CN112785083A - 到达时间的预估方法、装置、电子设备以及存储介质 - Google Patents
到达时间的预估方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112785083A CN112785083A CN202110166662.6A CN202110166662A CN112785083A CN 112785083 A CN112785083 A CN 112785083A CN 202110166662 A CN202110166662 A CN 202110166662A CN 112785083 A CN112785083 A CN 112785083A
- Authority
- CN
- China
- Prior art keywords
- target route
- route
- map
- driving
- target
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种到达时间的预估方法、装置、电子设备以及存储介质,包括:获取待预估的目标路线和路网信息,所述目标路线包括至少一个路段;采集各路段的行驶参数信息;根据所述行驶参数信息,构建所述目标路线对应的行驶特征图;从所述路网信息中提取各路段在多个维度下的特征信息,并根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图;将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间,该方案可以提高在地图中展示的预估到达时间的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种到达时间的预估方法、装置、电子设备以及存储介质。
背景技术
随着电子设备的移动化和智能化,越来越多的用户在移动终端例如智能手机上安装各类导航软件或者导航应用程序。用户在启动智能手机后,用户会快速进入到路线规划页面,发起路线规划。
其中,到达时间的预估(Estimated Time of Arrival,ETA)是地图软件中的一个基础功能,它所完成的功能是:给定地图上的一条路线和出发时间,预估出走完这条路线所需要的时间。
然而,由于目前的路线规划方案无法很好的刻画路线形状,导致规划的路线不准确,进而降低了到达时间预估的准确性。
发明内容
本申请提供一种到达时间的预估方法、装置、电子设备以及存储介质,可以提高到达时间的预估的准确性,进而提高了到达时间预估的准确性。
本申请提供了一种到达时间的预估方法,包括:
获取待预估的目标路线和路网信息,所述目标路线包括至少一个路段;
采集各路段的行驶参数信息;
根据所述行驶参数信息,构建所述目标路线对应的行驶特征图;
从所述路网信息中提取各路段在多个维度下的特征信息,并根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图;
将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间估。
相应的,本申请还提供了一种到达时间的预估装置,包括:
获取模块,用于获取待预估的目标路线和路网信息,所述目标路线包括至少一个路段;
采集模块,用于采集各路段的行驶参数信息;
构建模块,用于根据所述行驶参数信息,构建所述目标路线对应的行驶特征图;
提取模块,用于从所述路网信息中提取各路段在多个维度下的特征信息;
绘制模块,用于根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图;
预估模块,用于将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间。
可选的,在本申请的一些实施例中,所述绘制模块包括:
调用单元,用于调用预设的初始画布;
绘制单元,用于根据所述行驶特征图以及多个维度下的特征信息,在所述初始画布中绘制所述目标路线对应的目标路线图。
可选的,在本申请的一些实施例中,所述绘制单元包括:
生成子单元,用于根据多个维度下的特征信息,生成所述目标路线的背景;
计算子单元,用于计算所述目标路线对应的图像比例;
绘制子单元,用于基于所述背景、行驶特征图以及图像比例,在所述初始画布中绘制所述目标路线对应的目标路线图。
可选的,在本申请的一些实施例中,所述绘制子单元具体用于:
对所述图像比例进行归一化处理,得到处理后图像比例;
生成所述处理后图像比例对应的灰度图;
在所述初始画布中叠加所述所述背景、行驶特征图和灰度图,得到所述目标路线对应的目标路线图。
可选的,在本申请的一些实施例中,所述构建模块包括:
提取单元,用于根据所述行驶参数信息,模拟经过每个路段对应的速度值;
标记单元,用于基于模拟的速度值对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图。
可选的,在本申请的一些实施例中,所述标记单元具体用于:
将模拟的速度值进行归一化处理,得到归一化后速度值;
以所述归一化后速度值作为灰度,对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图。
可选的,在本申请的一些实施例中,所述获取模块具体用于:
获取路网信息、路线起点和路线终点;
根据所述路网信息、路线起点和路线终点,构建候选路线集合,所述候选路线集合包括至少一个候选路线;
响应于针对所述候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
可选的,在本申请的一些实施例中,还包括训练模块,所述训练模块具体用于:
获取历史路线图,所述历史路线图标注由历史路线的真实到达时间;
将所述历史路线图输入至初始预估模型中,得到所述历史路线图的历史预估时间;
根据所述真实到达时间和史预估时间对所述初始预估模型进行训练,得到预估模型。
本申请实施例在获取待预估的目标路线和路网信息后,所述目标路线包括至少一个路段,采集各路段的行驶参数信息,然后,根据所述行驶参数信息,构建所述目标路线对应的行驶特征图,接着,从所述路网信息中提取各路段在多个维度下的特征信息,并根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,最后,将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间,在本申请提供的到达时间的预估方案中,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
附图说明
为了更清楚地说明本申请中的技术方案,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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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1a是本申请提供的到达时间的预估方法的场景示意图;
图1b是本申请提供的到达时间的预估方法的流程示意图;
图2a是本申请提供的到达时间的预估方法的另一流程示意图;
图2b是本申请提供的到达时间的预估方法的另一场景示意图;
图2c是本申请提供的到达时间的预估方法中图像渲染结果的示意图
图3a是本申请提供的到达时间的预估装置的结构示意图;
图3b是本申请提供的到达时间的预估装置的又一结构示意图;
图4是本申请提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请提供一种到达时间的预估方法、装置、电子设备和存储介质。
其中,该到达时间的预估装置具体可以集成在终端或服务器中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、行车记录仪或者智能车辆等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,其中,服务器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、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,本申请在此不做限制。
例如,请参阅图1a,本申请提供一种到达时间的预估系统,该到达时间的预估系统包括目标车辆10以及服务器20,该到达时间的预估装置集成在服务器20中服务器20获取目标车辆10前往目的地的录像(即待预估的目标路线),该目标路线包括至少一个路段,然后,服务器20采集各路段的行驶参数信息,如每个路段的道路拥堵信息等等,接着,服务器根据该行驶参数信息,构建目标路线对应的行驶特征图,再然后,服务器20从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,最后,服务器20将目标路线图输入至预估模型中,以预估目标路线的到达时间。
本申请提供的到达时间的预估方法,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优先顺序的限定。
本实施例将从到达时间的预估装置集成在观众终端的角度进行描述。
一种到达时间的预估方法,包括:获取待预估的目标路线和路网信息,采集各路段的行驶参数信息,根据行驶参数信息,构建目标路线对应的行驶特征图,从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,将目标路线图输入至预估模型中,以预估目标路线的到达时间。
请参阅图1b,图1b为本申请提供的到达时间的预估方法的流程示意图。该到达时间的预估方法的具体流程可以如下:
101、获取待预估的目标路线和路网信息。
其中,该目标路线包括至少一个路段,在地图应用中,路线是用路段(link)的序列来表达的。在地图数据中,道路被划分为一段一段的线段,这些线段的长度在几十米到几公里不等,每个线段称为一个路段,并被赋予一个全局唯一的id。因此,地图中的一条路线,就是这条路线中所有路段组成的序列,路网指的是在一定区域内,由各种道路组成的相互联络、交织成网状分布的道路系统;全部由各级公路组成的称公路网;在城市范围内由各种道路组成的称城市道路网。
目标路线可以根据用户选择的目标起点和目标终点所生成的,也可以是从数据库中获取得到的,具体根据实际情况而定,即,可选的,在一些实施例中,步骤“获取待预估的目标路线和路网信息”,具体可以包括:
(11)获取路网信息、路线起点和路线终点;
(12)根据路网信息、路线起点和路线终点,构建候选路线集合;
(13)响应于针对候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
其中,候选路线集合包括至少一个候选路线,比如,用户在使用地图导航应用时,在地图导航应用中设置了路线起点和路线终点,此时,获取路网络信息、以及用户输入的路线起点和路线终点,然后,基于路网信息、路线起点和路线终点,构建候选路线集合,该候选路线集合包括经过该路线起点和路线终点的至少一条路线,最后,响应于用户针对候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
102、采集各路段的行驶参数信息。
其中,行驶参数信息可以携带有路段的路况信息以及车道数量信息,可以根据实际情况进行选择,在此不作限定。
103、根据行驶参数信息,构建目标路线对应的行驶特征图。
比如,可以从行驶参数信息中提取路段的路况信息,然后,基于该路况信息对目标路线的各路段进行染色处理,比如,拥堵路段对应的颜色为红色,畅通路段对应的颜色为绿色。
又比如,可以从行驶参数信息中提取路段的车道数量信息,然后,基于该车道数量信息对目标路线的各路段进行染色处理,比如,5车道路段对应的颜色为白色,4车道路段对应的颜色为黄色,等等。
进一步的,还可以根据行驶参数信息,模拟经过每个路段对应的速度值,然后,基于速度值对目标路线中的路段进行标记,即,可选的,在一些实施例中,步骤“根据行驶参数信息,构建目标路线对应的行驶特征图”,具体可以包括:
(21)根据行驶参数信息,模拟经过每个路段对应的速度值;
(22)基于模拟的速度值对目标路线中的路段进行标记,得到目标路线对应的行驶特征图。
例如,具体的,基于模拟的速度值对目标路线中的路段进行染色,不同的速度区间对应不同的颜色,如,60公里/每小时至80公里每小时这个速度区间所对应的颜色为绿色,40公里/每小时至60公里每小时这个速度区间所对应的颜色为黄色,等等,另外,需要说明的是,可以基于行驶参数信息,确定速度区间对应的颜色,如,在2车道路段中,40公里/每小时至60公里每小时这个速度区间所对应的颜色为绿色,而在5车道路段中,40公里/每小时至60公里每小时这个速度区间所对应的颜色为黄色。
进一步的,为了便于后续构建的目标路线图便于输入至模型至,因此,在一些实施例中,可以将速度值进行归一化处理,以对目标路线中的路段进行标记,即,可选的,在一些实施例中,步骤“基于模拟的速度值对目标路线中的路段进行标记,得到目标路线对应的行驶特征图”,具体可以包括
(31)将模拟的速度值进行归一化处理,得到归一化后速度值;
(31)以归一化后速度值作为灰度,对目标路线中的路段进行标记,得到目标路线对应的行驶特征图。
具体的,将模拟的速度值归一化到0~255的范围内,并使用归一化的数值作为灰度,对路线中的各路段赋予颜色,得到目标路线对应的行驶特征图。
104、从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图。
其中,多个维度可以包括道路等级、热门关注点以及限速等维度,道路等级可以分为快速路、主干路、次干路以及支路四级,热门关注点又称兴趣点(Point Of Interest,POI),即地图上人们感兴趣的地点,例如商场、地铁站、公园、加油站以及博物馆等。
例如,可以调用预设的画布,然后,根据行驶特征图以及多个维度下的特征信息,在初始画布中绘制目标路线对应的目标路线图,即,可选的,在一些实施例中,步骤“根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图”,具体可以包括:
(41)调用预设的初始画布;
(42)根据行驶特征图以及多个维度下的特征信息,在初始画布中绘制目标路线对应的目标路线图。
具体的,可以根据多个维度下的特征信息,生成目标路线的背景,然后,计算该目标路线的图像比例,最后,基于背景、行驶特征图以及图像比例,在初始画布中绘制目标路线对应的目标路线图,即,可选的,在一些实施例中,步骤“根据行驶特征图以及多个维度下的特征信息,在初始画布中绘制目标路线对应的目标路线图”,具体可以包括:
(51)根据多个维度下的特征信息,生成目标路线的背景;
(52)计算目标路线对应的图像比例;
(53)基于背景、行驶特征图以及图像比例,在初始画布中绘制目标路线对应的目标路线图。
为了使得图像比例能够以图形的方式输入至模型中预估到达时间,可以将图像比例转换成对应的灰度图,即,步骤“基于背景、行驶特征图以及图像比例,在初始画布中绘制目标路线对应的目标路线图”,具体可以包括:
(61)对图像比例进行归一化处理,得到处理后图像比例;
(62)生成处理后图像比例对应的灰度图;
(63)在初始画布中叠加背景、行驶特征图和灰度图,得到目标路线对应的目标路线图。
例如,具体的,在得到目标路线对应的图像比例后,可以将其归一化至0~255范围内的数值中,比如,图像比例为1:1000,将1归一化至数值0中,将1000归一化至数值255中,其他数值以此类推,随后,得到处理后图像比例,然后,还是以目标路线为基准,在初始画布中叠加背景、行驶特征图和灰度图,得到目标路线对应的目标路线图,需要说明的是,处理后图像比例是对路段的长度进行标记,比如,采用不同的灰阶对不同长度的路段进行标记,最终生成处理后图像比例对应的灰度图,还需要说明的是,行驶特征图和灰度图均为灰度图像,即颜色通道数据均为1,因此,叠加得到的目标路线图为一张M个通道的图像,由于M通常是大于3的,因此这张图片不能用一般的三通道图片浏览器查看。但是,它可以输入到神经网络中使用。
105、将目标路线图输入至预估模型中,以预估目标路线的到达时间。
其中,该预估模型可以是预先设置的,可以为深度残差网络(Deep residualnetwork,ResNet)或Inception卷积神经网络模型,以ResNet为例,ResNet引入了所谓“身份近路连接(IdentityShortcut Connection)”的核心思想。其灵感来源:对于一个达到了饱和准确率的比较浅的网络,当在后面加上几个全等映射层(即y=x)时,误差不会因此而增加。也就是说,更深的网络不应该带来训练集上误差上升。需要说明的,在本申请中,该预估模型可以根据实际应用的需求进行设定,比如,该模型可以包括四个卷积层和一个全连接层。
卷积层:主要用于对输入的样本(比如训练样本或需要识别的图像)进行特征提取,其中,卷积核大小可以根据实际应用而定,比如,从第一层卷积层至第四层卷积层的卷积核大小依次可以为(7,7),(5,5),(3,3),(3,3);可选的,为了降低计算的复杂度,提高计算效率,在本实施例中,这四层卷积层的卷积核大小可以都设置为(3,3),激活函数均采用“relu(线性整流函数,Rectified Linear Unit)”,而padding(padding,指属性定义元素边框与元素内容之间的空间)方式均设置为“same”,“same”填充方式可以简单理解为以0填充边缘,左边(上边)补0的个数和右边(下边)补0的个数一样或少一个。可选的,卷积层与卷积层之间可以通过直连的方式连接,从而加快网络收敛速度,为了进一步减少计算量,还可以在第二至第四层卷积层中的所有层或任意1~2层进行下采样(pooling)操作,该下采样操作与卷积的操作基本相同,只不过下采样的卷积核为只取对应位置的最大值(maxpooling)或平均值(average pooling)等,为了描述方便,在本申请中,将均以在第二层卷积层和第三次卷积层中进行下采样操作,且该下采样操作具体为max pooling为例进行说明。
需说明的是,为了描述方便,在本申请中,将激活函数所在层和下采样层(也称为池化层)均归入卷积层中,应当理解的是,也可以认为该结构包括卷积层、激活函数所在层、下采样层(即池化层)和全连接层,当然,还可以包括用于输入数据的输入层和用于输出数据的输出层,在此不再赘述。
全连接层:可以将学到的特征映射到样本标记空间,其在整个卷积神经网络中主要起到“分类器”的作用,全连接层的每一个结点都与上一层(如卷积层中的下采样层)输出的所有结点相连,其中,全连接层的一个结点即称为全连接层中的一个神经元,全连接层中神经元的数量可以根据实际应用的需求而定,比如,在该孪生神经网络模型的上半分支网络和下半分支网络中,全连接层的神经元数量可以均设置为512个,或者,也可以均设置为128个,等等。与卷积层类似,可选的,在全连接层中,也可以通过加入激活函数来加入非线性因素,比如,可以加入激活函数sigmoid(S型函数)。
首先,获取初始预估模型,以历史路线图作为初始预估模型的输入,该历史路线标注有历史路线的真实到达时间,将历史路线图输入至初始预估模型中,得到历史路线图的历史预估时间,然后,再通过真实到达时间和史预估时间计算该初始预估模型的损失,最后,利用该损失收敛初始预估模型,得到预估模型。
具体的,可以采集目标对象的历史轨迹对应的路网信息,其中,目标对象可以是智能车辆、无人机或机器人,以目标对象为车辆进行具体说明,可以从车辆的接收机中获取目标设备在行驶过程中产生的历史行驶轨迹,当然,也可以与服务器进行连接,从服务器中获取车辆在行驶过程中产生的历史行驶轨迹,与服务器可以通过有线或无线通信方式进行直接或间接地连接,具体根据实际情况而定,在此不再赘述,然后,可以从路网信息中提取历史轨迹中每个轨迹点的坐标,并根据提取到的坐标绘制历史轨迹对应的历史路线,接着,获取目标对象行驶在各路段中的速度值,再然后,从路网信息中提取各路段在多个维度下的特征信息,并根据速度值以及多个维度下的特征信息,绘制历史轨迹对应的历史路线图,绘制历史路线的方法请参阅前面实施例,在此不再赘述,最后,采用历史路线图对初始预估模型进行训练,得到预估模型。
本申请实施例在获取待预估的目标路线和路网信息后,采集各路段的行驶参数信息,然后,根据行驶参数信息,构建目标路线对应的行驶特征图,接着,从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,最后,将目标路线图输入至预估模型中,以预估目标路线的到达时间,在本申请提供的到达时间的预估方案中,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
进一步的,本实施例将从到达时间的预估装置集成在终端的角度进行描述。
请参阅图2a,一种到达时间的预估方法,具体流程可以如下:
201、终端获取待预估的目标路线和路网信息。
其中,该目标路线包括至少一个路段,在地图应用中,路线是用路段(link)的序列来表达的。在地图数据中,道路被划分为一段一段的线段,这些线段的长度在几十米到几公里不等,每个线段称为一个路段,并被赋予一个全局唯一的id。因此,地图中的一条路线,就是这条路线中所有路段组成的序列,路网指的是在一定区域内,由各种道路组成的相互联络、交织成网状分布的道路系统;全部由各级公路组成的称公路网;在城市范围内由各种道路组成的称城市道路网。
202、终端采集各路段的行驶参数信息。
其中,行驶参数信息可以携带有路段的路况信息以及车道数量信息,可以根据实际情况进行选择,在此不作限定。
203、终端根据行驶参数信息,构建目标路线对应的行驶特征图。
比如,终端可以从行驶参数信息中提取路段的路况信息,然后,终端基于该路况信息对目标路线的各路段进行染色处理,比如,拥堵路段对应的颜色为红色,畅通路段对应的颜色为绿色。
又比如,终端可以从行驶参数信息中提取路段的车道数量信息,然后,终端基于该车道数量信息对目标路线的各路段进行染色处理,比如,5车道路段对应的颜色为白色,4车道路段对应的颜色为黄色,等等。
当然,终端还可以根据行驶参数信息,模拟经过每个路段对应的速度值,然后,终端基于速度值对目标路线中的路段进行标记。
204、终端从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图。
例如,终端可以调用预设的画布,然后,终端根据行驶特征图以及多个维度下的特征信息,在初始画布中绘制目标路线对应的目标路线图。
205、终端将目标路线图输入至预估模型中,以预估目标路线的到达时间。
例如,具体的,终端将目标路线图输入至预估模型,输出该目标路线的到达时间,其中,该预估模型可以是终端预先训练的,训练过程请参阅前面实施例,在此不再赘述。
本申请实施例的终端在获取待预估的目标路线和路网信息后,终端采集各路段的行驶参数信息,然后,终端根据行驶参数信息,构建目标路线对应的行驶特征图,接着,终端从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,最后,终端将目标路线图输入至预估模型中,以预估目标路线的到达时间,在本申请提供的到达时间的预估方案中,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
为了便于进一步理解本申请的到达时间的预估方案,请参阅图2b,以下以用户出行的场景进一步举例进行说明,本申请提供一种到达时间的预估系统,包括用户a、手机b以及服务器c,当用户a在手机b中输入目的地后,手机b可以根据用户a的选择确定起点,然后,手机b将起点和目的地发送至服务器c,服务器c接收到手机b发送的起点和目的地后,利用到达时间的预估模型规划起点到目的地之间的至少一条路线,并输出每条路线对应的预估到达时间。
其中,到达时间的预估模型可以由服务器c预先训练得到的,具体的,首先服务器c获取目标对象的历史行驶轨迹对应的路网信息,然后,服务器c执行如下步骤:
1、初始化一个空白画布;
2、路线的绘制:
从路网数据中,可以提取出路线中各路段的经纬度坐标,从而可以在空白画布上绘制出各个路段;
同时,从路网数据中还可以获得各个路口的信息,并据此在画布上绘制各路口的红绿灯、收费站等要素,不同要素可以用不同形状表示,例如红绿灯用圆形,收费站用正方形等;
此外,起终点还可以有特殊的标识,例如起点使用浅色五角星表示,终点使用深色五角星表示;
3、路线的染色:提取出路线中的每个路段的实时速度,并将其归一化到0~255的范围内,并使用归一化的数值作为灰度,对路线中的各路段赋予颜色;
4、背景图的渲染:根据路网数据,可以提取出各路段周边的信息,例如周边道路、热门POI等,也绘制到画布上,并根据速度、热度等进行染色,作为上面绘制出的路线的背景;
5、后期处理和位图输出:
对得到的图像进行旋转,使得路线起点和终点均位于Y轴上
然后对图像进行平移,使得路线y值最小的点位于X轴;
然后对图像进行缩放,使得y值最大的点位于y=255处;
然后沿路线计算各路段的最大x、最小x、最大y、最小y,进而可以计算出图像的宽度和高度,取二者较大的一个,截取出包含完整路线图像的正方形;
将得到的正方形输出为一个256*256的位图(灰度图)。
6、计算所得图片的比例尺,并将其归一化到0~255(像素)的范围内,然后使用归一化的比例尺作为灰度,输出一个位图。
7、重复1~5步,得到不同特征下的位图。
经过上述步骤,假设每个路段有5个特征(实时速度、历史速度、道路等级),那么最终绘制出5个灰度图,以及一张用比例尺作为颜色绘制的灰度图,共6张图片。
请参阅图2c,图2c展示了两种可能的渲染结果。左图是使用简单的绘制方法,标示出起点、终点、使用实时速度表示不同灰度的情况下绘制出的图片;右图则是包含了丰富路网信息的渲染结果需要注意的是服务器c在渲染时,可以是每条路线单独渲染,也可以预先渲染好整个路网,再从中截取不同的路线,最后,将这些位图进行叠加,并将叠加后的图像输入到神经网络中进行训练和学习。
为便于更好的实施本申请的到达时间的预估方法,本申请还提供一种基于上述到达时间的预估装置(简称预估装置),所提及名词的含义与上述到达时间的预估方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图3a,图3a为本申请提供的到达时间的预估装置的结构示意图,其中该预估装置可以包括获取模块301、采集模块302、构建模块303、提取模块304、绘制模块305以及预估模块306,具体可以如下:
获取模块301,用于获取待预估的目标路线和路网信息。
其中,该目标路线包括至少一个路段,用户在使用地图导航应用时,在地图导航应用中设置了路线起点和路线终点,此时,获取模块301获取路网络信息、以及用户输入的路线起点和路线终点,然后,获取模块301基于路网信息、路线起点和路线终点,构建候选路线集合,该候选路线集合包括经过该路线起点和路线终点的至少一条路线,最后,获取模块301响应于用户针对候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
可选的,在一些实施例中,获取模块301具体可以用于获取路网信息、路线起点和路线终点;根据所述路网信息、路线起点和路线终点,构建候选路线集合,候选路线集合包括至少一个候选路线;响应于针对候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
采集模块302,用于采集各路段的行驶参数信息。
其中,行驶参数信息可以携带有路段的路况信息以及车道数量信息,可以根据实际情况进行选择,在此不作限定。
构建模块303,用于根据行驶参数信息,构建目标路线对应的行驶特征图。
构建模块303可以根据行驶参数信息,模拟经过每个路段对应的速度值,然后,构建模块303基于速度值对目标路线中的路段进行标记,得到目标路线对应的行驶特征图,即,可选的,在一些实施例中,构建模块303具体可以包括:
提取单元,用于根据行驶参数信息,模拟经过每个路段对应的速度值;
标记单元,用于基于模拟的速度值对目标路线中的路段进行标记,得到目标路线对应的行驶特征图。
可选的,在一些实施例中,标记单元具体可以用于:将模拟的速度值进行归一化处理,得到归一化后速度值;以归一化后速度值作为灰度,对目标路线中的路段进行标记,得到目标路线对应的行驶特征图。
提取模块304,用于从路网信息中提取各路段在多个维度下的特征信息。
绘制模块305,用于根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图。
可选的,在一些实施例中,绘制模块305具体可以包括:
调用单元,用于调用预设的初始画布;
绘制单元,用于根据行驶特征图以及多个维度下的特征信息,在初始画布中绘制目标路线对应的目标路线图。
可选的,在一些实施例中,绘制单元具体可以包括:
生成子单元,用于根据多个维度下的特征信息,生成目标路线的背景;
