CN113516043A - 基于云计算的共享单车管理方法 - Google Patents
基于云计算的共享单车管理方法 Download PDFInfo
- Publication number
- CN113516043A CN113516043A CN202110532815.4A CN202110532815A CN113516043A CN 113516043 A CN113516043 A CN 113516043A CN 202110532815 A CN202110532815 A CN 202110532815A CN 113516043 A CN113516043 A CN 113516043A
- Authority
- CN
- China
- Prior art keywords
- feature
- parking point
- feature vector
- vector
- shared bicycle
- 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- Withdrawn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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于云计算的共享单车管理方法,其将影响共享单车的停放姿势的多项因素收集到用于云计算的云服务器端,并基于基于统计模型的深度学习方法来对这些数据进行处理,以充分挖掘出这些数据与最终所要确定的结论,即共享单车的停放姿态之间的统计关联。这样,一方面云计算能够处理大计算量的任务,另一方面,通过基于深度学习的统计模型能够提高分类的准确性,即,提高共享单车停放管理的有效性。
Description
技术领域
本申请涉及智云计算领域,且更为具体地,涉及一种基于云计算的共享单车管理方法、基于云计算的共享单车管理系统和电子设备。
背景技术
随着工业化、信息化的不断发展,越来越多的信息技术被应用到工业领域而形成了工业互联网。工业互联网的本质是通过一个开放的、全球化的工业级网络平台,将设备、生产线、工厂、供应商、产品和客户紧密连接和整合起来,高效共享工业经济中的各种要素资源,从而通过自动化、智能化的生产方式降低成本、提高效率,帮助制造业延伸产业链,促进制造业的转型发展。
例如,共享单车的诞生就离不开工业互联网的发展,其支付方式、远程操控以及整体管理都需要在工业互联网内进行统一管理和运转。然而,在共享单车的运营过程中,乱停乱放问题一直是需要解决的问题。
具体地,目前,大部分运营方通过步行轨迹数据和真实的街道路径分布来确定共享单车停放点和共享单车资源配置,这种方法只能确定共享单车停放点,使共享单车资源配置更加均衡,但是,这种方法并不能解决共享单车乱停乱放的问题。
并且,共享单车停放的位置会影响到了正常的交通,这取决于实际的道路情况、天气状况以及交通流量等因素,在车流量大的时间段,横方向停放的单车将比顺方向多阻碍一半以上的车流量。如果将共享单车停放在不合适的地方,或者,将共享单车以不恰当的姿势停放于可以停放的位置,这都将带来不良的影响。
因此,期望能够提供一种对于共享单车使用人在停放共享单车时的停放姿态的确定方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于云计算的共享单车管理方法、系统和电子设备,其将影响共享单车的停放姿势的多项因素收集到用于云计算的云服务器端,并基于基于统计模型的深度学习方法来对这些数据进行处理,以充分挖掘出这些数据与最终所要确定的结论,即共享单车的停放姿态之间的统计关联。这样,一方面云计算能够处理大计算量的任务,另一方面,通过基于深度学习的统计模型能够提高分类的准确性,即,提高共享单车停放管理的有效性。
根据本申请的一个方面,提供了一种基于云计算的共享单车管理方法,其包括步骤:
在用于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;
将所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;
将所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;
将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;
对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;
对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;
将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;
将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及
将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
在上述基于云计算的共享单车管理方法中,所述将天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量,包括:将所述天气状况数据转化为天气状况向量;将所述交通流量数据转化为交通流量向量;以及,将所述天气状况向量和所述交通流量向量级联后输入深度神经网络以获得所述第一外部条件特征向量。
在上述基于云计算的共享单车管理方法中,所述深度神经网络为全连接深度网络。
在上述基于云计算的共享单车管理方法中,所述对于第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图,包括:以如下公式分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一停放点特征图中各个位置的特征值,Yi表示所述第二停放点特征图中各个位置的特征值。
在上述基于云计算的共享单车管理方法中,所述对第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,包括:以如下公式分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一外部条件特征向量中各个位置的特征值,Yi表示所述第二外部条件特征向量中各个位置的特征值。
在上述基于云计算的共享单车管理方法中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
在上述基于云计算的共享单车管理方法中,进一步包括:将所述分类结果传输给共享单车管理人员的终端设备。
根据本申请的另一方面,提供了一种基于云计算的共享单车管理系统,包括:
数据获取单元,用于在基于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;
第一路网特征图生成单元,用于将所述数据获取单元获得的所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;
第一停放点特征图生成单元,用于将所述数据获取单元获得的所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;
第一外部条件特征向量生成单元,用于将所述数据获取单元所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;
第二停放点特征图生成单元,用于对于所述第一停放点特征图生成单元获得的所述第一停放点特征图,分别计算所述第一停放点特征图生成单元获得的所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;
第二外部条件特征向量生成单元,用于对所述第一外部条件特征向量生成单元获得的所述第一外部条件特征向量,分别计算所述第一外部条件特征向量生成单元获得的所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;
融合单元,用于将所述第一路网特征图生成单元获得的所述第一路网特征图和所述第二外部条件特征向量生成单元获得的所述第二外部条件特征向量分别与所述第二停放点特征图生成单元获得的所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;
全连接编码单元,用于将所述第二停放点特征图生成单元获得所述第二停放点特征图和所述融合单元获得的所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及
分类结果生成单元,用于将所述全连接编码单元获得的所述停放点特征向量、所述第二融合特征向量和所述融合单元获得的所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于云计算的共享单车管理方法。
与现有技术相比,本申请的实施例提供了基于云计算的共享单车管理方法、系统和电子设备,其将影响共享单车的停放姿势的多项因素收集到用于云计算的云服务器端,并基于基于统计模型的深度学习方法来对这些数据进行处理,以充分挖掘出这些数据与最终所要确定的结论,即共享单车的停放姿态之间的统计关联。这样,一方面云计算能够处理大计算量的任务,另一方面,通过基于深度学习的统计模型能够提高分类的准确性,即,提高共享单车停放管理的有效性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于云计算的共享单车管理方法的应用场景图。
图2为根据本申请实施例的所述基于云计算的共享单车管理方法的流程图。
图3为根据本申请实施例的所述基于云计算的共享单车管理方法的架构示意图。
图4为根据本申请实施例的所述基于云计算的共享单车管理方法中,第二停放点特征图的流程图。
图5为根据本申请实施例的基于云计算的共享单车管理系统的框图。
图6为根据本申请实施例的基于云计算的共享单车管理系统中,第一外部条件特征向量生成单元的框图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,共享单车的乱停乱放问题一直是需要解决的问题,目前,大部分运营方通过步行轨迹数据和真实的街道路径分布来确定共享单车停放点和共享单车资源配置,这种方法只能确定共享单车停放点,使共享单车资源配置更加均衡,但是,这种方法并不能解决共享单车乱停乱放的问题。
经研究,本申请发明人发现,尽管目前大多数路段已经确定了共享单车停放点,但是共享单车在停放点内的停放姿态也在一定程度上影响了交通状况,也就是,对于用户的停车行为来说,乱停放不仅涉及停放位置,也需要进一步涉及停放姿态。因此,期望能够提供一种对于共享单车使用人在停放共享单车时的停放姿态的确定方法。
基于该问题,本申请的申请人期望通过基于统计模型的深度学习方法来解决上述问题,也就是说,由于共享单车的停放姿态受到多种因素的影响,比如实际的道路情况、天气状况、交通流量,以及停放点的形状、面积,其内已经停放的共享单车的分布等,为了能够充分挖掘出这些数据与最终所要确定的结论,即共享单车的停放姿态之间的统计关联,需要借助深度神经网络模型的特征提取和分类性能。
也就是,通过以上述因素作为输入数据输入深度神经网络模型,可以通过深度神经网络的高维特征提取来充分挖掘数据之间的统计特征,从而将共享单车的停放姿态的确定转换为分类问题,也就是,对于共享单车的停放姿态来说,基于其空间属性基本上仅需要考虑横向和纵向两种停放姿态即可,因此可以方便地转换为适合于当前分类器性能的二分类问题。
在具体的数据方面,数据可以按照其表现形式划分为两部分,比如停放点以外的天气状况、交通流量数据可以以向量形式表示,并通过深度神经网络来提取出相应的特征向量,而停放点本身的形状、面积和已经停放的共享单车的分布状况等,显然以图形式表示更加恰当,从而以卷积神经网络获得停放点特征图。此外,停放点周围的实际的道路情况也可以通过地图形式的路网数据获得,相应地,也应该以卷积神经网络获得路网特征图。
因此,在本申请的技术方案中,首先获取与当前停放点有关的周围路网数据,并通过卷积神经网络获得第一路网特征图,获取当前停放点的已停放共享单车分布图,并标记出其边界后,输入卷积神经网络获得第一停放点特征图,同时获取天气状况、交通流量数据,并转换为向量后输入深度神经网络以获得第一外部条件特征向量。这里,各项数据转换为的向量可以级联后输入深度神经网络。
这里,本申请的申请人考虑到,由于路网特征图是相对静态的特征,而停放点特征图和外部条件特征向量都是相对动态的特征,因此需要考虑其动态特性方面的不同。这里,进一步考虑到外部条件和停放点特征都符合单一数据条件下的随机分布,因而在大数据统计时应该会呈现标准正态分布,在本申请中为了能够与相对静态的路网特征保持一致,对停放点特征图和外部条件特征向量进行高斯函数化。也就是,针对停放点特征图和外部条件特征向量的每个位置的特征值,求其高斯函数exp(-xi2),再以该函数值作为权重对特征值加权,也就是,xi*exp(-xi2),以获得第二停放点特征图和第二外部条件特征向量,这一方面可以在其数值方面缩减动态特性,另一方面也可以在数据维度方面避免由于采样数据本身的随机性不够导致的数据误差。
然后,针对所获得的第二停放点特征图、第二外部条件特征向量和第一路网特征图,考虑到路网特征和外部条件特征分别对停放点特征的影响,将第一路网特征图和第二外部条件特征向量分别乘以第二停放点特征图,以获得停放点特征分别在路网特征空间和外部条件特征空间中的特征表示,即第一融合特征图、和第一融合特征向量。
最后,将第二停放点特征图和第一融合特征图分别通过全连接层转换为停放点特征向量和第二融合特征向量,并与第一融合特征向量拼接后输入分类器以获得分类结果,该分类结果表示共享单车的停放姿态,即横向停放或者纵向停放。
基于此,本申请提出了一种基于云计算的共享单车管理方法,其包括:在用于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;将所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;将所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及,将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
图1为根据本申请实施例的基于云计算的共享单车管理方法的应用场景图。如图1所示,在该应用场景中,首先通过摄像头(例如,如图1中所示意的C)获取当前停放点的已停放共享单车分布图,然后,在服务器(例如,如图1中所示意的S1)通过电子交通图获取与当前停放点有关的周围路网数据,同时,也获取所述当前停放点外的天气状况数据和交通流量数据;然后,将所获得的各项数据输入至部署有基于云计算的共享单车管理算法的服务器中(例如,如图1中所示意的S2),其中,所述服务器能够基于云计算的共享单车管理方法算法对所述共享单车各项数据进行处理,以获得所述用于表示共享单车的停放姿态的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的所述基于云计算的共享单车管理方法的流程图。如图2所示,根据本申请实施例的所述基于云计算的共享单车管理方法,包括步骤:S110,在用于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;S120,将所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;S130,将所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;S140,将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;S150,对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;S160,对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;S170,将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;S180,将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及,S190,将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
图3图示了根据本申请实施例的所述基于云计算的共享单车管理方法的架构示意图。如图3所示,在该网络架构中,首先,在用于云计算的云端获取与当前停放点有关的周围路网数据(例如,如图3中所示意的IN1)、所述当前停放点的已停放共享单车分布图(例如,如图3中所示意的IN2)、以及,所述当前停放点外的天气状况数据和交通流量数据(例如,如图3中所示意的IN3);接着,将所述周围路网数据通过第一卷积神经网络(例如,如图3中所示意的CNN1)以获得第一路网特征图(例如,如图3中所示意的F1);然后,将所述已停放共享单车分布图通过第二卷积神经网络(例如,如图3中所示意的CNN2)以获得第一停放点特征图(例如,如图3中所示意的F2);同时,将所述天气状况数据和所述交通流量数据转化为向量(例如,如图3中所示意的V)后输入深度神经网络(例如,如图3中所示意的DNN)以获得第一外部条件特征向量(例如,如图3中所示意的V1);接着,对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图(例如,如图3中所示意的F22);然后,对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量(例如,如图3中所示意的V12),接着,将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量(例如,如图3中所示意的F4和Vt1);然后,将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量(例如,如图3中所示意的Vt和Vt2);最终,将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果(例如,如图3中所示意的S)。
在步骤S110中,在用于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据。如前所述,共享单车的停放姿态受到多种因素的影响,比如实际的道路情况、天气状况、交通流量,以及停放点的形状、面积,其内已经停放的共享单车的分布等。因此,在本申请实施例中,为了确定共享单车的停车姿势,获取影响停车姿势的各项数据,其包括:当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据。
在步骤S120中,将所述周围路网数据通过第一卷积神经网络以获得第一路网特征图。也就是,以卷积神经网络提取出所述周围路网数据中的高维隐含特征。这里,周围路网数据以图像的数据形式保证,因此,可通过卷积神经网络提取出所述周围路网数据中的视觉模式特征。
本领域普通技术人员应知晓,深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中,所述深度卷积神经网络被实施为深度残差网络,例如,ResNet100。本领域普通技术人员应知晓,相较于传统的卷积神经网络,深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构,其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构,通过残差网络结构可以把网络层弄得更深,并且,不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想,其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中,将所述已停放共享单车分布图通过第二卷积神经网络以获得第一停放点特征图。也就是,同样以卷积神经网络对已停放共享单车分布图进行处理,以提取出所述已停放共享单车分布图中的高维隐含特征。
在具体实施中,在通过摄像头获取已停放共享单车分布图后,可标注出所述分布图中的共享单车停放点的边界以使得所述已停放共享单车分布图聚焦于已停放共享单车的停放点的区域内情况。
在步骤S140中,将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量。也就是,将获取的天气状况和交通流量数据转换为向量后输入深度神经网络以获得第一外部条件特征向量。
图4为根据本申请实施例的所述基于云计算的共享单车管理方法中,将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量的流程图。如图4所示,在本申请实施例中,将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量,包括:S151,将所述天气状况数据转化为天气状况向量;S152,将所述交通流量数据转化为交通流量向量;以及,S153,将所述天气状况向量和所述交通流量向量级联后输入深度神经网络以获得所述第一外部条件特征向量,也就是,将各项数据转换为的向量进行级联后输入深度神经网络。
在步骤S150中,对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图。这里,本申请的申请人考虑到,由于路网特征图是相对静态的特征,而停放点特征图和外部条件特征向量都是相对动态的特征,因此需要考虑其动态特性方面的不同。这里,进一步考虑到外部条件和停放点特征都符合单一数据条件下的随机分布,因而在大数据统计时应该会呈现标准正态分布,在本申请中为了能够与相对静态的路网特征保持一致,对停放点特征图和外部条件特征向量进行高斯函数化。也就是,针对停放点特征图和外部条件特征向量的每个位置的特征值,求其高斯函数exp(-xi2),再以该函数值作为权重对特征值加权,也就是,xi*exp(-xi2),以获得第二停放点特征图和第二外部条件特征向量,这一方面可以在其数值方面缩减动态特性,另一方面也可以在数据维度方面避免由于采样数据本身的随机性不够导致的数据误差。
具体地,以如下公式分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一停放点特征图中各个位置的特征值,Yi表示所述第二停放点特征图中各个位置的特征值。
在步骤S160中,对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值。
具体地,以如下公式分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一外部条件特征向量中各个位置的特征值,Yi表示所述第二外部条件特征向量中各个位置的特征值。
在步骤S170中,将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量。也就是,针对所获得的第二停放点特征图、第二外部条件特征向量和第一路网特征图,考虑到路网特征和外部条件特征分别对停放点特征的影响,将第一路网特征图和第二外部条件特征向量分别乘以第二停放点特征图,以获得停放点特征分别在路网特征空间和外部条件特征空间中的特征表示,即第一融合特征图、和第一融合特征向量。
在步骤S180中,将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量。也就是,将第二停放点特征图和第一融合特征图分别通过全连接层转换为停放点特征向量和第二融合特征向量。
在步骤S190中,将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。也就是,将第二停放点特征图和第一融合特征图分别通过全连接层转换为停放点特征向量和第二融合特征向量,并与第一融合特征向量拼接后输入分类器以获得分类结果,该分类结果表示共享单车的停放姿态,即横向停放或者纵向停放。
综上,基于本申请实施例的基于云计算的共享单车管理方法被阐明,其将影响共享单车的停放姿势的多项因素收集到用于云计算的云服务器端,并基于基于统计模型的深度学习方法来对这些数据进行处理,以充分挖掘出这些数据与最终所要确定的结论,即共享单车的停放姿态之间的统计关联。这样,一方面云计算能够处理大计算量的任务,另一方面,通过基于深度学习的统计模型能够提高分类的准确性,即,提高共享单车停放管理的有效性。
值得一提的是,虽然在上述实施例中,以所述待分类结果为共享单车的停放姿态为示例,但是本领域普通技术人员应知晓,所述基于云计算的共享单车管理方法还可以应用于其他类型的管理中,对此,并不为本申请所局限。
示例性系统
图5图示了根据本申请实施例的基于云计算的共享单车管理系统的框图。如图5所示,根据本申请实施例的基于云计算的共享单车管理系统500,包括:数据获取单元510,用于在基于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;第一路网特征图生成单元520,用于将所述数据获取单元510获得的所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;第一停放点特征图生成单元530,用于将所述数据获取单元510获得的所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;第一外部条件特征向量生成单元540,用于将所述数据获取单元510所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;第二停放点特征图生成单元550,用于对于所述第一停放点特征图生成单元530获得的所述第一停放点特征图,分别计算所述第一停放点特征图生成单元530获得的所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;第二外部条件特征向量生成单元550,用于对所述第一外部条件特征向量生成单元540获得的所述第一外部条件特征向量,分别计算所述第一外部条件特征向量生成单元540获得的所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;融合单元570,用于将所述第一路网特征图生成单元520获得的所述第一路网特征图和所述第二外部条件特征向量生成单元560获得的所述第二外部条件特征向量分别与所述第二停放点特征图生成单元获550得的所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;全连接编码单元580,用于将所述第二停放点特征图生成单元550获得所述第二停放点特征图和所述融合单元570获得的所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及,分类结果生成单元590,用于将所述全连接编码单元580获得的所述停放点特征向量、所述第二融合特征向量和所述融合单元570获得的所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
在一个示例中,在基于云计算的共享单车管理系统500中,如图6所示,所述第一外部条件特征向量生成单元540,包括:天气状况向量转化子单元551,用于将所述交通流量数据转化为交通流量向量;交通流量向量转化子单元552,用于将所述实体向量通过全连接层,以获得第二全连接特征向量;以及,第一外部条件特征向量构成子单元553,用于将所述天气状况向量转化子单元获得的所述天气状况向量和所述所述交通流量向量级联后输入深度神经网络以获得所述第一外部条件特征向量。
在一个示例中,在基于云计算的共享单车管理系统500中,所述深度神经网络为全连接深度网络。
在一个示例中,在基于云计算的共享单车管理系统500中,所述第一停放点特征图生成单元540,进一步用于:以如下公式分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一外部条件特征向量中各个位置的特征值,Yi表示所述第二外部条件特征向量中各个位置的特征值。
在一个示例中,在基于云计算的共享单车管理系统500中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
这里,本领域技术人员可以理解,上述基于云计算的共享单车管理系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于云计算的共享单车管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于云计算的共享单车管理系统500可以实现在各种终端设备中,例如应用于基于云计算的共享单车管理算法的服务器等。在一个示例中,根据本申请实施例的基于云计算的共享单车管理系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于云计算的共享单车管理系统500可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于云计算的共享单车管理系统500同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于云计算的共享单车管理系统500与该终端设备也可以是分立的设备,并且该基于云计算的共享单车管理系统500可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
如图7所示,所述电子设备10包括至少一个处理器11和至少一个存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括至少一个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储至少一个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于云计算的共享单车管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一外部条件特征向量、第二停放点特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
Claims (10)
1.一种基于云计算的共享单车管理方法,其特征在于,包括:
在用于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;
将所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;
将所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;
将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;
对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;
对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;
将所述第一路网特征图和所述第二外部条件特征向量分别与所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;
将所述第二停放点特征图和所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及
将所述停放点特征向量、所述第二融合特征向量和所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
2.根据权利要求1所述的基于云计算的共享单车管理方法,其中,将所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量,包括:
将所述天气状况数据转化为天气状况向量;
将所述交通流量数据转化为交通流量向量;以及
将所述天气状况向量和所述交通流量向量级联后输入深度神经网络以获得所述第一外部条件特征向量。
3.根据权利要求2所述的基于云计算的共享单车管理方法,其中,所述深度神经网络为全连接深度网络。
4.根据权利要求1所述的基于云计算的共享单车管理方法,其中,对于所述第一停放点特征图,分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图,包括:
以如下公式分别计算所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一停放点特征图中各个位置的特征值,Yi表示所述第二停放点特征图中各个位置的特征值。
5.根据权利要求1所述的基于云计算的共享单车管理方法,其中,对所述第一外部条件特征向量,分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,包括:
以如下公式分别计算所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述公式为:Yi=xi*exp(-xi2),其中,xi表示所述第一外部条件特征向量中各个位置的特征值,Yi表示所述第二外部条件特征向量中各个位置的特征值。
6.根据权利要求1所述的基于云计算的共享单车管理方法,其中,所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。
7.根据权利要求1所述的基于云计算的共享单车管理方法,进一步包括:将所述分类结果传输给共享单车管理人员的终端设备。
8.一种基于云计算的共享单车管理系统,其特征在于,包括:
数据获取单元,用于在基于云计算的云端获取与当前停放点有关的周围路网数据、所述当前停放点的已停放共享单车分布图、以及,所述当前停放点外的天气状况数据和交通流量数据;
第一路网特征图生成单元,用于将所述数据获取单元获得的所述周围路网数据通过第一卷积神经网络以获得第一路网特征图;
第一停放点特征图生成单元,用于将所述数据获取单元获得的所述已停放共享单车分布图通过第二卷积卷积神经网络以获得第一停放点特征图;
第一外部条件特征向量生成单元,用于将所述数据获取单获得的元所述天气状况数据和所述交通流量数据转化为向量后输入深度神经网络以获得第一外部条件特征向量;
第二停放点特征图生成单元,用于对于所述第一停放点特征图生成单元获得的所述第一停放点特征图,分别计算所述第一停放点特征图生成单元获得的所述第一停放点特征图中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二停放点特征图;
第二外部条件特征向量生成单元,用于对所述第一外部条件特征向量生成单元获得的所述第一外部条件特征向量,分别计算所述第一外部条件特征向量生成单元获得的所述第一外部条件特征向量中各个位置的特征值的高斯函数值并以该高斯函数值作为权重对对应位置的特征值进行加权,以获得第二外部条件特征向量,其中,所述高斯函数值是以所述特征值的平方负数为幂的自然常数指数函数值;
融合单元,用于将所述第一路网特征图生成单元获得的所述第一路网特征图和所述第二外部条件特征向量生成单元获得的所述第二外部条件特征向量分别与所述第二停放点特征图生成单元获得的所述第二停放点特征图进行矩阵相乘,以获得第一融合特征图和第一融合特征向量;
全连接编码单元,用于将所述第二停放点特征图生成单元获得所述第二停放点特征图和所述融合单元获得的所述第一融合特征图分别通过至少一个全连接层,以获得停放点特征向量和第二融合特征向量;以及
分类结果生成单元,用于将所述全连接编码单元获得的所述停放点特征向量、所述第二融合特征向量和所述融合单元获得的所述第一融合特征向量拼接后输入分类器以获得分类结果,其中,所述分类结果用于表示共享单车的停放姿态。
9.根据权利要求8所述的基于云计算的共享单车管理系统,其中,所述第一外部条件特征向量生成单元,包括:
天气状况向量转化子单元,用于将所述天气状况数据转化为天气状况向量;
交通流量向量转化子单元,用于将所述交通流量数据转化为交通流量向量;以及
第一外部条件特征向量构成子单元,用于将所述天气状况向量转化子单元获得的所述天气状况向量和所述交通流量向量级联后输入深度神经网络以获得所述第一外部条件特征向量。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的基于云计算的共享单车管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532815.4A CN113516043A (zh) | 2021-05-17 | 2021-05-17 | 基于云计算的共享单车管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532815.4A CN113516043A (zh) | 2021-05-17 | 2021-05-17 | 基于云计算的共享单车管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516043A true CN113516043A (zh) | 2021-10-19 |
Family
ID=78064296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532815.4A Withdrawn CN113516043A (zh) | 2021-05-17 | 2021-05-17 | 基于云计算的共享单车管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516043A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115837363A (zh) * | 2023-02-20 | 2023-03-24 | 成都河狸智能科技有限责任公司 | 一种共享单车分拣系统及方法 |
-
2021
- 2021-05-17 CN CN202110532815.4A patent/CN113516043A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115837363A (zh) * | 2023-02-20 | 2023-03-24 | 成都河狸智能科技有限责任公司 | 一种共享单车分拣系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
US20180285689A1 (en) | Rgb-d scene labeling with multimodal recurrent neural networks | |
CN113570029A (zh) | 获取神经网络模型的方法、图像处理方法及装置 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
CN111507521A (zh) | 台区电力负荷预测方法及预测装置 | |
CN111382868A (zh) | 神经网络结构搜索方法和神经网络结构搜索装置 | |
CN114663670A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
US20240135174A1 (en) | Data processing method, and neural network model training method and apparatus | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN113313173B (zh) | 基于图表示和改进Transformer的人体解析方法 | |
CN112801063B (zh) | 神经网络系统和基于神经网络系统的图像人群计数方法 | |
Vitynskyi et al. | Hybridization of the SGTM neural-like structure through inputs polynomial extension | |
JP2022078310A (ja) | 画像分類モデル生成方法、装置、電子機器、記憶媒体、コンピュータプログラム、路側装置およびクラウド制御プラットフォーム | |
US20240005164A1 (en) | Neural Network Training Method and Related Device | |
CN116486524A (zh) | 基于场景识别的交流充电电子锁控制方法 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN117711181A (zh) | 车联网环境下的交通状况智能监测系统及方法 | |
Wang et al. | ARFP: A novel adaptive recursive feature pyramid for object detection in aerial images | |
Maaroufi et al. | Predicting the future is like completing a painting: Towards a novel method for time-series forecasting | |
CN113516043A (zh) | 基于云计算的共享单车管理方法 | |
Uzun et al. | Deep learning based classification of time series of chaotic systems over graphic images | |
EP4030347A1 (en) | Neural network building method and device, and image processing method and device | |
CN117246358A (zh) | 自动驾驶辅助系统用线路板及其方法 | |
John et al. | Deep visible and thermal camera-based optimal semantic segmentation using semantic forecasting | |
CN111368150B (zh) | 预测模型的训练方法、装置及电子设备 |
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: 20211019 |