CN111814526A - 加油站拥堵评估方法、服务器、电子设备及存储介质 - Google Patents
加油站拥堵评估方法、服务器、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111814526A CN111814526A CN201910949812.3A CN201910949812A CN111814526A CN 111814526 A CN111814526 A CN 111814526A CN 201910949812 A CN201910949812 A CN 201910949812A CN 111814526 A CN111814526 A CN 111814526A
- Authority
- CN
- China
- Prior art keywords
- gas station
- congestion
- queuing
- station congestion
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 50
- 238000012544 monitoring process Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种加油站拥堵评估方法、电子设备、服务器及存储介质，方法包括：定时获取加油站的全景照片；根据所述全景照片，确定该加油站的当前在站车辆数量；根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；展示油站拥堵程度和排队预估时间。本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
Description
技术领域
本发明涉及汽车相关技术领域，特别是一种加油站拥堵评估方法、服务器、电子设备及存储介质。
背景技术
在日常生活中，去加油站为汽车加油是广大车主不可避免的一件事情。然而，加油站拥堵和排队也是广大车主常常遇到的问题。
发明人在实现本发明的过程中发现，目前业界并没有针对加油站场景的拥堵感知和排队预估方案。每次车主去加油站只能是“碰运气”式的尝试，遇到汽车续航里程紧张时，即便是大排长龙也只能排队。这种情况一方面非常影响车主到加油站加油的通行效率，另一方面也造成了加油行业的整体运营效率不高，往往主干道或者知名度高的油站非常拥堵，但相距不远处知名度低的油站可能比较空闲。
发明内容
基于此，有必要针对现有技术的对加油站的拥堵评估不足的技术问题，提供一种加油站拥堵评估方法、服务器、电子设备及存储介质。
本发明提供一种加油站拥堵评估方法，包括：
定时获取加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
进一步地，所述定时获取加油站的全景照片，具体包括：
定时向加油站的安防监控系统发送拍照截图指令；
获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片。
进一步地，所述展示油站拥堵程度和排队预估时间，具体包括：
响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
进一步地，还包括：
获取终端上传的关于上传加油站的油站拥堵信息；
对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
更进一步地，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本发明提供一种加油站拥堵评估的服务器，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
定时获取加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
进一步地，所述定时获取加油站的全景照片，具体包括：
定时向加油站的安防监控系统发送拍照截图指令；
获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片。
进一步地，所述展示油站拥堵程度和排队预估时间，具体包括：
响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
进一步地，所述处理器还能够：
获取终端上传的关于上传加油站的油站拥堵信息；
对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
更进一步地，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本发明提供一种加油站拥堵照片上传方法，包括：
接收到服务器发送的拍照截图指令；
获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
本发明提供一种安防监控系统的电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收到服务器发送的拍照截图指令；
获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
本发明提供一种加油站拥堵评估展示方法，包括：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
进一步地，还包括：
向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
更进一步地，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本发明提供一种加油站拥堵评估展示电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
进一步地，所述处理器还能够：
向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
更进一步地，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本发明提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵评估方法的所有步骤。
本发明提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵照片上传方法的所有步骤。
本发明提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵评估展示方法的所有步骤。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
附图说明
图1为本发明一实施例一种加油站拥堵评估方法的工作流程图；
图2为本发明第二实施例一种加油站拥堵评估方法的工作流程图；
图3为本发明第三实施例一种加油站拥堵评估方法的工作流程图；
图4为本发明第四实施例一种加油站拥堵评估的服务器的硬件结构示意图；
图5为本发明第六实施例一种加油站拥堵照片上传方法的工作流程图；
图6为本发明第七实施例一种安防监控系统的电子设备的硬件结构示意图；
图7为本发明第八实施例一种加油站拥堵评估展示方法的工作流程图；
图8为本发明第九实施例一种加油站拥堵评估展示方法的工作流程图；
图9为本发明第十实施例一种安防监控系统的电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
实施例一
如图1所示为本发明一实施例一种加油站拥堵评估方法的工作流程图，包括：
步骤S101，定时获取加油站的全景照片；
步骤S102，根据所述全景照片，确定该加油站的当前在站车辆数量；
步骤S103，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
步骤S104,展示油站拥堵程度和排队预估时间。
具体来说，本发明可以通过智慧油站系统的服务器实现。智慧油站系统对接加油站的安防监控系统，安防监控系统拍摄该加油站的全景照片并发送到智慧油站系统，触发步骤S101。然后智慧油站系统执行步骤S102，根据全景照片通过例如图片识别深度学习算法，实时处理监控摄像头回传的照片信息，分析当前加油站在站车辆数量。然后执行步骤S103，结合油站历史经营效率数据和当前在站车辆数量，通过加油站拥堵和排队预测模型计算出油站拥堵程度和排队预估时间。然后执行步骤S104，展示油站拥堵程度和排队预估时间。其中油站拥堵程度优选采用红黄绿灯三级分类方式展示。展示方式可以在智慧油站系统展示，由用户登录智慧油站系统观看，或者向用户的移动终端，例如智能手机等推送。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例二
图2所示为本发明第二实施例一种加油站拥堵评估方法的工作流程图，包括：
步骤S201，定时向加油站的安防监控系统发送拍照截图指令；
步骤S202，获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片；
步骤S203，根据所述全景照片，确定该加油站的当前在站车辆数量；
步骤S204，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
步骤S205，获取终端上传的关于上传加油站的油站拥堵信息；
步骤S206，对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间；
步骤S207,响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
在其中一个实施例中，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
具体来说，本发明通过智慧油站系统的服务器实现，智慧油站系统对接安防监控系统，具备向监控摄像头下发指令拍照截图的能力。步骤S201，智慧油站系统周期性触发拍照截图指令(如：通过定时任务调度平台每2分钟触发1次)。监控摄像头回传实时拍摄的全景照片到智慧油站系统，触发执行步骤S202，然后智慧油站系统执行步骤S203，通过图片识别深度学习算法实时处理监控摄像头回传的照片信息，分析当前加油站在站车辆数量，并执行步骤S204，结合油站历史经营效率数据和当前在站车辆数量，通过加油站拥堵和排队预测模型计算出油站拥堵程度和排队预估时间，其中油站拥堵程度采用红黄绿灯三级分类方式展示。对于排队超出监控摄像头范围的场景，车主可以通过车服APP或相关微信/支付宝小程序入口主动上报油站拥堵情况触发步骤S205。为了防止加油站竞争对手恶意误报拥堵情况，智慧油站系统会执行步骤S206对上报信息进行GPS信息、时间戳信息等维度进行准确性校验。在上报信息准确度合格的情况下进一步修正步骤S204中的拥堵和排队信息。车主通过车服APP或相关微信/支付宝小程序获取加油站信息，则触发步骤S207，向用户终端发送油站拥堵和排队预估时间信息，避免预期外排队。
本实施例通过向加油站的安防监控系统发送拍照截图指令，获取全景照片。另外，增加车主上报油站拥堵情况，一方面增加了油站拥堵信息的来源，同时通过准确性校验，避免误报。
实施例三
如图3所示为本发明第三实施例一种加油站拥堵评估方法的工作流程图，包括：
步骤S301，智慧油站系统周期性触发拍照截图指令(如：通过定时任务调度平台每2分钟触发1次)，智慧油站系统对接安防监控系统，具备向监控摄像头下发指令拍照截图的能力；
步骤S302，监控摄像头回传实时拍摄的全景照片到智慧油站系统；
步骤S303，智慧油站系统通过图片识别深度学习算法实时处理监控摄像头回传的照片信息，分析当前加油站在站车辆数量；
步骤S304，智慧油站系统结合油站历史经营效率数据和当前在站车辆数量，通过加油站拥堵和排队预测模型计算出油站拥堵程度和排队预估时间，其中油站拥堵程度采用红黄绿灯三级分类方式展示；
步骤S305，对于排队超出监控摄像头范围的场景，车主可以通过车服APP或相关微信/支付宝小程序入口主动上报油站拥堵情况；
步骤S306，智慧油站系统会对上报信息进行GPS信息，时间戳信息等维度进行准确性校验，防止加油站竞争对手恶意误报拥堵情况；
步骤S307，在上报信息准确度合格的情况下进一步校验拥堵和排队信息；
步骤S308，车主通过车服APP或相关微信/支付宝小程序感知到油站拥堵和排队预估时间信息，避免预期外排队。
实施例四
如图4所示为本发明第四实施例一种加油站拥堵评估的服务器的硬件结构示意图，包括：
至少一个处理器401；以及，
与所述至少一个处理器401通信连接的存储器402；其中，
所述存储器402存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
定时获取加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
图4中以一个处理器401为例。
服务器还可以包括：输入装置403和显示装置404。
处理器401、存储器402、输入装置403及显示装置404可以通过总线或者其他方式连接，图中以通过总线连接为例。
