CN112732446A - 一种任务处理方法、装置及存储介质 - Google Patents
一种任务处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112732446A CN112732446A CN202110059426.4A CN202110059426A CN112732446A CN 112732446 A CN112732446 A CN 112732446A CN 202110059426 A CN202110059426 A CN 202110059426A CN 112732446 A CN112732446 A CN 112732446A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mounted client
- target
- target vehicle
- client
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提出了一种任务处理方法、装置及存储介质,本申请应用于电子地图领域,该方法包括:获取多个车载客户端分别对应的多个数据集合;对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。通过本申请实施例,可以有约束性地实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量。
Description
技术领域
本发明涉及电子地图领域,尤其涉及一种任务处理方法、装置及存储介质。
背景技术
现有的地图数据采集技术方案,分为人工采集和设备采集,而在设备采集的模式中,又可以划分为公司自研设备采集、以及设备众包采集模式。现有的设备众包采集模式是将任务以众包的方式发到相应的网站之上,由大众进行领取任务,进行采集作业,最后将作业任务进行上传,任务合格之后会由任务发起方支付一定的报酬。
目前设备众包采集模式进行众包任务下发主要是通过随机下发的模式,但这种下发模式存在着一定的问题,由于在地图数据采集任务包下发过程中不具有约束性,没有刻意的去指定设备,导致地图数据采集任务包的分配不合理,进而会降低地图数据的采集效率和质量。
发明内容
本发明实施例提供了一种任务处理方法、装置及存储介质,可以有约束性地实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量。
一方面,本发明实施例提供了一种任务处理方法,所述方法包括:
获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
一方面,本发明实施例提供了一种任务处理装置,所述装置包括:
获取模块,用于获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
处理模块,用于对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
处理模块,还用于当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
处理模块,还用于将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
一方面,本发明实施例提供了一种计算机设备,该设备包括处理器、通信接口和存储器,所述处理器、所述通信接口和所述存储器相互连接,其中,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,执行上述任一可能实现方式所述的任务处理方法。
一方面,本发明实施例提供了一种计算机可读存储介质,存储有计算机程序,所述处理器执行上述任一可能实现方式所述的任务处理方法所涉及的程序。
一方面,本发明实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一可能实现方式所述的任务处理方法。
本发明实施例中,通过获取多个车载客户端分别对应的多个数据集合,使得可以根据每个车载客户端的数据集合分别进行设备画像分析,从而得到每个车载客户端的设备画像,在接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行地图数据采集任务包的车载客户端,并将地图数据采集任务包发送至执行地图数据采集任务包的车载客户端。通过本申请实施例,基于多个车载客户端的设备画像与地图数据采集任务包的执行条件可以有约束性地选取执行地图数据采集任务包的车载客户端,从而可以实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量;同时利用车载客户端的轨迹数据、图像集合和静态信息,以及车载客户端所在车辆的静态信息,使得到的四个维度的属性标签可以精确地描述车载客户端的设备画像,因此能够准确有效地实现地图数据采集任务包的合理分配。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种任务处理系统的架构示意图;
图2为本发明实施例提供的一种任务处理方法的流程示意图;
图3为本发明实施例提供的一种任务处理方法的流程示意图;
图4为本发明实施例提供的一种第三属性标签生成方法的流程示意图;
图5为本发明实施例提供的一种任务处理方法的流程示意图;
图6为本发明实施例提供的一种任务处理装置的结构示意图;
图7为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将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作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。
需要说明的是,本申请实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的,而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、云存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
具体地,在本申请中主要通过人工智能技术中的机器学习(图像语义分割模型)对车载客户端的图像集合中的每张图像进行语义分割识别,并得到多个对象区域,同时基于图像的多个对象区域得到图像的属性指标,并利用基于机器学习建立的专家打分模型和图像的属性指标得到车载客户端的成像质量。
请参阅图1,图1是本申请实施例提供的一种任务处理系统的示意图,如图1所示,该系统可以包括至少一个车载客户端101和至少一个服务器102,车载客户端101搭载于车辆103上。车载客户端101可以是安装在行车记录仪、智能后视镜等车载智能终端中,可以实时采集车辆103的轨迹数据(包括定位坐标、定位时间、定位速度等)、视频数据等;服务器102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
车载设备101可以基于浏览器/服务器模式(Browser/Server,B/S)或客户端/服务器模式(Client/Server,C/S)与服务器102通信,向服务器102上报轨迹数据以及响应服务器102获取视频数据的请求向服务器102上传视频数据。
服务器102可以包括数据库服务器和业务服务器,业务服务器与数据库服务器通信连接,数据库服务器也可以设置于业务服务器内部,数据库服务器可以用于存储业务服务器所需的数据内容,比如车载客户端上传的轨迹数据和视频数据等,数据库服务器可以通过与业务服务器进行交互使得业务服务器可以基于数据内容对车载客户端101采集的轨迹数据及视频数据进行设备画像分析,确定车载客户端101的设备画像,当服务器102接收到针对地图数据采集任务包的分发请求时,根据多个车载客户端101的设备画像与地图数据采集任务包的执行条件,确定执行地图数据采集任务包的车载客户端101,并将地图数据采集任务包发送至车载客户端101,可以实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量。
可以理解的是,本申请实施例描述的系统的架构示意图是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
在一个实施例中,如图2所示,是本发明实施例基于图1的任务处理系统提供的一种任务处理方法。以服务器是图1中提及的服务器102为例。以下结合图2对本发明实施例的所述方法进行说明。
S201、获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合。
在一个实施例中,服务器获取多个车载客户端分别对应的多个数据集合,每个车载客户端都有相应的数据集合,数据集合中包括车载客户端的轨迹数据、车载客户端采集的图像集合、车载客户端的静态信息以及车载客户端所在车辆的静态信息。目标车载客户端为多个车载客户端中的一个车载客户端。车载客户端可以是安装在车辆配备的车载智能终端中,能够记录车载客户端所在车辆在行驶途中的轨迹数据以及视频数据,如智能后视镜、行车记录仪等,本申请对此不作限定。
在一个实施例中,车载客户端的轨迹数据主要为车载客户端所在车辆在地理空间中连续移动形成的轨迹点,且轨迹点中的坐标具有时序性。例如全球定位系统(GlobalPositioning System,GPS)通过在相同的时间间隔上采样移动物体的坐标信息作为轨迹数据。车载客户端的静态信息包括定位精度、镜头像素、镜头光圈、录像分辨率、拍摄角度、操作系统、存储卡型号和大小等,本申请对此不作限定。客户端所在车辆的静态信息包括车辆品牌、车牌号和车身尺寸等,本申请对此不作限定。
其中,GPS是一种具有全方位、全天候、全时段、高精度的卫星导航系统,能为全球用户提供低成本、高精度的三维位置、速度和精确定时等导航信息。
S202、对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像。
在一个实施例中,服务器可以根据每个车载客户端的数据集合,获取每个车载客户端的设备画像。车载客户端的设备画像包括第一属性标签、第二属性标签、第三属性标签和第四属性标签,第一属性标签用于表示车载客户端所在车辆的道路覆盖特征,第二属性标签用于表示车载客户端所在车辆的出行特征,第三属性标签用于表示车载客户端的成像质量,第四属性标签包括车载客户端的静态信息以及车载客户端所在车辆的静态信息。
S203、当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端。
在一个实施例中,当服务器接收到针对地图数据采集任务包的分发请求时,将多个车载客户端中每个车载客户端的设备画像与地图数据采集任务包的执行条件进行匹配,得到匹配分数,通过匹配分数确定执行地图数据采集任务包的车载客户端。
通过本申请实施例,利用每个车载客户端的数据集合建立每个车载客户端的设备画像,使得可以根据多个车载客户端的设备画像与地图数据采集任务包的执行条件的匹配分数选取执行地图数据采集任务包的车载客户端,从而可以有约束性地实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量;同时利用车载客户端的轨迹数据、图像集合和静态信息,以及车载客户端所在车辆的静态信息,使得到的四个维度的属性标签可以精确地描述车载客户端的设备画像,因此能够准确有效地实现地图数据采集任务包的合理分配。
在一个实施例中,所述目标车载客户端的设备画像包括:第一属性标签、第二属性标签、第三属性标签和第四属性标签,所述第一属性标签用于表示所述目标车载客户端所在车辆的道路覆盖特征,所述第二属性标签用于表示所述目标车载客户端所在车辆的出行特征,所述第三属性标签用于表示所述目标车载客户端的成像质量,所述第四属性标签包括所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息。
在一个实施例中,服务器在对目标车载客户端进行设备画像分析时,主要是利用目标车载客户端的轨迹数据、目标车载客户端采集的图像集合、目标车载客户端的静态信息以及目标车载客户端所在车辆的静态信息来获取目标车载客户端的设备画像。目标车载客户端的设备画像包括四个维度的属性标签,如描述目标车载客户端的道路覆盖特征的第一属性标签,描述目标车载客户端的出行特征的第二属性标签,描述目标车载客户端的成像质量的第三属性标签,以及描述目标车载客户端与目标车载客户端所在车辆的静态信息的第四属性标签。
其中,道路覆盖特征主要反映了目标车载客户端所在车辆在行驶时覆盖度较高的路段,如每天都会经过某一道路,则可以将该道路作为目标车载客户端的道路覆盖特征,出行特征反映了目标车载客户端所在车辆的车辆类型以及在出行时间上的规律程度,如工作用车与运营车辆(出租车等运营车)相比,通常都会有更有规律的目的地和出行时间。
通过本申请实施例,利用目标车载客户端的轨迹数据准确地描述了目标车载客户端在道路覆盖特征、出行特征的规律程度,同时结合目标车载客户端采集的图像集合得到的目标车载客户端的成像质量,以及目标车载客户端的静态信息以及目标车载客户端所在车辆的静态信息能够精确地描述目标车载客户端的设备画像,使得后续能够准确有效地实现地图数据采集任务包的合理分配。
在一个实施例中,所述任务处理方法,还包括:获取目标车载客户端的原始轨迹数据,原始轨迹数据包括多个单位轨迹数据,删除多个单位轨迹数据中的无效单位轨迹数据;将保留的多个单位轨迹数据进行压缩处理,将压缩处理后的单位轨迹数据组合为所述目标车载客户端的轨迹数据。
在一个实施例中,目标车载客户端的原始轨迹数据中包括多个单位轨迹数据,单位轨迹数据主要是轨迹点,记录了目标车载客户端所在车辆的定位位置、定位时间、等位速度等信息,由于获取到的目标车载客户端的原始轨迹数据中有些单位轨迹数据是冗余、异常或者是完全不相关的,它们的存在可能会导致属性标签不能准确描述客户端的设备画像,因此首先需要对目标车载客户端的原始轨迹数据进行预处理,以清除一些无效单位轨迹数据。如由于目标车载客户端存在故障,或者通过地下隧道、树木非常茂密或被高大建筑遮挡的路段时,GPS信号被遮挡,而导致轨迹数据出现缺失、失真、不当记录等现象,从而使得轨迹数据不能反映真实的运行状态。同时当目标车载客户端所在车辆处于长期静止状态时,比如停在车库,对于高精轨迹数据(一秒获取一个轨迹点)回传的轨迹数据是大量的相同的单位轨迹数据,因此需要剔除这些重复单位轨迹数据。
在一个实施例中,可以从密度的角度利用聚类算法剔除不需要的单位轨迹数据。如利用具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN),它可将足够高密度的区域划分为类簇,并从中发现任意形状的不同聚类。DBSCAN算法中的类簇是由核心对象和边界对象共同组成。那些既不是核心对象,也不是边界对象的单位轨迹数据可以作为噪声或异常轨迹点进行剔除。同时可以通过设定DBSCAN算法的邻域范围,得到单位轨迹数据重复度较大的类簇,通过剔除类簇中大部分的单位轨迹数据,去除冗余轨迹点。
在一个实施例中,由于目标车载客户端持续不断的上传单位轨迹数据,因此数据量十分庞大,这给数据的存储带来了极大的负担,所以需要利用压缩算法对原始轨迹数据进一步进行压缩处理,压缩处理主要是将轨迹数据中不具备行驶特征的单位轨迹数据去除,将保留的单位轨迹数据组成新的轨迹。压缩后的轨迹与原始轨迹之间的误差必须是在可接受的范围之内。压缩算法可以是均匀抽样法、道格拉斯普客法(Douglas–Peuckeralgorithm,DP)、SPM(Scan-Pick-Move)算法、路网匹配轨迹压缩(Map-MatchedTrajectoryCompression,MMTC)算法等,本申请对此不作限定。
在一个实施例中,所述根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第一属性标签,包括:利用目标车载客户端的轨迹数据的定位坐标,确定所述目标车载客户端覆盖路段的行驶次数;将行驶次数大于第一阈值的覆盖路段作为所述目标车载客户端的第一属性标签。
在一个实施例中,服务器利用目标车载客户端的轨迹数据中的定位坐标,对目标车载客户端覆盖路段进行统计分析,得出目标车载客户端在每个覆盖路段的行驶次数,覆盖路段的行驶次数越高,表明目标车载客户端在该道路的道路覆盖特征越具有规律性,可以将大于第一阈值的覆盖路段作为目标车载客户端的第一属性标签。
在一个实施例中,目标车载客户端的轨迹数据中的轨迹点为p,包括四个变量信息:经度、维度、时间、行驶速度,轨迹点p可以表示为p=(x,y,v,t)。原始轨迹数据为T={p1,p2,...,pn},压缩处理后的轨迹数据为T={ps1,ps2,...,psn},其中sn小于n,则可以获得sn-1个轨迹段,将该轨迹段作为目标车载客户端的覆盖路段,如等,或将轨迹段上的轨迹点与地图上的道路进行匹配得到覆盖路段。在得到覆盖路段后,可以利用覆盖路段之间的距离度量进行聚类得到轨迹段聚类结果,将类簇中的覆盖路段数量大于阈值的覆盖路段作为目标车载客户端的第一属性标签。
在一个实施例中,第二属性标签包括:车辆类型和高频行驶时间段;所述根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第二属性标签,包括:根据目标车载客户端的轨迹数据中的目的地信息,确定所述目标车载客户端的常驻地区域类型;根据所述目标车载客户端的常驻地区域类型和第一属性标签,确定车辆类型;根据所述目标车载客户端的轨迹数据中的定位时间,统计多个行驶时间段包含的定位时间的数量;将数量大于第二阈值的行驶时间段作为高频行驶时间段。
在一个实施例中,第二属性标签包括:车辆类型和高频行驶时间段,车辆类型包括工作用车、运营用车和其他,其中,工作用车主要为早晚固定经过某路段的车辆,运营用车包括滴滴、出租车等。第二属性标签主要用于体现目标车载客户端所在车辆在车辆类型和出行时间上的规律程度。
在一个实施例中,服务器根据目标车载客户端的轨迹数据中的目的地信息确定目标车载客户端的常驻地区域类型。常驻地区域类型可以利用目标车载客户端的常驻地区域的分布情况,得到常驻地区域类型,常驻地区域类型可以划分为多种功能性类别,包括教育、旅游、住宅住宿、商业娱乐、公共服务、商务办公以及交通管理等,如教育可以包括大学、小学、培训机构等,住宅住所可以包括住宅区、别墅等,商务办公可以包括公司企业、产业园区、传媒机构、中介机构、事务所等,本申请对常驻地区域的功能性类别划分不作限定。通过目标车载客户端在常驻地区域类型的分布情况以及第一属性标签包括的道路覆盖特征,可以得到目标车载客户端在出行地点上的规律程度,从而得到目标车载客户端所在车辆的车辆类别。当目标车载客户端的常驻地区域类型为固定的几个功能性类别时,如只包括住宅住宿和商务办公,可以认定目标车载客户端所在车辆主要为一个工作用车。而当目标车载客户端的常驻地区域类型和覆盖路段比较广泛时,可以认定目标车载客户端所在车辆更倾向于为一个运营车辆。当目标车载客户端的常驻地区域类型和覆盖路段都没有明显的规律程度时,可以将目标车载客户端所在车辆的车辆类型作为其他。
在一个实施例中,服务器可以获取轨迹数据中的静止单位轨迹数据作为目的地信息,静止单位轨迹数据即行驶速度为0的轨迹点,基于静止单位轨迹数据以及静止单位轨迹数据的功能性类别建立分类决策树或者使用聚类算法,得到目标车载客户端的常驻地区域类型。
在一个实施例中,服务器可以利用核密度分析(Kernel Density Estimation,KDE),包括网格密度分析法、V图密度法、Kernel密度法等,进行高密度区域提取识别,基于提取到的高密度区域得到常驻地区域类型。核密度分析利用核函数根据轨迹数据中的轨迹点或轨迹段要素计算每单位面积的量值以将各个轨迹点或轨迹段拟合为光滑锥状表面。
在一个实施例中,服务器可以获取目标车载客户端的轨迹数据中的定位时间,定位时间主要为定位速度不为0的轨迹点对应的定位时间,将24小时划分为多个行驶时间段,根据目标车载客户端的定位时间统计多个行驶时间段内的定位时间的数量,将定位时间的数量大于阈值的行驶时间段作为高频行驶时间段。如工作用车可能高频行驶时间段在7:00-10:00或17:00-21:00,而运营车辆的高频行驶时间段可能分布在各个时间段,记录目标车载客户端的高频行驶时间段作为目标车载客户端的出行特征之一。
请参见图3,图3是本申请实施例提供的一种任务处理方法的流程示意图。服务器在获取到车载客户端上传的轨迹数据后,对轨迹数据中包括的轨迹点进行数据预处理,以剔除掉影响车载客户端的设备画像的一些无效轨迹点,例如利用DBSCAN聚类算法对轨迹点进行聚类后剔除掉不在类簇中的噪声和无效数据;进一步地,可以根据均匀抽样法或道格拉斯普克法对轨迹数据进行压缩处理,剔除掉不具备行驶特征的轨迹点,并利用压缩后的轨迹点进行轨迹数据的轨迹划分,得到一个或多个轨迹段;利用DBSACN聚类算法或决策树等,对轨迹段的分布情况进行统计,将行驶次数较高的轨迹段作为车载客户端的道路覆盖特征;利用分类决策树获取车载客户端的常驻地区域类型,或利用核密度分析法提取车载客户端出行的高密度区域,根据高密度区域的分布情况得到车载客户端的常驻地区域类型;最后根据常驻地区域类型和覆盖路段得到车载客户端的出行特征。
在一个实施例中,根据所述目标车载客户端采集的图像集合,确定所述目标车载客户端的第三属性标签,包括:对所述目标车载客户端采集的图像集合中的每张图像进行语义分割,得到所述目标车载客户端采集的图像集合中的每张图像的多个对象区域;根据所述图像集合中的每张图像的多个对象区域,确定所述目标车载客户端采集的图像集合中的每张图像的属性指标;根据所述目标车载客户端采集的图像集合中的每张图像的属性指标确定所述目标车载客户端采集的图像集合中的每张图像的单位成像质量;根据所述目标车载客户端采集的图像集合中的所有图像的单位成像质量,确定目标车载客户端的第三属性标签。
在一个实施例中,服务器从目标车载客户端上传的视频数据中通过视频截帧的方式获取多张图像作为目标车载客户端采集的图像集合,视频截帧可以通过均匀抽样或不均匀抽样的方式进行处理,本申请对此不作限定,目标车载客户端采集的图像集合中的每张图像主要为包括道路的图像,调用图像语义分割模型对图像集合中的每张图像进行语义分割,得到每张图像的多个对象区域,例如平地、建筑、自然、交通工具、天空、物体、人类和空等对象区域。图像语义分割模型可以是全卷积网络(Fully Convolutional Networks,FCN)模型、SegNet模型等,本申请对此不作限定。
在一个实施例中,服务器在得到目标车载客户端采集的图像集合中的每张图像的多个对象区域后,根据每张图像的多个对象区域,确定目标车载客户端采集的图像集合中的每张图像的属性指标,属性指标可以根据电子地图建立对图像的要求进行统计、处理、分析和归纳得到,例如,属性指标可以包括平地的倾斜度、图像的逆光度、天空占比度和有无遮挡、以及有无信标等,本申请对此不作限定。
在一个实施例中,服务器根据目标车载客户端采集的图像集合中的每张图像的属性指标确定目标车载客户端采集的图像集合中的每张图像的单位成像质量。例如,可以根据图像的属性指标建立专家打分模型,对每个属性指标的主观分限制在1到5分,将各个属性指标所得的分值加法求和得到图像的单位成像质量。
在一个实施例中,服务器根据目标车载客户端采集的图像集合中的所有图像的单位成像质量,确定目标车载客户端的第三属性标签。在得到图像集合中每张图像的单位成像质量后,可以根据图像集合中所有图像的单位成像质量的加权平均得到目标车载客户端的成像质量,作为目标车载客户端的第三属性指标。或者,根据图像集合中所有图像的单位成像质量的加权平均将目标车载客户端的成像质量划分为高、中、低三个级别,将目标车载客户端的成像质量级别作为目标车载客户端的第三属性指标。
请参见图4,图4是本申请实施例提供的一种第三属性标签生成方法的流程示意图,主要包括语义分割识别和获取成像质量两个阶段。获取车载客户端上传的视频数据,通过视频截帧的方式对视频数据进行抽样处理获取图像,将图像输入图像语义分割模型(SegNet模型),得到多个对象区域作为图像识别结果,进一步地,可以根据图像的多个对象区域得到该图像的属性指标,属性指标可以根据电子地图建立对图像的要求进行统计、处理、分析和归纳得到,例如,属性指标可以包括平地的倾斜度、图像的逆光度、天空占比度和有无遮挡、以及有无信标等,本申请对此不作限定,最后可以根据图像的属性指标建立专家打分模型,对每个属性指标的主观分限制在1到5分,将各个属性指标所得的分值加法求和,并根据得到的分值将成像质量划分为高、中、低三个级别作为第三属性标签。
在一个实施例中,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端,包括:根据每个车载客户端的设备画像和地图数据采集任务包的执行条件,确定每个车载客户端的匹配分数;将匹配分数大于第三阈值的车载客户端作为执行所述地图数据采集任务包的车载客户端。
在一个实施例中,服务器需要根据每个车载客户端的设备画像和地图数据采集任务包的执行条件确定每个车载客户端的匹配分数。地图数据采集任务包的执行条件中至少包括一个或多个道路段,以及上传截止时间。根据每个车载客户端的设备画像中的第一属性标签、第二属性标签、第三属性标签和第四属性标签与地图数据采集任务包的执行条件进行分析,得到匹配分数。例如,第一属性标签主要用于指示车载客户端的覆盖路段,可以将第一属性标签与地图数据采集任务包的执行条件中包括的道路段进行匹配,判断车载客户端的覆盖路段与地图数据采集任务包的执行条件中包括的道路段的重叠路段程度,从而得到匹配权重,范围为[0,1]。进一步地,根据第二属性指标与地图数据采集任务包的执行条件中包括的上传截止时间进行匹配,获取第一匹配分数,如当上传截止时间为中午12点,判断车载客户端的高频行驶时间段是否在上传截止时间之前,并结合车辆类型得到第一匹配分数。将第三属性指标得到的成像质量或成像质量等级量化后作为第二匹配分数。根据第四属性指标包括的车载客户端的静态信息以及车载客户端所在车辆的静态信息得到第三匹配分数,第三匹配分数可根据实际需要而对静态参数进行评分,本申请对此不作限定,如对存储卡大小、清晰度、车辆品牌、车身尺寸等有要求,则根据存储卡大小、清晰度、车辆品牌、车身尺寸进行评分。将匹配权重×(第一匹配分数+第二匹配分数+第三匹配分数)作为车载客户端的匹配分数,将匹配分数大于第三阈值的车载客户端作为执行地图数据采集任务包的车载客户端,从而将地图数据采集任务包发送给执行地图数据采集任务包的车载客户端,以完成地图数据采集任务。
请参见图5,图5是本申请实施例提供的一种任务处理方法的流程示意图。服务器获取车载客户端相关的轨迹数据,并对轨迹数据进行预处理,以剔除掉影响车载客户端的设备画像的一些无效轨迹点,接着进行压缩处理得到轨迹特征,轨迹特征包括轨迹点和根据轨迹点生成的轨迹段两种,对轨迹特征进行聚类分析、轨迹段与道路匹配以及轨迹段统计分析得到车载客户端的第一属性标签和第二属性标签,轨迹段与道路匹配是指将轨迹段上的轨迹点与地图上的道路进行匹配得到覆盖路段。服务器对于获取的车载客户端的视频数据,利用视频截帧的方式获取车载客户端对应的图像集合,对图像集合中的每张图像利用图像分割识别算法进行语义分割得到图像结果,根据每张图像的图像结果中的多个对象区域的属性指标得到每张图像的单位成像质量,并根据图像集合中的每张图像的单位成像质量得到车载客户端的第三属性标签。第四属性标签包括车载客户端的静态信息以及车辆静态信息,车载客户端的静态信息包括定位精度、镜头像素、镜头光圈、录像分辨率、拍摄角度、操作系统、存储卡型号和大小等,本申请对此不作限定。客户端所在车辆的静态信息包括车辆品牌、车牌号和车身尺寸等,本申请对此不作限定。在得到车载客户端的四个属性标签后,根据四个属性标签构成的车载客户的设备画像完成众包任务下发,众包任务中包括一个或多个地图数据采集任务包。
如图6所示,图6是本申请实施例提供的一种任务处理装置的结构示意图,所述装置包括:
获取模块,用于获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
处理模块,用于对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
处理模块,还用于当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
处理模块,还用于将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
在一个实施例中,所述处理模块602,具体用于:
根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第一属性标签;
根据所述目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第二属性标签;
根据所述目标车载客户端采集的图像集合,确定所述目标车载客户端的第三属性标签;
将所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,组合为所述目标车载客户端的第四属性标签。
在一个实施例中,所述处理模块602,具体用于:
利用目标车载客户端的轨迹数据的定位坐标,确定所述目标车载客户端覆盖路段的行驶次数;
将行驶次数大于第一阈值的覆盖路段作为所述目标车载客户端的第一属性标签。
在一个实施例中,所述处理模块602,具体用于:
根据目标车载客户端的轨迹数据中的目的地信息,确定所述目标车载客户端的常驻地区域类型;
根据所述目标车载客户端的常驻地区域类型和第一属性标签,确定车辆类型;
根据所述目标车载客户端的轨迹数据中的定位时间,统计多个行驶时间段包含的定位时间的数量;
将数量大于第二阈值的行驶时间段作为高频行驶时间段。
在一个实施例中,所述处理模块602,具体用于:
对所述目标车载客户端采集的图像集合中的每张图像进行语义分割,得到所述目标车载客户端采集的图像集合中的每张图像的多个对象区域;
根据所述图像集合中的每张图像的多个对象区域,确定所述目标车载客户端采集的图像集合中的每张图像的属性指标;
根据所述目标车载客户端采集的图像集合中的每张图像的属性指标确定所述目标车载客户端采集的图像集合中的每张图像的单位成像质量;
根据所述目标车载客户端采集的图像集合中的所有图像的单位成像质量,确定目标车载客户端的第三属性标签。
在一个实施例中,所述处理模块602,具体用于:
根据每个车载客户端的设备画像和地图数据采集任务包的执行条件,确定每个车载客户端的匹配分数;
将匹配分数大于第三阈值的车载客户端作为执行所述地图数据采集任务包的车载客户端。
在一个实施例中,所述处理模块602,具体用于:
获取目标车载客户端的原始轨迹数据,原始轨迹数据包括多个单位轨迹数据,删除多个单位轨迹数据中的无效单位轨迹数据;
将保留的多个单位轨迹数据进行压缩处理,将压缩处理后的单位轨迹数据组合为所述目标车载客户端的轨迹数据。
通过本申请实施例,利用每个车载客户端的数据集合建立每个车载客户端的设备画像,使得可以根据多个车载客户端的设备画像与地图数据采集任务包的执行条件的匹配分数选取执行地图数据采集任务包的车载客户端,从而可以有约束性地实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量;同时利用车载客户端的轨迹数据、图像集合和静态信息,以及车载客户端所在车辆的静态信息,使得到的四个维度的属性标签可以精确地描述车载客户端的设备画像,因此能够准确有效地实现地图数据采集任务包的合理分配。
如图7所示,图7是本申请实施例提供的一种计算机设备的结构示意图,该设备内部结构如图7所示,包括:一个或多个处理器701、存储器702、通信接口703。上述处理器701、存储器702和通信接口703可通过总线704或其他方式连接,本申请实施例以通过总线704连接为例。
其中,处理器701(或称CPU(Central Processing Unit,中央处理器))是计算机设备的计算核心以及控制核心,其可以解析计算机设备内的各类指令以及处理计算机设备的各类数据,例如:CPU可以用于解析用户向计算机设备所发送的开关机指令,并控制计算机设备进行开关机操作;再如:CPU可以在计算机设备内部结构之间传输各类交互数据,等等。通信接口703可选的可以包括标准的有线接口、无线接口(如Wi-Fi、移动通信接口等),受处理器701的控制用于收发数据。存储器702(Memory)是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的存储器702既可以包括计算机设备的内置存储器,当然也可以包括计算机设备所支持的扩展存储器。存储器702提供存储空间,该存储空间存储了计算机设备的操作系统,可包括但不限于:Windows系统、Linux系统等等,本申请对此并不作限定。
在一个实施例中,所述处理器701,具体用于:
获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
在一个实施例中,所述处理器701,具体用于:
根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第一属性标签;
根据所述目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第二属性标签;
根据所述目标车载客户端采集的图像集合,确定所述目标车载客户端的第三属性标签;
将所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,组合为所述目标车载客户端的第四属性标签。
在一个实施例中,所述处理器701,具体用于:
利用目标车载客户端的轨迹数据的定位坐标,确定所述目标车载客户端覆盖路段的行驶次数;
将行驶次数大于第一阈值的覆盖路段作为所述目标车载客户端的第一属性标签。
在一个实施例中,所述处理器701,具体用于:
根据目标车载客户端的轨迹数据中的目的地信息,确定所述目标车载客户端的常驻地区域类型;
根据所述目标车载客户端的常驻地区域类型和第一属性标签,确定车辆类型;
根据所述目标车载客户端的轨迹数据中的定位时间,统计多个行驶时间段包含的定位时间的数量;
将数量大于第二阈值的行驶时间段作为高频行驶时间段。
在一个实施例中,所述处理器701,具体用于:
对所述目标车载客户端采集的图像集合中的每张图像进行语义分割,得到所述目标车载客户端采集的图像集合中的每张图像的多个对象区域;
根据所述图像集合中的每张图像的多个对象区域,确定所述目标车载客户端采集的图像集合中的每张图像的属性指标;
根据所述目标车载客户端采集的图像集合中的每张图像的属性指标确定所述目标车载客户端采集的图像集合中的每张图像的单位成像质量;
根据所述目标车载客户端采集的图像集合中的所有图像的单位成像质量,确定目标车载客户端的第三属性标签。
在一个实施例中,所述处理器701,具体用于:
根据每个车载客户端的设备画像和地图数据采集任务包的执行条件,确定每个车载客户端的匹配分数;
将匹配分数大于第三阈值的车载客户端作为执行所述地图数据采集任务包的车载客户端。
在一个实施例中,所述处理器701,具体用于:
获取目标车载客户端的原始轨迹数据,原始轨迹数据包括多个单位轨迹数据,删除多个单位轨迹数据中的无效单位轨迹数据;
将保留的多个单位轨迹数据进行压缩处理,将压缩处理后的单位轨迹数据组合为所述目标车载客户端的轨迹数据。
通过本申请实施例,利用每个车载客户端的数据集合建立每个车载客户端的设备画像,使得可以根据多个车载客户端的设备画像与地图数据采集任务包的执行条件的匹配分数选取执行地图数据采集任务包的车载客户端,从而可以有约束性地实现地图数据采集任务包的合理分配,提高地图数据的采集效率和质量;同时利用车载客户端的轨迹数据、图像集合和静态信息,以及车载客户端所在车辆的静态信息,使得到的四个维度的属性标签可以精确地描述车载客户端的设备画像,因此能够准确有效地实现地图数据采集任务包的合理分配。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述任务处理方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
本申请一个或多个实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法的实施例中所执行的步骤。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种任务处理方法,其特征在于,所述方法包括:
获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
2.根据权利要求1所述的方法,其特征在于,所述目标车载客户端的设备画像包括:第一属性标签、第二属性标签、第三属性标签和第四属性标签,所述第一属性标签用于表示所述目标车载客户端所在车辆的道路覆盖特征,所述第二属性标签用于表示所述目标车载客户端所在车辆的出行特征,所述第三属性标签用于表示所述目标车载客户端的成像质量,所述第四属性标签包括所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息。
3.根据权利要求2所述的方法,其特征在于,对目标车载客户端的目标数据集合进行设备画像分析,得到目标车载客户端的设备画像的流程,包括:
根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第一属性标签;
根据所述目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第二属性标签;
根据所述目标车载客户端采集的图像集合,确定所述目标车载客户端的第三属性标签;
将所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,组合为所述目标车载客户端的第四属性标签。
4.根据权利要求3所述的方法,其特征在于,所述根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第一属性标签,包括:
利用目标车载客户端的轨迹数据的定位坐标,确定所述目标车载客户端覆盖路段的行驶次数;
将行驶次数大于第一阈值的覆盖路段作为所述目标车载客户端的第一属性标签。
5.根据权利要求3所述的方法,其特征在于,第二属性标签包括:车辆类型和高频行驶时间段;
所述根据目标车载客户端的目标数据集合中包括的轨迹数据,确定所述目标车载客户端的第二属性标签,包括:
根据目标车载客户端的轨迹数据中的目的地信息,确定所述目标车载客户端的常驻地区域类型;
根据所述目标车载客户端的常驻地区域类型和第一属性标签,确定车辆类型;
根据所述目标车载客户端的轨迹数据中的定位时间,统计多个行驶时间段包含的定位时间的数量;
将数量大于第二阈值的行驶时间段作为高频行驶时间段。
6.根据权利要求3所述的方法,其特征在于,所述根据所述目标车载客户端采集的图像集合,确定所述目标车载客户端的第三属性标签,包括:
对所述目标车载客户端采集的图像集合中的每张图像进行语义分割,得到所述目标车载客户端采集的图像集合中的每张图像的多个对象区域;
根据所述图像集合中的每张图像的多个对象区域,确定所述目标车载客户端采集的图像集合中的每张图像的属性指标;
根据所述目标车载客户端采集的图像集合中的每张图像的属性指标确定所述目标车载客户端采集的图像集合中的每张图像的单位成像质量;
根据所述目标车载客户端采集的图像集合中的所有图像的单位成像质量,确定目标车载客户端的第三属性标签。
7.根据权利要求1所述的方法,其特征在于,所述根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端,包括:
根据每个车载客户端的设备画像和地图数据采集任务包的执行条件,确定每个车载客户端的匹配分数;
将匹配分数大于第三阈值的车载客户端作为执行所述地图数据采集任务包的车载客户端。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括;
获取目标车载客户端的原始轨迹数据,原始轨迹数据包括多个单位轨迹数据,删除多个单位轨迹数据中的无效单位轨迹数据;
将保留的多个单位轨迹数据进行压缩处理,将压缩处理后的单位轨迹数据组合为所述目标车载客户端的轨迹数据。
9.一种任务处理装置,其特征在于,所述装置包括:
获取模块,用于获取多个车载客户端分别对应的多个数据集合,目标数据集合包括所述目标数据集合对应的目标车载客户端的轨迹数据、所述目标车载客户端采集的图像集合、所述目标车载客户端的静态信息以及所述目标车载客户端所在车辆的静态信息,所述目标数据集合是多个数据集合中的一个数据集合;
处理模块,用于对每个车载客户端的数据集合分别进行设备画像分析,得到每个车载客户端的设备画像;
处理模块,还用于当接收到针对地图数据采集任务包的分发请求时,根据每个车载客户端的设备画像与地图数据采集任务包的执行条件,确定执行所述地图数据采集任务包的车载客户端;
处理模块,还用于将所述地图数据采集任务包发送至执行所述地图数据采集任务包的车载客户端。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~8任一项所述的任务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059426.4A CN112732446B (zh) | 2021-01-15 | 2021-01-15 | 一种任务处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059426.4A CN112732446B (zh) | 2021-01-15 | 2021-01-15 | 一种任务处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732446A true CN112732446A (zh) | 2021-04-30 |
CN112732446B CN112732446B (zh) | 2022-07-12 |
Family
ID=75591890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059426.4A Active CN112732446B (zh) | 2021-01-15 | 2021-01-15 | 一种任务处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732446B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159728A (zh) * | 2021-05-08 | 2021-07-23 | 廊坊职业技术学院 | 一种园区综合服务管理云储存系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677878A (zh) * | 2016-01-12 | 2016-06-15 | 北京中交兴路车联网科技有限公司 | 一种基于bi系统的车辆信息多维展示的方法及系统 |
CN106600128A (zh) * | 2016-12-06 | 2017-04-26 | 北京中交兴路信息科技有限公司 | 一种车辆画像计算方法及系统 |
EP3358303A1 (en) * | 2017-02-07 | 2018-08-08 | HERE Global B.V. | An apparatus and associated methods for use in updating map data |
CN108833489A (zh) * | 2018-05-24 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 车辆云平台的数据推送、处理方法和装置 |
CN108932331A (zh) * | 2018-07-05 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种地图数据更新方法、装置及系统 |
CN109241373A (zh) * | 2018-11-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于采集数据的方法和装置 |
CN110287276A (zh) * | 2019-05-27 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 高精地图更新方法、装置及存储介质 |
CN110300175A (zh) * | 2019-07-02 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 消息推送方法、装置、存储介质及服务器 |
CN110334885A (zh) * | 2018-04-08 | 2019-10-15 | 腾讯大地通途(北京)科技有限公司 | 任务数据处理方法、装置 |
CN110990692A (zh) * | 2019-11-13 | 2020-04-10 | 上海易点时空网络有限公司 | 基于画像分析的数据处理方法及装置 |
-
2021
- 2021-01-15 CN CN202110059426.4A patent/CN112732446B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677878A (zh) * | 2016-01-12 | 2016-06-15 | 北京中交兴路车联网科技有限公司 | 一种基于bi系统的车辆信息多维展示的方法及系统 |
CN106600128A (zh) * | 2016-12-06 | 2017-04-26 | 北京中交兴路信息科技有限公司 | 一种车辆画像计算方法及系统 |
EP3358303A1 (en) * | 2017-02-07 | 2018-08-08 | HERE Global B.V. | An apparatus and associated methods for use in updating map data |
CN110334885A (zh) * | 2018-04-08 | 2019-10-15 | 腾讯大地通途(北京)科技有限公司 | 任务数据处理方法、装置 |
CN108833489A (zh) * | 2018-05-24 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 车辆云平台的数据推送、处理方法和装置 |
CN108932331A (zh) * | 2018-07-05 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种地图数据更新方法、装置及系统 |
CN109241373A (zh) * | 2018-11-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于采集数据的方法和装置 |
CN110287276A (zh) * | 2019-05-27 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 高精地图更新方法、装置及存储介质 |
CN110300175A (zh) * | 2019-07-02 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 消息推送方法、装置、存储介质及服务器 |
CN110990692A (zh) * | 2019-11-13 | 2020-04-10 | 上海易点时空网络有限公司 | 基于画像分析的数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
CHENGKUN LIU等: "Exploring time-dependent traffic congestion patterns from taxi trajectory data", 《2015 2ND IEEE INTERNATIONAL CONFERENCE ON SPATIAL DATA MINING AND GEOGRAPHICAL KNOWLEDGE SERVICES (ICSDM)》 * |
叶扬等: "一体化地图辅助设计系统的设计与实现", 《地理信息世界》 * |
王冕: "面向自动驾驶的高精度地图及其应用方法", 《地理信息世界》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159728A (zh) * | 2021-05-08 | 2021-07-23 | 廊坊职业技术学院 | 一种园区综合服务管理云储存系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112732446B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021121306A1 (zh) | 视觉定位方法和系统 | |
CN108170793B (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
US11151394B2 (en) | Identifying dynamic objects in a point cloud | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN109510851A (zh) | 地图数据的构建方法和设备 | |
US11392733B2 (en) | Multi-dimensional event model generation | |
CN114299464A (zh) | 车道定位方法、装置及设备 | |
CN115203352B (zh) | 车道级定位方法、装置、计算机设备和存储介质 | |
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
WO2024104012A1 (zh) | 一种车道定位方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 | |
CN114492022A (zh) | 路况传感数据处理方法、装置、设备、程序以及存储介质 | |
CN115393745A (zh) | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 | |
Yang et al. | Road intersection identification from crowdsourced big trace data using Mask‐RCNN | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
CN112732446B (zh) | 一种任务处理方法、装置及存储介质 | |
CN112732860B (zh) | 道路提取方法、装置、可读存储介质及设备 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN112102398B (zh) | 一种定位方法、装置、设备及存储介质 | |
CN115115597A (zh) | 一种目标检测方法、装置、设备及介质 | |
CN117808873B (zh) | 冗余道路检测方法、装置、电子设备及存储介质 | |
Bajracharya | Autowaze: Automated, real-time, and accurate traffic analytics | |
Moseva et al. | On Methods of Verification of Mathematical Models of Traffic Flows on Real Data |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041982 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |