CN111028471A - 一种使用神经网络技术防范游客接近高风险区域的方法 - Google Patents
一种使用神经网络技术防范游客接近高风险区域的方法 Download PDFInfo
- Publication number
- CN111028471A CN111028471A CN201911299565.3A CN201911299565A CN111028471A CN 111028471 A CN111028471 A CN 111028471A CN 201911299565 A CN201911299565 A CN 201911299565A CN 111028471 A CN111028471 A CN 111028471A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- value
- formula
- time
- tourists
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0261—System arrangements wherein the object is to detect trespassing over a fixed physical boundary, e.g. the end of a garden
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Emergency Management (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种使用神经网络技术防范游客接近高风险区域的方法,通过对游客出行过程中的行为轨迹分析,快速、准确地提取游客的行为特征,并根据行为特征,预测游客将来可能途径轨迹中的风险点。通过神经网络计算在多个时间维度(如时、分、秒)上的周期性行为特征,并结合定位信息,把信息化为风险概率。能够以低训练成本的方式针对多游客,多景点,不同行为轨迹的数据序列构建出高精度、实时预测模型。由于本方法向风险评估模型中引入时间维度和地理定位的选项作为额外输入,训练神经网络风险评估模型的时间步长度可大幅缩短,可以有效降低训练成本,同时提升预测精度。
Description
技术领域
本发明涉及信息技术的数据安全与防护技术领域,具体涉及一种使用神经网络技术防范游客接近高风险区域的方法。
背景技术
目前旅游行业的营业额以每年10%的速度在快速增长,在旅游业大发展的同时,游客出行的事故问题也在不断发生。大多数情况是由于游客对游览的景区潜在的风险不够了解。如果能够借助技术手段,对游客进行实时的预警提醒,并告知导游和景区采取有针对性的措施,则是最有效降低事故风险的手段。
通常事故发生的时候,都有以下的情况:
1,环境因素:悬崖、海边、河边或湖泊、陡峭的山路等
2,游客擅自的行为
1,超时段行为:夜间行路,脱离团队单独行动等。
传统模式下,都依赖导游的个人工作经验,进行分辨、预警提示等,用来控制风险的产生。但是这种方式严重依赖导游的个人主观因素,不能很好的控制风险的产生。
发明内容
本发明为了克服以上技术的不足,提供了一种结合游客的地理定位信息及行动轨迹,及时对接近高危景点区域的游客发送预警信息,降低高风险行为的产生的使用神经网络技术防范游客接近高风险区域的方法。
本发明克服其技术问题所采用的技术方案是:
一种使用神经网络技术防范游客接近高风险区域的方法,包括如下步骤:
a)按固定时间间隔采集旅游团中N名游客的坐标位置,将得到的坐标位置上传服务器端,根据所有游客的坐标位置得到能够包含所有游客的圆形范围,该圆形范围的圆心坐标为Oi,将圆心坐标Oi上传服务器,t为将圆心坐标上报服务器时的时间戳,1≤i≤t,其中圆心Oi的坐标表示为(xmiddle,i=t,ymiddle,i=t),x为经度值,y为纬度值,其中:
b)N名游客中从出发开始一直到时刻t的坐标序列为[(xm,j=1ym,j=1),(xm,j= 2ym,j=2),...(xm,j=tym,j=t)],j为时间戳序号,1≤j≤t,m为任意游客,1≤m≤N,将每个游客的坐标序列上传至服务器;
c)建立景区高危景点坐标Dn=(xn,yn,rn),其中x为经度值,y为纬度值,r为预警半径信息,将景区内的n个高危景点构成的高危坐标集合D={D1,D2,D3,...,Dn}={(x1,y1,r1),(x2,y2,r2),(x3,y3,r3),...,(xn,yn,rn)}上传至服务器;
d)将游客m的连续两次的坐标位置(xm,1,ym,1)和(xm,2,ym,2),当(xm,2≠xm,1)时,通过公式y=kx+b计算得到由坐标位置(xm,1,ym,1)和(xm,2,ym,2)在横坐标为经度值x、纵坐标为纬度值y中构成的斜线,式中
进一步的,还包括在步骤e)之后执行如下步骤:
f-1)当游客m移动至新的位置时,其坐标定义为(xm,3,ym,3),通过公式计算调整后的斜率knew,式中k0为步骤d)中的k,通过公式计算调整后的斜率bnew,式中b0为步骤d)中的b,通过公式y=knewx+bnew计算得到在横坐标为经度值x、纵坐标为纬度值y中构成的新的斜线;
f-2)建立公式如果公式有解则通过公式计算游客m到达危险区域的时间tm,式中xm,t为t时刻的游客m经度值,ym,t为t时刻的游客m的纬度值,式中T为以小时为单位的时间间隔次数,T>0,xi为时刻为i时的经度值,yi为时刻为i时的纬度值,时间tm的值越小表明游客m越接近高风险区域。
本发明的有益效果是:通过对游客出行过程中的行为轨迹分析,快速、准确地提取游客的行为特征,并根据行为特征,预测游客将来可能途径轨迹中的风险点。通过神经网络计算在多个时间维度(如时、分、秒)上的周期性行为特征,并结合定位信息,把信息化为风险概率。能够以低训练成本的方式针对多游客,多景点,不同行为轨迹的数据序列构建出高精度、实时预测模型。由于本方法向风险评估模型中引入时间维度和地理定位的选项作为额外输入,训练神经网络风险评估模型的时间步长度可大幅缩短,可以有效降低训练成本,同时提升预测精度。
附图说明
图1为本发明的游客线路将会进入风险区域的示意图;
图2为本发明的游客线路不会进入风险区域的示意图;
图3为本发明的调整权重后的示意图;
具体实施方式
下面结合对本发明做进一步说明。
一种使用神经网络技术防范游客接近高风险区域的方法,包括如下步骤:
a)按固定时间间隔采集旅游团中N名游客的坐标位置,将得到的坐标位置上传服务器端,根据所有游客的坐标位置得到能够包含所有游客的圆形范围,该圆形范围的圆心坐标为Oi,将圆心坐标Oi上传服务器,t为将圆心坐标上报服务器时的时间戳,1≤i≤t,其中圆心Oi的坐标表示为(xmiddle,i=t,ymiddle,i=t),x为经度值,y为纬度值,坐标信息包含时间戳和经纬度信息。纬度以赤道为分界线,北为正方向;经度以本初子午线为分界线,向东为正方向;针对特定的时刻t,所有的游客的坐标集合中,存在经度上的最小值和最大值,其中:xmax,i=t为t时刻所有的游客的坐标集合中在经度上的最大值,xmin,i=t为所有的游客的坐标集合中在经度上的最小值;
b)N名游客中从出发开始一直到时刻t的坐标序列为[(xm,j=1ym,j=1),(xm,j= 2ym,j=2),...(xm,j=tym,j=t)],j为时间戳序号,1≤j≤t,m为任意游客,1≤m≤N,将每个游客的坐标序列上传至服务器。
c)建立景区高危景点坐标Dn=(xn,yn,rn),其中x为经度值,y为纬度值,r为预警半径信息,将景区内的n个高危景点构成的高危坐标集合
D={D1,D2,D3,...,Dn}={(x1,y1,r1),(x2,y2,r2),(x3,y3,r3),...,(xn,yn,rn)}
上传至服务器。当距离景点坐标距离小于rn设置的值时,触发预警机制。当rn=0时表示该景点没有风险。
d)将游客m的连续两次的坐标位置(xm,1,ym,1)和(xm,2,ym,2),当(xm,2≠xm,1)时,通过公式y=kx+b计算得到由坐标位置(xm,1,ym,1)和(xm,2,ym,2)在横坐标为经度值x、纵坐标为纬度值y中构成的斜线,式中
e)将景区高危景点的预警半径rn构成的圆形区域的圆心坐标定义为(rn,x,rn,y),建立公式如附图1所示,如果公式有解则表明游客保持现有行程将进入预警区域,服务器将报警信息发送给导游的手机。如果公式无解,则如附图2所示,说明游客m按照当前方向,不会进入预警区域。
通过对游客出行过程中的行为轨迹分析,快速、准确地提取游客的行为特征,并根据行为特征,预测游客将来可能途径轨迹中的风险点。通过神经网络计算在多个时间维度(如时、分、秒)上的周期性行为特征,并结合定位信息,把信息化为风险概率。能够以低训练成本的方式针对多游客,多景点,不同行为轨迹的数据序列构建出高精度、实时预测模型。由于本方法向风险评估模型中引入时间维度和地理定位的选项作为额外输入,训练神经网络风险评估模型的时间步长度可大幅缩短,可以有效降低训练成本,同时提升预测精度。
具体的安装服务器环境的步骤为:安装一台服务器ServerA,该服务器具有国际IP地址,能够被其他的互联网设备根据IP地址或者域名访问到。开放特定的服务端口,能够响应客户端或者移动终端发送的消息请求。随后在服务器上搭建服务软件,能够提供身份认证、线路登记、地理位置验证,搭建人工智能神经网络系统运行所需的平台环境,包括Ubuntu18.0.4 64位操作系统,Python3等软件。
因为游客的行进路线可能不是一条直线,因此需要借助神经网络技术,参考游客m提交的最新坐标,对公式中的参数k和b,进行纠正和调整。进一步的,还包括在步骤e)之后执行如下步骤:
f-1)当游客m移动至新的位置时,其坐标定义为(xm,3,ym,3),通过公式计算调整后的斜率knew,式中k0为步骤d)中的k,通过公式计算调整后的斜率bnew,式中b0为步骤d)中的b,通过公式y=knewx+bnew计算得到在横坐标为经度值x、纵坐标为纬度值y中构成如附图3所示的新的斜线;
Claims (2)
1.一种使用神经网络技术防范游客接近高风险区域的方法,其特征在于,包括如下步骤:
a)按固定时间间隔采集旅游团中N名游客的坐标位置,将得到的坐标位置上传服务器端,根据所有游客的坐标位置得到能够包含所有游客的圆形范围,该圆形范围的圆心坐标为Oi,将圆心坐标Oi上传服务器,t为将圆心坐标上报服务器时的时间戳,1≤i≤t,其中圆心Oi的坐标表示为(xmiddle,i=t,ymiddle,i=t),
x为经度值,y为纬度值,其中:
b)N名游客中从出发开始一直到时刻t的坐标序列为[(xm,j=1ym,j=1),(xm,j=2ym,j=2),...(xm,j=tym,j=t)],j为时间戳序号,1≤j≤t,m为任意游客,1≤m≤N,将每个游客的坐标序列上传至服务器;
c)建立景区高危景点坐标Dn=(xn,yn,rn),其中x为经度值,y为纬度值,r为预警半径信息,将景区内的n个高危景点构成的高危坐标集合D={D1,D2,D3,...,Dn}={(x1,y1,r1),(x2,y2,r2),(x3,y3,r3),...,(xn,yn,rn)}上传至服务器;
d)将游客m的连续两次的坐标位置(xm,1,ym,1)和(xm,2,ym,2),当(xm,2≠xm,1)时,通过公式y=kx+b计算得到由坐标位置(xm,1,ym,1)和(xm,2,ym,2)在横坐标为经度值x、纵坐标为纬度值y中构成的斜线,式中
2.根据权利要求1所述的使用神经网络技术防范游客接近高风险区域的方法,其特征在于,还包括在步骤e)之后执行如下步骤:
f-1)当游客m移动至新的位置时,其坐标定义为(xm,3,ym,3),通过公式计算调整后的斜率knew,式中k0为步骤d)中的k,通过公式计算调整后的斜率bnew,式中b0为步骤d)中的b,通过公式y=knewx+bnew计算得到在横坐标为经度值x、纵坐标为纬度值y中构成的新的斜线;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299565.3A CN111028471B (zh) | 2019-12-16 | 2019-12-16 | 一种使用神经网络技术防范游客接近高风险区域的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299565.3A CN111028471B (zh) | 2019-12-16 | 2019-12-16 | 一种使用神经网络技术防范游客接近高风险区域的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111028471A true CN111028471A (zh) | 2020-04-17 |
CN111028471B CN111028471B (zh) | 2021-04-06 |
Family
ID=70209682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299565.3A Active CN111028471B (zh) | 2019-12-16 | 2019-12-16 | 一种使用神经网络技术防范游客接近高风险区域的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028471B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767647A (zh) * | 2020-12-29 | 2021-05-07 | 深圳力维智联技术有限公司 | 危险预警方法、装置、设备及计算机可读存储介质 |
CN113988379A (zh) * | 2021-09-30 | 2022-01-28 | 携程商旅信息服务(上海)有限公司 | 出行轨迹的识别方法、系统、设备及存储介质 |
CN114372642A (zh) * | 2022-03-21 | 2022-04-19 | 创意信息技术股份有限公司 | 一种城市节假日旅游景区风险评估的方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106281A (zh) * | 2013-02-22 | 2013-05-15 | 上海埃威航空电子有限公司 | 一种电子海图位置点数据简化方法和系统 |
CN103345812A (zh) * | 2013-06-17 | 2013-10-09 | 吴士银 | 一种景区导航预警装置 |
CN105246036A (zh) * | 2015-10-16 | 2016-01-13 | 成都中科大旗软件有限公司 | 景区游客越界预警方法 |
CN105787653A (zh) * | 2016-02-23 | 2016-07-20 | 成都理工大学 | 一种面向旅游通道安全的风险探测方法 |
CN106027678A (zh) * | 2016-07-13 | 2016-10-12 | 桂林电子科技大学 | 一种景区游客人流量实时统计和人流超限自动预警系统及方法 |
CN106102015A (zh) * | 2016-08-26 | 2016-11-09 | 成都鑫原羿天科技有限责任公司 | 旅游景点自动导游系统 |
CN108122286A (zh) * | 2017-11-30 | 2018-06-05 | 南京南邮信息产业技术研究院有限公司 | 基于rfid和智能手机的景区旅游团在线点名方法和系统 |
CN108537089A (zh) * | 2017-03-01 | 2018-09-14 | 开利公司 | 人流量估测系统及人流量估测方法 |
CN109949171A (zh) * | 2019-03-22 | 2019-06-28 | 何学桢 | 一种应用于旅游保险的安全应急服务系统 |
KR102027738B1 (ko) * | 2019-07-05 | 2019-10-01 | 김도연 | 안전지킴 시스템 |
CN110334167A (zh) * | 2019-06-26 | 2019-10-15 | 浪潮软件集团有限公司 | 基于神经网络轨迹的位置偏移预警方法和装置 |
CN110533228A (zh) * | 2019-08-13 | 2019-12-03 | 哈尔滨工程大学 | 一种考虑旅客意愿的航班恢复方法 |
-
2019
- 2019-12-16 CN CN201911299565.3A patent/CN111028471B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106281A (zh) * | 2013-02-22 | 2013-05-15 | 上海埃威航空电子有限公司 | 一种电子海图位置点数据简化方法和系统 |
CN103345812A (zh) * | 2013-06-17 | 2013-10-09 | 吴士银 | 一种景区导航预警装置 |
CN105246036A (zh) * | 2015-10-16 | 2016-01-13 | 成都中科大旗软件有限公司 | 景区游客越界预警方法 |
CN105787653A (zh) * | 2016-02-23 | 2016-07-20 | 成都理工大学 | 一种面向旅游通道安全的风险探测方法 |
CN106027678A (zh) * | 2016-07-13 | 2016-10-12 | 桂林电子科技大学 | 一种景区游客人流量实时统计和人流超限自动预警系统及方法 |
CN106102015A (zh) * | 2016-08-26 | 2016-11-09 | 成都鑫原羿天科技有限责任公司 | 旅游景点自动导游系统 |
CN108537089A (zh) * | 2017-03-01 | 2018-09-14 | 开利公司 | 人流量估测系统及人流量估测方法 |
CN108122286A (zh) * | 2017-11-30 | 2018-06-05 | 南京南邮信息产业技术研究院有限公司 | 基于rfid和智能手机的景区旅游团在线点名方法和系统 |
CN109949171A (zh) * | 2019-03-22 | 2019-06-28 | 何学桢 | 一种应用于旅游保险的安全应急服务系统 |
CN110334167A (zh) * | 2019-06-26 | 2019-10-15 | 浪潮软件集团有限公司 | 基于神经网络轨迹的位置偏移预警方法和装置 |
KR102027738B1 (ko) * | 2019-07-05 | 2019-10-01 | 김도연 | 안전지킴 시스템 |
CN110533228A (zh) * | 2019-08-13 | 2019-12-03 | 哈尔滨工程大学 | 一种考虑旅客意愿的航班恢复方法 |
Non-Patent Citations (1)
Title |
---|
张捷雷: "基于风险链分析的旅游安全风险预防", 《浙江学刊》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767647A (zh) * | 2020-12-29 | 2021-05-07 | 深圳力维智联技术有限公司 | 危险预警方法、装置、设备及计算机可读存储介质 |
CN113988379A (zh) * | 2021-09-30 | 2022-01-28 | 携程商旅信息服务(上海)有限公司 | 出行轨迹的识别方法、系统、设备及存储介质 |
CN114372642A (zh) * | 2022-03-21 | 2022-04-19 | 创意信息技术股份有限公司 | 一种城市节假日旅游景区风险评估的方法 |
CN114372642B (zh) * | 2022-03-21 | 2022-05-20 | 创意信息技术股份有限公司 | 一种城市节假日旅游景区风险评估的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111028471B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028471B (zh) | 一种使用神经网络技术防范游客接近高风险区域的方法 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
CN110060484B (zh) | 一种基于区块链的公路客运违章实时预警系统及方法 | |
US8296046B2 (en) | Cellular-based live traffic service | |
US9652983B2 (en) | Traffic surveillance and guidance system | |
Kerper et al. | Learning traffic light phase schedules from velocity profiles in the cloud | |
CN110155079A (zh) | 基于区块链技术的辅助驾驶系统及方法 | |
CN108184203B (zh) | 基于运营商位置信令的多级防控方法、装置、设备及介质 | |
CN106504560A (zh) | 一种多源定位停车检测系统及方法 | |
CN111414558B (zh) | 导航路线的发送方法、显示方法、装置、服务器及介质 | |
CN104023064A (zh) | 基于智能移动终端与活动特征分析的现场人员工作时间统计方法 | |
Saremi et al. | Combining map-based inference and crowd-sensing for detecting traffic regulators | |
Yamada et al. | Travel estimation using Control Signal Records in cellular networks and geographical information | |
Chang et al. | The frequency of CFVD speed report for highway traffic | |
CN111161531A (zh) | 一种基于公交车载终端判断线路正返程和进出站的方法 | |
CN105547283A (zh) | 一种行程路线安全监控方法及系统 | |
US20230170096A1 (en) | Systems, devices, and methods for managing contact instances of persons of interest | |
Huber et al. | Behavioral model based trust management design for iot at scale | |
CN116863696A (zh) | 一种超限车辆路线预测与拦截预警的方法 | |
CN110708664A (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
Zhang et al. | Design and implementation of a vehicle-to-vehicle based traffic information system | |
CN112261102B (zh) | 一种景区自助游览系统及方法 | |
Morold et al. | Toward context awareness for cooperative vulnerable road user collision avoidance: Incorporating related contextual information | |
CN111031487B (zh) | 一种使用人工智能对游客出行风险实时侦测的方法 | |
KR102107983B1 (ko) | 복수의 모바일 가상 펜스를 이용한 커넥티드 카 서비스 방법 |
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 |