CN107515009A - 智能医用设备安全行驶路径规划提取方法 - Google Patents
智能医用设备安全行驶路径规划提取方法 Download PDFInfo
- Publication number
- CN107515009A CN107515009A CN201710884628.6A CN201710884628A CN107515009A CN 107515009 A CN107515009 A CN 107515009A CN 201710884628 A CN201710884628 A CN 201710884628A CN 107515009 A CN107515009 A CN 107515009A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- travel track
- mfrac
- msup
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- External Artificial Organs (AREA)
Abstract
本发明提出了一种智能医用设备安全行驶路径规划提取方法,包括如下步骤:S1,将云端数据通过数据抽样方式向用户进行推送,将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取,S2,将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
Description
技术领域
本发明涉及智能行驶领域,尤其涉及一种智能医用设备安全行驶路径规划提取方法。
背景技术
由于人口的老龄化逐渐凸显出来,其生活质量和健康状况需要得到社会的关心和照顾,而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通,但是由于行动不便的原因,而不能够进行外出活动,从而应运而生了医疗运输装备和智能医用设备,例如助力轮椅或者电动轮椅,以及手控平衡车等产品,虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢,而不能够很好的进行人车交互,这就应运而生了自动驾驶轮椅,但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断,节省路径或者提高效率缩短驾驶时间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种智能医用设备安全行驶路径规划提取方法。
为了实现本发明的上述目的,本发明提供了一种智能医用设备安全行驶路径规划提取方法,包括如下步骤:
S1,将云端数据通过数据抽样方式向用户进行推送,将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取,
S2,将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
所述的智能医用设备安全行驶路径规划提取方法,优选的,所述S1包括:
S1-1,提取每个行进轨迹的时间耗费值
其中,Eγ为行进轨迹的时间强度,η为待定参量,Γ(n)为行进轨迹中第n 条轨迹时间趋势的Γ分布,T(t)为行进轨迹在地理位置信息中时间耗费的纹理, t≥0;
生成时间耗费模型
其中,αt为时间耗费值的阈值,Ni(t+1)为下一时段行进轨迹的时间耗费值,
S1-2,提取每个行进轨迹的时间耗费的预测值
Nj(t)=2[Eγ(T(t)+T(t+1))-μp·T(t)],
其中,μp为地理位置累加参数,T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理,
生成时间耗费的预测模型
其中,βt为时间耗费预测值的阈值,Nj(t+1)为下一时段行进轨迹的时间耗费预测值,
S1-3,提取每个行进轨迹的风速判断值
其中,为风速冲击响应分量,为风速动态变化调整分量,为风速变化的干扰分量,为风速动态变化中的随机干扰分量,为风速动态变化的时间节点分量,为t时刻风速动态变化的周期分量,
生成风速的预测模型
其中,χt为风速判断值的阈值,Nk(t+1)为下一时段行进轨迹的风速判断值,
S1-4,提取每个行进轨迹的气温的判断值
其中,为气温独立样本均值,I1(t)和I2(t)为气温独立样本,为I1(t) 和I2(t)气温独立样本的参考系数,Ihigh为气温最高值样本,I为行进轨迹中气温历史参考值;
生成气温的预测模型
其中,δt为气温判断值的阈值,Nl(t+1)为下一时段行进轨迹的气温判断值,
S1-5,提取每个行进轨迹的降水量的判断值
其中,d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数,σ为降水量的干扰系数,为降水量动态变化中的高斯分量,
生成降水量预测模型
其中,εt为降水量判断值的阈值,Nm(t+1)为下一时段行进轨迹的降水量判断值。
所述的智能医用设备安全行驶路径规划提取方法,优选的,所述S2包括:
用户对行进轨迹数据进行抽样的代价函数为,
其中,Ni(t)为每个行进轨迹的时间耗费值,Nj(t)为每个行进轨迹的时间耗费的预测值,Nk(t)为每个行进轨迹的风速判断值,Nl(t)为每个行进轨迹的气温判断值,Nm(t)为每个行进轨迹的降水量判断值,M为统计行进轨迹内全部的轨迹数;P为全部行进轨迹信息向量。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
通过上述方法实现了用户选择行进轨迹的优化判断,给用户提供多种出行的选择,对于发生的降水量,风速以及气温变化等数据作为判断属性,确定降水量,风速以及气温变化属性的总体抽样模型,从而得到用户的最理想出行轨迹信息,可以有效地提高医疗设备在复杂路况上的安全行驶概率,用户选择行进轨迹的模型估计,对于历史行进估计时间,降水量,风速以及气温变化等数据作为模型数据属性,确定行进轨迹时间,降水量,风速以及气温变化属性的总体函数运算,保证用户使用安全。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明总体流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明提供了一种智能医用设备安全行驶路径规划提取方法,包括如下步骤:
S1,将云端数据通过数据抽样方式向用户进行推送,将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取,
S2,将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
所述的智能医用设备安全行驶路径规划提取方法,优选的,所述S1包括:
S1-1,提取每个行进轨迹的时间耗费值
其中,Eγ为行进轨迹的时间强度,η为待定参量,Γ(n)为行进轨迹中第n 条轨迹时间趋势的Γ分布,T(t)为行进轨迹在地理位置信息中时间耗费的纹理, t≥0;
生成时间耗费模型
其中,αt为时间耗费值的阈值,Ni(t+1)为下一时段行进轨迹的时间耗费值,
S1-2,提取每个行进轨迹的时间耗费的预测值
Nj(t)=2[Eγ(T(t)+T(t+1))-μp·T(t)],
其中,μp为地理位置累加参数,T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理,
生成时间耗费的预测模型
其中,βt为时间耗费预测值的阈值,Nj(t+1)为下一时段行进轨迹的时间耗费预测值,
S1-3,提取每个行进轨迹的风速判断值
其中,为风速冲击响应分量,为风速动态变化调整分量,为风速变化的干扰分量,为风速动态变化中的随机干扰分量,为风速动态变化的时间节点分量,为t时刻风速动态变化的周期分量,
生成风速的预测模型
其中,χt为风速判断值的阈值,Nk(t+1)为下一时段行进轨迹的风速判断值,
S1-4,提取每个行进轨迹的气温的判断值
其中,为气温独立样本均值,I1(t)和I2(t)为气温独立样本,为I1(t) 和I2(t)气温独立样本的参考系数,Ihigh为气温最高值样本,I为行进轨迹中气温历史参考值;
生成气温的预测模型
其中,δt为气温判断值的阈值,Nl(t+1)为下一时段行进轨迹的气温判断值,
S1-5,提取每个行进轨迹的降水量的判断值
其中,d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数,σ为降水量的干扰系数,为降水量动态变化中的高斯分量,
生成降水量预测模型
其中,εt为降水量判断值的阈值,Nm(t+1)为下一时段行进轨迹的降水量判断值。
所述的智能医用设备安全行驶路径规划提取方法,优选的,所述S2包括:
用户对行进轨迹数据进行抽样的代价函数为,
其中,Ni(t)为每个行进轨迹的时间耗费值,Nj(t)为每个行进轨迹的时间耗费的预测值,Nk(t)为每个行进轨迹的风速判断值,Nl(t)为每个行进轨迹的气温判断值,Nm(t)为每个行进轨迹的降水量判断值,M为统计行进轨迹内全部的轨迹数;P为全部行进轨迹信息向量。
通过上述方法实现了用户选择行进轨迹的优化判断,给用户提供多种出行的选择,对于发生的降水量,风速以及气温变化等数据作为判断属性,确定降水量,风速以及气温变化属性的总体抽样模型,从而得到用户的最理想出行轨迹信息,可以有效地提高医疗设备在复杂路况上的安全行驶概率,用户选择行进轨迹的模型估计,对于历史行进估计时间,降水量,风速以及气温变化等数据作为模型数据属性,确定行进轨迹时间,降水量,风速以及气温变化属性的总体函数运算,保证用户使用安全。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (3)
1.一种智能医用设备安全行驶路径规划提取方法,其特征在于,包括如下步骤:
S1,将云端数据通过数据抽样方式向用户进行推送,将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取,
S2,将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
2.根据权利要求1所述的智能医用设备安全行驶路径规划提取方法,其特征在于,所述S1包括:
S1-1,提取每个行进轨迹的时间耗费值
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mfrac>
<mrow>
<mn>4</mn>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mi>&eta;</mi>
<mi>n</mi>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&eta;</mi>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Eγ为行进轨迹的时间强度,η为待定参量,Γ(n)为行进轨迹中第n条轨迹时间趋势的Γ分布,T(t)为行进轨迹在地理位置信息中时间耗费的纹理,t≥0;
生成时间耗费模型
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,αt为时间耗费值的阈值,Ni(t+1)为下一时段行进轨迹的时间耗费值,
S1-2,提取每个行进轨迹的时间耗费的预测值
Nj(t)=2[Eγ(T(t)+T(t+1))-μp·T(t)],
其中,μp为地理位置累加参数,T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理,
生成时间耗费的预测模型
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,βt为时间耗费预测值的阈值,Nj(t+1)为下一时段行进轨迹的时间耗费预测值,
S1-3,提取每个行进轨迹的风速判断值
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>1</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>t</mi>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>3</mn>
</msubsup>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>t</mi>
<mn>2</mn>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>3</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
</msup>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>4</mn>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>4</mn>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,为风速冲击响应分量,为风速动态变化调整分量,为风速变化的干扰分量,为风速动态变化中的随机干扰分量,为风速动态变化的时间节点分量,为t时刻风速动态变化的周期分量,
生成风速的预测模型
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&chi;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&chi;</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,χt为风速判断值的阈值,Nk(t+1)为下一时段行进轨迹的风速判断值,
S1-4,提取每个行进轨迹的气温的判断值
<mrow>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>h</mi>
<mi>i</mi>
<mi>g</mi>
<mi>h</mi>
</mrow>
</msub>
</mfrac>
</mrow>
<mi>I</mi>
</mfrac>
<mo>,</mo>
</mrow>
其中,为气温独立样本均值,I1(t)和I2(t)为气温独立样本,为I1(t)和I2(t)气温独立样本的参考系数,Ihigh为气温最高值样本,I为行进轨迹中气温历史参考值;
生成气温的预测模型
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,δt为气温判断值的阈值,Nl(t+1)为下一时段行进轨迹的气温判断值,
S1-5,提取每个行进轨迹的降水量的判断值
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msubsup>
<mi>d</mi>
<mn>3</mn>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>d</mi>
<mn>4</mn>
</msub>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>5</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数,σ为降水量的干扰系数,为降水量动态变化中的高斯分量,
生成降水量预测模型
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中,εt为降水量判断值的阈值,Nm(t+1)为下一时段行进轨迹的降水量判断值。
3.根据权利要求1所述的智能医用设备安全行驶路径规划提取方法,其特征在于,所述S2包括:
用户对行进轨迹数据进行抽样的代价函数为,
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>2</mi>
</msup>
<mo>-</mo>
<mi>P</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,Ni(t)为每个行进轨迹的时间耗费值,Nj(t)为每个行进轨迹的时间耗费的预测值,Nk(t)为每个行进轨迹的风速判断值,Nl(t)为每个行进轨迹的气温判断值,Nm(t)为每个行进轨迹的降水量判断值,M为统计行进轨迹内全部的轨迹数;P为全部行进轨迹信息向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710884628.6A CN107515009A (zh) | 2017-09-26 | 2017-09-26 | 智能医用设备安全行驶路径规划提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710884628.6A CN107515009A (zh) | 2017-09-26 | 2017-09-26 | 智能医用设备安全行驶路径规划提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107515009A true CN107515009A (zh) | 2017-12-26 |
Family
ID=60726619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710884628.6A Withdrawn CN107515009A (zh) | 2017-09-26 | 2017-09-26 | 智能医用设备安全行驶路径规划提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107515009A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201055497Y (zh) * | 2007-05-28 | 2008-05-07 | 罗来安 | 一种视障人士行走安全辅助装置 |
CN103808326A (zh) * | 2012-11-07 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 导航方法和导航系统 |
CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
US9310211B1 (en) * | 2010-12-10 | 2016-04-12 | Google Inc. | Extracting patterns from location history |
CN106444750A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工业大学深圳研究生院 | 一种基于二维码定位的智能仓储移动机器人系统 |
CN106767871A (zh) * | 2016-12-27 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于云端的预设模式的导航系统及其使用方法 |
-
2017
- 2017-09-26 CN CN201710884628.6A patent/CN107515009A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201055497Y (zh) * | 2007-05-28 | 2008-05-07 | 罗来安 | 一种视障人士行走安全辅助装置 |
US9310211B1 (en) * | 2010-12-10 | 2016-04-12 | Google Inc. | Extracting patterns from location history |
CN103808326A (zh) * | 2012-11-07 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 导航方法和导航系统 |
CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
CN106444750A (zh) * | 2016-09-13 | 2017-02-22 | 哈尔滨工业大学深圳研究生院 | 一种基于二维码定位的智能仓储移动机器人系统 |
CN106767871A (zh) * | 2016-12-27 | 2017-05-31 | 上海斐讯数据通信技术有限公司 | 一种基于云端的预设模式的导航系统及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548645B (zh) | 基于深度学习的车辆路径寻优方法及系统 | |
CN104463364B (zh) | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 | |
CN105405293B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN110203257A (zh) | 一种轨道交通事件下列车运行调度方法和系统 | |
CN106910351A (zh) | 一种基于深度强化学习的交通信号自适应控制方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN109388130A (zh) | 联网的自动车辆的安全控制 | |
DE102017211689A1 (de) | Verfahren zur Routenplanung und Routenoptimierung für ein elektrisch fahrendes Fahrzeug | |
CN106875710A (zh) | 一种面向网联自动驾驶车辆的交叉口自组织控制方法 | |
CN108983788A (zh) | 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 | |
CN103136703A (zh) | 一种统计处理游客密度分布的方法及系统 | |
WO2015051959A1 (de) | Verfahren und vorrichtung zur steuerung eines umluftbetriebs in einem kraftfahrzeug | |
CN106056238B (zh) | 列车区间运行轨迹的规划方法 | |
CN113635943B (zh) | 列车辅助驾驶方法、系统、设备及计算机可读存储介质 | |
CN108647813A (zh) | 一种基于弹复力调整的高速列车动态间隔节能优化方法 | |
DE102014200450A1 (de) | Energiemanagementverfahren und Energiemanagementsystem für ein Fahrzeug | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
CN107607121A (zh) | 通过地理位置信息获取行进线路以及行进线路推荐工作方法 | |
CN107360550A (zh) | 共享车辆的功耗控制方法及装置、共享车辆 | |
CN108364464A (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
DE202017105595U1 (de) | Energiebedarfsermittlungseinrichtung | |
CN107650947A (zh) | 列车主控制器操纵提示系统 | |
CN107515009A (zh) | 智能医用设备安全行驶路径规划提取方法 | |
CN107631730A (zh) | 根据地理信息数据确定轮椅行进轨迹的判断方法 | |
CN107633082A (zh) | 利用海量行为轨迹数据进行轨迹追踪以及轨迹判别的工作方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171226 |
|
WW01 | Invention patent application withdrawn after publication |