CN109492065A - 一种室内语义地图时空关系的抽取方法 - Google Patents
一种室内语义地图时空关系的抽取方法 Download PDFInfo
- Publication number
- CN109492065A CN109492065A CN201811261447.9A CN201811261447A CN109492065A CN 109492065 A CN109492065 A CN 109492065A CN 201811261447 A CN201811261447 A CN 201811261447A CN 109492065 A CN109492065 A CN 109492065A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- semantic
- data
- indoor
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种室内语义地图时空关系的抽取方法,包括如下步骤:获取室内原始时空数据;时空数据的筛选;时空关系的语义表示;融合时空数据;更新语义实体库。本发明在构建好的室内语义地图基础之上进行空间实体之间的时空关系的抽取,在语义地图中增加语义时空关系,这是本发明的创新点。通过对语义时空关系进行相关处理,使得在室内空间中能测得目标相互之间,如上下左右的位置关系,并结合前、后的时间关系,最终能自动组合推理出两个目标之间的高层次的时空逻辑语义关系,从而能给出两个物体之间,在某一时间段内相对位置关系的语义描述,更好地辅助机器人做出智能决策。
Description
技术领域
本发明涉及室内语义地图空间实体之间的时空关系领域,具体是一种室内语义地图时空关系的抽取方法。
背景技术
随着互联网技术的加速更新迭代,室内位置智能服务是目前大数据研究和应用的热点问题之一。基于物联网的信息资源智能化采集成为了可能,我们可以利用多网络、多终端的智能数据感知设备来收集我们需要的时空信息。
近年来,人工智能领域技术的飞速发展,语义地图的构建也成了计算机领域的研究热点之一,且已有切实可行的语义地图重建方案,室内语义地图包括空间属性信息如房间分布、楼层分布等,环境属性信息包括温度、湿度等,语义属性信息包括房间号、室内实体的状态信息、室内实体的时空信息等,构建室内语义地图可以在地图上标记语义信息。
CN108537214A一种室内语义地图的自动化构建方法,该方法根据摄像装置获取到室内场景的多幅图像,记录其语义方向,并提取其中的特征点信息,进而得到图像的优化全局位姿信息,结合语义方向和优化全局位姿信息来估算实体在室内语义地图中的位置信息,最终能够提高场景图的精确度,并能够保证图像中的实体标记在室内语义地图的精确度。但其内容仅涉及室内空间部分,并没有涉及到时间的语义解析。
CN106777279A一种时空关系分析系统,该系统装置利用时空数据,从时间和空间两个维度梳理、挖掘、分析其时空关联关系。将海量、杂乱的时空数据,按照其内部的时空关系、时空关联规则进行存储,为公安的情报分析、犯罪挖掘、案件侦破提供线索、拓展情报分析手段、提高破案率、辅助警务策略的制定等,提供精准、科学、高效的大数据支持依据。该系统的实现方法并未涉及到任何的语义信息的处理,而且侧重于室外场景的应用。较室外场景而言,室内空间的识别度要求精确度较高,计算复杂度更高。
由上可知,现有时空关系的描述,特别是室内时空关系的描述方法少有涉及语义信息,现有的室内语义地图的构建也少有涉及到地图时空关系的语义构建,这表明目前对室内地图的完整性研究存在着一定的局限性,室内语义地图和语义时空关系的融合成为了一个亟待解决的问题,而语义地图中增加了语义时空关系之后,能够为室内位置服务(LSB)系统提供更有力的帮助。
发明内容
针对现有技术的局限性,本发明提供一种室内语义地图时空关系的抽取方法,在语义地图中增加语义时空关系,为机器对室内目标之间的行为轨迹精准分析和推理提供一种途径。
本发明方法,通过无线传感网得到物体的原始时空数据后,由于这些数据通常是非结构化的,与现有的语义地图数据异构,因此要将这些与语义地图数据异构的时空数据用转换规则转换成统一的语法和语义,以便机器能更易理解室内环境中的语义信息,能够更加有利于机器对室内的个体或物体进行行为轨迹分析,以便做出更精准的智能决策。
本发明一种室内语义地图时空关系的抽取方法,包括如下步骤:
(1) 获取室内原始时空数据:
采用终端设备和网络相结合,利用无线传感网采集数据,根据服务需求,在目标服务区布置信息采集点,来获取室内原始时空数据和属性数据;
所述的时空数据包括:采集点的网点位置、坐标和距离信息;
所述的属性数据包括:物品类型、采集信息类型、采集信息的频率、采集时间区间和时刻、和采集信息的空间覆盖范围,并将这些初始信息存储在文件中。
(2)时空数据的筛选:
清洗和筛选原始数据,通过数据筛选组件,设定好服务需求条件,根据需求条件筛选出符合要求的时空数据;
所述的数据筛选组件,是对数据进行异样、需求和时空筛选的过程,分别由不同的子处理组件来完成;
所述的子处理组件包括:依次连接的异样筛选组件、需求筛选组件和时空筛选组件;
异样筛选组件,用于将重复的冗余数据过滤,并且去除残缺的数据项;
需求筛选组件,用于根据服务需求来过滤数据;
时空筛选组件,用于根据设定好的时间和空间范围来过滤数据。
所述的数据筛选组件为现有技术。
(3)时空关系的语义表示:
通过本体论的描述语言来描述室内实体之间的时空关系,利用本体论对时空数据进行统一的描述,即进行语法转换;
通过本体论语言建立起时空数据的本体语义库信息,通过相应的转换规则绑定本体数据和语义库之间的联系,即进行语义转换,将非结构化的数据转化为结构化的数据。
进一步,时空关系的语义表示,处理过程包括:
时空本体对象的语法构建,结合已有的空间语义表示,使用标识时间数据的语义标准来进行语法构建;
时空数据的本体表示,根据语义标准,进行时空数据的语义表示。
进一步,进行时空数据的本体表示,包括如下步骤:
确定时空本体数据对象的类型;
依据类型建立具体的本体对象;
建立本体数据的对象集合。
在构建时空本体对象及对其进行本体表示的过程中,为了提高构建效率和便于后续本体的复用,可以将过程模块化,将本体结构分为依次向下连接的抽象层、具体层和实例层。
(4)融合时空数据:
采用相关组件,将语义时间关系和语义空间关系关联起来,以及语义时空关系和室内语义实体相融合;
所述融合,分为本体化之后的时空数据之间的关联表示和时空数据跟室内环境语义实体融合表示,这个阶段的结果是能测得室内空间中的目标相互之间如上下左右的位置,并结合前后等的时间关系,最终能自动组合推理出两个目标之间的高层次的逻辑语义。
所述相关组件,具体包括:依次连接的语义时空关联组件、语义实体融合组件和结果输出组件;
语义时空关联组件,用于处理语义时空数据的关联;
实体融合组件,用于处理室内环境语义实体和时空实体相融合;
结果输出组件,用于展示语义数据模型的输出结果。
所述的语义时空关联组件、语义实体融合组件和结果输出组件为现有技术。
进一步,所述的实体融合组件,是根据空间和时间的定性分析,确定室内单个目标以及多个目标之间的时空依赖关系。
(5)更新语义实体库;
采用数据集存储组件,将融合好的时空数据添加到室内环境实体的语义数据库中,再用室内数据更新组件,更新室内地图的语义标记,使用户能够更高效便捷地提取室内空间两个目标之间的时空运动轨迹和模式;
所述数据集存储组件,用于将语义数据结果整合形成语义数据集,然后将其存储在已有的室内地图本体语义库中;
所述室内数据更新组件,根据已关联分析完成的室内实体间的时空关系,更新室内地图的语义标记。
所述数据集存储组件和室内数据更新组件为现有技术。
本发明的组件均为现有技术,组件其实是程序模块,采用现有程序模块即可以实现本发明的功能。
本发明室内语义地图时空关系的抽取方法,在构建好的室内语义地图基础之上进行空间实体之间的时空关系的抽取,在语义地图中增加语义时空关系,这是本发明的创新点。通过对语义时空关系进行相关处理,使得在室内空间中能测得目标相互之间,如上下左右的位置关系,并结合前、后的时间关系,最终能自动组合推理出两个目标之间的高层次的时空逻辑语义关系,从而能给出两个物体之间,在某一时间段内相对位置关系的语义描述,为机器对室内目标之间的行为轨迹精准分析和推理提供一种途径,更好地辅助机器人做出智能决策。
附图说明
图1为本发明的方法步骤图;
图2 为本发明的数据筛选组件的内部连接图;
图3为本发明数据语义转换的流程图;
图4为本发明时空本体对象模型的层次结构图;
图5为本发明的时空数据融合的内部连接框图;
图6为本发明的更新语义实体库的内部连接框图。
具体实施方式
下面结合附图对本发明内容作进一步的说明,但不是对本发明的限定。
参照图1,本发明一种室内语义地图时空关系的抽取方法,包括如下步骤:
(1) 获取室内原始时空数据;
采用终端设备和网络相结合,利用无线传感网采集数据,根据服务需求,在目标服务区布置信息采集点,来获取数据。室内空间可以是诸如楼层、房间、办公室、商场等,空间实体可为场景中的实体如桌椅、电器、行人等,时间实体可为时间区间、时间时刻等。
具体可以室内办公区为例,可用ZigBee网络设备和激光雷达测距仪来采集。按照网点编号,存储每个网点的空间数据和属性数据;所述的空间数据包括:网点位置、坐标和距离信息;所述的属性数据包括物品类型、采集信息类型、采集信息的频率、采集时间点、和采集信息的空间覆盖范围,并将其存储在xml文件中,以便后续抽取。
在本实施中,所采用的的xml文件格式规范如下表1所示:
表1
名称 | 说明 |
Device-设备 | Name-设备名,coordinate-坐标 |
Times | 监控时间表 |
Time | 监控时刻 |
INFOS | 获取信息列表 |
INFO | 获取信息,Name是信息的唯一标识 |
(2)时空数据的筛选:
在进行时空数据的语义转换之前,要对时空数据进行预处理,也就是清洗和筛选原始数据,通过数据筛选组件来筛选符合要求的原始时空数据。
参照图2,本发明数据筛选组件的内部连接图,具体包括:
异样筛选组件2.1,用于将重复的冗余数据过滤,并且去除残缺的数据项。对于待清洗的数据,先进行异常数据的检验,看是否有冗余和残缺,这里主要是对于数据是否完全重复且基于服务的数据长度是否一致进行判断;
需求筛选组件2.2,用于根据服务需求来过滤数据。这一点要与具体支持的应用平台密切相关,这其中可能只包括某一限定范围的信息而已。例如:只根据某一个智能终端或者某一型号的智能终端来筛选数据;只根据给定了的时间、地点、应用人及相关信息等来筛选数据。对可能存在异常的孤立点信息数据进行业务判定,将不匹配的数据排除掉;
时空筛选组件2.3,用于根据设定好的时间和空间范围来过滤数据。根据数据的时间记录进行过滤,依据业务需求,指定时间和空间范围,对不在该时间范围内的数据进行筛选。
本发明数据筛选组件为现有技术。
(3)时空关系的语义表示:
参照图3,本发明数据语义的转换流程图,当组件内接收到本源数据时,可以先将获取到的原始时空数据信息转换成本体语言描述的本体数据对象,即进行本体化描述,SM/TM转换;然后再根据本体库中已有的本体概念之间的关系给出源本体到目标本体的转换规则,即M/O映射;最后根据给出的转换规则进行本体语义转换,即SO/TO转换。
通过本体的描述语言来描述室内实体之间的时空关系, 利用本体论对时空数据进行统一的描述(语法转换),通过本体论语言建立起时空数据的本体语义库信息,通过相应的转换规则绑定本体数据和语义库之间的联系(语义转换),将非结构化的数据转化为结构化的数据。
时空关系的语义表示处理过程包括:
时空本体对象的语法构建,结合已有的空间语义表示,使用标识时间数据的语义标准来进行语法构建;
时空数据的本体表示,根据语义标准,进行时空数据的语义表示。
在提出时空本体对象的构建标准时,在现有的室内实体的本体语义库的基础上,结合实体之间时空关系的数据特性,扩展本体数据对象的构建语义标准。其表示如下:
准则 | 含义 |
清晰性 | 时空数据对象要能明确无误地说明各类型对象的含义,给出合理的符号表示,且其含义定义应该是平台无关的。 |
一致性 | 新加入的时空数据对象要具有一致性,支持与其定义相一致的推理,并且遵循已有的室内实体本体数据对象结构 |
偏差程度最小 | 时空本体数据对象的描述不应只依赖于某一特殊符号层的表示方法 |
本体约束最小 | 本体的约束边界能达到满足具体的服务需求即可 |
在进行时空数据的本体表示时,这个过程包括如下三个步骤:
<1>确定时空本体数据对象的类型;
<2>依据类型建立具体的本体对象;
<3>建立本体数据的对象集合。
参照图4,本发明时空本体对象模型的层次结构图。在构建时空本体对象及对其进行本体表示的过程中,为了提高构建效率和便于后续本体的复用,可以将过程模块化,将本体结构分为依次向下连接的抽象层、具体层和实例层。抽象层包括空间本体抽象类和时间本体抽象类;空间本体抽象类的具体层可分为空间实体、实体属性、空间关系;时间本体抽象类的具体层可分为时间实体、实体属性、时间关系;实例层为时空混合本体。
(4)融合时空数据;
将时空关系和室内语义实体相融合起来。分为本体化的时空数据之间的关联表示和时空数据跟室内环境语义实体融合表示。时空关系之间的融合要处理时间和时间、时间和空间之间的融合,依据相关的关联规则进行数据相关处理,获得时空融合数据。参照图5,本发明的时空数据融合的内部连接框图,具体包括:
语义时空关联组件4.1,用于处理语义时空数据的关联;
语义实体融合组件4.2,用于处理室内环境语义实体和时空实体相融合;
结果输出组件4.3,用于展示语义数据模型的输出结果。
所述的语义时空关联组件,本发明中采用机器学习的相关算法来进行融合。从大量的语义时空数据中抽取出符合需求的描述数据项之间相互联系的有关知识。
关联规则反映了一个事物与其他事物之间的相互依赖性或相互关联性,而关联规则数据处理就是从大量的数据中挖掘出满足需求的描述数据项之间相互联系的有关知识。而时空关联规则的理论是在关联规则和空间关联规则的基础上发展而来的,它的特殊性在于能够通过时间语义和空间语义来表述事物和现象在时空上的关联性。时空谓词有关系谓词、属性谓词等。时空关系谓词包括方向谓词、距离谓词等;时空属性谓词是对实体的位置、分布、形态等性质的描述。时空关联规则的主要意义在于研究空间对象随时间而变化的规律,以发现海量时空数据处以某一时间间隔的空间位置的融合规则。在本发明中,在现有的时空关联规则的基础上增加了时空层面上的语义信息,使其成为了一种便于机器人提取和理解的时空语义融合规则。
时空融合分析要经过发现频繁项集,然后才能获得融合规则。本发明对于时空融合的实现采用的是关联规则中最常用的Apriori算法经过优化之后的一种算法,即STApriori算法。STApriori算法在SKDM算法按空间位置生成项目-地址对的思想基础上,在产生频繁项集的过程中同时考虑时间有效性和空间关联性,提出Spatio-TemporalApriori算法,该算法首先对时空数据进行时间段划分和空间关联性分析并形成事物表,然后对空间关联项集进行连接并产生时空融合规则,即其结果是含有时空约束的融合规则集。
融合规则分析的实现过程如下:
<a>根据支持度和事物表产生频繁项集。
<b>根据置信度和频繁项集生成融合规则。
需要注意的是,此时的时空数据已经是语义时空数据了的,并且由于是时空融合规则的实现,故需要在算法中加入时间和空间的约束。
所述的语义实体融合组件,用于处理室内环境语义实体和时空实体相融合的问题。根据空间和时间的定性分析,运用定性轨迹关系算子-基础型(QTCB:QualitativeTrajectory Calculus-Basic)的扩展来融合实体间的时空关系,以确定室内单个目标以及多个目标之间的时空依赖关系。
QTC是对运动对象进行表示和推理的定性算子。它可以定义一对室内运动实体对象的之间的时空关系,运动对象被假定为在时间和空间上是连续的。根据细节水平和空间维度,QTC有很多不同的类型,比如QTCB 21(距离边缘2维QTC模型),在本发明中采用的是语义QTCB21的处理方法。
QTCB 21中的几个定义:- :对象A向对象B运动;+ :对象A远离对象B运动;0 :对象A相对于对象B静止。
语义QTCB21(也称S-QTCB21)是QTCB 21在处理数据层面上的扩展,扩展的方面是:运动对象均以语义实体对象来表示。由此带来的其他表示和计算方式也要做出相应的转变。
结果输出组件,采用可视化的技术来展示语义数据模型的输出结果。
(5)更新语义实体库:
参照图6,本发明的更新语义实体库的内部连接框图,将融合好的时空数据添加到室内环境实体的语义数据库,具体包括:
数据集存储组件5.1,用于将语义数据结果整合形成语义数据集存储在已有的室内本体语义库中;
室内数据更新组件5.2,根据已关联分析完成的室内实体间的时空关系,更新室内地图的语义标记;
数据集存储组件5.1和室内数据更新组件5.2为现有技术。
以上结合附图对本发明的实施方式做出了详细说明,但本发明不局限于所描述的实施方式。对于本领域技术人员而言,在不脱离本发明的原理和精神的情况下,对这些实施方式进行各种变化、修改、替换和变形仍落入本发明的保护范围。
Claims (8)
1.一种室内语义地图时空关系的抽取方法,其特征在于,包括如下步骤:
(1) 获取室内原始时空数据:
终端设备和网络相结合,利用无线传感网采集数据,根据服务需求,在目标服务区布置信息采集点,来获取室内原始时空数据和属性数据;
(2)时空数据的筛选:
清洗和筛选原始数据,通过数据筛选组件,设定好服务需求条件,根据需求条件筛选出符合要求的时空数据;
(3)时空关系的语义表示;
通过本体论的描述语言来描述室内实体之间的时空关系,利用本体论对时空数据进行统一的描述,即进行语法转换;
通过本体论语言建立起时空数据的本体语义库信息,通过相应的转换规则绑定本体数据和语义库之间的联系,即进行语义转换,将非结构化的数据转化为结构化的数据;
(4)融合时空数据;
采用相关组件,将语义时间关系和语义空间关系关联起来,以及语义时空关系和室内语义实体相融合;
所述融合,分为本体化之后的时空数据之间的关联表示和时空数据跟室内环境语义实体融合表示,这个阶段的结果是能测得室内空间中的目标相互之间的位置,并结合前后的时间关系,最终能自动组合推理出两个目标之间的高层次的逻辑语义;
(5)更新语义实体库;
采用数据集存储组件,将融合好的时空数据添加到室内环境实体的语义数据库中, 再用室内数据更新组件,更新室内地图的语义标记,使用户能够提取室内空间两个目标之间的时空运动轨迹和模式。
2.根据权利要求1所述的一种室内语义地图时空关系的抽取方法,其特征在于:
步骤(1)所述的空间数据包括:采集点的网点位置、坐标和距离信息;
所述的属性数据包括:物品类型、采集信息类型、采集信息的频率、采集时间区间和时刻、和采集信息的空间覆盖范围,并将这些初始信息存储在文件中。
3.根据权利要求1所述的一种室内语义地图时空关系的抽取方法,其特征在于:步骤(2)所述数据筛选组件,是对数据进行异样、需求和时空筛选的过程,分别由不同的子处理组件来完成;
所述的子处理组件包括:依次连接的异样筛选组件、需求筛选组件和时空筛选组件;
异样筛选组件,用于将重复的冗余数据过滤,并且去除残缺的数据项;
需求筛选组件,用于根据服务需求来过滤数据;
时空筛选组件,用于根据设定好的时间和空间范围来过滤数据。
4.根据权利要求1所述的一种室内语义地图时空关系的抽取方法,其特征在于:步骤(3)所述时空关系的语义表示,处理过程包括:
时空本体对象的语法构建,结合已有的空间语义表示,使用标识时间数据的语义标准来进行语法构建;
时空数据的本体表示,根据语义标准,进行时空数据的语义表示。
5.根据权利要求4所述的一种室内语义地图时空关系的抽取方法,其特征在于:所述时空数据的本体表示,包括如下步骤:
确定时空本体数据对象的类型;
依据类型建立具体的本体对象;
建立本体数据的对象集合。
6.根据权利要求1所述的一种室内语义地图时空关系的抽取方法,其特征在于:步骤(4)所述相关组件,具体包括:依次连接的语义时空关联组件、语义实体融合组件和结果输出组件;
语义时空关联组件,用于处理语义时空数据的关联;
语义实体融合组件,用于处理室内环境语义实体和时空实体相融合;
结果输出组件,用于展示语义数据模型的输出结果。
7.根据权利要求6所述的一种室内语义地图时空关系的抽取方法,其特征在于:所述的语义实体融合组件,是根据空间和时间的定性分析,确定室内单个目标以及多个目标之间的时空依赖关系。
8.根据权利要求1所述的一种室内语义地图时空关系的抽取方法,其特征在于:步骤(5)所述数据集存储组件,用于将语义数据结果整合形成语义数据集,然后将其存储在已有的室内本体语义库中;
所述室内数据更新组件,根据已关联分析完成的室内实体间的时空关系,更新室内地图的语义标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261447.9A CN109492065B (zh) | 2018-10-26 | 2018-10-26 | 一种室内语义地图时空关系的抽取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261447.9A CN109492065B (zh) | 2018-10-26 | 2018-10-26 | 一种室内语义地图时空关系的抽取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492065A true CN109492065A (zh) | 2019-03-19 |
CN109492065B CN109492065B (zh) | 2021-07-20 |
Family
ID=65691729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261447.9A Active CN109492065B (zh) | 2018-10-26 | 2018-10-26 | 一种室内语义地图时空关系的抽取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492065B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562260A (zh) * | 2023-07-07 | 2023-08-08 | 湖南视觉伟业智能科技有限公司 | 一种文本信息处理方法及处理系统 |
CN116804560A (zh) * | 2023-08-23 | 2023-09-26 | 四川交通职业技术学院 | 一种管制路段下无人驾驶汽车安全导航方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211608A1 (en) * | 2009-02-13 | 2010-08-19 | Alcatel-Lucent | Apparatus and method for generating a database that maps metadata to p2p content |
CN104699734A (zh) * | 2014-11-20 | 2015-06-10 | 武汉图歌信息技术有限责任公司 | 一种面向主题的大规模地理空间数据动态融合方法 |
CN104850657A (zh) * | 2015-06-04 | 2015-08-19 | 武汉大学 | 一种全息位置地图的迭加方法 |
CN105630897A (zh) * | 2015-12-18 | 2016-06-01 | 武汉大学 | 一种内容感知的地理视频多层次关联方法 |
CN106156021A (zh) * | 2015-02-27 | 2016-11-23 | 珀斯特传媒有限公司 | 时空关联信息生成方法和执行其的服务器 |
CN108537214A (zh) * | 2018-08-09 | 2018-09-14 | 中国人民解放军国防科技大学 | 一种室内语义地图的自动化构建方法 |
-
2018
- 2018-10-26 CN CN201811261447.9A patent/CN109492065B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211608A1 (en) * | 2009-02-13 | 2010-08-19 | Alcatel-Lucent | Apparatus and method for generating a database that maps metadata to p2p content |
CN104699734A (zh) * | 2014-11-20 | 2015-06-10 | 武汉图歌信息技术有限责任公司 | 一种面向主题的大规模地理空间数据动态融合方法 |
CN106156021A (zh) * | 2015-02-27 | 2016-11-23 | 珀斯特传媒有限公司 | 时空关联信息生成方法和执行其的服务器 |
CN104850657A (zh) * | 2015-06-04 | 2015-08-19 | 武汉大学 | 一种全息位置地图的迭加方法 |
CN105630897A (zh) * | 2015-12-18 | 2016-06-01 | 武汉大学 | 一种内容感知的地理视频多层次关联方法 |
CN108537214A (zh) * | 2018-08-09 | 2018-09-14 | 中国人民解放军国防科技大学 | 一种室内语义地图的自动化构建方法 |
Non-Patent Citations (1)
Title |
---|
姚迪 等: "时空数据语义理解:技术与应用", 《软件学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562260A (zh) * | 2023-07-07 | 2023-08-08 | 湖南视觉伟业智能科技有限公司 | 一种文本信息处理方法及处理系统 |
CN116562260B (zh) * | 2023-07-07 | 2023-10-03 | 湖南视觉伟业智能科技有限公司 | 一种文本信息处理方法及处理系统 |
CN116804560A (zh) * | 2023-08-23 | 2023-09-26 | 四川交通职业技术学院 | 一种管制路段下无人驾驶汽车安全导航方法及装置 |
CN116804560B (zh) * | 2023-08-23 | 2023-11-03 | 四川交通职业技术学院 | 一种管制路段下无人驾驶汽车安全导航方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109492065B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11500818B2 (en) | Method and system for large scale data curation | |
US7765176B2 (en) | Knowledge discovery system with user interactive analysis view for analyzing and generating relationships | |
Laube et al. | Discovering relative motion patterns in groups of moving point objects | |
CN105393263B (zh) | 计算机‑人交互式学习中的特征完成 | |
Wang et al. | Urban2vec: Incorporating street view imagery and pois for multi-modal urban neighborhood embedding | |
Hao et al. | Integrating and navigating engineering design decision-related knowledge using decision knowledge graph | |
CN105512316B (zh) | 一种结合移动终端的知识服务系统 | |
Ali et al. | Rule-guided human classification of Volunteered Geographic Information | |
CN111966793B (zh) | 基于知识图谱的智慧问答方法、系统和知识图谱更新系统 | |
Psyllidis | Ontology-based data integration from heterogeneous urban systems: A knowledge representation framework for smart cities | |
Codescu et al. | DO-ROAM: Activity-oriented search and navigation with OpenStreetMap | |
KR20210082114A (ko) | 저변동성 시계열 데이터의 이중 학습 장치 | |
CN113434634A (zh) | 知识图谱构建方法、装置 | |
CN105786897B (zh) | 用于提供基于情境感知的用户关注信息的情境感知本体构建方法 | |
CN108062366A (zh) | 公共文化信息推荐系统 | |
CN109492065A (zh) | 一种室内语义地图时空关系的抽取方法 | |
CN109858024A (zh) | 一种基于word2vec的房源词向量训练方法及装置 | |
CN113779261B (zh) | 知识图谱的质量评价方法、装置、计算机设备及存储介质 | |
Li et al. | Extraction and modelling application of evacuation movement characteristic parameters in real earthquake evacuation video based on deep learning | |
Memon et al. | Harvesting covert networks: a case study of the iMiner database | |
JP4251101B2 (ja) | 画像情報処理システム | |
Nguyen et al. | Path-tracing semantic networks to interpret changes in semantic 3D city models | |
KR100880001B1 (ko) | 개인의 일상을 관리할 수 있는 모바일 디바이스 및 상기모바일 디바이스에서의 정보 검색 방법 | |
Mansour | Event detection in connected environments | |
CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 |
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 |