计算子单元,用于计算目标路线对应的图像比例;
绘制子单元,用于基于背景、行驶特征图以及图像比例,在初始画布中绘制目标路线对应的目标路线图。
可选的,在一些实施例中,绘制子单元具体可以用于:对图像比例进行归一化处理,得到处理后图像比例;生成处理后图像比例对应的灰度图;在初始画布中叠加背景、行驶特征图和灰度图,得到目标路线对应的目标路线图。
预估模块306,用于将目标路线图输入至预估模型中,以预估目标路线的到达时间。
可选的,在一些实施例中,请参阅图3b,预估装置还可以包括训练模块307,训练模块307具体用于:获取历史路线图,该历史路线图标注有历史路线的真实到达时间;将历史路线图输入至初始预估模型中,得到历史路线图的历史预估时间;根据真实到达时间和史预估时间对初始预估模型进行训练,得到预估模型。
本申请实施例的获取模块301在获取待预估的目标路线和路网信息后,采集模块302采集各路段的行驶参数信息,然后,构建模块303根据行驶参数信息,构建目标路线对应的行驶特征图,接着,提取模块304从路网信息中提取各路段在多个维度下的特征信息,绘制模块305根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,最后,预估模块306将目标路线图输入至预估模型中,以预估目标路线的到达时间,在本申请提供的到达时间的预估方案中,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
此外,本申请还提供一种电子设备,如图4所示,其示出了本申请所涉及的电子设备的结构示意图,具体来讲:该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备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、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取待预估的目标路线和路网信息,采集各路段的行驶参数信息,根据行驶参数信息,构建目标路线对应的行驶特征图,从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,将目标路线图输入至预估模型中,以预估目标路线的到达时间。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本申请实施例在获取待预估的目标路线和路网信息后,采集各路段的行驶参数信息,然后,根据行驶参数信息,构建目标路线对应的行驶特征图,接着,从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,最后,将目标路线图输入至预估模型中,以预估目标路线的到达时间,在本申请提供的到达时间的预估方案中,根据行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,使得目标路线图中具有多个维度的图形表示,后续可以利用道路多个维度的特征信息进行到达时间的预估,因此,提高了到达时间的预估的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请所提供的任一种到达时间的预估方法中的步骤。例如,该指令可以执行如下步骤:
获取待预估的目标路线和路网信息,采集各路段的行驶参数信息,根据行驶参数信息,构建目标路线对应的行驶特征图,从路网信息中提取各路段在多个维度下的特征信息,并根据行驶特征图以及多个维度下的特征信息,绘制目标路线对应的目标路线图,将目标路线图输入至预估模型中,以预估目标路线的到达时间。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请所提供的任一种到达时间的预估方法中的步骤,因此,可以实现本申请所提供的任一种到达时间的预估方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
根据本申请的一个方面,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种可选实现方式中提供的方法。
以上对本申请所提供的一种到达时间的预估方法、装置、电子设备以及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种到达时间的预估方法,其特征在于,包括:
获取待预估的目标路线和路网信息,所述目标路线包括至少一个路段;
采集各路段的行驶参数信息;
根据所述行驶参数信息,构建所述目标路线对应的行驶特征图;
从所述路网信息中提取各路段在多个维度下的特征信息,并根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图;
将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间。
2.根据权利要求1所述的方法,其特征在于,所述根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图,包括:
调用预设的初始画布;
根据所述行驶特征图以及多个维度下的特征信息,在所述初始画布中绘制所述目标路线对应的目标路线图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述行驶特征图以及多个维度下的特征信息,在所述初始画布中绘制所述目标路线对应的目标路线图,包括:
根据多个维度下的特征信息,生成所述目标路线的背景;
计算所述目标路线对应的图像比例;
基于所述背景、行驶特征图以及图像比例,在所述初始画布中绘制所述目标路线对应的目标路线图。
4.根据权利要求3所述的方法,其特征在于,所述基于所述背景、行驶特征图以及图像比例,在所述初始画布中绘制所述目标路线对应的目标路线图,包括:
对所述图像比例进行归一化处理,得到处理后图像比例;
生成所述处理后图像比例对应的灰度图;
在所述初始画布中叠加所述所述背景、行驶特征图和灰度图,得到所述目标路线对应的目标路线图。
5.根据权利要求1至4任一项所述的方法去,其特征在于,所述根据所述行驶参数信息,构建所述目标路线对应的行驶特征图,包括:
根据所述行驶参数信息,模拟经过每个路段对应的速度值;
基于模拟的速度值对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图。
6.根据权利要求5所述的方法,其特征在于,所述基于模拟的速度值对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图,包括:
将模拟的速度值进行归一化处理,得到归一化后速度值;
以所述归一化后速度值作为灰度,对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述获取待预估的目标路线和路网信息,包括:
获取路网信息、路线起点和路线终点;
根据所述路网信息、路线起点和路线终点,构建候选路线集合,所述候选路线集合包括至少一个候选路线;
响应于针对所述候选路线集合中候选路线的选择操作,将选择候选路线确定为目标路线。
8.根据权利要求1至4任一项所述的方法,其特征在于,还包括:
获取历史路线图,所述历史路线图标注有历史路线的真实到达时间;
将所述历史路线图输入至初始预估模型中,得到所述历史路线图的历史预估时间;
根据所述真实到达时间和史预估时间对所述初始预估模型进行训练,得到预估模型。
9.一种到达时间的预估装置,其特征在于,包括:
获取模块,用于获取待预估的目标路线和路网信息,所述目标路线包括至少一个路段;
采集模块,用于采集各路段的行驶参数信息;
构建模块,用于根据所述行驶参数信息,构建所述目标路线对应的行驶特征图;
提取模块,用于从所述路网信息中提取各路段在多个维度下的特征信息;
绘制模块,用于根据所述行驶特征图以及多个维度下的特征信息,绘制所述目标路线对应的目标路线图;
预估模块,用于将所述目标路线图输入至预估模型中,以预估所述目标路线的到达时间。
10.根据权利要求9所述的装置,其特征在于,所述绘制模块包括:
调用单元,用于调用预设的初始画布;
绘制单元,用于根据所述行驶特征图以及多个维度下的特征信息,在所述初始画布中绘制所述目标路线对应的目标路线图。
11.根据权利要求10所述的装置,其特征在于,所述绘制单元包括:
生成子单元,用于根据多个维度下的特征信息,生成所述目标路线的背景;
计算子单元,用于计算所述目标路线对应的图像比例;
绘制子单元,用于基于所述背景、行驶特征图以及图像比例,在所述初始画布中绘制所述目标路线对应的目标路线图。
12.根据权利要求11所述的装置,其特征在于,所述绘制子单元具体用于:
对所述图像比例进行归一化处理,得到处理后图像比例;
生成所述处理后图像比例对应的灰度图;
在所述初始画布中叠加所述所述背景、行驶特征图和灰度图,得到所述目标路线对应的目标路线图。
13.根据权利要求12所述的装置,其特征在于,所述构建模块包括:
提取单元,用于根据所述行驶参数信息,模拟经过每个路段对应的速度值;
标记单元,用于基于模拟的速度值对所述目标路线中的路段进行标记,得到所述目标路线对应的行驶特征图。
14.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1-8任一项所述到达时间的预估方法的步骤。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述到达时间的预估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166662.6A CN112785083B (zh) | 2021-02-04 | 2021-02-04 | 到达时间的预估方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166662.6A CN112785083B (zh) | 2021-02-04 | 2021-02-04 | 到达时间的预估方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785083A true CN112785083A (zh) | 2021-05-11 |
CN112785083B CN112785083B (zh) | 2022-05-10 |
Family
ID=75761123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166662.6A Active CN112785083B (zh) | 2021-02-04 | 2021-02-04 | 到达时间的预估方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785083B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153049A (zh) * | 2023-04-04 | 2023-05-23 | 四川互慧软件有限公司 | 一种基于图像处理的救护车到院时间预估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106006A1 (en) * | 2013-10-11 | 2015-04-16 | Kevin NAJAFI | Method of route scheduling and devices thereof |
CN109671133A (zh) * | 2018-12-12 | 2019-04-23 | 成都四方伟业软件股份有限公司 | 轨迹的生成方法、装置、电子设备及存储介质 |
CN111353009A (zh) * | 2020-02-03 | 2020-06-30 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 |
CN111582559A (zh) * | 2020-04-21 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种到达时间的预估方法及装置 |
CN112036645A (zh) * | 2017-04-27 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
-
2021
- 2021-02-04 CN CN202110166662.6A patent/CN112785083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106006A1 (en) * | 2013-10-11 | 2015-04-16 | Kevin NAJAFI | Method of route scheduling and devices thereof |
CN112036645A (zh) * | 2017-04-27 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN109671133A (zh) * | 2018-12-12 | 2019-04-23 | 成都四方伟业软件股份有限公司 | 轨迹的生成方法、装置、电子设备及存储介质 |
CN111353009A (zh) * | 2020-02-03 | 2020-06-30 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 |
CN111582559A (zh) * | 2020-04-21 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 一种到达时间的预估方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153049A (zh) * | 2023-04-04 | 2023-05-23 | 四川互慧软件有限公司 | 一种基于图像处理的救护车到院时间预估方法 |
CN116153049B (zh) * | 2023-04-04 | 2023-06-27 | 四川互慧软件有限公司 | 一种基于图像处理的救护车到院时间预估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112785083B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339669B2 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
US11798225B2 (en) | 3D building generation using topology | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN112650772B (zh) | 数据处理方法、装置、存储介质及计算机设备 | |
CN110348463A (zh) | 用于识别车辆的方法和装置 | |
CN111931683A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN113326826A (zh) | 网络模型的训练方法、装置、电子设备及存储介质 | |
CN113762039A (zh) | 一种交通标志牌的信息匹配方法及相关装置 | |
CN112785083B (zh) | 到达时间的预估方法、装置、电子设备以及存储介质 | |
CN111428191A (zh) | 基于知识蒸馏的天线下倾角计算方法、装置和存储介质 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN114419338B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN114998570B (zh) | 一种对象检测框的确定方法、装置、存储介质及电子装置 | |
CN116627637A (zh) | 基于云边端架构的机器人展厅场景的多终端任务协同方法和装置 | |
CN116434173A (zh) | 道路图像检测方法、装置、电子设备及存储介质 | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 | |
CN115690366A (zh) | 一种基于ar技术的智慧景区实景体验系统 | |
CN114396956A (zh) | 导航方法及装置、计算设备、存储介质和计算机程序产品 | |
CN111006653A (zh) | 智能路线规划方法及设备 | |
CN110929618A (zh) | 一种用于配电网跨越式建筑的安全隐患检测与评估方法 | |
CN111814555B (zh) | 一种基于多源数据的土地功能智能识别方法、系统及设备 | |
CN114863685B (zh) | 一种基于风险接受程度的交通参与者轨迹预测方法及系统 |
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: 40044435 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |