CN112307284A - 一种智慧运维的大数据处理方法 - Google Patents

一种智慧运维的大数据处理方法 Download PDF

Info

Publication number
CN112307284A
CN112307284A CN201911180540.1A CN201911180540A CN112307284A CN 112307284 A CN112307284 A CN 112307284A CN 201911180540 A CN201911180540 A CN 201911180540A CN 112307284 A CN112307284 A CN 112307284A
Authority
CN
China
Prior art keywords
pipeline
pedestrian
point
grained
features
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
Application number
CN201911180540.1A
Other languages
English (en)
Inventor
邹汉平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Development Control Intelligent Environment Construction Group Co ltd
Original Assignee
Hainan Development Control Intelligent Environment Construction Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan Development Control Intelligent Environment Construction Group Co ltd filed Critical Hainan Development Control Intelligent Environment Construction Group Co ltd
Priority to CN201911180540.1A priority Critical patent/CN112307284A/zh
Publication of CN112307284A publication Critical patent/CN112307284A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及智慧运维技术领域，尤其是一种智慧运维的大数据处理方法；包括通过各类传感器和摄像头采集数据；将每一路数据打上标记，标记为0或者1，0为设备信息，1为视频信息；标记为0的导入管线设备维护数据库，标记为1的导入治安数据库；将管线设备维护数据库中的数据作为管线可视化的输入数据；将治安数据库中的历史数据作为跨境行人重识别模型的训练数据，实现行人重识别；将治安数据库中的历史数据作为人流预测模型的训练数据，实现人流预测，当人流大量聚集前发出有效预警。

