数据获取方法、装置、电子设备及存储介质 | |
CN116881029A (zh) | 一种故障原因诊断方法、装置、计算机设备和存储介质 | |
CN114880323B (zh) | 数据管理方法、装置、设备及存储介质 | |
CN102004738A (zh) | 专利技术引证分析***及方法 | |
CN114969457A (zh) | 产品检索方法、装置、电子设备及可读介质 | |
CN114461694A (zh) | 一种标签标注方法及其***、标签检索方法及其*** | |
Forke et al. | Feature engineering techniques and spatio-temporal data processing | |
CN113535815A (zh) | 适于电子商务的业务操作行为大数据挖掘方法及*** | |
CN112598185A (zh) | 农业舆情分析方法、装置、设备及存储介质 | |
CN118035563B (zh) | 一种基于大数据的视频用户推荐模型生成方法及*** | |
CN117113507B (zh) | 一种基于建筑信息化的数据采集方法及*** |
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 |