CN113190997A - 一种大数据终端数据修复方法及系统 - Google Patents
一种大数据终端数据修复方法及系统 Download PDFInfo
- Publication number
- CN113190997A CN113190997A CN202110472006.9A CN202110472006A CN113190997A CN 113190997 A CN113190997 A CN 113190997A CN 202110472006 A CN202110472006 A CN 202110472006A CN 113190997 A CN113190997 A CN 113190997A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- traffic
- information
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013499 data model Methods 0.000 claims abstract description 34
- 238000011084 recovery Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008439 repair process Effects 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
该发明涉及一种大数据终端数据修复方法及系统，其方法包括：S01，数据采集，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；S02，模型训练，根据所采集的道路信息，训练交通流量模型。S1，数据接收，实时接收道路传感器及用户反馈的道路信息；S2，错误数据确定，通过交通数据模型检测车辆速度及道路流量，对于高于预设阈值的车辆速度及道路流量，标注为错误数据。S3，数据修复，通过交通数据模型修复所述的错误数据。该发明的大数据终端数据修复方法及系统可以更加高效、准确的修复交通数据中缺失及错误的数据。
Description
技术领域
本发明涉及交通数据领域，特别涉及一种大数据终端数据修复方法及系统。
背景技术
道路交通数据的完整性对智能交通系统中的道路交通流量预测、交通控制、交通理论研究有着重要的利用价值。然而在在现实道路系统中，道路信息往往依靠车主的即时主动反馈以及道路检测设备，但在实际中，车主的反馈概率并不高，还由于检测道路交通流的设备故障等原因，容易出现交通流数据缺失或不正确的情况。因此，道路交通流数据修复对智能交通系统的发展有着重要的意义。
因此亟需一种能够快速、准确修复交通数据的方法及系统。
发明内容
该发明的目的是提供一种能够快速、准确修复交通数据的方法及系统。
为了实现上述的目的，该发明的具有如下构成：
一种大数据终端数据修复方法，包括步骤：
S1，数据接收，实时接收道路传感器及用户反馈的道路信息；
S2，错误数据确定，通过交通数据模型确定错误数据；
S3，数据修复，通过交通数据模型修复所述的错误数据。
在该大数据终端数据修复方法中，所述的步骤还包括：
S0，数据建模，通过对历史数据的采集与训练得到交通数据模型。
在该大数据终端数据修复方法中，所述的步骤S0包括：
S01，数据采集，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；
S02，模型训练，根据所采集的道路信息，训练交通流量模型。
在该大数据终端数据修复方法中，所述的道路信息包括车辆速度信息以及道路流量信息。
在该大数据终端数据修复方法中，所述的步骤S2具体为：
S2，错误数据确定，通过交通数据模型检测车辆速度及道路流量，对于高于预设阈值的车辆速度及道路流量，标注为错误数据。
在该大数据终端数据修复方法中，所述的步骤S3具体为：
S3，通过读取交通数据模型中所述的错误数据对应的路段及时间点，根据交通数据模型中的数据演算出该路段信息。
在该大数据终端数据修复方法中，所述步骤S2及S3之间，还包括步骤：
S2-a，检测特殊介入因素，检测所述的错误数据周围的路段是否有特殊介入因素。当存在特殊介入因素时，停止执行步骤S3。
在该大数据终端数据修复方法中，所述特殊介入因素包括道路管制、道路维修、恶劣天气。
本申请还包括一种大数据终端数据修复系统，包括处理器和存储器，所述的存储器存储应用程序，当所述处理器读取并运行该应用程序时，实现上述任一项所述的大数据终端数据修复方法。
采用了该发明的大数据终端数据修复方法及系统，其方法包括：S01，数据采集，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；S02，模型训练，根据所采集的道路信息，训练交通流量模型。S1，数据接收，实时接收道路传感器及用户反馈的道路信息；S2，错误数据确定，通过交通数据模型检测车辆速度及道路流量，对于高于预设阈值的车辆速度及道路流量，标注为错误数据。S3，数据修复，通过交通数据模型修复所述的错误数据。该发明的大数据终端数据修复方法及系统可以更加高效、准确的修复交通数据中缺失及错误的数据。
附图说明
图1为该发明优选实施例的方法步骤。
具体实施方式
为了能够更清楚地理解该发明的技术内容，特举以下实施例详细说明。
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本发明保护的范围。
如图1所示，在该申请优选的实施例中，一种大数据终端数据修复方法，包括步骤：
S0，数据建模，通过对历史数据的采集与训练得到交通数据模型。
S1，数据接收，实时接收道路传感器及用户反馈的道路信息；
S2，错误数据确定，通过交通数据模型检测车辆速度及道路流量，对于高于预设阈值或缺失的车辆速度及道路流量，标注为错误数据。
S3，数据修复，通过交通数据模型修复所述的错误数据。
在优选的实施例中，所述的步骤S0具体为：
S01，数据采集，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；
S02，模型训练，根据所采集的道路信息，训练交通流量模型。
在优选的实施例中，所述的步骤S3具体为：
S3，通过读取交通数据模型中所述的错误数据对应的路段及时间点，根据交通数据模型中的数据演算出该路段信息。
在优选的实施例中，所述步骤S2及S3之间，还包括步骤：
S2-a，检测特殊介入因素，检测所述的错误数据周围的路段是否有特殊介入因素。当存在特殊介入因素时，停止执行步骤S3。所述特殊介入因素包括道路管制、道路维修、恶劣天气。
在优选的实施例中，数据采集方式具体为，以路段为最小单位，所述路段为两个相邻交叉口之间的双向道路，采集每个路段的道路信息；并以固定周期上传至大数据终端数据修复系统；所述的道路信息包括车流量信息以及车速信息。
在优选的实施例中，所述的错误数据确定方式具体为，(1)所接收的道路传感器及用户反馈的道路信息与交通数据模型的差距超过设定阈值，则重点监测该路段一定时间段内的道路信息，若随后监测的信息与交通数据模型中数据相近，则判断为正确数据，若重点监测时间段内的数据仍超过设定阈值，则判断为错误数据(2)所接收的道路传感器及用户反馈的道路信息，若两者之间存在较大差异，则重点监测该路段一定时间段内的道路信息，若上述一定时间段内仍存在较大差异，执行上述(1)中所述的步骤。
在优选的实施例中，其中，该错误数据的信息还可以包括：错误数据的关联信息，该关联信息用于表征发生异常的数据位置，所述的数据位置包括数据库中的位置以及该错误数据所对应的道路位置。该错误数据的信息可以是在数据处理或数据采集过程中监测到数据异常时，实时对该数据异常现象进行描述，形成对应的错误数据的完整变化信息以及该错误数据的关联信息。该错误数据的信息也可以是当数据处理或数据采集过程中监测到数据异常时，从该数据处理的交通数据模型中的代码库中查找出和当前错误数据的关联信息。
在优选的实施例中，数据修复的具体方式包括：通过上述的关联信息判断错误数据在交通数据模型中的位置，根据该错误数据周边路段符合交通数据模型的正确数据，演算出错误数据对应时间点位置的道路信息。
在优选的实施例中，所述的道路信息包括车辆速度信息以及道路流量信息。所述的大数据终端数据修复方法及系统还可以通过判断车辆速度信息以及道路流量信息的不合理性确定错误数据。例如若道路监测设备测得道路流量较高，车辆速度较快，则该两类信息冲突，判断为错误信息，进行数据修复步骤。
在优选的实施例中，现实情况中存在特殊介入因素，例如交通管制、恶劣天气、道路施工，本申请的大数据终端数据修复方法可以通过读取第三方地图APP中的道路信息，确定道路是否为可行道路。若存在第三方地图APP未标注已发生的特殊介入因素，本申请的大数据终端数据修复方法通过数据修复填充该不可行路段的道路信息，还能根据用户的信息反馈，纠正该路段的道路信息。
在优选的实施例中，所述的阈值范围，车流量的阈值可设定为交通数据模型中对应数据上下两倍的范围。车速数据的阈值范围可设定为交通数据模型中对应车速数据上下20KM/H。也可根据现实情况设置阶梯型的阈值范围。
在优选的实施例中，路段错误数据的判断可以为：(1)判断为缺失数据或偏差数据；(2)若为缺失数据，查看第三方地图APP中是否标记特殊介入因素，若无标记，判断为数据缺失，执行数据修复，若有标记，不执行数据修复，进行特殊介入因素标记。(3)若为数据偏差，查看第三方地图APP中是否标记特殊介入因素，若有标记，不执行数据修复，进行特殊介入因素标记；若无标记，通过重点监测该偏差数据一段时间后的道路信息，若该段时间内的数据仍然存在偏差，执行数据修复，若数据处于设定阈值内，不执行数据修复。所述的偏差交通数据模型中的数据为评定标准。
本申请还包括一种大数据终端数据修复系统，包括处理器和存储器，所述的存储器存储应用程序，当所述处理器读取并运行该应用程序时，实现上述任一项所述的大数据终端数据修复方法。
具体为优选实施例中包括：
数据建模模块，通过对历史数据的采集与训练得到交通数据模型。
数据接收模块，实时接收道路传感器及用户反馈的道路信息；
错误数据确定模块，通过交通数据模型检测车辆速度及道路流量，对于高于预设阈值或缺失的车辆速度及道路流量，标注为错误数据。
数据修复模块，通过交通数据模型修复所述的错误数据。
在优选的实施例中，所述的数据建模模块具体为：
数据采集单元，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；
模型训练单元，根据所采集的道路信息，训练交通流量模型。
在优选的实施例中，所述的道路信息包括车辆速度信息以及道路流量信息。
在优选的实施例中，所述的数据修复模块工作内容具体为：通过读取交通数据模型中所述的错误数据对应的路段及时间点，将相应交通数据模型中的数据填充入该路段信息。
在优选的实施例中，还包括：
检测特殊介入因素模块，检测所述的错误数据周围的路段是否有特殊介入因素。当存在特殊介入因素时，停止执行步骤S3。所述特殊介入因素包括道路管制、道路维修、恶劣天气。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“优选”并非限定本发明实施例的内容及数量，仅为表示该发明的实施例之一；术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的技术特征的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种大数据终端数据修复方法，其特征在于，包括步骤：
S1，数据接收，实时接收道路传感器及用户反馈的道路信息；
S2，错误数据确定，通过交通数据模型确定错误数据；
S3，数据修复，根据交通数据模型修复所述的错误数据。
2.根据权利要求1中所述的大数据终端数据修复方法，其特征在于，所述的步骤还包括：
S0，数据建模，通过对历史数据的采集与训练得到交通数据模型。
3.根据权利要求2中所述的大数据终端数据修复方法，其特征在于，所述的步骤S0包括：
S01，数据采集，以路段为最小处理单位，采集每个路段路口及路中的道路信息，并以预设周期上传所述的道路信息；同时采集车主行驶时主动反馈的道路信息；
S02，模型训练，根据所采集的道路信息，训练交通流量模型。
4.根据权利要求1或3中所述的大数据终端数据修复方法，其特征在于，所述的道路信息包括车辆速度信息以及道路流量信息。
5.根据权利要求1中所述的大数据终端数据修复方法，其特征在于，所述的步骤S2具体为：
S2，错误数据确定，通过交通数据模型检测车辆速度及道路流量，对于缺失或高于预设阈值的车辆速度及道路流量，标注为错误数据。
6.根据权利要求1中所述的大数据终端数据修复方法，其特征在于，所述的步骤S3具体为：
S3，通过交通数据模型中所述的错误数据对应的路段及时间点读取交通数据模型中对应的数据演算出该路段信息。
7.根据权利要求1中所述的大数据终端数据修复方法，其特征在于，所述步骤S2及S3之间，还包括步骤：
S2-a，检测特殊介入因素，检测所述的错误数据周围的路段是否有特殊介入因素。当存在特殊介入因素时，停止执行步骤S3。
8.根据权利要求7中所述的大数据终端数据修复方法，其特征在于，所述特殊介入因素包括道路管制、道路维修、恶劣天气。
9.一种大数据终端数据修复系统，其特征在于，包括处理器和存储器，所述的存储器存储应用程序，当所述处理器读取并运行该应用程序时，实现权利要求1至8中任一项所述的大数据终端数据修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472006.9A CN113190997B (zh) | 2021-04-29 | 2021-04-29 | 一种大数据终端数据修复方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110472006.9A CN113190997B (zh) | 2021-04-29 | 2021-04-29 | 一种大数据终端数据修复方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113190997A true CN113190997A (zh) | 2021-07-30 |
| CN113190997B CN113190997B (zh) | 2023-08-01 |
Family
ID=76980587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110472006.9A Active CN113190997B (zh) | 2021-04-29 | 2021-04-29 | 一种大数据终端数据修复方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113190997B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及系统 |
| CN104156579A (zh) * | 2014-07-31 | 2014-11-19 | 江南大学 | 一种动态交通异常数据检测与修复方法 |
| CN104537225A (zh) * | 2014-12-19 | 2015-04-22 | 银江股份有限公司 | 一种交通数据修复的云处理方法及其系统 |
| CN107146409A (zh) * | 2017-06-01 | 2017-09-08 | 东方网力科技股份有限公司 | 路网中设备检测时间异常的识别和真实时差估算方法 |
| CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
| CN109360415A (zh) * | 2018-09-30 | 2019-02-19 | 北京工业大学 | 一种道路交通流异常数据识别方法 |
| CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
| CN110430549A (zh) * | 2019-08-05 | 2019-11-08 | 西北工业大学 | 一种用于可穿戴网和车联网数据检测及修复方法 |
| CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
| AU2020101738A4 (en) * | 2020-08-10 | 2020-09-17 | Annapu Reddy, Brahmananda Reddy DR | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining |
| CN112185104A (zh) * | 2020-08-22 | 2021-01-05 | 南京理工大学 | 一种基于对抗自编码器的交通大数据修复方法 |
| CN112380206A (zh) * | 2020-11-25 | 2021-02-19 | 浙江浙大中控信息技术有限公司 | 一种交通时序数据的诊断和修复方法 |
-
2021
- 2021-04-29 CN CN202110472006.9A patent/CN113190997B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及系统 |
| CN104156579A (zh) * | 2014-07-31 | 2014-11-19 | 江南大学 | 一种动态交通异常数据检测与修复方法 |
| CN104537225A (zh) * | 2014-12-19 | 2015-04-22 | 银江股份有限公司 | 一种交通数据修复的云处理方法及其系统 |
| CN107146409A (zh) * | 2017-06-01 | 2017-09-08 | 东方网力科技股份有限公司 | 路网中设备检测时间异常的识别和真实时差估算方法 |
| CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
| CN109360415A (zh) * | 2018-09-30 | 2019-02-19 | 北京工业大学 | 一种道路交通流异常数据识别方法 |
| CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
| CN110362557A (zh) * | 2019-05-27 | 2019-10-22 | 华南理工大学 | 一种基于机器学习和车牌识别数据的缺失路径修复方法 |
| CN110430549A (zh) * | 2019-08-05 | 2019-11-08 | 西北工业大学 | 一种用于可穿戴网和车联网数据检测及修复方法 |
| AU2020101738A4 (en) * | 2020-08-10 | 2020-09-17 | Annapu Reddy, Brahmananda Reddy DR | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining |
| CN112185104A (zh) * | 2020-08-22 | 2021-01-05 | 南京理工大学 | 一种基于对抗自编码器的交通大数据修复方法 |
| CN112380206A (zh) * | 2020-11-25 | 2021-02-19 | 浙江浙大中控信息技术有限公司 | 一种交通时序数据的诊断和修复方法 |
Non-Patent Citations (10)
| Title |
|---|
| 俎振山等: "交通监控系统信息采集问题及应对方法研究", 《中国人民公安大学学报(自然科学版)》 * |
| 俎振山等: "交通监控系统信息采集问题及应对方法研究", 《中国人民公安大学学报(自然科学版)》, no. 01, 30 March 2007 (2007-03-30), pages 99 - 102 * |
| 孟鸿程等: "交通流缺失数据处理方法比较分析", 《交通信息与安全》 * |
| 孟鸿程等: "交通流缺失数据处理方法比较分析", 《交通信息与安全》, no. 02, 28 April 2018 (2018-04-28), pages 67 - 73 * |
| 安实等: "基于神经网络及关联性修正的交通异常预测研究", 《交通信息与安全》 * |
| 安实等: "基于神经网络及关联性修正的交通异常预测研究", 《交通信息与安全》, no. 02, 28 April 2019 (2019-04-28), pages 16 - 23 * |
| 李成兵等: "交通流异常数据检测研究及实证", 《计算机工程与应用》 * |
| 李成兵等: "交通流异常数据检测研究及实证", 《计算机工程与应用》, no. 20, 4 July 2013 (2013-07-04), pages 248 - 250 * |
| 陆百川等: "基于时空特性和灰色残差的交通故障数据诊断与修复", 《重庆交通大学学报(自然科学版)》 * |
| 陆百川等: "基于时空特性和灰色残差的交通故障数据诊断与修复", 《重庆交通大学学报(自然科学版)》, no. 09, 15 September 2020 (2020-09-15), pages 12 - 20 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
| CN115188186B (zh) * | 2022-06-28 | 2024-02-20 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113190997B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114446020B (zh) | 联动预警管理方法、系统、存储介质及设备 | |
| CN109891192B (zh) | 用于定位车辆的方法和系统 | |
| CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| CN112562406B (zh) | 一种越线行驶的识别方法及装置 | |
| JP2017174244A (ja) | 情報提供装置 | |
| CN115659673B (zh) | 基于无人机图像的桥梁施工过程安全监控系统 | |
| CN112287801A (zh) | 车载数据处理方法、装置、服务器和可读存储介质 | |
| CN113190997B (zh) | 一种大数据终端数据修复方法及系统 | |
| CN112348035A (zh) | 车辆关键点检测方法、装置及电子设备 | |
| CN112163285A (zh) | 一种用于模拟驾驶系统的路面类型预测模型的建模方法 | |
| CN114323042A (zh) | 地图数据的处理方法、装置、非易失性存储介质及处理器 | |
| CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
| CN105373771A (zh) | 网格化井盖巡查方法及装置及系统 | |
| CN116416588A (zh) | 车道线预测方法、装置、电子设备及存储介质 | |
| CN112287842A (zh) | 一种车道线的识别方法、装置及电子设备 | |
| CN116958938A (zh) | 一种基于驾驶数据逻辑代码的危险场景提取方法 | |
| CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
| US20240037296A1 (en) | Comparison of digital representations of driving situations of a vehicle | |
| CN113447037B (zh) | 行程偏航检测方法及装置 | |
| CN115257771A (zh) | 一种路口识别方法、电子设备和存储介质 | |
| CN110333517B (zh) | 障碍物感知方法、装置及存储介质 | |
| CN112953786B (zh) | 信息处理方法、装置、系统和计算机可读存储介质 | |
| CN113085861A (zh) | 自动驾驶车辆的控制方法及装置、自动驾驶车辆 | |
| CN115352455B (zh) | 道路特征的预测方法和装置、存储介质及电子装置 | |
| CN117992803B (zh) | 一种基于钢结构健康的多尺度结合监测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A big data terminal data repair method and system Granted publication date: 20230801 Pledgee: Industrial Bank Co.,Ltd. Shanghai People's Square Branch Pledgor: GUIZHOU CHINADATAPAY NETWORK TECHNOLOGY CO.,LTD. Registration number: Y2024310000370 |