CN109410357A - 一种远程智能政务会议系统基于移动端的签到预测方法 - Google Patents
一种远程智能政务会议系统基于移动端的签到预测方法 Download PDFInfo
- Publication number
- CN109410357A CN109410357A CN201811233019.5A CN201811233019A CN109410357A CN 109410357 A CN109410357 A CN 109410357A CN 201811233019 A CN201811233019 A CN 201811233019A CN 109410357 A CN109410357 A CN 109410357A
- Authority
- CN
- China
- Prior art keywords
- moment
- registers
- people
- sample
- time
- 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
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种远程智能政务会议系统基于移动端的签到预测方法,包括以下步骤:S1,获取签到人的身份信息,对签到人的地理位置进行实时定位;S2,确定签到人的地理位置是否在预设地理位置范围内,若签到人的地理位置不在预设地理位置范围内,则预测签到人是否签到;若签到人的地理位置在预设地理位置范围内,则签到人已签到;S3,接收签到人发送的签到信息,统计签到结果并展示签到结果页面。本发明能够对工作人员在签到环节节省时间,防止纸件签到录入信息错误等,并且可以减少纸张的浪费,营造环保环境。
Description
技术领域
本发明涉及一种远程智能政务会议签到技术领域,特别是涉及一种远程智能政务会议系统基于移动端的签到预测方法。
背景技术
无纸化会议,是由从传统会议的研发、施工基础上提出来的无纸化会议交互系统新概念,是基于移动互联网的无纸化会议交互系统。无纸化会议从传统的纸质为信息记录载体转化成以平板电脑、智能手机为载体的数字化、移动化的多媒体,利用智能手机的便携性,把会议从固定的会议室延伸场外的移动终端。然而,现有的签到方式一般为纸质签到,在签到统计环节会耗费时间,并且在统计时也会出现错误,这是现目前亟待解决的问题。
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远程智能政务会议系统基于移动端的签到预测方法。
为了实现本发明的上述目的,本发明公开了一种远程智能政务会议系统基于移动端的签到预测方法,包括以下步骤:
S1,获取签到人的身份信息,对签到人的地理位置进行实时定位;
S2,确定签到人的地理位置是否在预设地理位置范围内,若签到人的地理位置不在预设地理位置范围内,则预测签到人是否签到;若签到人的地理位置在预设地理位置范围内,则签到人已签到;
其预测签到人是否签到的方法为:
其中,(t)表示当前时刻t的时间;
(t-M)表示时刻t-M的时间,时刻t-M的时间早于当前时刻t的时间;
所述M为将时刻t-M至当前时刻t的时长等分或完全不等分或部分等分成M份;所述M的取值范围[5,200],(t)-(t-M)的时长取值范围为[1ms,5min];
(xk,yk,zk)表示时刻k时的三维坐标;
(xk-1,yk-1,zk-1)表示上一时刻k-1时的三维坐标;
St为当前时刻t时签到人的地理位置到预设地理位置的距离;
t0为签到人到达预设地理位置的预测时间;
t′为签到延长调节时间;
φt为当前时刻t道路影响因子;
比较预测时间t0是否晚于预设到达时间,若预测时间t0晚于预设到达时间,则签到人未签到,若预测时间t0不晚于预设到达时间,则签到人已签到;
S3,接收签到人发送的签到信息,统计签到结果并展示签到结果页面。
在本发明的一种优选实施方式中,还包括为签到人搜索一条签到人当前时刻t所处地理位置至预设地理位置的最优路径包括以下步骤:
S21,获取运动路径上的拥挤度:
其中,Υt′(s)为在时刻t′时行人样本s的密集度;
Υt′(s′)为在时刻t′时车辆样本s′的密集度;
Us(t′)为行人样本s在到达预设地理位置时运动路径上所使用的时间;
Us′(t′)为车辆样本s′在到达预设地理位置时运动路径上所使用的时间;
Ks,s′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度;
sn为样本总数量,即车辆样本s′总数量与行人样本s总数量之和;
η为样本因子参量;即车辆样本s′因子参量与行人样本s因子参量之和;
Tt′为在时刻t′时的温度值;
生成样本拥挤度模型:
其中,Ks,s′′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度,Ks,s′′(t′+1)为行人样本s和车辆样本s′在下一时刻t′+1时拥挤度;sn′为车辆样本s′总数量;sn″为行人样本s总数量;ηs′为车辆样本s′因子参量,ηs为行人样本s因子参量;K(t′)为时刻t′时样本拥挤度模型;η为样本因子参量;sn为样本总数量;
S22,提取每条运动路径上的视野清晰度:
其中,Ψθ(t′)为时刻t′时的第θ条运动路径上降雨量;tθ为第θ条路径上降雨持续时长;Tt′为在时刻t′时的温度值;Tt′+1为在上一时刻t′-1时的温度值;δ为雨量待定因子;Uθ(t′-1)为在上一时刻t′-1时第θ条路径上的风量变化值;Uθ(t′)为在时刻t′时第θ条路径上的风量变化值;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;
生成运动路径视野清晰度模型:
其中,τ为灰尘度因子;Γ(t′)为时刻t′时的运动路径视野清晰度模型;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;Γθ(t′-1)为上一时刻t′-1时第θ条运动路径上的路径视野清晰度;
S23,通过运动路径优化函数为签到人显示一条最优的运动路径;其运动路径优化函数为:
其中,Q为地图全景信息,t″为签到人到达预设地理位置的时刻,K(t′)为时刻t′时样本拥挤度模型;Γ(t′)为时刻t′时的运动路径视野清晰度模型;t为当前时刻。为签到人优化一条最优的运动路径,为签到人节约时间。
在本发明的一种优选实施方式中,步骤S1包括以下步骤:
在服务器端预设有唯一的鉴权账号及与所述鉴权账号相对应的鉴权密码,判断客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码是否一致;
若客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码一致,则登录成功;
若客户端输入的鉴权账号与服务器端预设的所有鉴权账号均不一致,则提示输入的鉴权账号不存在,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的鉴权密码与服务器上预设的鉴权账号所对应的鉴权密码不一致,则提示输入的鉴权密码错误,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的验证码与服务器端发送的验证码不一致,则提示输入的验证码错误,服务器端重新发送新的验证码,重新输入鉴权账号、鉴权密码和验证码。
在本发明的一种优选实施方式中,验证码为数字、大写字母或小写字母之一或任意组合。
综上所述,由于采用了上述技术方案,本发明的有益效果是:本发明能够对工作人员在签到环节节省时间,防止纸件签到录入信息错误等,可以减少纸张的浪费,并且通过计算预测值确定未签到人是否签到,营造环保环境。
附图说明
图1是本发明流程示意图。
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。
本发明公开了一种远程智能政务会议系统基于移动端的签到预测方法,如图1所示,包括以下步骤:
S1,获取签到人的身份信息,对签到人的地理位置进行实时定位;
S2,确定签到人的地理位置是否在预设地理位置范围内,若签到人的地理位置不在预设地理位置范围内,则预测签到人是否签到;若签到人的地理位置在预设地理位置范围内,则签到人已签到;
其预测签到人是否签到的方法为:
其中,(t)表示当前时刻t的时间;
(t-M)表示时刻t-M的时间,时刻t-M的时间早于当前时刻t的时间;
所述M为将时刻t-M至当前时刻t的时长等分或完全不等分或部分等分成M份;所述M的取值范围[5,200],(t)-(t-M)的时长取值范围为[1ms,5min];
例如,当前时刻t的时间为上午08点31分,时刻t-M的时间为上午08点30分,M=5时,将上午08点30分至上午08点31分等分成5份,其时刻t的时间为上午08点31分,时刻t-1的时间为上午08点30分48秒,时刻t-2的时间为上午08点30分36秒,时刻t-3的时间为上午08点30分24秒,时刻t-4的时间为上午08点30分12秒,时刻t-5的时间为上午08点30分;或者M=12时,将上午08点30分至上午08点31分等分成12份,其时刻t的时间为上午08点31分,时刻t-1的时间为上午08点30分55秒,时刻t-2的时间为上午08点30分50秒,时刻t-3的时间为上午08点30分45秒,时刻t-4的时间为上午08点30分40秒,时刻t-5的时间为上午08点30分35秒,时刻t-6的时间为上午08点30分30秒,时刻t-7的时间为上午08点30分25秒,时刻t-8的时间为上午08点30分20秒,时刻t-9的时间为上午08点30分15秒,时刻t-10的时间为上午08点30分10秒,时刻t-11的时间为上午08点30分05秒,时刻t-12的时间为上午08点30分;
(xk,yk,zk)表示时刻k时的三维坐标;
(xk-1,yk-1,zk-1)表示上一时刻k-1时的三维坐标;
St为当前时刻t时签到人的地理位置到预设地理位置的距离;
t0为签到人到达预设地理位置的预测时间;
t′为签到延长调节时间;
φt为当前时刻t道路影响因子;
比较预测时间t0是否晚于预设到达时间,若预测时间t0晚于预设到达时间,则签到人未签到,若预测时间t0不晚于预设到达时间,则签到人已签到;
S3,接收签到人发送的签到信息,统计签到结果并展示签到结果页面。
在本发明的一种优选实施方式中,还包括为签到人搜索一条签到人当前时刻t所处地理位置至预设地理位置的最优路径包括以下步骤:
S21,获取运动路径上的拥挤度:
其中,Υt′(s)为在时刻t′时行人样本s的密集度;
Υt′(s′)为在时刻t′时车辆样本s′的密集度;
