CN111667101B - 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 - Google Patents
融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 Download PDFInfo
- Publication number
- CN111667101B CN111667101B CN202010443706.0A CN202010443706A CN111667101B CN 111667101 B CN111667101 B CN 111667101B CN 202010443706 A CN202010443706 A CN 202010443706A CN 111667101 B CN111667101 B CN 111667101B
- Authority
- CN
- China
- Prior art keywords
- cost
- path
- terrain
- trafficability
- planning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 32
- 230000009194 climbing Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000012876 topography Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000036314 physical performance Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明涉及一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统,包括:数据预处理步骤,利用高分辨率遥感影像及地形数据分别进行地物类别提取与地形因子计算;可通行性成本估计步骤,根据路径规划限制,对历史轨迹数据、预处理模块所提取的地物与地形特征开展可通行性成本估计;路径规划步骤,在考虑距离等因素,改进A*算法代价函数,基于算法搜索流程进行不同作业人员起点与终点之间的个性化最优路径规划;三维可视化及调优步骤,通过三维浏览和动画模拟查看、分析规划路径,并提供编辑工具对规划结果进行局部调整与优化。本发明能够生成能耗消耗少、曲折度低的个性化路径;并能够辅助用户查看、分析和调整规划路径。
Description
技术领域:
本发明涉及路径规划的技术领域,尤其涉及一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统。
背景技术:
电网是我国重要的基础设施,由于电网建设的特殊性,各种电压等级的输配电网除分布在人口密集的城市地区,还广泛分布在地形复杂、人迹罕至、路网缺乏的山地、草原、农村等地区。长期以来,野外电网作业异常困难,地形高低起伏、地面沟壑纵横、少路甚至无路都是经常面对的问题,翻山越岭、跨水架桥是野外作业人员的家常便饭。作业人员往往只能在抵达现场之后,依靠当地向导或凭经验等原始手段进行低效率路径规划。随着我国智慧城市发展进程的加快,人口密集的各大中型城市已经建成了用于反映城市道路和建筑信息的数字化地图,并可依此为依据进行路径规划;但远离城市的野外环境下,此类用来反应地面可通行性的信息还比较匮乏。
虽然在机器人控制、人工智能领域存在一些采用栅格地形数据进行无路径规划方法,但这样的路径分析更多的考虑车辆,没有顾及野外作业人员的个性化需求,仅考虑了距离、成本等因素,未考虑历史轨迹数据、爬坡次数、累积爬坡长度、道路弯曲度及作业人员的负重、体能情况;同时路径规划中涉及的重要地物、地形因子的传统野外测量获取方法,不仅周期长,工作效率低,还增加了相应劳动成本,并且很难生成三维立体模型,不能很好的帮助作业人员直观地从全局把握地形起伏,浏览各局部区域,分析周边人文环境等各种影响因素,更不能很好地对生成的路径进行人工编辑及调优。
发明内容
有鉴于此,本发明提出了一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统,该方法在考虑距离、可通行性成本、爬坡次数、累积爬坡长度、路径曲折度的同时顾及作业人员负重和体能,改进A*算法代价函数,进行起点与终点之间的个性化最优路径规划,很好的顾及了野外作业人员的实际情况,可规划出能耗消耗少、弯曲度低的个性化路径。同时该方法利用先进技术获取、处理高分遥感影像及地形数据,可快速获得作业区地物及地形坡度起伏情况,还可以进行三维可视化及编辑,为野外作业人员查看及调整优化规划路径提供了便利。
为了实现上述目的,本发明提供一种融合高分辨率遥感影像与地形的个性化电力作业路径规划方法,包括:
一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,包括:
数据预处理步骤:获取电力作业区的基础数据,并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像(DOM),地形数据(DEM);
可通行性成本估计步骤:获取历史轨迹数据,根据路径规划限制对历史轨迹数据、预处理模块提取的不同地物类别及地形因子进行可通行性成本估计;
路径规划步骤:在考虑距离、可通行性成本、爬坡次数、累积爬坡长度和路径曲折度的同时顾及作业人员的负重和体能,改进A*算法代价函数,基于算法搜索流程进行起点与终点之间的个性化最优路径规划;
三维可视化及调优步骤:根据所述地形数据(DEM)及高分辨率遥感影像(DOM)构建三维可视化场景,通过三维浏览和动画模拟对规划结果进行查看、分析,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优。
在上述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,所述数据预处理步骤,包括:
步骤2.1、对电力作业区进行航测,采用VirtuoZoNT系统对航空相片进行处理,生成高分辨率正射影像(DOM)及数字高程模型(DEM);
步骤2.2、利用Tensorflow和Keras深度学习框架搭建Mask RCNN网络模型,对获取的高分辨率遥感影像进行不同地物类别提取;
步骤2.3、根据获取的地形数据(DEM),进行地形因子分析,提取坡度、高程标准差,格网分辨率统一设为d。
在上述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,步骤2.1具体包括:
步骤A、将公开分享的遥感深度学习AID数据集分为训练集和验证集,输入到MaskRCNN网络模型;首先基于训练集对模型进行训练,然后基于验证集,调节模型参数,获得桥梁,河流等地物分割效果最好的模型a;
步骤B、基于作业区域制作的遥感影像标签,对预训练好的模型a进行微调,获取适应于作业区域的地物提取模型b;
步骤C、将作业区高分辨率遥感影像(DOM)作为输入,利用模型b进行作业区不同地物类别提取,包括:桥梁、河流、湖泊、建筑、围栏、小路、农田,自然保护区、大型工矿企业。
在述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,所述可通行性成本估计步骤,包括:
步骤4.1、根据路径规划限制对数据预处理步骤提取的不同地物类别进行分类,包括通行区域(路、桥梁、荒地)、某些不能通行的禁止区域(水体、围栏、建筑、自然保护区)和应尽量避免但无法避免穿过的协商区域(农业用地、沙漠、林地);
步骤4.2、基于步骤2.3的地形因子分辨率d,对作业区进行栅格化,然后基于面积占优法,根据不同地类(路,桥梁、荒地、水体、围栏、建筑、自然保护区、农业用地、沙漠、林地)可通行性成本量化,生成土地利用成本表面A;其中可通行区域栅格单元值记为1,协商区域根据不同地类情况其栅格单元值不同,记为Ai,禁止通行区域栅格单元值为Nodata;
步骤4.3、从记录用户出行路径的数据库中调用历史轨迹数据;基于步骤2.3的地形因子分辨率d,对历史轨迹数据栅格化,将历史轨迹所在格网单元标记为可通行区域,对土地利用成本表面A进行更新;
步骤4.4、根据坡度可通行性成本量化、高程标准差可通行性成本量化,对坡度、高程标准差进行重分类,分为10个等级,分别得到坡度成本表面S,高程标准差成本表面H,其中大于可通行要求的坡度及高程标准差区域,栅格单元记为Nodata;
步骤4.6、分别对上述土地利用成本表面、坡度成本表面、高程标准差成本表面进行归一化,然后加权叠加得到作业区可通行性成本表面数据:级别越高,可通行成本越大,其中/>分别为归一化后土地利用成本表面、坡度成本表面、高程标准差成本表面。
在述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,所述路径规划步骤,包括:
步骤5.1、基于作业人员输入信息获取起始位置,终止位置及其负重和体能;
步骤5.2、基于可通行性成本估计步骤获取的可通行性成本表面及步骤5.1获取的作业人员的负重和体能,考虑距离、爬坡次数、累积爬坡长度、路径曲折度,改进A*算法代价函数;其中改进A*算法代价函数中g(n)为:
其中w0+w1+w2+w3=1,Ci为第i节点与其父节点之间的可通行性成本距离,LCi为从栅格单元i,沿着父节点,到初始状态产生路径的爬坡次数,LSi为第i节点与其父节点之间的爬坡长度,LWi为从栅格单元i,沿着父节点,到初始状态产生路径的实际弯曲度;α为野外作业人员负重系数;0<α<1,负重越大,α越大;β为作业人员体能系数;0<β<1,体能越好,β越小;其中改进A*算法代价函数中h(n)为:h(n)=Di,其中Di为从栅格单元i到终点的最小可通行性累积成本距离;
步骤5.3、根据步骤5.2改进A*算法代价函数,基于算法搜索流程计算所述起点、终点之间的个性化最优路径。
在述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,所述三维可视化及调优步骤,包括:
步骤7.1、基于步骤2.1获得的地形数据(DEM)及高分辨率正射影像(DOM)构建三维可视化场景,通过三维浏览或动画模拟对规划结果进行查看与分析
步骤7.2、提供编辑工具局部调整和优化所述规划路径的节点位置,对规划结果进行调优。
一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划系统,其特征还在于,所述系统包括:
数据预处理模块:获取电力作业区的基础数据并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像(DOM)及地形数据(DEM);
可通行性成本估计模块:获取历史轨迹数据,根据路径规划限制对历史轨迹数据、预处理模块提取的不同地物类别及地形因子进行可通行性成本估计;
路径规划模块:在考虑距离、可通行性成本、爬坡次数、累积爬坡长度和路径曲折度的同时顾及作业人员的负重和体能,改进A*算法代价函数,基于算法搜索流程进行起点与终点之间的个性化最优路径规划;
三维可视化及调优模块:根据所述地形数据(DEM)及高分辨率遥感影像(DOM)构建三维可视化场景,通过三维浏览和动画模拟对规划结果进行查看、分析,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优。
本发明提供的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统,利用现代遥感技术可快速获得作业区地物及地形坡度起伏情况,同时A*代价函数不仅很好的顾及了历史轨迹数据、综合考虑距离、可通行性成本、爬坡次数、累积爬坡长度、路径曲折度等多种影响因子,还考虑了野外作业人员的实际情况,为用户提供个性化路径规划;最后本发明充分利用高分变率遥感影像及地形数据,进行大场景三维建模,可对路径规划结果进行查看及编辑,为作业人员野外寻路、调优提供了便利。
附图说明
图1为本发明实施例融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法的方法流程图。
图2为本发明图1中步骤S1的细化流程图。
图3为本发明图2中步骤S12的细化流程图。
图4为本发明图3中步骤步骤S13中涉及的3*3移动窗口示例图。
图5为本发明图1中步骤S2的细化流程图。
图6为本发明图1中步骤S3的细化流程图。
图7为本发明路径弯曲度计算示意图。
图8为本发明图6中步骤S33的细化流程图。
图9为本发明图1中步骤S4的细化流程图。
图10为本发明实例融合高分辨率遥感影像与地形的个性化电力作业路径规划系统的系统结构图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参阅图1,为本发明实施例提供的一种融合高分辨率遥感影像与地形的个性化电力作业路径规划方法流程图,具体包括以下步骤:
步骤S1、获取电力作业区的基础数据并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像(DOM)及地形数据(DEM)
参阅图2所述步骤S1包括:
步骤S11、对电力作业区进行航测,采用VirtuoZoNT系统对航空相片进行处理,生成高分辨率正射影像(DOM)及数字高程模型(DEM);
步骤S12、利用Tensorflow和Keras深度学习框架搭建Mask RCNN网络模型对获取的高分辨率遥感影像进行不同地物类别提取。
参阅图3所述步骤S12包括:
步骤S121、将公开分享的遥感深度学习AID数据集分为训练集和验证集,输入到Mask RCNN网络模型。首先基于训练集对模型进行训练,然后基于验证集,调节模型参数,获得桥梁,河流等地物分割效果最好的模型a;
首先利用Tensorflow和Keras深度学习框架搭建Mask RCNN网络模型;然后利用上述训练集进行模型训练,并及时通过验证集查看模型训练效果,进而优化模型,最后利用测试集测试模型实际学习能力,保存模型。
步骤S122、基于作业区域制作的遥感影像标签,对预训练好的模型a进行微调,获取适应于作业区域的地物提取模型b;
具体是将作业区高分辨率遥感影像(DOM)一部分进行标记,进行迁移学习,对训练模型进行微调,获取适应于作业区域的地物提取模型。
步骤S123、将作业区高分辨率遥感影像(DOM)作为输入,利用模型b进行作业区不同地物类别提取,包括:桥梁、河流、湖泊、建筑、围栏、小路、农田,自然保护区、大型工矿企业。
步骤S13、根据获取的地形数据DEM,进行地形因子分析,提取坡度、高程标准差,格网分辨率统一设为d。
具体地参阅图4,采用3*3移动窗口依次遍历整个DEM,分别按式计算坡度,按式/>计算高程标准差。其中,fx=((e1+2e4+e6)-(e3+2e5+e8))/(8×cell)、fy=((e6+2e7+e8)-(e1+2e2+e3))/(8×cell),Hi为栅格单元高程,cell为格网分辨率,统一设为d。
步骤S2、获取历史轨迹数据,根据路径规划限制对历史轨迹数据、预处理模块提取的地物及地形因子进行可通行性成本估计。
参阅图5所述步骤S2包括:
步骤S21、根据路径规划限制对数据预处理步骤提取的不同地物类别进行分类,包括通行区域(路,桥梁、荒地)、某些不能通行的禁止区域(水体、围栏、建筑、自然保护区)和应尽量避免但无法避免穿过的协商区域(农业用地、沙漠、林地)。
步骤S22、基于步骤步骤S13的地形因子分辨率d,对作业区进行栅格化,然后基于面积占优法,根据不同地类可通行性成本量化,生成土地利用成本表面A。其中可通行区域栅格单元值记为1,协商区域根据不同地类情况其栅格单元值不同,记为Ai,禁止通行区域栅格单元值为Nodata。
具体是按面积占优法判断栅格单元地表类型,根据面积最大的地物类型及表1中其可通行性成本量化判断栅格单元取值,进而得到作业区土地利用成本表面。
表1地物可通行性成本量化表(分为10个等级)。
步骤S23、从记录用户出行路径的数据库中调用历史轨迹数据。基于步骤S13的地形因子分辨率d,对历史轨迹数据栅格化,将历史轨迹所在格网单元标记为可通行区域,对上述土地利用成本表面进行替换更新。
具体是对步骤S22所获得土地利用成本表面进行遍历,如果历史轨迹通过该栅格单元,将该栅格单元值替换为1。
步骤S24、根据坡度可通行性成本量化、高程标准差可通行性成本量化,对坡度、高程标准差进行重分类,分别得到坡度成本表面S,高程标准差成本表面H,其中大于可通行要求的坡度及高程标准差区域,栅格单元记为Nodata。
表2坡度可通行性成本量化表(分为10个等级)。
表3高程标准差可通行性成本量化表(分为10个等级)。
步骤S25、分别对上述土地利用成本表面、坡度成本表面、高程标准差成本表面进行归一化,然后加权叠加得到作业区可通行性成本表面数据:级别越高,可通行性成本越大。其中/>分别为归一化后土地利用成本表面、坡度成本表面、高程标准差成本表面。
具体是分别利用
公式对土地利用成本表面A、坡度成本表面S、高程标准差成本表面H进行归一化,然后加权叠加得到作业区可通行成本表面数据Cost(n)。
步骤S3、在考虑距离、可通行性成本、爬坡次数、累积爬坡长度、路径曲折度的同时顾及作业人员负重和体能,改进A*算法代价函数,进行起点与终点之间的个性化最优路径规划。
参阅图6所述步骤S3包括:
步骤S31、基于作业人员输入信息获取起始位置,终止位置及其负重和体能。
具体是:获取起点S坐标(xS,yS),终点E坐标(xE,yE)及作业人员负重F和体能T。体能T的量化可连接相关软件如RunningQuotient进行分析,或用户通过输入相关体能测试信息进行分析。
步骤S32、基于可通行性成本估计步骤获取的可通行性成本表面及步骤31获取的作业人员的负重和体能,考虑距离、爬坡次数、累积爬坡长度、路径曲折度,改进A*算法代价函数。改进A*算法代价函数中g(n)为:其中w0+w1+w2+w3=1,Ci为第i节点与其父节点之间的可通行性成本距离,LCi为从栅格单元i,沿着父节点,到初始状态产生路径的爬坡次数,LSi为第i节点与其父节点之间的爬坡长度,LWi为从栅格单元i,沿着父节点,到初始状态产生路径的实际弯曲度。α为野外作业人员负重系数。0<α<1,负重越大,α设置越大。β为作业人员体能系数。0<β<1,体能越好,β设置越小。其中改进A*算法代价函数中h(n)为:h(n)=Di,其中Di为从栅格单元i到终点的最小可通行性累积成本距离。
具体包括:
(1)计算Ci=a×cell×(Cost(i-1)+Cost(i))/2,其中cell为格网分辨率,Cost(i),Cost(i-1)分别为栅格单元i-1,栅格单元i的可通行性成本值。当i-1栅格单元与i栅格单元为水平相邻节点时,a=1,当i-1栅格单元与i栅格单元为垂直相邻节点时,
(2)计算LCi=Count(Hi-Hi-1>0),统计从栅格单元i,沿着父节点,到初始状态产生路径中Hi-Hi-1>0的次数。
(3)计算其中cell为格网分辨率,如果Hi-Hi-1>0,K=1,否则K=0,Hi,Hi-1分别为栅格单元i,栅格单元i-1的高程。当i-1栅格单元与i栅格单元为水平相邻节点时,a=1,当i-1栅格单元与i栅格单元为垂直相邻节点时,/>
(4)参阅图7,计算其中LAB表示从栅格单元i,沿着父节点,到初始状态产生路径的长度。L为产生的路径。
(5)计算α,β。全程平均负重10kg以下系数α为0.5,负重10-20kg系数α为0.75,负重20kg以上系数α为1;而β=1-T/100,T为作业人员体能量化,其中0<T<100。
(6)计算改进的A*算法代价函数g(n):
(7)计算改进的A*算法代价函数h(n):h(n)=Di,其中Di为从栅格单元i到终点的最小可通行性累积成本距离。
步骤S33、根据上述改进A*算法代价函数,基于算法搜索流程计算所述起点、终点之间的个性化最优路径。
参阅图8,具体算法流程如下:
Step1:从起始点S开始,寻找起始点S 8邻域可以通行的栅格,将它们放入open表,并设置起始点S为它们的父节点,放进close表中,忽略起始点S周围的Nodata。
Step2:遍历开启列表中的节点,若不含有目标点E,则进入Step3,否则进入Step8。
Step3:根据上述改进A*代价函数计算所述open表中节点栅格的代价函数值F,设置代价函数值最小的栅格为当前处理节点next。如果代价函数值最小的栅格有多个,选择最后加入open表的栅格为当前处理节点next。将其从open表删除,然后移到close表。
Step4:遍历当前处理节点next 8邻域可达栅格,判断是否为Nodata或在closelist中,如果是忽略。如果否进入Step5。
Step5:判断上述8邻域可达栅格是否在open表中,如果否将其加入open表,并把当前处理节点next设置为它的父亲,记录该栅格的F,G和H。如果是进入Step6。
Step6:检查经由当前处理节点next到上述8邻域可达栅格G值是否更小。如果是,把它的父亲设置为当前处理节点next,并重新计算G和F值。
Step7:重复步骤4-6,直到遍历完当前处理节点next 8邻域可达栅格。返回Step2。
Step8:从终点E开始,沿着父节点移动至起点A,平滑、化简后得到最优路径输出。
步骤S4、根据所述地形数据(DEM)及高分辨率遥感影像(DOM)构建三维可视化场景,通过三维浏览或动画模拟对规划结果进行查看,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优。
参阅图9所述步骤S4包括:
步骤S41、根据上述地形数据(DEM)及高分辨率正射影像(DOM)构建三维可视化场景,提供三维浏览或动画模拟工具对规划结果进行查看及分析。
具体地可以调用现有专业软件相应功能模块完成,例如ArcGIS、MapGIS、SuperMap。将遥感影像和线路规划结果叠加在DEM上进行三维浏览或动画模拟,沿着规划路径直观查看、分析路径规划的整体情况。
步骤S42、提供编辑工具局部调整和优化所述规划路径的节点位置,对规划结果进行调优。
具体地开发具有选择路径,查看路径,移动、添加路径节点等功能的编辑工具。基于该编辑工具对规划结果进行查看及调优。
本发明通过融合高分辨率遥感影像和地形,无需进行野外传统测量即可获得作业区地物及地形坡度起伏情况;且综合考虑距离、可通行性成本、爬坡次数、累积爬坡长度、路径曲折度等多种影响因子,改进A*代价函数,很好的顾及了历史轨迹数据、野外作业人员的实际情况;最后本发明充分利用高分变率遥感影像及地形数据,进行大场景三维建模,可对路径规划结果进行查看、分析及编辑,为作业人员野外寻路、调优提供了便利。
请参阅图10,本发明还提供一种融合高分辨率遥感影像与地形的个性化电力作业路径规划系统,图10所示为本发明的融合高分辨率遥感影像与地形的个性化电力作业路径规划系统的总体框架示意图,该系统包括数据预处理模块101、可通行性成本估计模块102、路径规划模块103、三维可视化及调优模块104,其中:
数据预处理模块101用于获取电力作业区的基础数据并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像(DOM)及地形数据(DEM);
可通行性成本估计模块102用于根据路径规划限制对历史轨迹数据、预处理模块提取的不同地物类别及地形因子进行可通行性成本估计;
路径规划模块103用于在考虑距离、可通行性成本、爬坡次数、累积爬坡长度、路径曲折度的同时顾及作业人员负重和体能,改进A*算法代价函数,基于算法搜索流程进行起点与终点之间的个性化最优路径规划;
三维可视化及调优模块104用于根据所述地形数据(DEM)及高分辨率遥感影像(DOM)叠合构建三维可视化场景,通过三维浏览或动画模拟对规划结果进行查看,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优。
关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权力范围。本领域技术人员不脱离本发明的范围和实质,可以有多种变形方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进,均应在本发明的涵盖范围之内。
Claims (6)
1.一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,包括:
数据预处理步骤:获取电力作业区的基础数据,并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像DOM,地形数据DEM;
可通行性成本估计步骤:获取历史轨迹数据,根据路径规划限制对历史轨迹数据、预处理模块提取的不同地物类别及地形因子进行可通行性成本估计;
路径规划步骤:在考虑距离、可通行性成本、爬坡次数、累积爬坡长度和路径曲折度的同时顾及作业人员的负重和体能,改进A*算法代价函数,基于算法搜索流程进行起点与终点之间的个性化最优路径规划;
三维可视化及调优步骤:根据所述地形数据DEM及高分辨率遥感影像DOM构建三维可视化场景,通过三维浏览和动画模拟对规划结果进行查看、分析,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优;
所述路径规划步骤,包括:
步骤5.1、基于作业人员输入信息获取起始位置,终止位置及其负重和体能;
步骤5.2、基于可通行性成本估计步骤获取的作业区可通行性成本表面数据及步骤5.1获取的作业人员的负重和体能,考虑距离、爬坡次数、累积爬坡长度、路径曲折度,改进A*算法代价函数;其中改进A*算法代价函数中g(n)为:
g(n)=,其中/>,C i为第i节点与其父节点之间的可通行性成本距离,LC i为从栅格单元i,沿着父节点,到初始状态产生路径的爬坡次数,LS i为第i节点与其父节点之间的爬坡长度,LW i为从栅格单元i,沿着父节点,到初始状态产生路径的实际弯曲度;/>为野外作业人员负重系数;/>,负重越大,/>越大;/>为作业人员体能系数;/>,体能越好,/>越小;其中改进A*算法代价函数中h(n)为:h(n)=D i,其中D i为从栅格单元i到终点的最小可通行性累积成本距离;
步骤5.3、根据步骤5.2改进A*算法代价函数,基于算法搜索流程计算所述起点、终点之间的个性化最优路径。
2.根据权利要求1所述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,所述数据预处理步骤,包括:
步骤2.1、对电力作业区进行航测,采用VirtuoZoNT系统对航空相片进行处理,生成高分辨率正射影像DOM及数字高程模型DEM;
步骤2.2、利用Tensorflow和Keras深度学习框架搭建Mask RCNN网络模型,对获取的高分辨率遥感影像进行不同地物类别提取;
步骤2.3、根据获取的地形数据DEM,进行地形因子分析,提取坡度、高程标准差,格网分辨率统一设为d。
3.根据权利要求2所述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,步骤2.1具体包括:
步骤A、将公开分享的遥感深度学习AID数据集分为训练集和验证集,输入到Mask RCNN网络模型;首先基于训练集对模型进行训练,然后基于验证集,调节模型参数,获得桥梁,河流地物分割效果好的模型a;
步骤B、基于作业区域制作的遥感影像标签,对预训练好的模型a进行微调,获取适应于作业区域的地物提取模型b;
步骤C、将作业区高分辨率遥感影像DOM作为输入,利用模型b进行作业区不同地物类别提取,包括:桥梁、河流、湖泊、建筑、围栏、小路、农田,自然保护区、大型工矿企业。
4.根据权利要求1所述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,所述可通行性成本估计步骤,包括:
步骤4.1、根据路径规划限制对数据预处理步骤提取的不同地物类别进行分类,包括通行区域、不能通行的禁止区域和应尽量避免但无法避免穿过的协商区域;
步骤4.2、基于步骤2.3的地形因子分辨率d,对作业区进行栅格化,然后基于面积占优法,根据不同地类可通行性成本量化,生成土地利用成本表面A;其中可通行区域栅格单元值记为1,协商区域根据不同地类情况其栅格单元值不同,记为Ai,禁止通行区域栅格单元值为Nodata;
步骤4.3、从记录用户出行路径的数据库中调用历史轨迹数据;基于步骤2.3的地形因子分辨率d,对历史轨迹数据栅格化,将历史轨迹所在格网单元标记为可通行区域,对土地利用成本表面A进行更新;
步骤4.4、根据坡度可通行性成本量化、高程标准差可通行性成本量化,对坡度、高程标准差进行重分类,分为10个等级,分别得到坡度成本表面S,高程标准差成本表面H,其中大于可通行要求的坡度及高程标准差区域,栅格单元记为Nodata;
步骤4.6、分别对上述土地利用成本表面、坡度成本表面、高程标准差成本表面进行归一化,然后加权叠加得到作业区可通行性成本表面数据:Cost(n)=1/3(/>+/>+/>);级别越高,可通行成本越大,其中/>,/>,/>分别为归一化后土地利用成本表面、坡度成本表面、高程标准差成本表面。
5.根据权利要求1所述的一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法,其特征在于,所述三维可视化及调优步骤,包括:
步骤7.1、基于步骤2.1获得的地形数据DEM及高分辨率正射影像DOM构建三维可视化场景,通过三维浏览或动画模拟对规划结果进行查看与分析
步骤7.2、提供编辑工具局部调整和优化所述规划路径的节点位置,对规划结果进行调优。
6.一种融合高分辨率遥感影像与地形的个性化电力野外作业路径规划系统,其特征还在于,所述系统包括:
数据预处理模块:获取电力作业区的基础数据并根据所述基础数据进行不同地物类别提取及地形因子计算,所述基础数据包括高分辨率正射影像DOM及地形数据DEM;
可通行性成本估计模块:获取历史轨迹数据,根据路径规划限制对历史轨迹数据、预处理模块提取的不同地物类别及地形因子进行可通行性成本估计;
路径规划模块:在考虑距离、可通行性成本、爬坡次数、累积爬坡长度和路径曲折度的同时顾及作业人员的负重和体能,改进A*算法代价函数,基于算法搜索流程进行起点与终点之间的个性化最优路径规划;
三维可视化及调优模块:根据所述地形数据DEM及高分辨率遥感影像DOM构建三维可视化场景,通过三维浏览和动画模拟对规划结果进行查看、分析,进而提供编辑工具局部调整和优化规划路径的节点位置,对规划结果进行调优;
所述路径规划模块执行步骤包括:
步骤5.1、基于作业人员输入信息获取起始位置,终止位置及其负重和体能;
步骤5.2、基于可通行性成本估计步骤获取的作业区可通行性成本表面数据及步骤5.1获取的作业人员的负重和体能,考虑距离、爬坡次数、累积爬坡长度、路径曲折度,改进A*算法代价函数;其中改进A*算法代价函数中g(n)为:
g(n)=,其中/>,C i为第i节点与其父节点之间的可通行性成本距离,LC i为从栅格单元i,沿着父节点,到初始状态产生路径的爬坡次数,LS i为第i节点与其父节点之间的爬坡长度,LW i为从栅格单元i,沿着父节点,到初始状态产生路径的实际弯曲度;/>为野外作业人员负重系数;/>,负重越大,/>越大;/>为作业人员体能系数;/>,体能越好,/>越小;其中改进A*算法代价函数中h(n)为:h(n)=D i,其中D i为从栅格单元i到终点的最小可通行性累积成本距离;
步骤5.3、根据步骤5.2改进A*算法代价函数,基于算法搜索流程计算所述起点、终点之间的个性化最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443706.0A CN111667101B (zh) | 2020-05-22 | 2020-05-22 | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010443706.0A CN111667101B (zh) | 2020-05-22 | 2020-05-22 | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667101A CN111667101A (zh) | 2020-09-15 |
CN111667101B true CN111667101B (zh) | 2023-12-12 |
Family
ID=72384325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010443706.0A Active CN111667101B (zh) | 2020-05-22 | 2020-05-22 | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667101B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556711B (zh) * | 2020-11-17 | 2023-02-17 | 浙江大学 | 适用于山区复杂地形应急避难最快步行路径的规划方法 |
CN112762958A (zh) * | 2020-12-29 | 2021-05-07 | 北京鸿享技术服务有限公司 | 路线规划方法、装置、设备及存储介质 |
CN113254555B (zh) * | 2021-04-26 | 2023-10-20 | 北京大学 | 一种基于地表通达性的快速路径搜索方法 |
CN113984062B (zh) * | 2021-10-26 | 2023-11-07 | 中国科学院合肥物质科学研究院 | 一种基于机动性评估的地面车辆路径规划方法 |
CN114063616B (zh) * | 2021-11-11 | 2024-03-01 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114237232A (zh) * | 2021-11-30 | 2022-03-25 | 武汉地大信息工程股份有限公司 | 一种路径规划方法及装置 |
CN114326754B (zh) * | 2022-03-09 | 2022-06-14 | 中国科学院空天信息创新研究院 | 复杂地形路径规划方法、装置、电子设备和存储介质 |
CN114719881B (zh) * | 2022-06-09 | 2022-08-23 | 环球数科集团有限公司 | 一种应用卫星定位的无路径导航算法与系统 |
CN116320987B (zh) * | 2023-04-07 | 2023-09-29 | 中国公路工程咨询集团有限公司 | 基于高分遥感、北斗和电子围栏的空侧施工器械调度方法 |
CN117740022B (zh) * | 2024-02-21 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 无路网导航数据生产方法、装置、电子设备及存储介质 |
CN117949397A (zh) * | 2024-03-27 | 2024-04-30 | 潍坊市勘察测绘研究院 | 高光谱遥感地质测绘控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7272474B1 (en) * | 2004-03-31 | 2007-09-18 | Carnegie Mellon University | Method and system for estimating navigability of terrain |
CN105466445A (zh) * | 2016-01-05 | 2016-04-06 | 武汉大学 | 一种基于地形语义的路径规划方法 |
CN107808059A (zh) * | 2017-11-14 | 2018-03-16 | 南京师范大学 | 一种基于有向网络的地形路径规划方法 |
CN109238297A (zh) * | 2018-08-29 | 2019-01-18 | 沈阳理工大学 | 一种用户最优及系统最优的动态路径选择方法 |
CN110070239A (zh) * | 2019-03-29 | 2019-07-30 | 北京航空航天大学 | 一种基于a星搜索和深度学习的个性化路线推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10274329B2 (en) * | 2017-04-04 | 2019-04-30 | Here Global B.V. | Method and apparatus for providing a minimum overlapping alternative path |
-
2020
- 2020-05-22 CN CN202010443706.0A patent/CN111667101B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7272474B1 (en) * | 2004-03-31 | 2007-09-18 | Carnegie Mellon University | Method and system for estimating navigability of terrain |
CN105466445A (zh) * | 2016-01-05 | 2016-04-06 | 武汉大学 | 一种基于地形语义的路径规划方法 |
CN107808059A (zh) * | 2017-11-14 | 2018-03-16 | 南京师范大学 | 一种基于有向网络的地形路径规划方法 |
CN109238297A (zh) * | 2018-08-29 | 2019-01-18 | 沈阳理工大学 | 一种用户最优及系统最优的动态路径选择方法 |
CN110070239A (zh) * | 2019-03-29 | 2019-07-30 | 北京航空航天大学 | 一种基于a星搜索和深度学习的个性化路线推荐方法 |
Non-Patent Citations (3)
Title |
---|
Longgang Xiang ; Xinyan Zhu.Organization and schedule of multi-resolution pyramid based on wavelet transform.《2009 17th International Conference on Geoinformatics》.2009,1-5. * |
李修贤,孙敏,黎晓东,任翔.面向空地协同应急的地表可通行性分析方法.《石河子大学学报 (自然科学版)》.2019,第37卷(第1期),12-20. * |
陈玥璐,赵天忠,武刚,陈飞翔.林区步行最优路径分析方法.《农业机械学报》.2018,第49卷(第6期),198-206. * |
Also Published As
Publication number | Publication date |
---|---|
CN111667101A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667101B (zh) | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 | |
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN110555018B (zh) | 一种交通流量补全与预测方法 | |
CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
CN108597227A (zh) | 高速公路收费站下道交通流量预测方法 | |
CN109544916B (zh) | 一种基于抽样轨迹数据的路网车辆od估计方法 | |
CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN113536492B (zh) | 绿道网络构建方法、装置及存储介质 | |
CN111222491A (zh) | 基于深度学习的车流量的评估方法 | |
CN107655490A (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
CN116203973B (zh) | 轨道ai巡检机器人智能控制系统 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN109741597A (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
Guzmán et al. | A cyberphysical system for data-driven real-time traffic prediction on the Las Vegas I-15 freeway | |
Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
CN112634620B (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
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 |