Description

一种智慧运维的大数据处理方法
技术领域
本发明涉及智慧运维技术领域，尤其是一种智慧运维的大数据处理方法。
背景技术
智慧运维指的是通过物联网等智慧手段对相应的对象进行运行维护，该对象可以是建筑物，也可以是一个社区，甚至可以是一个城市。为了便于说明，本文默认对象为社区。现有智慧运维的目的其实主要在于通过智慧手段降低管理人员对于治安(例如偷盗现象)、管线设备维护(例如各种管点、设备的巡查)以及群体事件(例如打球的年轻人与跳广场舞的老年人的场地争夺)等项目的管理难度。
上述项目的难点在于数据的处理，例如偷盗，实际上大部分社区都安装有大量的摄像头，但偷盗人员进行蒙面或者换装后就难以进行追踪；又例如管线和各种水阀、闸门等等都配备有物联网传感器，但现有技术中还是通过简单的仪表或者简单的数据统计来实现各个位点的实时监测，缺乏自动管理；又例如群体事件，虽然安装有大量摄像头，但是往往是人群已经大量聚集后管理人员才发现，容易酿成群体事件。
发明内容
针对现有技术的不足，本发明提供一种通过大数据处理降低管理人员工作强度的智慧运维数据处理方法。
本发明的技术方案为：
一种智慧运维的大数据处理方法，其特征在于：他包括以下步骤：
步骤一，通过各类传感器和摄像头采集数据；
步骤二，将每一路数据打上标记，标记为0或者1，0为设备信息，1为视频信息；
步骤三，标记为0的导入管线设备维护数据库，标记为1的导入治安数据库；
步骤四，将管线设备维护数据库中的数据作为管线可视化的输入数据；
步骤五，将治安数据库中的历史数据作为跨境行人重识别模型的训练数据，实现行人重识别；
步骤六，将治安数据库中的历史数据作为人流预测模型的训练数据，实现人流预测，当人流大量聚集前发出有效预警。
具体的，所述管线可视化的方法为：
首先，加载城市管线探测数据，所述城市管线探测数据包括管线表和管点表；在管线表中增加管线起止点坐标字段，为管线起止点坐标提前赋值，所述赋值是指赋予管线需要的端点空间位置信息，在管线成图时，直接读取提前赋值后的管线起止点坐标信息；然后，在GIS平台上进行管线表成图：读取管线表，遍历管线表，根据起止点坐标信息绘制管线，读取管线属性并赋予管线要素；第三，在GIS平台上进行管点表成图：读取管点表，遍历管点表，根据点坐标信息绘制管点；读取管点属性并赋予管点要素；最后，保存成图结果，成图结束。
进一步地，所述为管线起止点坐标提前赋值是根据城市管线探测数据中管线表和管点表的关联关系，在管线表中，为增加的管线起止点坐标字段赋值。
进一步地，所述在GIS平台上管线表成图的具体步骤为：
步骤(1a-1)：读取管线探测数据中管线表，通过GIS平台在地理数据库中，创建管线要素类，并依据管线探测数据的管线表结构设置管线要素类的字段信息。
步骤(1a-2)：读取探测数据管线表，遍历管线表，根据起止点坐标信息在管线要素类中绘制管线要素；
步骤(1a-3)：读取探测数据管线属性，并赋予管线要素对应的属性字段值中；
循环步骤(1a-2)-(1a-3)，直到将管线表中的每一条记录均生成到管线要素类中，并保存。
进一步地，所述在GIS平台上管点表成图的具体步骤为：
步骤(1b-1)：读取管点表，在地理数据库中，创建管点要素类，并依据管线探测数据的管点表结构设置管点要素类的字段信息；
步骤(1b-2)：读取探测数据管点表，遍历点表，根据点坐标信息绘制管点要素；
步骤(1b-3)：读取管点属性并赋予管点要素；完成创建管点几何对象后，读取管点探测表中的属性信息，并赋值到对应的管点要素类数据库中；
循环步骤(1b-2)-(1b-3)，直到将管点表中的每一条记录均生成到管点空间数据库，并保存。
具体的，所述跨境行人重识别模型为行人重识别网络模型，其行人重识别的方法为：
通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征；将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像的行人特征融合；根据融合后的行人特征，识别所述输入图像中的行人。
进一步地，，所述行人重识别网络模型包括多粒度网络模型，所述多粒度网络模型包括五层卷积神经网络、最大池化层、所述卷积层和全连接层，其中，所述五层卷积神经网络的第四层和第五层被划分为三个分支：全局分支、上下身分支和上中下身分支，其中，所述通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征，包括：
通过所述行人分析网络将所述输入图像分割成上下身区域和上中下身区域；分别提取所述上下身区域中每个区域的第一细粒度特征，以及所述上中下身区域中每个区域的第二细粒度特征，其中，所述将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像中的行人特征融合，包括：利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合；以及利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，其中，所述根据融合后的行人特征，识别所述输入图像中的行人，包括：将所述三个分支中每个分支的输出特征进行合并，根据合并后的行人特征，识别输入图像中的行人，其中，所述合并后的行人特征包括所述融合后的行人特征。
进一步地，所述卷积层包括1×1卷积层，所述多粒度网络模型的所述最大池化层输出的2048维行人特征通过所述1×1卷积层降为256维，其中，所述利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合，包括：通过所述1×1卷积层使所述第一细粒度特征降为256维；将256维的所述第一细粒度特征与256维的第一局部特征加权融合，得到融合后的第一局部特征，其中，所述利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，包括：通过所述1×1卷积层使所述第二细粒度特征降为256维；将256维的所述第二细粒度特征与256维的第二局部特征加权融合，得到融合后的第二局部特征。
具体的，所述人流预测模型为Seq2Seq模型，其工作方法为：
将社区划分为m*n的方格，利用卷积神经网络CNN和长短时记忆网络LSTM学习城市人流数据的时空特性，结合诸如天气、娱乐活动和道路信息等外部信息，利用Seq2Seq模型，采用对抗生成网络的方法预测下一个时间间隔内某个地区的人流量。从而实现群体事件的预测。
本发明的有益效果为：首先将数据按照作用进行分流，其中视频信息通过行人重识别技术以及人流预测技术作为治安数据处理，而管线设备数据则通过大数据可视化作为管线管理数据进行处理，大幅度提升了管理人员的管理效率。
具体实施方式
下面结合具体实施方式作进一步说明：
一种智慧运维的大数据处理方法，其特征在于：他包括以下步骤：
步骤一，通过各类传感器和摄像头采集数据；
步骤二，将每一路数据打上标记，标记为0或者1，0为设备信息，1为视频信息；
步骤三，标记为0的导入管线设备维护数据库，标记为1的导入治安数据库；
步骤四，将管线设备维护数据库中的数据作为管线可视化的输入数据；具体的，所述管线可视化的方法为：
首先，加载城市管线探测数据，所述城市管线探测数据包括管线表和管点表；在管线表中增加管线起止点坐标字段，为管线起止点坐标提前赋值，所述赋值是指赋予管线需要的端点空间位置信息，在管线成图时，直接读取提前赋值后的管线起止点坐标信息；然后，在GIS平台上进行管线表成图：读取管线表，遍历管线表，根据起止点坐标信息绘制管线，读取管线属性并赋予管线要素；第三，在GIS平台上进行管点表成图：读取管点表，遍历管点表，根据点坐标信息绘制管点；读取管点属性并赋予管点要素；最后，保存成图结果，成图结束。所述为管线起止点坐标提前赋值是根据城市管线探测数据中管线表和管点表的关联关系，在管线表中，为增加的管线起止点坐标字段赋值。所述在GIS平台上管线表成图的具体步骤为：
步骤(1a-1)：读取管线探测数据中管线表，通过GIS平台在地理数据库中，创建管线要素类，并依据管线探测数据的管线表结构设置管线要素类的字段信息。
步骤(1a-2)：读取探测数据管线表，遍历管线表，根据起止点坐标信息在管线要素类中绘制管线要素；
步骤(1a-3)：读取探测数据管线属性，并赋予管线要素对应的属性字段值中；
循环步骤(1a-2)-(1a-3)，直到将管线表中的每一条记录均生成到管线要素类中，并保存。
进一步地，所述在GIS平台上管点表成图的具体步骤为：
步骤(1b-1)：读取管点表，在地理数据库中，创建管点要素类，并依据管线探测数据的管点表结构设置管点要素类的字段信息；
步骤(1b-2)：读取探测数据管点表，遍历点表，根据点坐标信息绘制管点要素；
步骤(1b-3)：读取管点属性并赋予管点要素；完成创建管点几何对象后，读取管点探测表中的属性信息，并赋值到对应的管点要素类数据库中；
循环步骤(1b-2)-(1b-3)，直到将管点表中的每一条记录均生成到管点空间数据库，并保存。
步骤五，将治安数据库中的历史数据作为跨境行人重识别模型的训练数据，实现行人重识别；具体的，所述跨境行人重识别模型为行人重识别网络模型，其行人重识别的方法为：
通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征；将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像的行人特征融合；根据融合后的行人特征，识别所述输入图像中的行人。
所述行人重识别网络模型包括多粒度网络模型，所述多粒度网络模型包括五层卷积神经网络、最大池化层、所述卷积层和全连接层，其中，所述五层卷积神经网络的第四层和第五层被划分为三个分支：全局分支、上下身分支和上中下身分支，其中，所述通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征，包括：
通过所述行人分析网络将所述输入图像分割成上下身区域和上中下身区域；分别提取所述上下身区域中每个区域的第一细粒度特征，以及所述上中下身区域中每个区域的第二细粒度特征，其中，所述将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像中的行人特征融合，包括：利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合；以及利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，其中，所述根据融合后的行人特征，识别所述输入图像中的行人，包括：将所述三个分支中每个分支的输出特征进行合并，根据合并后的行人特征，识别输入图像中的行人，其中，所述合并后的行人特征包括所述融合后的行人特征。
所述卷积层包括1×1卷积层，所述多粒度网络模型的所述最大池化层输出的2048维行人特征通过所述1×1卷积层降为256维，其中，所述利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合，包括：通过所述1×1卷积层使所述第一细粒度特征降为256维；将256维的所述第一细粒度特征与256维的第一局部特征加权融合，得到融合后的第一局部特征，其中，所述利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，包括：通过所述1×1卷积层使所述第二细粒度特征降为256维；将256维的所述第二细粒度特征与256维的第二局部特征加权融合，得到融合后的第二局部特征。
步骤六，将治安数据库中的历史数据作为人流预测模型的训练数据，实现人流预测，当人流大量聚集前发出有效预警。具体的，所述人流预测模型为Seq2Seq模型，其工作方法为：
将社区划分为m*n的方格，利用卷积神经网络CNN和长短时记忆网络LSTM学习城市人流数据的时空特性，结合诸如天气、娱乐活动和道路信息等外部信息，利用Seq2Seq模型，采用对抗生成网络的方法预测下一个时间间隔内某个地区的人流量。从而实现群体事件的预测。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (9)

1.一种智慧运维的大数据处理方法，其特征在于：他包括以下步骤：
步骤一，通过传感器和摄像头采集数据；
步骤二，将每一路数据打上标记，标记为0或者1，0为设备信息，1为视频信息；
步骤三，标记为0的导入管线设备维护数据库，标记为1的导入治安数据库；
步骤四，将管线设备维护数据库中的数据作为管线可视化的输入数据；
步骤五，将治安数据库中的历史数据作为跨境行人重识别模型的训练数据，实现行人重识别；
步骤六，将治安数据库中的历史数据作为人流预测模型的训练数据，实现人流预测，当人流大量聚集前发出有效预警。
2.根据权利要求1所述的一种智慧运维的大数据处理方法，其特征在于：所述管线可视化的方法为：
首先，加载城市管线探测数据，所述城市管线探测数据包括管线表和管点表；在管线表中增加管线起止点坐标字段，为管线起止点坐标提前赋值，所述赋值是指赋予管线需要的端点空间位置信息，在管线成图时，直接读取提前赋值后的管线起止点坐标信息；然后，在GIS平台上进行管线表成图：读取管线表，遍历管线表，根据起止点坐标信息绘制管线，读取管线属性并赋予管线要素；第三，在GIS平台上进行管点表成图：读取管点表，遍历管点表，根据点坐标信息绘制管点；读取管点属性并赋予管点要素；最后，保存成图结果，成图结束。
3.根据权利要求2所述的一种智慧运维的大数据处理方法，其特征在于：所述为管线起止点坐标提前赋值是根据城市管线探测数据中管线表和管点表的关联关系，在管线表中，为增加的管线起止点坐标字段赋值。
4.根据权利要求3所述的一种智慧运维的大数据处理方法，其特征在于：所述在GIS平台上管线表成图的具体步骤为：
步骤(1a-1)：读取管线探测数据中管线表，通过GIS平台在地理数据库中，创建管线要素类，并依据管线探测数据的管线表结构设置管线要素类的字段信息。
步骤(1a-2)：读取探测数据管线表，遍历管线表，根据起止点坐标信息在管线要素类中绘制管线要素；
步骤(1a-3)：读取探测数据管线属性，并赋予管线要素对应的属性字段值中；
循环步骤(1a-2)-(1a-3)，直到将管线表中的每一条记录均生成到管线要素类中，并保存。
5.根据权利要求4所述的一种智慧运维的大数据处理方法，其特征在于：所述在GIS平台上管点表成图的具体步骤为：
步骤(1b-1)：读取管点表，在地理数据库中，创建管点要素类，并依据管线探测数据的管点表结构设置管点要素类的字段信息；
步骤(1b-2)：读取探测数据管点表，遍历点表，根据点坐标信息绘制管点要素；
步骤(1b-3)：读取管点属性并赋予管点要素；完成创建管点几何对象后，读取管点探测表中的属性信息，并赋值到对应的管点要素类数据库中；
循环步骤(1b-2)-(1b-3)，直到将管点表中的每一条记录均生成到管点空间数据库，并保存。
6.根据权利要求5所述的一种智慧运维的大数据处理方法，其特征在于：所述跨境行人重识别模型为行人重识别网络模型，其行人重识别的方法为：
通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征；将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像的行人特征融合；根据融合后的行人特征，识别所述输入图像中的行人。
7.根据权利要求6所述的一种智慧运维的大数据处理方法，其特征在于：所述行人重识别网络模型包括多粒度网络模型，所述多粒度网络模型包括五层卷积神经网络、最大池化层、所述卷积层和全连接层，其中，所述五层卷积神经网络的第四层和第五层被划分为三个分支：全局分支、上下身分支和上中下身分支，其中，所述通过行人分析网络对输入图像进行行人分析，提取所述输入图像中的行人的细粒度特征，包括：
通过所述行人分析网络将所述输入图像分割成上下身区域和上中下身区域；分别提取所述上下身区域中每个区域的第一细粒度特征，以及所述上中下身区域中每个区域的第二细粒度特征，其中，所述将所述细粒度特征与行人重识别网络模型的卷积层输出的所述输入图像中的行人特征融合，包括：利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合；以及利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，其中，所述根据融合后的行人特征，识别所述输入图像中的行人，包括：将所述三个分支中每个分支的输出特征进行合并，根据合并后的行人特征，识别输入图像中的行人，其中，所述合并后的行人特征包括所述融合后的行人特征。
8.根据权利要求7所述的一种智慧运维的大数据处理方法，其特征在于：所述卷积层包括1×1卷积层，所述多粒度网络模型的所述最大池化层输出的2048维行人特征通过所述1×1卷积层降为256维，其中，所述利用所述全连接层，将所述上下身区域中每个区域的所述第一细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上下身分支中对应分支的第一局部特征融合，包括：通过所述1×1卷积层使所述第一细粒度特征降为256维；将256维的所述第一细粒度特征与256维的第一局部特征加权融合，得到融合后的第一局部特征，其中，所述利用所述全连接层，将所述上中下身区域中每个区域的所述第二细粒度特征分别与所述多粒度网络模型的所述卷积层输出的所述上中下身分支中对应分支的第二局部特征融合，包括：通过所述1×1卷积层使所述第二细粒度特征降为256维；将256维的所述第二细粒度特征与256维的第二局部特征加权融合，得到融合后的第二局部特征。
9.根据权利要求8所述的一种智慧运维的大数据处理方法，其特征在于：所述人流预测模型为Seq2Seq模型，其工作方法为：
将社区划分为m*n的方格，利用卷积神经网络CNN和长短时记忆网络LSTM学习城市人流数据的时空特性，结合诸如天气、娱乐活动和道路信息等外部信息，利用Seq2Seq模型，采用对抗生成网络的方法预测下一个时间间隔内某个地区的人流量。
CN201911180540.1A 2019-11-27 2019-11-27 一种智慧运维的大数据处理方法 Pending CN112307284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911180540.1A CN112307284A (zh) 2019-11-27 2019-11-27 一种智慧运维的大数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911180540.1A CN112307284A (zh) 2019-11-27 2019-11-27 一种智慧运维的大数据处理方法

Publications (1)

Publication Number Publication Date
CN112307284A true CN112307284A (zh) 2021-02-02

Family

ID=74336256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911180540.1A Pending CN112307284A (zh) 2019-11-27 2019-11-27 一种智慧运维的大数据处理方法

Country Status (1)

Country Link
CN (1) CN112307284A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819253A (zh) * 2022-03-02 2022-07-29 湖北大学 城市人群聚集热点区域预测方法、系统、介质及终端

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819253A (zh) * 2022-03-02 2022-07-29 湖北大学 城市人群聚集热点区域预测方法、系统、介质及终端

Similar Documents

Publication Publication Date Title
CN107967532B (zh) 融合区域活力的城市交通流量预测方法
CN106448184B (zh) 车辆识别方法及车辆出场识别方法
CN113903081B (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN109543513A (zh) 智能监控实时处理的方法、装置、设备及存储介质
CN108921875A (zh) 一种基于航拍数据的实时车流检测与追踪方法
CN111818313B (zh) 一种基于监控视频的车辆实时追踪方法及装置
CN106652551A (zh) 一种车位检测方法及设备
CN108133611A (zh) 车辆行驶轨迹监测方法及系统
CN107301776A (zh) 基于视频检测技术的车道路况处理及发布方法
CN110688922A (zh) 基于深度学习的交通拥堵检测系统及检测方法
CN112184625A (zh) 一种基于视频深度学习的路面缺陷识别方法和系统
CN112215059B (zh) 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN109002752A (zh) 一种基于深度学习的复杂公共场景快速行人检测方法
CN104134067A (zh) 基于智能视觉物联网的道路车辆监控系统
CN107067813A (zh) 一种基于图像处理和模式识别的车位引导方法和系统
CN111783690A (zh) 基于车辆密度感知的城市可行驶区域cim信息处理方法
WO2021237768A1 (zh) 一种基于数据驱动的实现预测模型自动化迭代的系统
CN102625083A (zh) 一种视频监控网络的建设方法
CN112307284A (zh) 一种智慧运维的大数据处理方法
Liao et al. Road garbage segmentation and cleanliness assessment based on semantic segmentation network for cleaning vehicles
Minnikhanov et al. Detection of traffic anomalies for a safety system of smart city
CN111144209A (zh) 一种基于异构多分支深度卷积神经网络的监控视频人头检测方法
CN110348329A (zh) 基于视频序列帧间信息的行人检测方法
Katariya et al. A pov-based highway vehicle trajectory dataset and prediction architecture
CN117710843A (zh) 一种基于无人机视频的交叉口动态信号配时方案检测方法

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