Us(t′)为行人样本s在到达预设地理位置时运动路径上所使用的时间;
Us′(t′)为车辆样本s′在到达预设地理位置时运动路径上所使用的时间;
Ks,s′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度;
sn为样本总数量,即车辆样本s′总数量与行人样本s总数量之和;
η为样本因子参量;即车辆样本s′因子参量与行人样本s因子参量之和;
Tt′为在时刻t′时的温度值;
生成样本拥挤度模型:
其中,Ks,s′′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度,Ks,s′′(t′+1)为行人样本s和车辆样本s′在下一时刻t′+1时拥挤度;sn′为车辆样本s′总数量;sn″为行人样本s总数量;ηs′为车辆样本s′因子参量,ηs为行人样本s因子参量;K(t′)为时刻t′时样本拥挤度模型;η为样本因子参量;sn为样本总数量;
S22,提取每条运动路径上的视野清晰度:
其中,Ψθ(t′)为时刻t′时的第θ条运动路径上降雨量;tθ为第θ条路径上降雨持续时长;Tt′为在时刻t′时的温度值;Tt′+1为在上一时刻t′-1时的温度值;δ为雨量待定因子;Uθ(t′-1)为在上一时刻t′-1时第θ条路径上的风量变化值;Uθ(t′)为在时刻t′时第θ条路径上的风量变化值;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;
生成运动路径视野清晰度模型:
其中,τ为灰尘度因子;Γ(t′)为时刻t′时的运动路径视野清晰度模型;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;Γθ(t′-1)为上一时刻t′-1时第θ条运动路径上的路径视野清晰度;
S23,通过运动路径优化函数为签到人显示一条最优的运动路径;其运动路径优化函数为:
其中,Q为地图全景信息,t″为签到人到达预设地理位置的时刻,K(t′)为时刻t′时样本拥挤度模型;Γ(t′)为时刻t′时的运动路径视野清晰度模型;t为当前时刻。
在本发明的一种优选实施方式中,步骤S1包括以下步骤:
在服务器端预设有唯一的鉴权账号及与所述鉴权账号相对应的鉴权密码,判断客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码是否一致;
若客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码一致,则登录成功;
若客户端输入的鉴权账号与服务器端预设的所有鉴权账号均不一致,则提示输入的鉴权账号不存在,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的鉴权密码与服务器上预设的鉴权账号所对应的鉴权密码不一致,则提示输入的鉴权密码错误,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的验证码与服务器端发送的验证码不一致,则提示输入的验证码错误,服务器端重新发送新的验证码,重新输入鉴权账号、鉴权密码和验证码。
在本发明的一种优选实施方式中,验证码为数字、大写字母或小写字母之一或任意组合。
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 (4)
1.一种远程智能政务会议系统基于移动端的签到预测方法,其特征在于,包括以下步骤:
S1,获取签到人的身份信息,对签到人的地理位置进行实时定位;
S2,确定签到人的地理位置是否在预设地理位置范围内,若签到人的地理位置不在预设地理位置范围内,则预测签到人是否签到;若签到人的地理位置在预设地理位置范围内,则签到人已签到;
其预测签到人是否签到的方法为:
其中,(t)表示当前时刻t的时间;
(t-M)表示时刻t-M的时间,时刻t-M的时间早于当前时刻t的时间;
所述M为将时刻t-M至当前时刻t的时长等分或完全不等分或部分等分成M份;所述M的取值范围[5,200],(t)-(t-M)的时长取值范围为[1ms,5min];
(xk,yk,zk)表示时刻k时的三维坐标;
(xk-1,yk-1,zk-1)表示上一时刻k-1时的三维坐标;
St为当前时刻t时签到人的地理位置到预设地理位置的距离;
t0为签到人到达预设地理位置的预测时间;
t′为签到延长调节时间;
φt为当前时刻t道路影响因子;
比较预测时间t0是否晚于预设到达时间,若预测时间t0晚于预设到达时间,则签到人未签到,若预测时间t0不晚于预设到达时间,则签到人已签到;
S3,接收签到人发送的签到信息,统计签到结果并展示签到结果页面。
2.根据权利要求1所述的远程智能政务会议系统基于移动端的签到预测方法,其特征在于,还包括为签到人搜索一条签到人当前时刻t所处地理位置至预设地理位置的最优路径包括以下步骤:
S21,获取运动路径上的拥挤度:
其中,Υt′(s)为在时刻t′时行人样本s的密集度;
Υt′(s′)为在时刻t′时车辆样本s′的密集度;
Us(t′)为行人样本s在到达预设地理位置时运动路径上所使用的时间;
Us′(t′)为车辆样本s′在到达预设地理位置时运动路径上所使用的时间;
Ks,s′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度;
sn为样本总数量,即车辆样本s′总数量与行人样本s总数量之和;
η为样本因子参量;即车辆样本s′因子参量与行人样本s因子参量之和;
Tt′为在时刻t′时的温度值;
生成样本拥挤度模型:
其中,Ks,s′′(t′)为行人样本s和车辆样本s′在时刻t′时拥挤度,Ks,s′′(t′+1)为行人样本s和车辆样本s′在下一时刻t′+1时拥挤度;sn′为车辆样本s′总数量;sn″为行人样本s总数量;ηs′为车辆样本s′因子参量,ηs为行人样本s因子参量;K(t′)为时刻t′时样本拥挤度模型;η为样本因子参量;sn为样本总数量;
S22,提取每条运动路径上的视野清晰度:
其中,Ψθ(t′)为时刻t′时的第θ条运动路径上降雨量;tθ为第θ条路径上降雨持续时长;Tt′为在时刻t′时的温度值;Tt′+1为在上一时刻t′-1时的温度值;δ为雨量待定因子;Uθ(t′-1)为在上一时刻t′-1时第θ条路径上的风量变化值;Uθ(t′)为在时刻t′时第θ条路径上的风量变化值;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;
生成运动路径视野清晰度模型:
其中,τ为灰尘度因子;Γ(t′)为时刻t′时的运动路径视野清晰度模型;Γθ(t′)为时刻t′时第θ条运动路径上的路径视野清晰度;Γθ(t′-1)为上一时刻t′-1时第θ条运动路径上的路径视野清晰度;
S23,通过运动路径优化函数为签到人显示一条最优的运动路径;其运动路径优化函数为:
其中,Q为地图全景信息,t″为签到人到达预设地理位置的时刻,K(t′)为时刻t′时样本拥挤度模型;Γ(t′)为时刻t′时的运动路径视野清晰度模型;t为当前时刻。
3.根据权利要求1所述的远程智能政务会议系统基于移动端的签到预测方法,其特征在于,步骤S1包括以下步骤:
在服务器端预设有唯一的鉴权账号及与所述鉴权账号相对应的鉴权密码,判断客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码是否一致;
若客户端输入的鉴权账号、鉴权密码和验证码与服务器端上的鉴权账号和鉴权密码及服务器发送的验证码一致,则登录成功;
若客户端输入的鉴权账号与服务器端预设的所有鉴权账号均不一致,则提示输入的鉴权账号不存在,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的鉴权密码与服务器上预设的鉴权账号所对应的鉴权密码不一致,则提示输入的鉴权密码错误,重新输入鉴权账号、鉴权密码和验证码;
若客户端输入的验证码与服务器端发送的验证码不一致,则提示输入的验证码错误,服务器端重新发送新的验证码,重新输入鉴权账号、鉴权密码和验证码。
4.根据权利要求3所述的远程智能政务会议系统基于移动端的签到预测方法,其特征在于,验证码为数字、大写字母或小写字母之一或任意组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233019.5A CN109410357B (zh) | 2018-10-23 | 2018-10-23 | 一种远程智能政务会议系统基于移动端的签到预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233019.5A CN109410357B (zh) | 2018-10-23 | 2018-10-23 | 一种远程智能政务会议系统基于移动端的签到预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410357A true CN109410357A (zh) | 2019-03-01 |
CN109410357B CN109410357B (zh) | 2020-10-27 |
Family
ID=65468900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811233019.5A Active CN109410357B (zh) | 2018-10-23 | 2018-10-23 | 一种远程智能政务会议系统基于移动端的签到预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410357B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030022676A1 (en) * | 2001-07-26 | 2003-01-30 | Yusho Nakamoto | Location management method and apparatus |
US20100015993A1 (en) * | 2008-07-15 | 2010-01-21 | International Business Machines Corporation | System and method for scheduling and reservations using location based services |
CN103210426A (zh) * | 2010-06-21 | 2013-07-17 | 布鲁罗恩有限公司 | 确定实体的行进时间 |
CN103438895A (zh) * | 2013-08-05 | 2013-12-11 | 北京百度网讯科技有限公司 | 一种用于为移动终端提供推荐地信息的方法及装置 |
KR101493969B1 (ko) * | 2013-08-23 | 2015-02-17 | 대한민국 | 지피에스 부자를 이용한 라그랑지안 입자추적 실험의 분석방법 |
CN105574321A (zh) * | 2014-10-31 | 2016-05-11 | 福特全球技术公司 | 用于动态目的地到达时间的更新的方法和设备 |
CN106062788A (zh) * | 2013-12-04 | 2016-10-26 | 斯达哈伯公司 | 用于动态会事出席管理的系统和方法 |
CN106295384A (zh) * | 2015-05-21 | 2017-01-04 | 中国移动通信集团重庆有限公司 | 一种大数据平台访问控制方法、装置和认证服务器 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN107071135A (zh) * | 2012-12-14 | 2017-08-18 | 英特尔公司 | 位置感知移动应用程序管理 |
CN207037909U (zh) * | 2017-04-28 | 2018-02-23 | 浙江机电职业技术学院 | 一种基于网络具有自主预约签到功能的通勤班车智能管理系统 |
CN108664942A (zh) * | 2018-05-17 | 2018-10-16 | 西安理工大学 | 小鼠视频多维特征值的提取方法及视频分类方法 |
-
2018
- 2018-10-23 CN CN201811233019.5A patent/CN109410357B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030022676A1 (en) * | 2001-07-26 | 2003-01-30 | Yusho Nakamoto | Location management method and apparatus |
US20100015993A1 (en) * | 2008-07-15 | 2010-01-21 | International Business Machines Corporation | System and method for scheduling and reservations using location based services |
CN103210426A (zh) * | 2010-06-21 | 2013-07-17 | 布鲁罗恩有限公司 | 确定实体的行进时间 |
CN107071135A (zh) * | 2012-12-14 | 2017-08-18 | 英特尔公司 | 位置感知移动应用程序管理 |
CN103438895A (zh) * | 2013-08-05 | 2013-12-11 | 北京百度网讯科技有限公司 | 一种用于为移动终端提供推荐地信息的方法及装置 |
KR101493969B1 (ko) * | 2013-08-23 | 2015-02-17 | 대한민국 | 지피에스 부자를 이용한 라그랑지안 입자추적 실험의 분석방법 |
CN106062788A (zh) * | 2013-12-04 | 2016-10-26 | 斯达哈伯公司 | 用于动态会事出席管理的系统和方法 |
CN105574321A (zh) * | 2014-10-31 | 2016-05-11 | 福特全球技术公司 | 用于动态目的地到达时间的更新的方法和设备 |
CN106295384A (zh) * | 2015-05-21 | 2017-01-04 | 中国移动通信集团重庆有限公司 | 一种大数据平台访问控制方法、装置和认证服务器 |
CN106767873A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种基于时空的地图匹配方法 |
CN207037909U (zh) * | 2017-04-28 | 2018-02-23 | 浙江机电职业技术学院 | 一种基于网络具有自主预约签到功能的通勤班车智能管理系统 |
CN108664942A (zh) * | 2018-05-17 | 2018-10-16 | 西安理工大学 | 小鼠视频多维特征值的提取方法及视频分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109410357B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A survey for mobility big data analytics for geolocation prediction | |
US20230388318A1 (en) | Location-spoofing detection system for a network service | |
US8892461B2 (en) | Mobile device user behavior analysis and authentication | |
US20160162964A1 (en) | Collective network of augmented reality users | |
US11281760B2 (en) | Method and apparatus for performing user authentication | |
US11880899B2 (en) | Proximity-based shared transportation reservations | |
KR102671244B1 (ko) | 동적 래스터화 관리 기반의 신원 인식 방법, 장치 및 서버 | |
WO2009088664A1 (en) | System and method for delivery of augmented messages | |
US20220076268A1 (en) | Method and device for authenticating near-field information, electronic apparatus, and computer storage medium | |
Wei et al. | Survey of connected automated vehicle perception mode: from autonomy to interaction | |
Saputra et al. | Dynamic federated learning-based economic framework for internet-of-vehicles | |
US20200210951A1 (en) | Biometric authentication to facilitate shipment processing | |
Omidvar et al. | Deployment and testing of optimized autonomous and connected vehicle trajectories at a closed-course signalized intersection | |
CN111121809A (zh) | 一种推荐方法、装置及计算机存储介质 | |
CA3068693A1 (en) | Method and system for authentication via location monitoring | |
WO2022237859A1 (zh) | 基于时间管控的近场信息认证方法及装置 | |
Guo et al. | End-to-end trajectory distribution prediction based on occupancy grid maps | |
US11442909B2 (en) | Data analytics system | |
Zhang et al. | NaviGlass: Indoor Localisation Using Smart Glasses. | |
Cui et al. | Privacy and accuracy for cloud-fog-edge collaborative driver-vehicle-road relation graphs | |
CN107316023A (zh) | 一种用于共享设备的人脸识别系统 | |
US20100070589A1 (en) | Intelligently anticipating and/or prioritizing events associated with a wireless client | |
CN109410357A (zh) | 一种远程智能政务会议系统基于移动端的签到预测方法 | |
Stegmann et al. | A survey of evaluation methods for personal route and destination prediction from mobility traces | |
Liu et al. | $\mathtt {Radar} $: Adversarial Driving Style Representation Learning With Data Augmentation |
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 | ||
CP03 | Change of name, title or address |
Address after: 401121 No. 19, datagu East Road, Xiantao street, Yubei District, Chongqing Patentee after: Chongqing Yangsheng Technology Group Co.,Ltd. Address before: 400010 No.19 datavalley East Road, Xiantao street, Yubei District, Chongqing Patentee before: CHONGQING YANGSHENG INFORMATION TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |