CN112798007A - 一种基于人工智能与大数据的共享单车风感路线评估方法 - Google Patents
一种基于人工智能与大数据的共享单车风感路线评估方法 Download PDFInfo
- Publication number
- CN112798007A CN112798007A CN202110165229.0A CN202110165229A CN112798007A CN 112798007 A CN112798007 A CN 112798007A CN 202110165229 A CN202110165229 A CN 202110165229A CN 112798007 A CN112798007 A CN 112798007A
- Authority
- CN
- China
- Prior art keywords
- wind
- route
- gust
- sensation
- riding
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能与大数据的共享单车风感路线评估方法,改善了现有技术中因单车骑行时风感造成不同舒适度的问题。该发明含有以下步骤:通过大数据获取当前地区的历史风力气象数据,并对其进行自定义聚类;将聚类结果输入已经训练好的LSTM模型;结合实时卫星给出的全景地图和CIM城市模型得到各备选路线的三维点云模型;由三维点云提供各备选路线的相应特征量,结合得到的风力波动间隔进行各路线的风感权重匹配计算;由最终得到的评估结果确定最佳的风感路线供骑行人员进行选择。该技术通过风感评估使骑行人员在骑车之前就了解哪条路线结合风力影响后更适合自己,从而提升对共享单车的体验感。
Description
技术领域
本发明涉及计算机智能运算技术领域,特别是涉及一种基于人工智能与大数据的共享单车风感路线评估方法。
背景技术
在当前倡导节能环保的大趋势下,方便快捷而又低碳的共享单车是比较流行的出行方式之一。目前主流的各个地图或者共享单车APP中均会提供与相应出行方式相匹配的路线规划,这些规划不仅能告知详细的站点和拥堵路段信息,还会给用户几条可供选择的路线,如距离最短、时间最短等规划路线。
虽然共享单车的路线规划已经相当详细,但是在真正的使用场景中,人们骑行共享单车时最经常面临的一个问题就是风的影响。如果是顺风骑行,会提高人们的骑行体验;而如果是逆风骑行,不仅会使人骑行更费力,也会使人经受风力的吹拂,特别是在天气寒冷,温度较低的北方地区,当风力较大时会给骑行的人带来相当差的体验感受。而目前市面主流的可供选择的规划路线并不会提供这方面的路线规划,导致人们在骑车时无法有效避免较差风感带来的影响。
发明内容
本发明克服了现有技术中单车骑行时风感造成不同舒适度的问题,提供一种可选风感舒适度的基于人工智能与大数据的共享单车风感路线评估方法。
本发明的技术解决方案是,提供一种具有以下步骤的基于人工智能与大数据的共享单车风感路线评估方法:步骤1,通过大数据获取当前地区的历史风力气象数据,并对其进行自定义聚类;
步骤2,将聚类结果输入已经训练好的LSTM模型,对当前地区接下来的风力波动间隔进行预测分析;
步骤3,由得到的路线图进行路线筛选后,结合实时卫星给出的全景地图和CIM城市模型得到各备选路线的三维点云模型;
步骤4,由三维点云提供各备选路线的相应特征量,结合得到的风力波动间隔进行各路线的风感权重匹配计算;
步骤5,由最终得到的评估结果确定最佳的风感路线供骑行人员进行选择。
优选地,所述步骤1中聚类的主要过程为:步骤1.1,统计前一天24小时内每分钟所对应的风力平均值;
步骤1.2,以任何尚未访问过的任意起始数据点为中心点,并对该中心点进行扩充,其中扩充的步长为一分钟,如果其相邻的数据点风力值大于平均风力值,则开始聚类,且选中的中心点会成为该聚类的第一个点如果附近的点不满足要求,则将其先标记为噪声;
步骤1.3,聚类开始后,从该点出发的半径内的所有数据点会被划分到同一聚类中,当数据点检索遍历完毕,每个点都被标记为属于一个聚类或者噪声;
步骤1.4,记录每段聚类和每段噪声的时间点和持续时间,以及每个聚类所对应的风力。
优选地,所述步骤2包括:
步骤2.1,训练数据选用当前地区两年内同季度的风力信息,包括风力大小,风向信息,以及阵风之间的间隔,阵风的持续时间,无阵风的持续时间等节点的时间信息;
步骤2.2,数据以70%和30%的比例被划分为训练集和测试集,用于模型训练与参数调节,采用网络是Encoder网络和Decoder网络,其中Encoder网络将输入序列转化为一个固定长度的向量,Decoder将输入的固定长度向量解码成输出序列;
步骤2.3,使用均方根误差函数计算损失函数。
优选地,所述步骤3包括:
步骤3.1,选取前三条不同的行进路线进行风感评估,对每条待评估的路线,根据实时全景地图并搭配CIM城市模型得到路线上各处建筑物的三维轮廓信息、长宽信息以及高度信息;
步骤3.2,设阵风风速是平均风速的1.5倍或者0.5倍,选择持续风速和阵风风速2-6级的场景进行评估;
步骤3.3,对筛选出的路线进行风力和阵风的路线匹配,具体过程为:对2—6级风分别设置相应的风感评分,从小到大分别为10,20,40,70,100,并为各级风分配相同的风感系数1,即在单次路程中,如无阵风,相应的风感系数即为1,若有阵风,则需按阵风时间分配相应的权重系数;根据LSTM的预测结果对各条路线进行阵风匹配,设各级风下的骑行速度均为va=10.9公里每秒;设三条可选择路线的总路程分别为s1,s2,s3,则根据平均速度va得到各条路线上的平均骑行时间,再联合LSTM预测到的阵风波动间隔以及当天的风力数据,得到每条路线上的风向及平均风力大小和阵风的出现时间点及持续时间。
优选地,所述步骤4包括:步骤4.1,设用户从出发点到终点有两条线路可走,第一条路线是先正北走再向正东走到达目的地;第二条是先正东走再正北走到达目的地;由于各路线上匹配到的阵风频率及持续时间并不一致,且各路线上的建筑布局和道路的宽窄均会影响到风对人的作用力大小,即风感的大小;以第二条路线为例,当风向不为垂直或水平时,其对骑行时正东段和正北段均会产生影响,此时道路两旁即使均有建筑,也只有靠近风向的一侧会对风产生阻碍作用,建筑群的连通程度以及建筑的高低均会对风产生阻挡作用,从两个方向对建筑特征进行分析计算,设wi为第i栋单一建筑的宽度,hi为第i栋建筑的平均高度,则其在宽度范围内对风的阻碍程度为:
步骤4.2,以正东段所在水平直线为例,首先在不考虑阵风的情况下,设此时风向F与此段路线的夹角为θ1,则此时风在正东段的分量为Fcosθ1,此时在无建筑段骑行人员所经受的风力即为Fcosθ1,有建筑段骑行人员所经受的风力为记L0,Li分别为当前无建筑遮挡和第i个建筑遮挡时所对应风力等级的评分值,其中L0,Li的值分别由Fcosθ1,确定,则此时整个正东段的初步风感评分为:
步骤4.3,由于风向与骑行人员的行进方向既相同或不同,则加入二值函数
即当逆风骑行时,此时y(t)=1;顺风骑行时,y(t)=-1,由于道路的宽阔程度同样会影响到风力值,同样本发明中使用双曲正切函数tanhx来表征道路的影响度,其中x表示道路的宽度,x>0,则综上以上各特征,得到无阵风下道路正东段的二次风感评估值为
至此对路线正东段有阵风时的总风感值进行评估,数学式为:
与现有技术相比,本发明基于人工智能与大数据的共享单车风感路线评估方法具有以下优点:根据预测的风力波动间隔以及三维点云得到的各特征量进行各路线上的权重匹配计算,从而对各路线上的风感进行评估的过程。通过风感评估可以使骑行人员在骑车之前就了解哪条路线结合风力影响后更适合自己,从而提升对共享单车的体验感。
附图说明
图1是本发明的工作原理示意图;
图2是本发明中风向直行时对用户可选路线ABC和路线ADC的影响示意图;
图3是本发明中风向倾斜时对用户可选路线ABC和路线ADC的影响示意图。
具体实施方式
下面结合附图和具体实施方式对本发明基于人工智能与大数据的共享单车风感路线评估方法作进一步说明:如图(1)流程图所示,本实施例中一方面通过大数据获取当前地区的历史风力气象数据,并对其进行自定义聚类。由聚类结果输入已经训练好的LSTM模型来对当前地区接下来的风力波动间隔进行预测分析。另一方面由得到的路线图进行路线筛选后,结合实时卫星给出的全景地图和CIM城市模型得到各备选路线的三维点云模型。由三维点云提供各备选路线的相应特征量,并结合得到的风力波动间隔进行各路线的风感权重匹配计算。由最终得到的评估结果确定最佳的风感路线供骑行人员进行选择。
具体技术内容如下:
1.首先通过大数据分析对当前地区前一天的风力数据进行聚类,然后将聚类结果和相应的时间点送入已经训练好的LSTM模型中对当前地区接下来一天的风力波动间隔进行预测。其中聚类的主要过程为:
1)以一分钟为基本单位,统计上述划定时间段内每分钟所对应的风力平均值。并在直角坐标系中进行标注,其中横坐标为对应的时间序列,xi即代表第i分钟内的时间段,本发明中头一天24小时共有1440个对应的单位为分钟的时间段,即x轴的最大值坐标为x1440;纵坐标则表示单位分钟内的风力值。
2)在得到的1440个坐标数据点中,计算所有数据点所对应的风力均值。以任何尚未访问过的任意起始数据点为中心点,并对该中心点进行扩充,其中扩充的步长为一分钟。即对于一个数据点来说,如果其相邻的数据点风力值大于平均风力值,则开始聚类,且选中的中心点会成为该聚类的第一个点如果附近的点不满足要求,则将其先标记为噪声。上述过程中被选中的点会被标记为已访问。
3)聚类开始后,从该点出发的半径内的所有数据点会被划分到同一聚类中。然后再把这些新点作为中心点,向周围按照同样的步长进行聚类并把符合条件的点继续纳入这个聚类中。
4)重复上述步骤,直到附近没有可以扩充的数据点为止,即全部数据点均被标记为已访问。当数据点检索遍历完毕,每个点都被标记为属于一个聚类或者噪声。
5)记录每段聚类和每段噪声的时间点和持续时间,以及每个聚类所对应的风力。
2.使用LSTM网络模型来对上述过程中得到的数据进行输入来预测未来一天的风力波动间隔,其要过程为:
1)训练数据选用当前地区两年内同季度的风力信息,包括风力大小,风向信息,以及阵风之间的间隔,阵风的持续时间,无阵风的持续时间等节点的时间信息。数据集基于以上数据特征,间隔一分钟进行信息数据采样。其中数据以70%和30%的比例被划分为训练集和测试集,用于模型训练与参数调节。
2)网络是Encoder和Decoder的结构,其中Encoder将输入序列转化为一个固定长度的向量,Decoder将输入的固定长度向量解码成输出序列。
3)损失函数使用均方根误差函数。
至此可对当前地区的风力,风向以及阵风间隔进行预测,并得到相应的风力信息数据。
3.另一方面,当骑行用户输入出发地和目的地之后,根据系统提供的推荐路线,仅选取前三条不同的行进路线(有的话)进行风感评估。对每条待评估的路线,根据实时全景地图并搭配CIM城市模型得到路线上各处建筑物的三维轮廓信息,包括建筑的长宽信息以及高度信息。
4.值得说明的是,风速分为持续风速和阵风风速。其中持续风速是指较长一段时间内的平均值,持续风速可由当地实时的气象数据得到。而阵风是指风速对其平均值持续时间不大于两分钟的正或负的偏离。根据先验数据,阵风的风速一般比平均风速偏离50%左右,因此设阵风风速是平均风速的1.5倍或者0.5倍。
5.由于6级以下的风不会引起较大的危害,但是6级风会对骑行人员的正常骑行产生很大阻碍,因此仅对持续风速和阵风风速小于6级的场景进行讨论,高于6级的,应由系统及时提醒骑行人员注意风速危害,不再建议骑行;相应的,由于0级和1级风对人体感受和骑行的影响程度过低,可忽略不计,因此只对2-6级风进行评估。另外,由于天气原因较为复杂多变,只针对正常晴朗或多云天气情况进行讨论,下雨、下雪、冰雹等少数异常天气不适用本系统。
6.首先对筛选出的路线进行风力和阵风的路线匹配,对所涉及的五个等级的风设置相应的风感评分系统,具体过程为:
1)对2-6级风分别设置相应的风感评分,从小到大分别为10,20,40,70,100。并为各级风分配相同的风感系数1,即在单次路程中,如无阵风,相应的风感系数即为1,若有阵风,则需按阵风时间分配相应的权重系数。
2)根据LSTM的预测结果对各条路线进行阵风匹配,由于本发明中只涉及对风感的评估,因此骑行速度使用大数据得到的平均速度,即在各级风下的骑行速度均为va=10.9公里每秒。
3)设三条可选择路线的总路程分别为s1,s2,s3,则根据平均速度va可得到各条路线上的平均骑行时间。则联合LSTM预测到的阵风波动间隔以及当天的风力数据,可得到每条路线上的风向及平均风力大小和阵风的出现时间点及持续时间。
4)如图2所示,设用户需要从A点出发到达C点,共有两条路可走,分别为路线ABC和路线ADC。由于各路线上匹配到的阵风频率及持续时间并不一致,且各路线上的建筑布局和道路的宽窄均会影响到风对人的作用力大小,即风感的大小,因此当对各路线进行阵风匹配后,需综合计算各条路线的风感程度。
7.本发明中共考虑到街道宽阔程度,道路两旁建筑的密集程度及建筑高低和风向等影响因素,对各影响量分配不同的权重来综合评估整体对风感的影响情况,具体过程为:
1)如图3所示,以路线ADC段为例。当风向不为垂直或水平时,其对AD段和DC段均会产生影响,此时道路两旁即使均有建筑,也只有靠近风向的一侧会对风产生阻碍作用,因为本发明中仅对对风产生阻挡作用一侧的建筑进行权重分析。
2)由于建筑群的连通程度以及建筑的高低均会对风产生阻挡作用,因此本发明中从两个方向对建筑特征进行分析计算。设wi为第i栋单一建筑的宽度,hi为第i栋建筑的平均高度。则其在宽度范围内对风的阻碍程度为:
其中反映当前单一建筑对风的阻碍程度;sig(hi)为以建筑高度为自变量的Sigmoid函数,使用该函数的原因是随着建筑高度的升高,其对遮挡范围内风力的阻碍程度也越来越高,但是阻碍程度的变化趋势接近于开始增长缓慢,后来增长迅速,最后又增长缓慢,达到完全阻挡,较为符合该函数的变化特征。
3)以AD段为例,首先在不考虑阵风的情况下,设此时风向F与AD段的夹角为θ1,则此时风在AD段的分量为Fcosθ1,则此时在无建筑段骑行人员所经受的风力即为Fcosθ1,而有建筑段骑行人员所经受的风力为记L0,Li分别为当前无建筑遮挡和第i个建筑遮挡时所对应风力等级的评分值,其中L0,Li的值分别由Fcosθ1,确定,则此时整个AD段的初步风感评分为:
4)由于风向与骑行人员的行进方向既可以相同又可以不同,因此本发明中加入二值函数
即当逆风骑行时,此时y(t)=1;顺风骑行时,y(t)=-1。
6)至此可对路线AD段有阵风时的总风感值进行评估,数学式为:
8.至此可得到AD段有阵风发生时其整体的风感评估值,同理可求得其他段对应的风感评估值,即最后可得到所筛选的三条路线对应的风感评估值提供给用户以作参考。
9.值得说明的是,本发明仅对日常生活中最经常遇到的直线马路进行评估,不再考虑各种曲线形状的马路所对应的风感值。
10.至此,本发明结束。
综上所述,本发明首先对当前地区的历史气象数据进行数据聚类,然后根据聚类结果送入训练好的LSTM网络中对接下来的风力波动间隔进行预测分析。另一方面由得到的规划路线图结合全景地图和CIM城市模型建立当前路线的三维点云。综合三维点云中的各项特征以及得到的风力波动间隔进行相应路线的权重匹配工作,最后由得到的结果对各条可供选择路线的风感程度进行评估。
Claims (5)
1.一种基于人工智能与大数据的共享单车风感路线评估方法,其特征在于:含有以下步骤:
步骤1,通过大数据获取当前地区的历史风力气象数据,并对其进行自定义聚类;
步骤2,将聚类结果输入已经训练好的LSTM模型,对当前地区接下来的风力波动间隔进行预测分析;
步骤3,由得到的路线图进行路线筛选后,结合实时卫星给出的全景地图和CIM城市模型得到各备选路线的三维点云模型;
步骤4,由三维点云提供各备选路线的相应特征量,结合得到的风力波动间隔进行各路线的风感权重匹配计算;
步骤5,由最终得到的评估结果确定最佳的风感路线供骑行人员进行选择。
2.根据权利要求1所述的基于人工智能与大数据的共享单车风感路线评估方法,其特征在于:所述步骤1中聚类的主要过程为:
步骤1.1,统计前一天24小时内每分钟所对应的风力平均值;
步骤1.2,以任何尚未访问过的任意起始数据点为中心点,并对该中心点进行扩充,其中扩充的步长为一分钟,如果其相邻的数据点风力值大于平均风力值,则开始聚类,且选中的中心点会成为该聚类的第一个点如果附近的点不满足要求,则将其先标记为噪声;
步骤1.3,聚类开始后,从该点出发的半径内的所有数据点会被划分到同一聚类中,当数据点检索遍历完毕,每个点都被标记为属于一个聚类或者噪声;
步骤1.4,记录每段聚类和每段噪声的时间点和持续时间,以及每个聚类所对应的风力。
3.根据权利要求1所述的基于人工智能与大数据的共享单车风感路线评估方法,其特征在于:所述步骤2包括:
步骤2.1,训练数据选用当前地区两年内同季度的风力信息,包括风力大小,风向信息,以及阵风之间的间隔,阵风的持续时间,无阵风的持续时间等节点的时间信息;
步骤2.2,数据以70%和30%的比例被划分为训练集和测试集,用于模型训练与参数调节,采用网络是Encoder网络和Decoder网络,其中Encoder网络将输入序列转化为一个固定长度的向量,Decoder将输入的固定长度向量解码成输出序列;
步骤2.3,使用均方根误差函数计算损失函数。
4.根据权利要求1所述的基于人工智能与大数据的共享单车风感路线评估方法,其特征在于:所述步骤3包括:
步骤3.1,选取前三条不同的行进路线进行风感评估,对每条待评估的路线,根据实时全景地图并搭配CIM城市模型得到路线上各处建筑物的三维轮廓信息、长宽信息以及高度信息;
步骤3.2,设阵风风速是平均风速的1.5倍或者0.5倍,选择持续风速和阵风风速2-6级的场景进行评估;
步骤3.3,对筛选出的路线进行风力和阵风的路线匹配,具体过程为:对2—6级风分别设置相应的风感评分,从小到大分别为10,20,40,70,100,并为各级风分配相同的风感系数1,即在单次路程中,如无阵风,相应的风感系数即为1,若有阵风,则需按阵风时间分配相应的权重系数;根据LSTM的预测结果对各条路线进行阵风匹配,设各级风下的骑行速度均为v=10.9公里每秒;设三条可选择路线的总路程分别为1,2,3,则根据平均速度v得到各条路线上的平均骑行时间,再联合LSTM预测到的阵风波动间隔以及当天的风力数据,得到每条路线上的风向及平均风力大小和阵风的出现时间点及持续时间。
5.根据权利要求1所述的基于人工智能与大数据的共享单车风感路线评估方法,其特征在于:所述步骤4包括:
步骤4.1,设用户从出发点到终点有两条线路可走,第一条路线是先正北走再向正东走到达目的地;第二条是先正东走再正北走到达目的地;由于各路线上匹配到的阵风频率及持续时间并不一致,且各路线上的建筑布局和道路的宽窄均会影响到风对人的作用力大小,即风感的大小;以第二条路线为例,当风向不为垂直或水平时,其对骑行时正东段和正北段均会产生影响,此时道路两旁即使均有建筑,也只有靠近风向的一侧会对风产生阻碍作用,建筑群的连通程度以及建筑的高低均会对风产生阻挡作用,从两个方向对建筑特征进行分析计算,设wi为第i栋单一建筑的宽度,hi为第i栋建筑的平均高度,则其在宽度范围内对风的阻碍程度为:
步骤4.2,以正东段所在水平直线为例,首先在不考虑阵风的情况下,设此时风向F与此段路线的夹角为θ1,则此时风在正东段的分量为Fcosθ1,此时在无建筑段骑行人员所经受的风力即为Fcosθ1,有建筑段骑行人员所经受的风力为记L0,Li分别为当前无建筑遮挡和第i个建筑遮挡时所对应风力等级的评分值,其中L0,Li的值分别由Fcosθ1,确定,则此时整个正东段的初步风感评分为:
其中VAD代表无阵风时,骑行人员在正东段的初步风感评分值;wk为无建筑遮挡时所对应的总路程长度;sAD为正东段的总长度;n为正东段对风起遮挡作用的建筑总数量;
步骤4.3,由于风向与骑行人员的行进方向既相同或不同,则加入二值函数
即当逆风骑行时,此时y(t)1;顺风骑行时,y(t)-1,由于道路的宽阔程度同样会影响到风力值,同样本发明中使用双曲正切函数tanhx来表征道路的影响度,其中x表示道路的宽度,x0,则综上以上各特征,得到无阵风下道路正东段的二次风感评估值为
至此对路线正东段有阵风时的总风感值进行评估,数学式为:
其中VAD为有阵风时,阵风发生段的风感评估值,该值根据上述步骤求出;Wn,Wy则为无阵风段和有阵风段的相应权重,由相应段的时间比或路程比计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165229.0A CN112798007A (zh) | 2021-02-06 | 2021-02-06 | 一种基于人工智能与大数据的共享单车风感路线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165229.0A CN112798007A (zh) | 2021-02-06 | 2021-02-06 | 一种基于人工智能与大数据的共享单车风感路线评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112798007A true CN112798007A (zh) | 2021-05-14 |
Family
ID=75814636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110165229.0A Withdrawn CN112798007A (zh) | 2021-02-06 | 2021-02-06 | 一种基于人工智能与大数据的共享单车风感路线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662036A (zh) * | 2022-02-25 | 2022-06-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种雪上竞技项目赛道风作用指数的计算方法及系统 |
-
2021
- 2021-02-06 CN CN202110165229.0A patent/CN112798007A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662036A (zh) * | 2022-02-25 | 2022-06-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种雪上竞技项目赛道风作用指数的计算方法及系统 |
WO2023159889A1 (zh) * | 2022-02-25 | 2023-08-31 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种雪上竞技项目赛道风作用指数的计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN104217250B (zh) | 一种基于历史数据的城市轨道交通新线开通客流预测方法 | |
CN109658695A (zh) | 一种多因素的短时交通流预测方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
CN111080018B (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
CN107480373B (zh) | 输电线路选线方法及系统 | |
CN105258704A (zh) | 基于快速路网建模的多尺度时空热点路径探测方法 | |
CN109492756B (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
CN111060119B (zh) | 基于街景图视觉要素评分的城市慢行出行导航方法和系统 | |
CN109948839B (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
CN112418500A (zh) | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 | |
CN110084491A (zh) | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 | |
CN110532508A (zh) | 一种基于步进环栅的输电线路的多目标优化路径选择方法 | |
Chen et al. | Dynamic traffic light optimization and Control System using model-predictive control method | |
CN110428608A (zh) | 一种基于交通大数据的道路通行能力提取方法 | |
CN106875756B (zh) | 一种基于蚁群算法的连续下降进近的航空器噪声优化方法 | |
CN112798007A (zh) | 一种基于人工智能与大数据的共享单车风感路线评估方法 | |
Achbab et al. | Developing and applying a GIS-Fuzzy AHP assisted approach to locating a hybrid renewable energy system with high potential: Case of Dakhla region–Morocco | |
CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
CN110457819A (zh) | 一种根据自然环境识别城市天然风道的方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |