CN113688274A - 骑行路线生成方法、装置、设备及存储介质 - Google Patents
骑行路线生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113688274A CN113688274A CN202110985134.3A CN202110985134A CN113688274A CN 113688274 A CN113688274 A CN 113688274A CN 202110985134 A CN202110985134 A CN 202110985134A CN 113688274 A CN113688274 A CN 113688274A
- Authority
- CN
- China
- Prior art keywords
- target
- riding route
- virtual
- route
- virtual 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000006872 improvement Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种骑行路线生成方法、装置、设备及存储介质,用于提高骑行路线生成的准确率。所述骑行路线生成方法包括:调用卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到离散化道路数据;调用离散选择模型对离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,目标概率值为多个候选概率值中的最大值。此外,本发明还涉及区块链技术,目标骑行路线可存储于区块链节点中。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种骑行路线生成方法、装置、设备及存储介质。
背景技术
在低碳可持续发展越来越深入人心下,城市生活依赖小汽车出行的严重性正逐渐得到重视,绿色出行的理念愈发深入人心。由此,以自行车出行为代表的出行方式开始回归人们的视野。而在实际上,近年来多个城市建设了绿色体系、公共自行车系统,这些实践得到了良好的社会反响,反应了人民群众对绿色出行的迫切需求。
现有方案主要是获取骑行者的实际路径,分析实际路径与道路属性相关性,或者在虚拟路径中选择最愿意骑行的路径,来确定环境要素对路径偏好的影响,但是目前骑行路径预测的准确率低。
发明内容
本发明提供了一种骑行路线生成方法、装置、设备及存储介质,用于提高骑行路线生成的准确率。
本发明第一方面提供了一种骑行路线生成方法,所述骑行路线生成方法包括:获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
可选的,在本发明第一方面的第一种实现方式中,所述获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线,包括:从预置的数据库中查询目标用户的初始数据;对所述初始数据进行数据清洗,得到目标数据,所述目标数据用于指示多个虚拟骑行路线。
可选的,在本发明第一方面的第二种实现方式中,所述调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素,包括:调用预置的街景地图匹配所述多个虚拟骑行路线的街景图像,得到每一虚拟骑行路线对应的街景图像;通过预置的卷积神经网络模型中的卷积层分别对每一虚拟骑行路线对应的街景图像进行卷积运算,得到每一虚拟骑行路线对应的目标道路环境;通过预置的卷积神经网络模型中的全连接层对每一虚拟骑行路线对应的目标道路环境进行特征提取,得到每一虚拟骑行路线对应的目标环境要素。
可选的,在本发明第一方面的第三种实现方式中,所述对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据,包括:对每一虚拟骑行路线对应的目标环境要素进行分类,得到多个目标环境要素类;获取每个目标环境要素类的特征量,并根据所述特征量构建决策树;基于所述决策树对所述多个目标环境要素类进行数据划分,并对数据划分后的所述多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。
可选的,在本发明第一方面的第四种实现方式中,所述调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值,包括:获取每一虚拟骑行路线对应的离散化道路数据对应的权重,得到每一虚拟骑行路线对应的离散化道路数据的权重系数;基于所述权重系数并通过预置的离散选择模型中的效用函数对每一虚拟骑行路线对应的离散化道路数据进行效用计算,得到每一虚拟骑行路线对应的目标效用值;通过预置的离散选择模型中的概率函数对每一虚拟骑行路线对应的目标效用值进行路线概率值计算,确定每一虚拟骑行路线对应的候选概率值。
可选的,在本发明第一方面的第五种实现方式中,所述对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值,包括:对每一虚拟骑行路线对应的候选概率值进行比较,得到所述多个候选概率值对应的目标排序;基于所述候选概率值对应的目标排序获取所述目标排序中的最大值,并将所述多个候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
可选的,在本发明第一方面的第六种实现方式中,在所述对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值之后,所述骑行路线生成方法还包括:对所述目标骑行路线进行路线环境合理度分析,得到目标环境合理度;对所述目标环境合理度进行评级,得到改造优先等级;根据所述改造优先等级生成所述目标骑行路线的道路改善评价指标。
本发明第二方面提供了一种骑行路线生成装置,所述骑行路线生成装置包括:获取模块,用于获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;识别模块,用于调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;处理模块,用于对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;分析模块,用于调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;生成模块,用于对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:从预置的数据库中查询目标用户的初始数据;对所述初始数据进行数据清洗,得到目标数据,所述目标数据用于指示多个虚拟骑行路线。
可选的,在本发明第二方面的第二种实现方式中,所述识别模块具体用于:调用预置的街景地图匹配所述多个虚拟骑行路线的街景图像,得到每一虚拟骑行路线对应的街景图像;通过预置的卷积神经网络模型中的卷积层分别对每一虚拟骑行路线对应的街景图像进行卷积运算,得到每一虚拟骑行路线对应的目标道路环境;通过预置的卷积神经网络模型中的全连接层对每一虚拟骑行路线对应的目标道路环境进行特征提取,得到每一虚拟骑行路线对应的目标环境要素。
可选的,在本发明第二方面的第三种实现方式中,所述处理模块具体用于:对每一虚拟骑行路线对应的目标环境要素进行分类,得到多个目标环境要素类;获取每个目标环境要素类的特征量,并根据所述特征量构建决策树;基于所述决策树对所述多个目标环境要素类进行数据划分,并对数据划分后的所述多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。
可选的,在本发明第二方面的第四种实现方式中,所述分析模块具体用于:获取每一虚拟骑行路线对应的离散化道路数据对应的权重,得到每一虚拟骑行路线对应的离散化道路数据的权重系数;基于所述权重系数并通过预置的离散选择模型中的效用函数对每一虚拟骑行路线对应的离散化道路数据进行效用计算,得到每一虚拟骑行路线对应的目标效用值;通过预置的离散选择模型中的概率函数对每一虚拟骑行路线对应的目标效用值进行路线概率值计算,确定每一虚拟骑行路线对应的候选概率值。
可选的,在本发明第二方面的第五种实现方式中,所述生成模块具体用于:对每一虚拟骑行路线对应的候选概率值进行比较,得到所述多个候选概率值对应的目标排序;基于所述候选概率值对应的目标排序获取所述目标排序中的最大值,并将所述多个候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
可选的,在本发明第二方面的第六种实现方式中,所述骑行路线生成装置还包括:合理度分析模块,用于对所述目标骑行路线进行路线环境合理度分析,得到目标环境合理度;对所述目标环境合理度进行评级,得到改造优先等级;根据所述改造优先等级生成所述目标骑行路线的道路改善评价指标。
本发明第三方面提供了一种骑行路线生成设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述骑行路线生成设备执行上述的骑行路线生成方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的骑行路线生成方法。
本发明提供的技术方案中,通过对初始数据进行预处理,得到目标数据,目标数据中包括多个虚拟骑行路线;通过预置的卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的离散化道路数据,卷积神经网络模型可以有效提高道路环境识别的准确率,再通过预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的目标概率值,最后将目标概率值最大的虚拟骑行路线作为目标骑行路线,提高了骑行路线生成的准确率。
附图说明
图1为本发明实施例中骑行路线生成方法的一个实施例示意图;
图2为本发明实施例中骑行路线生成方法的另一个实施例示意图;
图3为本发明实施例中骑行路线生成装置的一个实施例示意图;
图4为本发明实施例中骑行路线生成装置的另一个实施例示意图;
图5为本发明实施例中骑行路线生成设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种骑行路线生成方法、装置、设备及存储介质,用于提高骑行路线生成的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中骑行路线生成方法的第一个实施例包括:
101、获取目标用户的初始数据,并对初始数据进行预处理,得到目标数据,目标数据用于指示多个虚拟骑行路线;
可以理解的是,本发明的执行主体可以为骑行路线生成装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。服务器可以是独立的服务器,也可以是提供云服务、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。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。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、分布式存储、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、机器人技术、生物识别技术、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。
具体的,服务器从预置的数据库中查询目标用户的初始数据,其中,初始数据是通过问卷调查结合现有研究确定骑行环境的主要影响要素,服务器将主要影响要素通过可视化操作实现设计生成虚拟路线选择情景,服务器对初始数据进行预处理,得到目标数据,其中,目标数据中包括多个虚拟骑行路线。
102、调用预置的卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;
具体的,服务器通过预置的卷积神经网络模型(convolutional neural network,CNN)对多个虚拟骑行路线中的自行车道以及骑行环境进行识别,需要说明的是,在对多个虚拟骑行路线进行道路环境识别之前,需要将每一虚拟骑行路线输入预置的街景地图,通过预置的街景地图获取每一虚拟骑行路线的街景图像,街景图像用于对多个虚拟路线进行道路环境识别,进而量化城区的自行车骑行环境的友好程度以及存在的问题,从而识别得到每一虚拟骑行路线对应的目标环境要素。预置的卷积神经网络模型处理得到输入多个虚拟骑行路线的空间分布,再加上一些人工设定的特性,例如:共享权重等,使得卷积神经网络模型容易训练,也就可以做出更深层的网络结构,拥有更好的识别效果。
103、对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
具体的,服务器进行分类处理,分别对多个目标环境要素类进行数据离散化,服务器通过多个数据采集装置采集车辆位置、车辆姿态及道路情况等数据,并根据车辆位置、车辆姿态及道路情况为目标规划最佳骑行路线、推荐最佳骑行档位、生成骑行轨迹及找寻骑行伙伴等。
104、调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
具体的,服务器进行偏好分析的具体过程包括:服务器设置目标用户有多个备选项,分别对应一定的效用,效用由固定与随机两部分加和构成,固定效用能够被一定的可观测要素所解释,而随机部分代表了未被观测的效用及误差的影响,服务器基于效用对目标用户进行偏好计算,得到多个虚拟骑行路线被目标用户选择对应的概率值。
105、对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,目标概率值为多个候选概率值中的最大值。
具体的,服务器进行比较时,首先根据每一虚拟骑行路线的候选概率值大小对候选概率值进行排序,服务器将候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
进一步地,服务器将目标骑行路线存储于区块链数据库中,具体此处不做限定。
本发明实施例中,通过预置的卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的离散化道路数据,通过卷积神经网络模型对虚拟骑行路线的道路环境进行识别,可以有效提高道路环境识别的准确率。
请参阅图2,本发明实施例中骑行路线生成方法的第二个实施例包括:
201、获取目标用户的初始数据,并对初始数据进行预处理,得到目标数据,目标数据用于指示多个虚拟骑行路线;
具体的,服务器从预置的数据库中查询目标用户的初始数据;服务器对初始数据进行数据清洗,得到目标数据,目标数据用于指示多个虚拟骑行路线。
其中,服务器从预置的数据库中查询目标用户的初始数据,预置的数据库中包括多个用户的初始数据,服务器结合实地调查的数据,服务器采集目标用户对虚拟骑行路线的叙述性偏好。服务器对初始数据进行数据清洗,得到目标数据。由于初始数据中存在调查、编码和录入误差,初始数据中存在一些无效值和缺失值,需要给予适当的处理,数据处理包括:估算,整例删除,变量删除和成对删除,服务器根据预置的变量的合理取值范围和相互关系,服务器检查初始数据是否合乎要求,若超出正常范围、逻辑上不合理或者相互矛盾的误差数据,则服务器删除初始数据中的误差数据,得到目标数据,其中,目标数据用于指示多个虚拟骑行路线。服务器将目标数据输入预置的街景地图中,通过预置的街景地图生成目标用户对应的多个虚拟骑行路线,也就是预置的街景地图通过对目标用户的虚拟路线的目标数据进行分析,生成多个虚拟骑行路线其中,街景地图是一种实景地图服务,为用户提供城市、街道或其他环境的360度全景图像(也就是,街景图像)。
202、调用预置的街景地图匹配多个虚拟骑行路线的街景图像,得到每一虚拟骑行路线对应的街景图像;
具体的,服务器在对多个虚拟骑行路线进行道路环境识别之前,需要将每一虚拟骑行路线输入预置的街景地图,通过预置的街景地图获取每一虚拟骑行路线的街景图像,街景图像用于对多个虚拟路线进行道路环境识别。
203、通过预置的卷积神经网络模型中的卷积层分别对每一虚拟骑行路线对应的街景图像进行卷积运算,得到每一虚拟骑行路线对应的目标道路环境;
具体的,服务器通过预置的卷积神经网络模型分别对每一虚拟骑行路线进行图像识别,得到每一虚拟骑行路线对应的目标道路环境;服务器通过预置的卷积神经网络模型对每一虚拟骑行路线对应的目标道路环境进行环境分析,得到每一虚拟骑行路线对应的目标环境要素。
其中,服务器从预置的街景地图中查询每一虚拟骑行路线的位置信息,服务器根据位置信息获取实时每一虚拟路线的实时图像,例如:在街景地图中点击某一位置触发输入街景查询位置信息,在本实施例中可以预先保存预设街景查询位置信息对应的街景图像,服务器通过预置的卷积神经网络模型分别对每一虚拟骑行路线进行图像识别,也就是服务器对从预置的街景地图中获取得到的每一虚拟骑行路线的街景图像进行识别,得到每一虚拟骑行路线对应的目标道路环境,其中,目标道路环境包括:机动车流量、自行车道类型、隔离措施、机动车路边停车、自行车道宽度、道路遮阴、道路景观、途径公园、途径河流、红绿灯个数等。
204、通过预置的卷积神经网络模型中的全连接层对每一虚拟骑行路线对应的目标道路环境进行特征提取,得到每一虚拟骑行路线对应的目标环境要素;
其中,服务器对目标道路环境进行最佳阈值计算,然后服务器对像素进行分割,再接入预置环境元素数据库进行相似度匹配,匹配得到相似度最高的作为目标环境要素,其中,目标环境要素具体为机动车流量数值、自行车道类型、途径河流、红绿灯个数等环境要素,服务器对多个目标环境要素进行数据评分,使得每一虚拟骑行路线的数据离散化,以便后续的数据预测。
205、对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
可选的,服务器对每一虚拟骑行路线对应的目标环境要素进行分类,得到多个目标环境要素类;服务器获取每个目标环境要素类的特征量,并根据所述特征量构建决策树;服务器基于决策树对多个目标环境要素类进行数据划分,并对数据划分后的多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。
其中,服务器分别对多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。服务器采集每一虚拟骑行路线对应目标环境要素的特征量,服务器根据特征量建立实验样本,服务器根据实验样本,构建决策树,进行决策树学习,具体包括:服务器通过整个实验样本作为根结点,服务器对单一的特征量作变异数分析,服务器查询变异量最大的变项作为分割准则,然后依次根据最大变异条件长出分岔,直至得到多个目标环境要素类。服务器根据构建的决策树,实例化隐马尔科夫模型的参数,服务器根据隐马尔科夫模型对多个目标环境要素类进行数据离散化,其中,数据离散化是指服务器分别对多个目标环境要素类按照每一虚拟骑行路线进行数据划分,对划分后的每一虚拟骑行路线对应的目标环境要素类进行数据评分,使得每一虚拟骑行路线的目标环境要素类离散化,得到每一虚拟骑行路线对应的离散化道路数据。
206、调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
具体的,服务器获取每一虚拟骑行路线对应的离散化道路数据对应的权重,得到每一虚拟骑行路线对应的离散化道路数据的权重系数;服务器基于所述权重系数并通过预置的离散选择模型中的效用函数对每一虚拟骑行路线对应的离散化道路数据进行效用计算,得到每一虚拟骑行路线对应的目标效用值;服务器通过预置的离散选择模型中的概率函数对每一虚拟骑行路线对应的目标效用值进行路线概率值计算,确定每一虚拟骑行路线对应的候选概率值。
其中,服务器通过离散选择模型获得目标用户对自行车出行环境的偏好模型,进而获得较高的拟合优度和符合实际的参数估计,服务器基于一般混合Logit模型(Generalized Mixed Logit Model)来估计骑行环境要素对人们骑行线路选择的影响,模型函数定义如下:
Vij=a1timej+a2volj+a3vol2j+a4type1j+a5type2j+a6widthj+a7greenj+...+anvarj;
其中,Vij为目标用户i从路径j所能获得的目标效用值,Vc为路线j的阈值,可通过训练得到,Pij表示骑行者选择路线j的候选概率值,变量a表示环境要素的权重系数,time、vol1j、widthj等表示收集的目标环境要素。
207、对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,目标概率值为多个候选概率值中的最大值。
具体的,服务器对每一虚拟骑行路线对应的候选概率值进行比较,得到多个候选概率值对应的目标排序;服务器基于候选概率值对应的目标排序获取目标排序中的最大值,并将多个候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
其中,服务器对不同的属性设置不同的权值,提出更精确、更高效的优化算法,最终可以得出每一虚拟骑行路线的骑行环境合理的评价以及道路要素改善建议,进一步地,服务器通过深度学习中的卷积神经网络模型对骑行行为、自行车道以及骑行环境进行识别,进而量化城区的自行车骑行环境的友好程度以及存在的问题,服务器将识别的数据,进行数据离散化,服务器通过离散选择模型对多个虚拟路线的数据进行预测评估,对不同的要素设置不同的权值进行预测,使得目标骑行路线的骑行环境的评估更加准确。
具体的,对目标骑行路线进行路线环境合理度分析,得到目标环境合理度;对目标环境合理度进行评级,得到改造优先等级;根据改造优先等级生成目标骑行路线的道路改善评价指标。
其中,服务器对不同的属性设置不同的权值,提出更精确、更高效的优化算法,最终可以得出每条道路的骑行环境合理的评价以及道路要素改善建议。服务器对目标骑行路线进行路线环境合理度分析,得到目标环境合理度,具体包括:服务器对道路的评分结果按理论最高分个最低分之间等分,一共划为5个级别,1级为评分最低,5级为评分最高,服务器根据训练得出的权重系数,越大表明该变量对骑行环境影响越大,越需要进行改进优化,所以同时给出道路改善建议,即机动车流量、自行车道类型、自行车道宽度和隔离措施等因子的改造级别,其中,改造优先级也可划分为1-3个级别,同样1级为最不优先改造,3级为最优先改造,得到目标环境合理度,服务器根据目标环境合理度生成最合理的道路改善评价指标。
进一步地,服务器将目标骑行路线存储于区块链数据库中,具体此处不做限定。
本发明实施例中,将识别的数据,进行数据离散化,通过离散选择模型对多个虚拟路线的数据进行预测评估,对不同的要素设置不同的权值进行预测,使得目标骑行路线的骑行环境的评估更加准确。
上面对本发明实施例中骑行路线生成方法进行了描述,下面对本发明实施例中骑行路线生成装置进行描述,请参阅图3,本发明实施例中骑行路线生成装置第一个实施例包括:
获取模块301,用于获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;
识别模块302,用于调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;
处理模块303,用于对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
分析模块304,用于调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
生成模块305,用于对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
本发明实施例中,通过对初始数据进行预处理,得到目标数据,目标数据中包括多个虚拟骑行路线;通过预置的卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的离散化道路数据,卷积神经网络模型可以有效提高道路环境识别的准确率,再通过预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的目标概率值,最后将目标概率值最大的虚拟骑行路线作为目标骑行路线,提高了骑行路线生成的准确率。
请参阅图4,本发明实施例中骑行路线生成装置第二个实施例包括:
获取模块301,用于获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;
识别模块302,用于调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;
处理模块303,用于对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
分析模块304,用于调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
生成模块305,用于对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
可选的,获取模块301具体用于:
从预置的数据库中查询目标用户的初始数据;对所述初始数据进行数据清洗,得到目标数据,所述目标数据用于指示多个虚拟骑行路线。
可选的,识别模块302具体用于:
调用预置的街景地图匹配所述多个虚拟骑行路线的街景图像,得到每一虚拟骑行路线对应的街景图像;通过预置的卷积神经网络模型中的卷积层分别对每一虚拟骑行路线对应的街景图像进行卷积运算,得到每一虚拟骑行路线对应的目标道路环境;通过预置的卷积神经网络模型中的全连接层对每一虚拟骑行路线对应的目标道路环境进行特征提取,得到每一虚拟骑行路线对应的目标环境要素。
可选的,处理模块303具体用于:
对每一虚拟骑行路线对应的目标环境要素进行分类,得到多个目标环境要素类;获取每个目标环境要素类的特征量,并根据所述特征量构建决策树;基于所述决策树对所述多个目标环境要素类进行数据划分,并对数据划分后的所述多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。
可选的,分析模块304具体用于:
获取每一虚拟骑行路线对应的离散化道路数据对应的权重,得到每一虚拟骑行路线对应的离散化道路数据的权重系数;基于所述权重系数并通过预置的离散选择模型中的效用函数对每一虚拟骑行路线对应的离散化道路数据进行效用计算,得到每一虚拟骑行路线对应的目标效用值;通过预置的离散选择模型中的概率函数对每一虚拟骑行路线对应的目标效用值进行路线概率值计算,确定每一虚拟骑行路线对应的候选概率值。
可选的,生成模块305具体用于:
对每一虚拟骑行路线对应的候选概率值进行比较,得到所述多个候选概率值对应的目标排序;基于所述候选概率值对应的目标排序获取所述目标排序中的最大值,并将所述多个候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
可选的,骑行路线生成装置还包括:
合理度分析模块306,用于对所述目标骑行路线进行路线环境合理度分析,得到目标环境合理度;对所述目标环境合理度进行评级,得到改造优先等级;根据所述改造优先等级生成所述目标骑行路线的道路改善评价指标。
本发明实施例中,通过对初始数据进行预处理,得到目标数据,目标数据中包括多个虚拟骑行路线;通过预置的卷积神经网络模型分别对多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的离散化道路数据,卷积神经网络模型可以有效提高道路环境识别的准确率,再通过预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的目标概率值,最后将目标概率值最大的虚拟骑行路线作为目标骑行路线,提高了骑行路线生成的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的骑行路线生成装置进行详细描述,下面从硬件处理的角度对本发明实施例中骑行路线生成设备进行详细描述。
图5是本发明实施例提供的一种骑行路线生成设备的结构示意图,该骑行路线生成设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对骑行路线生成设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在骑行路线生成设备500上执行存储介质530中的一系列指令操作。
骑行路线生成设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的骑行路线生成设备结构并不构成对骑行路线生成设备的限定,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。
本发明还提供一种骑行路线生成设备,所述骑行路线生成设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述骑行路线生成方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述骑行路线生成方法的步骤。
进一步地,计算机可读存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种骑行路线生成方法,其特征在于,所述骑行路线生成方法包括:
获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;
调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;
对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
2.根据权利要求1所述的骑行路线生成方法,其特征在于,所述获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线,包括:
从预置的数据库中查询目标用户的初始数据;
对所述初始数据进行数据清洗,得到目标数据,所述目标数据用于指示多个虚拟骑行路线。
3.根据权利要求1所述的骑行路线生成方法,其特征在于,所述调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素,包括:
调用预置的街景地图匹配所述多个虚拟骑行路线的街景图像,得到每一虚拟骑行路线对应的街景图像;
通过预置的卷积神经网络模型中的卷积层分别对每一虚拟骑行路线对应的街景图像进行卷积运算,得到每一虚拟骑行路线对应的目标道路环境;
通过预置的卷积神经网络模型中的全连接层对每一虚拟骑行路线对应的目标道路环境进行特征提取,得到每一虚拟骑行路线对应的目标环境要素。
4.根据权利要求1所述的骑行路线生成方法,其特征在于,所述对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据,包括:
对每一虚拟骑行路线对应的目标环境要素进行分类,得到多个目标环境要素类;
获取每个目标环境要素类的特征量,并根据所述特征量构建决策树;
基于所述决策树对所述多个目标环境要素类进行数据划分,并对数据划分后的所述多个目标环境要素类进行数据离散化,得到每一虚拟骑行路线对应的离散化道路数据。
5.根据权利要求1所述的骑行路线生成方法,其特征在于,所述调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值,包括:
获取每一虚拟骑行路线对应的离散化道路数据对应的权重,得到每一虚拟骑行路线对应的离散化道路数据的权重系数;
基于所述权重系数并通过预置的离散选择模型中的效用函数对每一虚拟骑行路线对应的离散化道路数据进行效用计算,得到每一虚拟骑行路线对应的目标效用值;
通过预置的离散选择模型中的概率函数对每一虚拟骑行路线对应的目标效用值进行路线概率值计算,确定每一虚拟骑行路线对应的候选概率值。
6.根据权利要求1所述的骑行路线生成方法,其特征在于,所述对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值,包括:
对每一虚拟骑行路线对应的候选概率值进行比较,得到所述多个候选概率值对应的目标排序;
基于所述候选概率值对应的目标排序获取所述目标排序中的最大值,并将所述多个候选概率值中最大值对应的虚拟骑行路线作为目标骑行路线。
7.根据权利要求1-6中任一项所述的骑行路线生成方法,其特征在于,在所述对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值之后,所述骑行路线生成方法还包括:
对所述目标骑行路线进行路线环境合理度分析,得到目标环境合理度;
对所述目标环境合理度进行评级,得到改造优先等级;
根据所述改造优先等级生成所述目标骑行路线的道路改善评价指标。
8.一种骑行路线生成装置,其特征在于,所述骑行路线生成装置包括:
获取模块,用于获取目标用户的初始数据,并对所述初始数据进行预处理,得到目标数据,所述目标数据用于指示多个虚拟骑行路线;
识别模块,用于调用预置的卷积神经网络模型分别对所述多个虚拟骑行路线进行道路环境识别,得到每一虚拟骑行路线对应的目标环境要素;
处理模块,用于对每一虚拟骑行路线对应的目标环境要素进行数据处理,得到每一虚拟骑行路线对应的离散化道路数据;
分析模块,用于调用预置的离散选择模型对每一虚拟骑行路线对应的离散化道路数据进行偏好分析,得到每一虚拟骑行路线对应的候选概率值;
生成模块,用于对每一虚拟骑行路线对应的候选概率值进行比较,并将目标概率值对应的虚拟骑行路线作为目标骑行路线,所述目标概率值为所述多个候选概率值中的最大值。
9.一种骑行路线生成设备,其特征在于,所述骑行路线生成设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述骑行路线生成设备执行如权利要求1-7中任一项所述的骑行路线生成方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的骑行路线生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985134.3A CN113688274A (zh) | 2021-08-26 | 2021-08-26 | 骑行路线生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985134.3A CN113688274A (zh) | 2021-08-26 | 2021-08-26 | 骑行路线生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688274A true CN113688274A (zh) | 2021-11-23 |
Family
ID=78582736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110985134.3A Pending CN113688274A (zh) | 2021-08-26 | 2021-08-26 | 骑行路线生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688274A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
US20200135209A1 (en) * | 2018-10-26 | 2020-04-30 | Apple Inc. | Low-latency multi-speaker speech recognition |
CN113063431A (zh) * | 2021-04-06 | 2021-07-02 | 合肥工业大学 | 一种共享单车骑行路线的智能推荐方法 |
CN113095570A (zh) * | 2021-04-14 | 2021-07-09 | 上海市城市建设设计研究总院(集团)有限公司 | 基于需求差异性的自行车骑行路径推荐方法 |
-
2021
- 2021-08-26 CN CN202110985134.3A patent/CN113688274A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737510A (zh) * | 2012-07-03 | 2012-10-17 | 浙江大学 | 一种基于移动智能终端的实时交通路况采集方法 |
US20200135209A1 (en) * | 2018-10-26 | 2020-04-30 | Apple Inc. | Low-latency multi-speaker speech recognition |
CN113063431A (zh) * | 2021-04-06 | 2021-07-02 | 合肥工业大学 | 一种共享单车骑行路线的智能推荐方法 |
CN113095570A (zh) * | 2021-04-14 | 2021-07-09 | 上海市城市建设设计研究总院(集团)有限公司 | 基于需求差异性的自行车骑行路径推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Learning to estimate the travel time | |
CN108153867B (zh) | 基于时间规律性的用户轨迹预测方法和装置 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
Ding et al. | Towards generating network of bikeways from Mapillary data | |
CN104866831A (zh) | 特征加权的人脸识别算法 | |
Samadzadegan et al. | Automatic 3D object recognition and reconstruction based on neuro-fuzzy modelling | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN111814658A (zh) | 基于语义的场景语义结构图检索方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
CN113888867A (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
Sun et al. | Automatic building age prediction from street view images | |
CN113688274A (zh) | 骑行路线生成方法、装置、设备及存储介质 | |
CN115935076A (zh) | 基于人工智能的旅游服务信息推送方法及系统 | |
Junior et al. | Improving travel pattern analysis with urban morphology features: A panel data study case in a Brazilian university campus | |
Costa et al. | Generation of road maps from trajectories collected with smartphone–a method based on genetic algorithm | |
CN114896353A (zh) | 一种地理编码方法、存储介质及系统 | |
CN113706551A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN117132958B (zh) | 道路要素识别方法及相关装置 | |
CN113706869B (zh) | 智慧交通站点覆盖率的计算方法、装置、设备及存储介质 | |
Liang et al. | Travel Behavior Analysis for Free-Floating Bike Sharing Systems Based on Markov-Chain Models | |
Huneiti et al. | Extracting interesting regions and trips from taxi trajectory data | |
Luciani et al. | Street direction classification using implicit vehicle crowdsensing and deep learning |
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 |