CN111723831B - 一种数据融合方法及装置 - Google Patents
一种数据融合方法及装置 Download PDFInfo
- Publication number
- CN111723831B CN111723831B CN201910214601.5A CN201910214601A CN111723831B CN 111723831 B CN111723831 B CN 111723831B CN 201910214601 A CN201910214601 A CN 201910214601A CN 111723831 B CN111723831 B CN 111723831B
- Authority
- CN
- China
- Prior art keywords
- sample data
- weighted average
- weight
- data set
- value
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 101
- 230000004927 fusion Effects 0.000 claims abstract description 71
- 239000000523 sample Substances 0.000 claims description 960
- 230000008569 process Effects 0.000 claims description 69
- 239000013074 reference sample Substances 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 12
- 238000013461 design Methods 0.000 description 22
- 238000007667 floating Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种数据融合方法及装置，其中，该方法包括：获取多个样本数据，并基于选定时刻与多个样本数据中每个样本数据关联的时刻，确定多个样本数据中每个样本数据的权重；从多个样本数据中选择样本数据，构成有效样本数据集合；基于有效样本数据集合中每个样本数据和每个样本数据的权重，确定多个样本数据在选定时刻的融合数据。采用上述方式，可以基于样本数据的时效性为每个样本数据分配权重，并且也可以通过排除异常数据来得到有效样本数据集合，从而基于有效样本数据集合中每个样本数据和每个样本数据的权重确定出的融合数据可以较为准确地反映出真实情况，提升数据融合的准确性。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种数据融合方法及装置。
背景技术
随着大数据时代的来临，数据量日益增长，在进行数据分析处理时，往往需要从海量数据中提取出有效数据，进而针对有效数据进行分析处理。而数据融合技术能够适应海量数据处理的需要，但是如何保证融合后的数据的准确性至关重要。
目前，数据融合的传统做法是将待融合的多个数据进行线性平均，以得到融合后的数据。但是实际上待融合的多个数据中可能会存在异常数据，且不同数据的重要程度也不相同，直接将全部数据进行线性平均可能导致融合后的数据很难准确地反映出真实情况，进而导致后续对数据分析处理时很难达到预期效果。
发明内容
有鉴于此，本申请实施例的目的在于提供一种数据融合方法及装置，以提升数据融合的准确性。
第一方面，本申请提供一种数据融合方法，包括：
获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
从所述多个样本数据中选择样本数据，构成有效样本数据集合；
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据。
一种可能的实施方式中，所述基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重，包括：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
一种可能的实施方式中，所述间隔时长与所述权重成负相关。
一种可能的实施方式中，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
一种可能的实施方式中，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
一种可能的实施方式中，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
一种可能的实施方式中，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
一种可能的实施方式中，所述基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件，包括：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
一种可能的实施方式中，所述基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据，包括：
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
一种可能的实施方式中，所述方法还包括：
当所述有效样本数据集合的加权平均值与所述预设加权平均值之差大于或等于所述预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
判断所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值是否小于所述预设值；
当判断结果为是时，将所述当前计算的加权平均值确定为所述融合数据；
当判断结果为否时，返回执行所述第三处理过程，直至确定判断结果为是。
一种可能的实施方式中，所述基于当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重，包括：
针对所述有效样本集合中第i个样本数据，i取遍所述有效样本集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
一种可能的实施方式中，所述基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重，包括：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
第二方面，本申请提供一种数据融合装置，包括：
获取模块，用于获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
选择模块，用于从所述多个样本数据中选择样本数据，构成有效样本数据集合；
确定模块，用于基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据。
一种可能的设计中，所述获取模块，在基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重时，具体用于：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
一种可能的设计中，所述间隔时长与所述权重成负相关。
一种可能的设计中，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
一种可能的设计中，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，还用于：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
一种可能的设计中，所述选择模块，在所述从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
一种可能的设计中，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
一种可能的设计中，所述选择模块，在基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件时，具体用于：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
一种可能的设计中，所述确定模块，在基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据时，具体用于：
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
一种可能的设计中，所述确定模块，还用于：
当所述有效样本数据集合的加权平均值与所述预设加权平均值之差大于或等于所述预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
判断所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值是否小于所述预设值；
当判断结果为是时，将所述当前计算的加权平均值确定为所述融合数据；
当判断结果为否时，返回执行所述第三处理过程，直至确定判断结果为是。
一种可能的设计中，所述确定模块，在基于当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重时，具体用于：
针对所述有效样本集合中第i个样本数据，i取遍所述有效样本集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
一种可能的设计中，所述确定模块，在基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重时，具体用于：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
其中，上述各模块的功能可以参照上述第一方面中所涉及的说明，这里不再展开说明。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面、以及上述第一方面任意一种可能的实施方式中所述的数据融合方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面、以及上述第一方面任意一种可能的实施方式中所述的数据融合方法的步骤。
本申请实施例中，在将多个样本数据融合成在选定时刻的融合数据时，可以基于选定时刻和每个样本数据关联的时刻之间的关系，为每个样本数据分配权重，由此可以基于样本数据的时效性，来区分每个样本数据的重要程度。并且，还可以从多个样本数据中筛选出有效样本数据集合，由此排除异常的样本数据。最后，基于有效样本数据集合中每个样本数据和每个样本数据的权重确定出的融合数据可以较为准确地反映出真实情况，提升数据融合的准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的数据融合方法的流程示意图；
图2示出了本申请实施例提供的从多个样本数据中选择样本数据构成有效样本数据集合的流程示意图；
图3示出了本申请实施例提供的从候选样本数据集合中选择样本数据划分至有效样本数据集合的流程示意图；
图4示出了本申请实施例提供的候选样本数据集合和有效样本数据集合的排列结果示意图；
图5示出了本申请实施例提供的前向扩展的流程示意图；
图6示出了本申请实施例提供的后向扩展的流程示意图；
图7示出了本申请实施例提供的基于判断结果来确定计算融合数据的流程示意图；
图8示出了申请实施例提供的一种数据融合装置的结构示意图；
图9为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行说明。本申请可适用在任何涉及对海量数据进行融合的应用场景下。一示例中，本申请可以适用在交通运输应用场景下，例如对浮动车的轨迹速度进行融合，以预估某一路段的行程情况的场景下。其中，上述行程情况例如包括但不限于以下几种情况：某一路段的路况、或浮动车通过某一路段的通行时间、浮动车经过某一路段到达目标地点的到达时间、乘车经过某一路段的乘车费用等。另一示例中，本申请还可以适用在对气象数据进行融合以预估天气状况的场景下，例如对某段时间内各个时间点的温度进行融合以预测未来某个时间点的温度，或者对某段时间内各个时间点的降水量进行融合以预测未来某个时间点的降水量等场景下。当然，本申请并不限于以上几种应用场景，其它涉及到对海量数据进行融合的应用场景，均可以适用在本申请中。
值得注意的是，在本申请提出之前，目前数据融合方法一般是将待融合的多个数据进行线性平均，例如，对待融合的10个数据求取平均值作为融合后的数据。但是实际上待融合的多个数据中可能会存在异常数据，且不同数据的重要程度也不相同，其中，数据的真实性越高的，重要程度越高，数据的真实性越低的，重要程序越低。由于数据的上述特点，如果将全部数据进行线性平均可能导致融合后的数据很难准确地反映出真实情况，进而导致后续对数据分析处理时很难达到预期效果。
针对上述问题，本申请提供一种数据融合方法及装置，在将多个样本数据进行融合时，可以基于选定时刻和每个样本数据关联的时刻之间的关系，为每个样本数据分配权重，由此可以基于样本数据的时效性，来区分每个样本数据的重要程度。并且，还可以从多个样本数据中筛选出有效样本数据集合，由此排除异常的样本数据。最后，基于有效样本数据集合中每个样本数据和每个样本数据的权重确定出的融合数据可以较为准确地反映出真实情况，提升数据融合的准确性。
下面结合具体实施例，对本申请提供的数据融合方法进行介绍。其中，该数据融合方法的执行主体例如为服务器，或者，也可以为其它具备数据处理能力的电子设备等，本申请对此并不限定。
参照图1所示，为本申请实施例提供的数据融合方法的流程示意图，包括如下步骤：
步骤101、获取多个样本数据。
步骤102、基于选定时刻与多个样本数据中每个样本数据关联的时刻，确定多个样本数据中每个样本数据的权重。
步骤103、从多个样本数据中选择样本数据，构成有效样本数据集合。
步骤104、基于有效样本数据集合中每个样本数据和每个样本数据的权重，确定多个样本数据在选定时刻的融合数据。
以下为对图1所示的各步骤的详细说明：
上述步骤101中，当本申请实施例的执行主体为服务器时，服务器可以从本地数据库或云端数据库中获取待融合的多个样本数据，或者，服务器也可以接收至少一个终端设备发送的样本数据。上述终端设备例如为移动设备、电脑、或浮动车中内置的车载设备等，或其任意组合。在一些实施例中，移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合。
其中，获取的多个样本数据可以是在相同或相似应用场景下采集到的能够反映出同一类型的数据的变化或波动情况的数据。为便于本领域技术人员的理解，下面列举一种本申请可适用的特定应用场景“交通运输场景”，在上述特定应用场景下，本申请实施例中获取的多个样本数据可以理解为在预设时间段内通过设定路段的不同浮动车的轨迹速度，浮动车的轨迹速度可以表示浮动车在设定路段上行驶时的速度，其中，浮动车一般可以指安装了车载全球定位系统(Global Positioning System，GPS)装置并行驶在城市主干道上的车辆。对浮动车的轨迹速度的融合可以应用在地图软件、打车软件、订餐软件等涉及路径导航功能的软件中，通过对浮动车的轨迹速度的融合，可以基于融合后得到的轨迹速度来实现预估某一路段的路况，或预估经过某一路段的时长、费用等。
本申请的一些实施例中，确定每个浮动车在设定路段上的轨迹速度的过程例如为：接收浮动车每隔设定时长上传的GPS数据，其中，GPS数据中包括浮动车所在地理位置、以及时间点，结合浮动车上传的GPS数据，可以利用道路匹配算法进行绑路操作，确定终端设备所处的设定路段，进而基于该设定路段的路程长度以及在该设定路段的行驶时长，确定终端设备在该设定路段上的轨迹速度。并且，确定出的每个轨迹速度可以关联一个时刻，每个轨迹速度关联的时刻例如可以为浮动车驶入该设定路段的时刻，或者为浮动车驶出该设定路段的时刻，或者为浮动车行驶在该设定路段的中间时刻。
上述步骤102中，若本申请实施例中要确定多个样本数据在选定时刻的融合数据，那么可以结合选定时刻与每个样本数据关联的时刻之间的关系，来为每个样本数据设置权重。其中，每个样本数据关联的时刻，可以是样本数据的生成时刻，或者是接收样本数据的时刻，再或者是为样本数据标注的时刻等。上述样本数据以及样本数据关联的时刻，可以反映出在特定应用场景中在样本数据关联的时刻下样本数据的信息。
一种可能的实施方式中，可以基于多个样本数据中每个样本数据关联的时刻与选定时刻之间的间隔时长，确定多个样本数据中每个样本数据的权重。由于考虑到距离选定时刻越近的样本数据的时效性越高，故可以设置成间隔时长与样本数据的权重成负相关，即：将样本数据关联的时刻与选定时刻之间的间隔时长越短的，视为重要程度较高的样本数据，进而设置较高的权重，反之，设置较低的权重。
一示例中，可以利用公式(1)来计算K个样本数据中第j个样本数据的权重wj：
其中，dj为第j个样本数据关联的时刻与选定时刻之间的间隔时长，j＝1,2,3…，K；dk为第k个样本数据关联的时刻与选定时刻之间的间隔时长，k取遍K个样本数据中每个样本数据；K为样本数量的总个数；K，j，k为正整数。
当然，实际应用中，在某些特殊的应用场景下，也可以采用间隔时长与样本数据的权重成正相关的方式来分配权重，本申请对此并不限定。
上述步骤103中，在从多个样本数据中选择样本数据时，可以考虑每个样本数据的数值大小，也可以考虑每个样本数据的权重的大小，还可以将每个样本数据的数值与每个样本数据的权重相结合，来选择合适的样本数据构成有效样本数据集合。
在本申请的一些实施例中，从多个样本数据中选择样本数据构成有效样本数据集合的方式参照图2所示：
步骤201、将多个样本数据中每个样本数据按照数值由大到小进行排列。
当然，实际应用中也可以按照数据由小到大的方式来对多个样本数据进行排列，本申请对此并不限定。
步骤202、基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合。
其中，M、N为正整数，M和N既可以为相同的数值，也可以为不同的数值。
步骤203、将多个样本数据中除候选样本数据集合之外的样本数据，构成有效样本数据集合。
由于在对多个样本数据进行排列之后，一般来说位于中间位置的样本数据的可信度比较高，位于边缘位置的样本数据的可信度较低，故本申请实施例中排列在前N个的样本数据、以及排列在后M个的样本数据为异常数据的可能性较高，故可以暂时将这些样本数据划分到候选样本数据集合中，而将候选样本数据集合之外的样本数据作为有效样本数据集合。
本申请的另一些实施例中，考虑到候选样本数据集合中的样本数据为异常数据的可能性较高，但并不意味着候选样本数据集合中全部样本数据均为异常数据，故在得到候选样本数据集合之后，还可以进一步分析候选样本数据集合中每个样本数据属于异常数据的可能性，然后将属于异常数据的可能性较低的样本数据恢复到有效样本数据集合中。
具体的，从候选样本数据集合中选择样本数据划分至有效样本数据集合的过程参照图3所示：
步骤301、基于多个样本数据中每个样本数据按照数值由大到小进行排列得到的排列结果，从候选样本数据集合中选择样本数据。
当然，实际应用中也可以按照数据由小到大的方式来对多个样本数据进行排列，本申请对此并不限定。
步骤302、基于选择的样本数据、选择的样本数据的权重、有效样本数据集合中每个样本数据和每个样本数据的权重，确定选择的样本数据是否符合预设条件。
步骤303、将选择的样本数据中符合预设条件的样本数据划分至有效样本数据集合中。
一种可能的实施方式中，可以采用双向扩展的方式从候选样本数据集合中选择样本数据，进而分析样本数据是否能够划分至有效样本数据集合中。其中，候选样本数据集合和有效样本数据集合的排列结果示意图参照图4所示，样本数据B1至Bm属于有效样本集合中的样本数据，而样本数据A1至An、以及样本数据C1至Cp属于候选样本集合中的样本数据。鉴于图4所示的排列结果示意图，进行双向扩展的过程如下：
(1)、前向扩展的过程参照图5所示，包括以下步骤：
步骤501、将有效样本数据集合中排列在首位的样本数据作为第一基准样本数据。
其中，第一基准样本数据例如为图4所示的样本数据B1。
步骤502、执行第一处理过程，其中，第一处理过程包括：
步骤502a、从候选样本数据集合中选择排列在第一基准样本数据之前、且距离第一基准样本数据最近的样本数据。
步骤502b、基于选择的样本数据、选择的样本数据的权重、有效样本数据集合中每个样本数据和每个样本数据的权重，计算选择的样本数据与有效样本集合中每个样本数据之间的加权平均值及加权标准差。
一示例中，计算选择的样本数据与有效样本集合中每个样本数据之间的加权平均值Avg及加权标准差Std可以采用公式(2)、公式(3)：
其中，有效样本数据集合中样本数据为N个；M表示样本数据的总数量，M＝N+1；WeightArr[i]表示第i个样本数据的权重；SpdArr[i]表示第i个样本数据的数值。
步骤502c、基于加权平均值、加权标准差、以及选择的样本数据，判断选择的样本数据是否符合预设条件。
一示例中，在判断选择的样本数据是否符合预设条件时，可以计算选择的样本数据与加权平均值之间的差值，进而判断计算出的差值是否小于K倍的加权标准差。如果判断结果为是，则确定选择的样本数据符合预设条件，如果判断结果为否，则确定选择的样本数据不符合预设条件。其中，K为正数。例如，假设K＝3，样本数据的数值用tmpSpd表示，加权平均值用Avg表示，加权标准差用Std表示，那么，预设条件即为：(tmpSpd-Avg)＜3*Std。
步骤503、当判断结果为是时，将选择的样本数据划分至有效样本数据集合中，并返回执行第一处理过程，直至候选样本集合中排列在第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
步骤504、当判断结果为否时，停止执行上述第一处理过程，输出得到的有效样本数据集合。
需要理解的是，若从候选样本数据集合中选择的样本数据划分至有效样本集合中，那么该选择的样本数据视为从候选样本数据集合中删除。例如，假设初始状态下位于第一基准样本数据B1之前且距离第一基准样本数据B1最近的样本数据为图4中所示的样本数据A1，若将样本数据A1划分至有效样本数据集合中，那么后续样本数据A2即为位于第一基准样本数据B1之前且距离第一基准样本数据B1最近的样本数据。
并且，前向扩展过程中，如果出现某一个选择的样本数据不符合预设条件时，说明该选择的样本数据的可信度较低，而位于该选择的样本数据之前的样本数据的可信度一般来说会低于该选择的样本数据，故，在确定出该选择的样本数据不符合预设条件之后，可以停止前向扩展的过程。
(2)、后向扩展的过程参照图6所示，包括以下步骤：
步骤601、将有效样本数据集合中排列在末位的样本数据作为第二基准样本数据。
其中，第二基准样本数据例如为图4所示的样本数据Bm。
步骤602、执行第二处理过程，其中，第二处理过程包括：
步骤602a、从候选样本数据集合中选择排列在第二基准样本数据之后、且距离基准样本数据最近的样本数据。
步骤602b、基于选择的样本数据、选择的样本数据的权重、有效样本数据集合中每个样本数据和每个样本数据的权重，计算选择的样本数据与有效样本集合中每个样本数据之间的加权平均值及加权标准差。
步骤602c、基于加权平均值、加权标准差、以及选择的样本数据，判断选择的样本数据是否符合预设条件。
步骤603、当判断结果为是时，将选择的样本数据划分至有效样本数据集合中，并返回执行第二处理过程，直至候选样本集合中排列在第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
步骤604、当判断结果为否时，停止执行上述第二处理过程，输出得到的有效样本数据集合。
其中，后向扩展的具体实施过程与前向扩展的具体实施过程是基于相同的技术构思的，故后向扩展的具体实施过程可以参照前向扩展的具体实施过程，这里不再详细说明。
需要说明的是，图5所示的前向扩展过程以及图6所示的后向处理过程，在执行顺序上可以不分先后。在前向扩展过程和后向扩展过程均停止之后，可以结合前向扩展过程得到的结果、以及后向扩展过程得到的结果，确定最终的有效样本数据集合。
上述步骤104中，在基于有效样本数据集合中每个样本数据和每个样本数据的权重，确定多个样本数据在选定时刻的融合数据时，可以有如下几种实施方式：
一种可能的实施方式中，可以基于有效样本数据集合中每个样本数据和每个样本数据的权重，计算有效样本数据集合的加权平均值，进而直接将计算出的加权平均值作为多个样本数据在选定时刻的融合数据。其中，计算加权平均值的过程不再展开说明，可以参见上文中涉及的内容。
考虑到每个样本数据的权重是在筛选出有效样本数据集合之前基于全部样本数据而计算得到的权重，而执行到步骤104时，本申请实施例实际已经剔除了可能存在的异常数据，如果仍然采用之前计算出的权重，虽然也可以计算出相对比较准确的融合数据，但是计算出的融合数据还可能存在一定的误差，基于此，本申请实施例又提出了另一种可能的实施方式，可以首先更新有效样本数据集合中样本数据的权重，以便更精确的计算出融合数据。
另一种可能实施方式中，在基于有效样本数据集合中每个样本数据和每个样本数据的权重，计算有效样本数据集合的加权平均值之后，可以判断有效样本数据集合的加权平均值与预设加权平均值之差的绝对值是否小于预设值，基于判断结果来确定计算融合数据的方式。具体实施过程参照图7所示，包括以下步骤：
步骤701、基于有效样本数据集合中每个样本数据和每个样本数据的权重，计算有效样本数据集合的加权平均值。
步骤702、判断有效样本数据集合的加权平均值与预设加权平均值之差的绝对值是否小于预设值。
当判断结果为是时，说明计算出的加权平均值基本精确，进而执行步骤703；当判断结果为否时，说明计算出的加权平均值不够精确，进而执行步骤704。
一种可能的实施方式中，上述预设加权平均值可以设置为一个较大值，例如可以设置成一个大于有效样本数据集合中全部样本数据的数值的预设加权平均值，由此可以保证能够执行权重更新的过程。上述预设值可以根据实际情况来配置，本申请对此并不限定。
步骤703、将计算出的有效样本数据集合的加权平均值确定为融合数据。
步骤704、将计算出的有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程。其中第三处理过程包括如下步骤：
步骤704a、基于当前计算的加权平均值，更新有效样本数据集合中每个样本数据的权重。
一种可能的实施方式中，在更新有效样本数据集合中每个样本数据的权重时，针对有效样本集合中第i个样本数据，其中，i取遍有效样本集合中每个样本数据，可以执行如下过程：
计算第i个样本数据与当前计算的加权平均值之间的差值的绝对值。当计算的差值的绝对值大于预设值时，基于预设值以及计算的差值的绝对值，更新第i个样本数据的权重。当计算的差值的绝对值小于或等于预设值时，将第i个样本数据确定为默认值。
其中，基于预设值以及计算的差值的绝对值，更新第i个样本数据的权重例如可以为：将预设值与计算的差值的绝对值之间的比值，作为更新后的第i个样本数据的权重。
一示例中，假设第i个样本数据的数值用validSpdArr[i]表示，当前计算的加权平均值用validAvg表示，预设值用ε表示，那么第i个样本数据与当前计算的加权平均值之间的差值的绝对值d为：d＝abs(validSpdArr[i]-validAvg)；
第i个样本数据更新后的权重validWeightArr[i]的计算方式例如为公式(4)所示：
步骤704b、基于更新后的每个样本数据的权重，计算有效样本数据集合的加权平均值。
步骤704c、将当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的有效样本数据集合的加权平均值作为当前计算的加权平均值。
步骤704d、判断当前计算的加权平均值与上一次计算的加权平均值之差的绝对值是否小于预设值。
其中，当判断结果为是时，执行步骤705；当判断结果为否时，继续返回执行步骤704a，直至确定判断结果为是。
步骤705、将当前计算的加权平均值确定为融合数据。
通过迭代方式来更新有效样本数据集合中的样本数据的权重，在迭代结束后，利用最终更新得到的样本数据的权重来计算融合数据，可以使得计算出的融合数据更为精确。
本申请上述实施例提供的数据融合的方式，可以结合每个样本数据关联的时刻与选定时刻之间的关系来确定每个样本数据的初始权重，进而可以结合每个样本数据的可信度，从多个样本数据中筛选出可信度较高的样本数据构成初始有效样本数据集合、以及可信度较低的样本数据构成候选样本数据集合。进一步地，通过双向扩展的方式从候选样本数据集合中选择出符合预设条件的样本数据再划分至有效样本数据集合中，最终得到可信度较高的有效样本数据集合。另外，本申请实施例中还可以利用迭代方式来更新有效样本数据集合中样本数据的权重，进而利用迭代结束后最终确定出的每个样本数据的权重，来计算融合数据，能够使得确定出的融合数据更为精确。
基于同一技术构思，本申请实施例中还提供了与数据融合方法对应的数据融合装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述数据融合方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图8所示，为本申请实施例提供的一种数据融合装置的结构示意图，所述数据融合装置80包括：
获取模块81，用于获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
选择模块82，用于从所述多个样本数据中选择样本数据，构成有效样本数据集合；
确定模块83，用于基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据。
一种可能的设计中，所述获取模块81，在基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重时，具体用于：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
一种可能的设计中，所述间隔时长与所述权重成负相关。
一种可能的设计中，所述选择模块82，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
一种可能的设计中，所述选择模块82，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，还用于：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
一种可能的设计中，所述选择模块82，在所述从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
一种可能的设计中，所述选择模块82，在所述从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
一种可能的设计中，所述选择模块82，在基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件时，具体用于：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
一种可能的设计中，所述确定模块83，在基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据时，具体用于：
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
一种可能的设计中，所述确定模块83，还用于：
当所述有效样本数据集合的加权平均值与所述预设加权平均值之差大于或等于所述预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
判断所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值是否小于所述预设值；
当判断结果为是时，将所述当前计算的加权平均值确定为所述融合数据；
当判断结果为否时，返回执行所述第三处理过程，直至确定判断结果为是。
一种可能的设计中，所述确定模块83，在基于当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重时，具体用于：
针对所述有效样本集合中第i个样本数据，i取遍所述有效样本集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
一种可能的设计中，所述确定模块83，在基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重时，具体用于：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
本申请实施例中，上述各模块的具体功能和交互方式，可参见上述方法实施例的记载，在此不再赘述。
基于相同的技术构思，本申请实施例还提供了一种计算机设备。参照图9所示，为本申请实施例提供的计算机设备90的结构示意图，包括处理器91、存储器92、和总线93。其中，存储器92用于存储执行指令，包括内存921和外部存储器922；这里的内存921也称内存储器，用于暂时存放处理器91中的运算数据，以及与硬盘等外部存储器922交换的数据，处理器91通过内存921与外部存储器922进行数据交换，当计算机设备90运行时，处理器91与存储器92之间通过总线93通信，使得处理器91在执行以下指令：
获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
从所述多个样本数据中选择样本数据，构成有效样本数据集合；
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据。
一种可能的实施方式中，所述处理器91在基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重时，执行如下操作：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
一种可能的实施方式中，所述间隔时长与所述权重成负相关。
一种可能的实施方式中，所述处理器91在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，执行如下操作：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
一种可能的实施方式中，所述处理器91在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，执行如下操作：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
一种可能的实施方式中，所述处理器91在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，执行如下操作：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
一种可能的实施方式中，所述处理器91在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，执行如下操作：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
一种可能的实施方式中，所述处理器91在基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件时，执行如下操作：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
一种可能的实施方式中，所述处理器91在基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述多个样本数据在所述选定时刻的融合数据时，执行如下操作：
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
一种可能的实施方式中，所述处理器91还可以执行如下操作：
当所述有效样本数据集合的加权平均值与所述预设加权平均值之差大于或等于所述预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
判断所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值是否小于所述预设值；
当判断结果为是时，将所述当前计算的加权平均值确定为所述融合数据；
当判断结果为否时，返回执行所述第三处理过程，直至确定判断结果为是。
一种可能的实施方式中，所述处理器91在基于当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重时，执行如下操作：
针对所述有效样本集合中第i个样本数据，i取遍所述有效样本集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
一种可能的实施方式中，所述处理器91，在基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重时，执行如下操作：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
其中，处理器91的具体处理流程可以参照上述方法实施例的记载，这里不再赘述。
本申请提供的上述数据融合的方法、装置及计算机设备，在将多个样本数据融合成在选定时刻的融合数据时，可以基于选定时刻和每个样本数据关联的时刻之间的关系，为每个样本数据分配权重，由此可以基于样本数据的时效性，来区分每个样本数据的重要程度。并且，还可以从多个样本数据中筛选出有效样本数据集合，由此排除异常的样本数据。最后，基于有效样本数据集合中每个样本数据和每个样本数据的权重确定出的融合数据可以较为准确地反映出真实情况，提升数据融合的准确性。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述数据融合方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述数据融合方法，以提升数据融合的准确性。
基于相同的技术构思，本申请实施例还提供了一种计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行上述数据融合方法的步骤，具体实现可参见上述方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (24)
1.一种数据融合方法，其特征在于，包括：
获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
从所述多个样本数据中选择样本数据，构成有效样本数据集合；
基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差大于或等于预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
当所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值小于所述预设值时，将所述当前计算的加权平均值确定为融合数据。
2.如权利要求1所述的数据融合方法，其特征在于，所述基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重，包括：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
3.如权利要求2所述的数据融合方法，其特征在于，所述间隔时长与所述权重成负相关。
4.如权利要求1所述的数据融合方法，其特征在于，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
5.如权利要求4所述的数据融合方法，其特征在于，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
6.如权利要求5所述的数据融合方法，其特征在于，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本数据集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本数据集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
7.如权利要求5所述的数据融合方法，其特征在于，所述从所述多个样本数据中选择样本数据，构成有效样本数据集合，包括：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本数据集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本数据集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
8.如权利要求6或7所述的数据融合方法，其特征在于，所述基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件，包括：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
9.如权利要求1所述的数据融合方法，其特征在于，所述方法还包括：
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
10.如权利要求1所述的数据融合方法，其特征在于，基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重，包括：
针对所述有效样本数据集合中第i个样本数据，i取遍所述有效样本数据集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
11.如权利要求10所述的数据融合方法，其特征在于，所述基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重，包括：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
12.一种数据融合装置，其特征在于，包括：
获取模块，用于获取多个样本数据，并基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重；
选择模块，用于从所述多个样本数据中选择样本数据，构成有效样本数据集合；
确定模块，用于基于所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
当所述有效样本数据集合的加权平均值与预设加权平均值之差大于或等于预设值时，将所述有效样本数据集合的加权平均值作为当前计算的加权平均值，并执行第三处理过程；
其中，所述第三处理过程包括：
基于所述当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重；
基于更新后的每个样本数据的权重，计算所述有效样本数据集合的加权平均值；
将所述当前计算的加权平均值作为上一次计算的加权平均值，将本次计算的所述有效样本数据集合的加权平均值作为所述当前计算的加权平均值；
当所述当前计算的加权平均值与所述上一次计算的加权平均值之差的绝对值小于所述预设值时，将所述当前计算的加权平均值确定为融合数据。
13.如权利要求12所述的数据融合装置，其特征在于，所述获取模块，在基于选定时刻与所述多个样本数据中每个样本数据关联的时刻，确定所述多个样本数据中每个样本数据的权重时，具体用于：
基于所述多个样本数据中每个样本数据关联的时刻与所述选定时刻之间的间隔时长，确定所述多个样本数据中每个样本数据的权重。
14.如权利要求13所述的数据融合装置，其特征在于，所述间隔时长与所述权重成负相关。
15.如权利要求12所述的数据融合装置，其特征在于，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述多个样本数据中每个样本数据按照数值由大到小进行排列；
基于得到的排列结果，将排列在前N个的样本数据、以及排列在后M个的样本数据，构成候选样本数据集合，M、N为正整数；
将所述多个样本数据中除所述候选样本数据集合之外的样本数据，构成所述有效样本数据集合。
16.如权利要求15所述的数据融合装置，其特征在于，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，还用于：
基于所述排列结果，从所述候选样本数据集合中选择样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，确定所述选择的样本数据是否符合预设条件；
将所述选择的样本数据中符合所述预设条件的样本数据划分至所述有效样本数据集合中。
17.如权利要求16所述的数据融合装置，其特征在于，所述选择模块，在所述从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在首位的样本数据作为第一基准样本数据，并执行第一处理过程；
其中，所述第一处理过程包括：
从所述候选样本数据集合中选择排列在所述第一基准样本数据之前、且距离所述第一基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本数据集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第一处理过程，直至所述候选样本数据集合中排列在所述第一基准样本数据之前的样本数据被遍历完、或确定判断结果为否。
18.如权利要求16所述的数据融合装置，其特征在于，所述选择模块，在从所述多个样本数据中选择样本数据，构成有效样本数据集合时，具体用于：
将所述有效样本数据集合中排列在末位的样本数据作为第二基准样本数据，并执行第二处理过程；
其中，所述第二处理过程包括：
从所述候选样本数据集合中选择排列在所述第二基准样本数据之后、且距离所述第二基准样本数据最近的样本数据；
基于选择的样本数据、所述选择的样本数据的权重、所述有效样本数据集合中每个样本数据和每个样本数据的权重，计算所述选择的样本数据与所述有效样本数据集合中每个样本数据之间的加权平均值及加权标准差；
基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件；
当判断结果为是时，将所述选择的样本数据划分至所述有效样本数据集合中，并返回执行所述第二处理过程，直至所述候选样本数据集合中排列在所述第二基准样本数据之后的样本数据被遍历完、或确定判断结果为否。
19.如权利要求17或18所述的数据融合装置，其特征在于，所述选择模块，在基于所述加权平均值、所述加权标准差、以及所述选择的样本数据，判断所述选择的样本数据是否符合所述预设条件时，具体用于：
计算所述选择的样本数据与所述加权平均值之间的差值；
判断计算出的差值是否小于K倍的所述加权标准差，K为正数。
20.如权利要求12所述的数据融合装置，其特征在于，所述确定模块还用于：
当所述有效样本数据集合的加权平均值与预设加权平均值之差的绝对值小于预设值时，将所述有效样本数据集合的加权平均值确定为所述融合数据。
21.如权利要求12所述的数据融合装置，其特征在于，所述确定模块，在基于当前计算的加权平均值，更新所述有效样本数据集合中每个样本数据的权重时，具体用于：
针对所述有效样本数据集合中第i个样本数据，i取遍所述有效样本数据集合中每个样本数据，执行如下过程：
计算所述第i个样本数据与所述当前计算的加权平均值之间的差值的绝对值；
当计算的差值的绝对值大于所述预设值时，基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重；
当计算的差值的绝对值小于或等于所述预设值时，将所述第i个样本数据确定为默认值。
22.如权利要求21所述的数据融合装置，其特征在于，所述确定模块，在基于所述预设值以及所述计算的差值的绝对值，更新所述第i个样本数据的权重时，具体用于：
将所述预设值与所述计算的差值的绝对值之间的比值，作为更新后的所述第i个样本数据的权重。
23.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至11任一所述的数据融合方法的步骤。
24.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至11任一所述的数据融合方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214601.5A CN111723831B (zh) | 2019-03-20 | 2019-03-20 | 一种数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214601.5A CN111723831B (zh) | 2019-03-20 | 2019-03-20 | 一种数据融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723831A CN111723831A (zh) | 2020-09-29 |
| CN111723831B true CN111723831B (zh) | 2023-11-14 |
Family
ID=72562087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910214601.5A Active CN111723831B (zh) | 2019-03-20 | 2019-03-20 | 一种数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723831B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115755221B (zh) * | 2022-10-22 | 2024-08-23 | 天津大学 | 一种基于数理不确定性分析的多源降水数据融合方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
| CN102568207A (zh) * | 2012-02-02 | 2012-07-11 | 北京捷易联科技有限公司 | 交通数据处理方法和装置 |
| CN103065460A (zh) * | 2011-10-19 | 2013-04-24 | 上海优途信息科技有限公司 | 一种基于浮动车数据的多车车速融合方法和装置 |
| CN103794061A (zh) * | 2014-03-10 | 2014-05-14 | 上海云砥信息科技有限公司 | 基于多种定位数据计算道路融合行程车速的方法 |
| CN104101751A (zh) * | 2014-07-03 | 2014-10-15 | 电子科技大学 | 基于信息熵的数字存储示波器垂直分辨率提高方法 |
| CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
| WO2015105287A1 (ko) * | 2014-01-10 | 2015-07-16 | 에스케이플래닛 주식회사 | 교통 정보 수집 방법, 이를 위한 장치 및 시스템 |
| CN106803098A (zh) * | 2016-12-28 | 2017-06-06 | 南京邮电大学 | 一种基于语音、表情与姿态的三模态情感识别方法 |
| CN108491861A (zh) * | 2018-02-24 | 2018-09-04 | 全球能源互联网研究院有限公司 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
| CN108985010A (zh) * | 2018-06-15 | 2018-12-11 | 河南师范大学 | 基因分类方法与装置 |
| CN109325792A (zh) * | 2017-07-31 | 2019-02-12 | 北京嘀嘀无限科技发展有限公司 | 信用评估变量的分箱方法及分箱装置、设备和存储介质 |
| CN109324015A (zh) * | 2018-10-17 | 2019-02-12 | 浙江中烟工业有限责任公司 | 基于光谱相似的烟叶替代方法 |
| CN109492560A (zh) * | 2018-10-26 | 2019-03-19 | 深圳力维智联技术有限公司 | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6831658B2 (en) * | 2002-07-22 | 2004-12-14 | Sun Microsystems, Inc. | Anti-aliasing interlaced video formats for large kernel convolution |
| US20070203653A1 (en) * | 2006-02-28 | 2007-08-30 | Amir Ben-Dor | Method and system for computational detection of common aberrations from multi-sample comparative genomic hybridization data sets |
| US10964410B2 (en) * | 2017-05-25 | 2021-03-30 | Koninklijke Philips N.V. | System and method for detecting gene fusion |
-
2019
- 2019-03-20 CN CN201910214601.5A patent/CN111723831B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
| CN103065460A (zh) * | 2011-10-19 | 2013-04-24 | 上海优途信息科技有限公司 | 一种基于浮动车数据的多车车速融合方法和装置 |
| CN102568207A (zh) * | 2012-02-02 | 2012-07-11 | 北京捷易联科技有限公司 | 交通数据处理方法和装置 |
| WO2015105287A1 (ko) * | 2014-01-10 | 2015-07-16 | 에스케이플래닛 주식회사 | 교통 정보 수집 방법, 이를 위한 장치 및 시스템 |
| CN103794061A (zh) * | 2014-03-10 | 2014-05-14 | 上海云砥信息科技有限公司 | 基于多种定位数据计算道路融合行程车速的方法 |
| CN104101751A (zh) * | 2014-07-03 | 2014-10-15 | 电子科技大学 | 基于信息熵的数字存储示波器垂直分辨率提高方法 |
| CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
| CN106803098A (zh) * | 2016-12-28 | 2017-06-06 | 南京邮电大学 | 一种基于语音、表情与姿态的三模态情感识别方法 |
| CN109325792A (zh) * | 2017-07-31 | 2019-02-12 | 北京嘀嘀无限科技发展有限公司 | 信用评估变量的分箱方法及分箱装置、设备和存储介质 |
| CN108491861A (zh) * | 2018-02-24 | 2018-09-04 | 全球能源互联网研究院有限公司 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
| CN108985010A (zh) * | 2018-06-15 | 2018-12-11 | 河南师范大学 | 基因分类方法与装置 |
| CN109324015A (zh) * | 2018-10-17 | 2019-02-12 | 浙江中烟工业有限责任公司 | 基于光谱相似的烟叶替代方法 |
| CN109492560A (zh) * | 2018-10-26 | 2019-03-19 | 深圳力维智联技术有限公司 | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Bowden, Jack.Consistent Estimation in Mendelian Randomization with Some Invalid Instruments Using a Weighted Median Estimator.《GENETIC EPIDEMIOLOGY》.2016,第304-314页. * |
| 姚桂林.后处理在数字抠像中的应用与解析.《电子学报》.2017,(第3期),第719-729页. * |
| 杨立.基于均值近邻的样本选择算法.《微型机与应用》.2014,第33卷(第17期),第80-82页. * |
| 林科.基于权重的长时间间隔地图匹配算法研究.《山东交通科技》.2011,第2011年卷(第1期),第38-40、43页. * |
| 毛博.DeepHome：一种基于深度学习的智能家居管控模型.《计算机学报》.2018,第41卷(第12期),第2689-2701页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723831A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5291935B2 (ja) | オブジェクトの将来の動きを予測するための装置および方法 | |
| CN103106280B (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
| US8359156B2 (en) | Map generation system and map generation method by using GPS tracks | |
| US9057781B2 (en) | Position estimation device and position estimation method | |
| CN110969857B (zh) | 一种交通信息处理方法及装置 | |
| EP3951321A1 (en) | Method and system for rapid generation of reference driving route, terminal and storage medium | |
| CN111856521B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| JP2010048655A (ja) | 運転評価システム及び運転評価プログラム | |
| CN101218486A (zh) | 用于对道路网图进行建模的方法、装置及系统 | |
| CN112556717B (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
| CN111983655A (zh) | 城市峡谷区域的确定方法、装置、电子设备及存储介质 | |
| CN104599002A (zh) | 预测订单价值的方法及设备 | |
| CN108538054B (zh) | 一种基于手机信令数据获取交通路况信息的方法及系统 | |
| CN107917716A (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
| CN111723831B (zh) | 一种数据融合方法及装置 | |
| CN111739293A (zh) | 一种数据融合方法及装置 | |
| CN112344950B (zh) | Adas道路网树的融合方法及系统、服务器及介质 | |
| CN111343582B (zh) | 一种防止里程作弊的方法及装置 | |
| CN117387966A (zh) | 一种智能驾驶系统的评测方法及系统 | |
| WO2010101199A1 (ja) | 道路交通情報作成装置および道路交通情報作成方法 | |
| CN117173361A (zh) | 仿真实现方法、装置、设备及计算机可读存储介质 | |
| CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| CN116347337B (zh) | 一种tbox的数据传输方法、装置、计算机设备和存储介质 | |
| CN118036853B (zh) | 一种个体出行链生成方法、装置及存储介质 |
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 |