存储器402作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的加油站拥堵评估方法对应的程序指令/模块，例如，图1所示的方法流程。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的加油站拥堵评估方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据加油站拥堵评估方法的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至执行加油站拥堵评估方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置403可接收输入的用户点击，以及产生与加油站拥堵评估方法的用户设置以及功能控制有关的信号输入。显示装置404可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器402中，当被所述一个或者多个处理器401运行时，执行上述任意方法实施例中的加油站拥堵评估方法。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例五
本发明第五实施例一种加油站拥堵评估的服务器的硬件结构示意图，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
定时向加油站的安防监控系统发送拍照截图指令；
获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
获取终端上传的关于上传加油站的油站拥堵信息；
对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间；
响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
在其中一个实施例中，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本实施例通过向加油站的安防监控系统发送拍照截图指令，获取全景照片。另外，增加车主上报油站拥堵情况，一方面增加了油站拥堵信息的来源，同时通过准确性校验，避免误报。
实施例六
如图5所示为本发明第六实施例一种加油站拥堵照片上传方法的工作流程图，包括：
步骤S501，接收到服务器发送的拍照截图指令；
步骤S502，获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
具体来说，本实施例由安防监控系统实现，当接收到拍照截图指令后，触发步骤S501，然后步骤S502，通过例如监控摄像头获取当前时刻的实时全景照片并发送给服务器，由服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例七
如图6所示为本发明第七实施例一种安防监控系统的电子设备的硬件结构示意图，包括：
至少一个处理器601；以及，
与所述至少一个处理器601通信连接的存储器602；其中，
所述存储器602存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收到服务器发送的拍照截图指令；
获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
图6中以一个处理器601为例。
电子设备还可以包括：输入装置603和显示装置604。
处理器601、存储器602、输入装置603及显示装置604可以通过总线或者其他方式连接，图中以通过总线连接为例。
存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的加油站拥堵照片上传方法对应的程序指令/模块，例如，图5所示的方法流程。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的加油站拥堵照片上传方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据加油站拥堵照片上传方法的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至执行加油站拥堵照片上传方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可接收输入的用户点击，以及产生与加油站拥堵照片上传方法的用户设置以及功能控制有关的信号输入。显示装置604可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器602中，当被所述一个或者多个处理器601运行时，执行上述任意方法实施例中的加油站拥堵照片上传方法。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例八
如图7所示为本发明第八实施例一种加油站拥堵评估展示方法的工作流程图，包括：
步骤S701，向服务器发送拥堵排队信息获取请求；
步骤S702，获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
步骤S703，展示油站拥堵程度和排队预估时间。
具体来说，本实施例由用户终端，例如移动终端等实现，当用户需要获取拥堵排队信息时，执行步骤S701，向服务器发送拥堵排队信息获取请求。然后，获取服务器计算得到的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间。最后，执行步骤S703展示油站拥堵程度和排队预估时间，其中油站拥堵程度优选采用红黄绿灯三级分类方式展示。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例九
如图8所示为本发明第九实施例一种加油站拥堵评估展示方法的工作流程图，包括：
步骤S801，向服务器发送拥堵排队信息获取请求；
步骤S802，获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
步骤S803，展示油站拥堵程度和排队预估时间；
步骤S804，向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
在其中一个实施例中，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本实施例增加车主上报油站拥堵情况，一方面增加了油站拥堵信息的来源，同时通过准确性校验，避免误报。
实施例十
如图9所示为本发明第十实施例一种安防监控系统的电子设备的硬件结构示意图，包括：
至少一个处理器901；以及，
与所述至少一个处理器901通信连接的存储器902；其中，
所述存储器902存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
图9中以一个处理器901为例。
电子设备还可以包括：输入装置903和显示装置904。
处理器901、存储器902、输入装置903及显示装置904可以通过总线或者其他方式连接，图中以通过总线连接为例。
存储器902作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的加油站拥堵评估展示方法对应的程序指令/模块，例如，图7所示的方法流程。处理器901通过运行存储在存储器902中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的加油站拥堵评估展示方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据加油站拥堵评估展示方法的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至执行加油站拥堵评估展示方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置903可接收输入的用户点击，以及产生与加油站拥堵评估展示方法的用户设置以及功能控制有关的信号输入。显示装置904可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器902中，当被所述一个或者多个处理器901运行时，执行上述任意方法实施例中的加油站拥堵评估展示方法。
本发明通过获取加油站实时全景照片，结合车辆数量和拥堵预测模型分析，从而计算出加油站当前准确的拥堵状况和排队预估时间。
实施例十一
本发明第十一实施例一种安防监控系统的电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间；
向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
在其中一个实施例中，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
本实施例增加车主上报油站拥堵情况，一方面增加了油站拥堵信息的来源，同时通过准确性校验，避免误报。
实施例十二
本发明第十二实施例提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵评估方法的所有步骤。
实施例十三
本发明第十三实施例提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵照片上传方法的所有步骤。
实施例十四
本发明第十四实施例提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的加油站拥堵评估展示方法的所有步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (21)
1.一种加油站拥堵评估方法，其特征在于，包括：
定时获取加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
2.根据权利要求1所述的加油站拥堵评估方法，其特征在于，所述定时获取加油站的全景照片，具体包括：
定时向加油站的安防监控系统发送拍照截图指令；
获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片。
3.根据权利要求1所述的加油站拥堵评估方法，其特征在于，所述展示油站拥堵程度和排队预估时间，具体包括：
响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
4.根据权利要求1所述的加油站拥堵评估方法，其特征在于，还包括：
获取终端上传的关于上传加油站的油站拥堵信息；
对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
5.根据权利要求4所述的加油站拥堵评估方法，其特征在于，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
6.一种加油站拥堵评估的服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
定时获取加油站的全景照片；
根据所述全景照片，确定该加油站的当前在站车辆数量；
根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
7.根据权利要求6所述的加油站拥堵评估电子设备，其特征在于，所述定时获取加油站的全景照片，具体包括：
定时向加油站的安防监控系统发送拍照截图指令；
获取所述安防监控系统响应所述拍照截图指令所返回的加油站的全景照片。
8.根据权利要求6所述的加油站拥堵评估电子设备，其特征在于，所述展示油站拥堵程度和排队预估时间，具体包括：
响应于来自终端的拥堵排队信息获取请求，向所述终端返回所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间。
9.根据权利要求6所述的加油站拥堵评估电子设备，其特征在于，所述处理器还能够：
获取终端上传的关于上传加油站的油站拥堵信息；
对所述油站拥堵信息进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
10.根据权利要求9所述的加油站拥堵评估电子设备，其特征在于，所述对所述油站拥堵信息进行准确性校验，具体包括：
获取终端的当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
11.一种加油站拥堵照片上传方法，其特征在于，包括：
接收到服务器发送的拍照截图指令；
获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
12.一种安防监控系统的电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收到服务器发送的拍照截图指令；
获取加油站的全景照片并返回给服务器，所述全景照片由所述服务器根据所述全景照片，确定该加油站的当前在站车辆数量，根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间，并展示油站拥堵程度和排队预估时间。
13.一种加油站拥堵评估展示方法，其特征在于，包括：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
14.根据权利要求13所述的加油站拥堵评估展示方法，其特征在于，还包括：
向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
15.根据权利要求14所述的加油站拥堵评估展示方法，其特征在于，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
16.一种加油站拥堵评估展示电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
向服务器发送拥堵排队信息获取请求；
获取所述服务器器响应于所述拥堵排队信息获取请求所返回的所述拥堵排队信息获取请求所关联的加油站的油站拥堵程度和排队预估时间，所述油站拥堵程度和排队预估时间由服务器定时获取该加油站的全景照片，根据所述全景照片，确定该加油站的当前在站车辆数量，并根据历史经营效率数据和该加油站的当前在站车辆数量，通过预训练的加油站拥堵模型计算出该加油站的油站拥堵程度，通过预训练的排队评估模型计算出该加油站的排队预估时间；
展示油站拥堵程度和排队预估时间。
17.根据权利要求16所述的加油站拥堵评估展示电子设备，其特征在于，所述处理器还能够：
向所述服务器上传关于上传加油站的油站拥堵信息，所述油站拥堵信息由所述服务器进行准确性校验，如果所述油站拥堵信息的准确性校验通过，则根据所述油站拥堵信息修正关于所述上传加油站的油站拥堵程度和排队预估时间。
18.根据权利要求17所述的加油站拥堵评估展示电子设备，其特征在于，所述对所述油站拥堵信息进行准确性校验，具体包括：
向服务器上传当前位置，如果所述当前位置与所述上传加油站的位置的差值在预设位置阈值范围内，且所上传的油站拥堵信息的时间戳与当前时间的差值在预设时间阈值范围内，则所述服务器判断所述油站拥堵信息的准确性校验通过，否则判断所述油站拥堵信息的准确性校验不通过。
19.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求1-5任一项所述的加油站拥堵评估方法的所有步骤。
20.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求11所述的加油站拥堵照片上传方法的所有步骤。
21.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求13-15任一项所述的加油站拥堵评估展示方法的所有步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910949812.3A CN111814526A (zh) | 2019-10-08 | 2019-10-08 | 加油站拥堵评估方法、服务器、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910949812.3A CN111814526A (zh) | 2019-10-08 | 2019-10-08 | 加油站拥堵评估方法、服务器、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814526A true CN111814526A (zh) | 2020-10-23 |
Family
ID=72844069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910949812.3A Pending CN111814526A (zh) | 2019-10-08 | 2019-10-08 | 加油站拥堵评估方法、服务器、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814526A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837577A (zh) * | 2021-01-12 | 2021-05-25 | 上善智城(苏州)信息科技有限公司 | 一种加油站车流分析方法及系统 |
| CN117011787A (zh) * | 2023-07-12 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
| WO2024052884A1 (en) * | 2022-09-09 | 2024-03-14 | Nawgati Tech Private Limited | Method and system for congestion monitoring and management |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622897A (zh) * | 2012-04-07 | 2012-08-01 | 山东大学 | 基于视频的车辆排队长度动态估计方法 |
| CN104392610A (zh) * | 2014-12-19 | 2015-03-04 | 山东大学 | 基于分布式视频的高速路交通事件影响范围动态监控方法 |
| CN106682759A (zh) * | 2016-08-30 | 2017-05-17 | 大连理工大学 | 针对电动出租车的电池供应系统及网络优化方法 |
| CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
| CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
| CN108597222A (zh) * | 2018-04-27 | 2018-09-28 | 华东交通大学 | 一种基于车路协同的公交到站时间预测方法、装置及系统 |
| CN108959821A (zh) * | 2018-08-01 | 2018-12-07 | 河南城建学院 | 一种高速公路收费站可变向车道通行控制方法 |
| CN108986512A (zh) * | 2018-07-09 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种公交车到站时间查询方法及装置 |
| CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
| CN110047292A (zh) * | 2019-05-29 | 2019-07-23 | 招商局重庆交通科研设计院有限公司 | 道路路段拥堵预警方法 |
-
2019
- 2019-10-08 CN CN201910949812.3A patent/CN111814526A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622897A (zh) * | 2012-04-07 | 2012-08-01 | 山东大学 | 基于视频的车辆排队长度动态估计方法 |
| CN104392610A (zh) * | 2014-12-19 | 2015-03-04 | 山东大学 | 基于分布式视频的高速路交通事件影响范围动态监控方法 |
| CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
| CN106682759A (zh) * | 2016-08-30 | 2017-05-17 | 大连理工大学 | 针对电动出租车的电池供应系统及网络优化方法 |
| CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
| CN108597222A (zh) * | 2018-04-27 | 2018-09-28 | 华东交通大学 | 一种基于车路协同的公交到站时间预测方法、装置及系统 |
| CN108986512A (zh) * | 2018-07-09 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种公交车到站时间查询方法及装置 |
| CN108959821A (zh) * | 2018-08-01 | 2018-12-07 | 河南城建学院 | 一种高速公路收费站可变向车道通行控制方法 |
| CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
| CN110047292A (zh) * | 2019-05-29 | 2019-07-23 | 招商局重庆交通科研设计院有限公司 | 道路路段拥堵预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姚红云;韩玲;付玉元;: "基于排队论的高峰期汽车加油站优化研究", 交通信息与安全, no. 05, 20 October 2010 (2010-10-20), pages 1 - 2 * |
| 张蕾;张栋;丁少恒;: "加油站拥堵指数研究――基于北京市3座加油站的实证分析", 国际石油经济, no. 11, 25 November 2015 (2015-11-25), pages 1 - 2 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837577A (zh) * | 2021-01-12 | 2021-05-25 | 上善智城(苏州)信息科技有限公司 | 一种加油站车流分析方法及系统 |
| WO2024052884A1 (en) * | 2022-09-09 | 2024-03-14 | Nawgati Tech Private Limited | Method and system for congestion monitoring and management |
| CN117011787A (zh) * | 2023-07-12 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
| CN117011787B (zh) * | 2023-07-12 | 2024-02-02 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102418446B1 (ko) | 픽쳐 기반의 차량 손해 평가 방법 및 장치, 및 전자 디바이스 | |
| CN109523652B (zh) | 基于驾驶行为的保险的处理方法、装置、设备及存储介质 | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| CN103985230B (zh) | 一种基于图像的通知方法、装置及通知系统 | |
| IL277289A (en) | Systems and methods for coordinated collection of street-level image data | |
| WO2018036276A1 (zh) | 图片品质的检测方法、装置、服务器及存储介质 | |
| CN111814526A (zh) | 加油站拥堵评估方法、服务器、电子设备及存储介质 | |
| US20190287297A1 (en) | Three-dimensional environment modeling based on a multi-camera convolver system | |
| US20210182571A1 (en) | Population density determination from multi-camera sourced imagery | |
| CN112017323B (zh) | 一种巡检报警方法、装置、可读存储介质及终端设备 | |
| WO2019024488A1 (zh) | 车辆定损方法、电子设备及计算机可读存储介质 | |
| CN105657376A (zh) | 基于智能移动终端的家庭安防系统及实现方法 | |
| KR102366544B1 (ko) | 딥러닝을 활용한 영상 기반의 강수 정보 제공 시스템 및 방법 | |
| US20230038000A1 (en) | Action identification method and apparatus, and electronic device | |
| CN105096594A (zh) | 基于行车记录仪的信息关联方法、装置及系统 | |
| CN113591885A (zh) | 目标检测模型训练方法、设备及计算机存储介质 | |
| CN108876964A (zh) | 应用于行车记录仪的抓拍方法及系统 | |
| CN110263619A (zh) | 图像处理方法和装置、电子设备和计算机存储介质 | |
| CN110853364B (zh) | 数据监控方法和装置 | |
| US10880735B2 (en) | Method for detecting the possible taking of screenshots | |
| CN111582024A (zh) | 视频流处理方法、装置、计算机设备和存储介质 | |
| CN116320466A (zh) | 视频编码方法、装置、设备、存储介质及自动驾驶车辆 | |
| CN114564310A (zh) | 一种数据处理方法、装置、电子设备和可读存储介质 | |
| US11481996B2 (en) | Calculation device, information processing method, and storage medium | |
| US10289518B2 (en) | Legitimacy determination of reported problems |
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 |