CN113947938A - 基于人工智能的探测方法及相关产品 - Google Patents
基于人工智能的探测方法及相关产品 Download PDFInfo
- Publication number
- CN113947938A CN113947938A CN202111204769.1A CN202111204769A CN113947938A CN 113947938 A CN113947938 A CN 113947938A CN 202111204769 A CN202111204769 A CN 202111204769A CN 113947938 A CN113947938 A CN 113947938A
- Authority
- CN
- China
- Prior art keywords
- congestion index
- paths
- previous
- years
- user
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- 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
Abstract
本申请提供一种基于人工智能的探测方法及相关产品，该方法包括：终端设备接收用户输入的第一地址、第二地址和出发时间；终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户。本申请提供的技术方案具有用户体验度高的优点。
Description
技术领域
本发明涉及互联网技术领域，具体涉及一种基于人工智能的探测方法及相关产品。
背景技术
探测，指探查某物；确定物体、辐射、化学化合物、信号等是否存在。随着导航方式的发展，探测的含义更加的广泛，例如，张三十一期间想开车从A地到B地，其可能需要提前探测下路径以及对应路径的路况，现有的路径的探测仅仅是基于A地到B地，然后提取历史数据来探测，其探测的准确性较低，影响了用户的体验度。
发明内容
本发明实施例提供了一种基于人工智能的探测方法及相关产品，可以提高探测的准确性，提高了用户体验度。
第一方面，本发明实施例提供一种基于人工智能的探测方法，所述方法包括如下步骤：
终端设备接收用户输入的第一地址、第二地址和出发时间；
终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；
终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户；
上述n为大于等于5的整数。
可选的，所述将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果具体包括：
提取n个路径中每个路径的每个link的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
可选的，所述依据该运算结果确定与用户最匹配的3个路径推荐给用户具体包括：
获取计算n个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
可选的，终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1具体包括：
K1＝[(d1-d2)/s12+(d2-d3)/s23]/2；
其中，d1为前1年的所有路径的拥堵指数平均值，d2为前2年的所有路径的拥堵指数平均值，d3为前3年的所有路径的拥堵指数平均值，s12为前2年到前1年之间的车辆增加比例值，s23为前3年到前2年之间的车辆增加比例值。
可选的，所述依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数具体包括：
di＝K1*di’；
其中，di为路径中第i个link出发时间的拥堵指数，di’为第i个link在前1年的拥堵指数；
遍历所有的link得预估出发时间的拥堵指数。
第二方面，提供一种基于人工智能的探测系统，所述系统包括：
接收单元，用于接收用户输入的第一地址、第二地址和出发时间；
处理单元，用于生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户；
上述n为大于等于5的整数。
可选的，所述处理单元，具体用于提取n个路径中每个路径的每个link的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
可选的，所述处理单元，具体用于获取计算n个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
第三方面，提供一种计算机可读存储介质，其存储用于电子数据交换的程序，其中，所述程序使得终端执行第一方面提供的方法。
实施本发明实施例，具有如下有益效果：
可以看出，本申请提供的技术方案终端设备接收用户输入的第一地址、第二地址和出发时间；终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户。这样探测的路径能够符合用户的喜好，另外，也能够通过历史拥堵指数以及车辆增加比例得到预估的系数，进而预估拥堵指数，提高时间的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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1是一种终端的结构示意图。
图2是一种基于人工智能的探测方法的流程示意图。
图3是本发明实施例提供的基于人工智能的探测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参阅图1，图1提供了一种终端设备，该终端设备具体可以为：智能手机、平板电脑、计算机或服务器，该终端设备可以为IOS、安卓等系统的终端，当然也可以为其他系统的终端，例如鸿蒙等等，本申请并不限制上述具体的系统，如图1所示，上述终端设备具体可以包括：处理器、存储器、摄像头和显示屏，上述部件可以通过总线连接，也可以通过其他方式连接，本申请并不限制上述连接的具体方式。
参阅图2，图2提供了一种基于人工智能的探测方法，该方法如图2所示，由如图1所示的终端设备来执行，该方法包括如下步骤：
步骤S201、终端设备接收用户输入的第一地址、第二地址和出发时间；
步骤S202、终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；
步骤S203、终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户。
本申请提供的技术方案终端设备接收用户输入的第一地址、第二地址和出发时间；终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户。这样探测的路径能够符合用户的喜好，另外，也能够通过历史拥堵指数以及车辆增加比例得到预估的系数，进而预估拥堵指数，提高时间的准确性。
示例的，上述将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果具体可以包括：
提取n个路径中每个路径的每个link(链路)的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
示例的，上述依据该运算结果确定与用户最匹配的3个路径推荐给用户具体可以包括：
获取计算n(n≥5)个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
通过神经网络运算以后，若与用户的要求最匹配，那么其乘积结果会最高，因此平均值最高的即为最匹配的。
示例的，上述终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1具体可以包括：
K1＝[(d1-d2)/s12+(d2-d3)/s23]/2；
其中，d1为前1年的所有路径的拥堵指数平均值，d2为前2年的所有路径的拥堵指数平均值，d3为前3年的所有路径的拥堵指数平均值，s12为前2年到前1年之间的车辆增加比例值，s23为前3年到前2年之间的车辆增加比例值。
示例的，上述依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数具体可以包括：
di＝K1*di’；
其中，di为路径中第i个link出发时间的拥堵指数，di’为第i个link在前1年的拥堵指数；
遍历所有的link得预估出发时间的拥堵指数。
参阅图3，图3提供一种基于人工智能的探测系统，所述系统包括：
接收单元301，用于接收用户输入的第一地址、第二地址和出发时间；
处理单元302，用于生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户；
上述n为大于等于5的整数。
可选的，处理单元302，具体用于提取n个路径中每个路径的每个link的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
可选的，处理单元302，具体用于获取计算n个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
示例的，本申请实施例中的处理单元还可以用于执行如图2所示实施例的细化方案、可选方案等，这里不再赘述。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种基于人工智能的探测方法的部分或全部步骤。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于人工智能的探测方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以接收其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以接收硬件的形式实现，也可以接收软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (9)
1.一种基于人工智能的探测方法，其特征在于，所述方法包括如下步骤：
终端设备接收用户输入的第一地址、第二地址和出发时间；
终端设备生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；
终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户；
上述n为大于等于5的整数。
2.根据权利要求1所述的方法，其特征在于，所述将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果具体包括：
提取n个路径中每个路径的每个link的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
3.根据权利要求2所述的方法，其特征在于，所述依据该运算结果确定与用户最匹配的3个路径推荐给用户具体包括：
获取计算n个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
4.根据权利要求1所述的方法，其特征在于，终端设备依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1具体包括：
K1＝[(d1-d2)/s12+(d2-d3)/s23]/2；
其中，d1为前1年的所有路径的拥堵指数平均值，d2为前2年的所有路径的拥堵指数平均值，d3为前3年的所有路径的拥堵指数平均值，s12为前2年到前1年之间的车辆增加比例值，s23为前3年到前2年之间的车辆增加比例值。
5.根据权利要求4所述的方法，其特征在于，所述依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数具体包括：
di＝K1*di’；
其中，di为路径中第i个link出发时间的拥堵指数，di’为第i个link在前1年的拥堵指数；
遍历所有的link得预估出发时间的拥堵指数。
6.一种基于人工智能的探测系统，其特征在于，所述系统包括：
接收单元，用于接收用户输入的第一地址、第二地址和出发时间；
处理单元，用于生成该第一地址和第二地址的多个导航路径，提取与该出发时间相同的前3年的拥堵指数以及3年的车辆增加比例；依据3年拥堵指数的以及3年的车辆增加比例确定每个车辆增加百分比与拥堵指数的系数k1，依据该系数k1与前1年的拥堵指数预估出发时间的拥堵指数，依据该拥堵指数预估多个导航路径对应的多个时间，获取时间最少的n个路径，将n个路径的参数组成n个输入数据，将输入数据输入到神经网络模型执行运算得到运算结果，依据该运算结果确定与用户最匹配的3个路径推荐给用户；
上述n为大于等于5的整数。
7.根据权利要求6所述的系统，其特征在于，
所述处理单元，具体用于提取n个路径中每个路径的每个link的拥堵指数，将每个link的拥堵指数按路径的顺序组成输入向量，将该输入向量输入到神经网络模型与预设的权值向量执行向量乘积运算得到乘积结果，确定该乘积结果为该路径的运算结果。
8.根据权利要求7所述的系统，其特征在于，
所述处理单元，具体用于获取计算n个运算结果的元素平均值得到n个平均值，从n个平均值中选择最大的3个平均值对应的3个路径推荐给用户。
9.一种计算机可读存储介质，其存储用于电子数据交换的程序，其中，所述程序使得终端执行如权利要求1-5任意一项提供的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111204769.1A CN113947938B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能的探测方法及相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111204769.1A CN113947938B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能的探测方法及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113947938A true CN113947938A (zh) | 2022-01-18 |
| CN113947938B CN113947938B (zh) | 2023-10-31 |
Family
ID=79330683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111204769.1A Active CN113947938B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能的探测方法及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113947938B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116772877A (zh) * | 2023-03-21 | 2023-09-19 | 纬创软件（北京）有限公司 | 一种新能源汽车续航里程预测方法、系统、装置及介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004125429A (ja) * | 2002-09-30 | 2004-04-22 | Matsushita Electric Ind Co Ltd | ナビゲーションシステム、ナビゲーションセンタ、車載ナビゲーション装置、およびナビゲーション方法 |
| JP2004233191A (ja) * | 2003-01-30 | 2004-08-19 | Mazda Motor Corp | 車両用ナビゲーション・システム、車両用ナビゲーションのためのコンピュータ・プログラム、及び車両用ナビゲーション装置 |
| JP2008039399A (ja) * | 2006-08-01 | 2008-02-21 | Pioneer Electronic Corp | サーバ装置、混雑回避処理プログラム |
| JP2009115786A (ja) * | 2007-10-16 | 2009-05-28 | Fujitsu Ten Ltd | ナビ制御装置、ナビゲーション装置、サーバ及び目的地設定システム |
| US20130268187A1 (en) * | 2012-04-10 | 2013-10-10 | Inrix, Inc. | Parking based route navigation |
| JP2015155857A (ja) * | 2014-02-21 | 2015-08-27 | 三菱電機株式会社 | 運転支援画面生成装置、運転支援装置および運転支援画面生成方法 |
| CN105466443A (zh) * | 2015-12-24 | 2016-04-06 | 魅族科技（中国）有限公司 | 一种导航方法以及终端 |
| JP2017126123A (ja) * | 2016-01-12 | 2017-07-20 | 本田技研工業株式会社 | 交通渋滞予測装置及び交通渋滞予測方法 |
| CN107063278A (zh) * | 2017-01-24 | 2017-08-18 | 观致汽车有限公司 | 一种车辆导航系统、导航方法及其车辆 |
| CN107270924A (zh) * | 2017-07-20 | 2017-10-20 | 北京小度信息科技有限公司 | 导航线路生成方法、装置、设备和电动车 |
| CN108305486A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种急救系统的病情处理路径规划方法 |
| CN108303110A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车载控制系统及路径速度确定方法 |
| US20180283895A1 (en) * | 2015-09-24 | 2018-10-04 | Apple Inc. | Navigation system and method |
-
2021
- 2021-10-15 CN CN202111204769.1A patent/CN113947938B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004125429A (ja) * | 2002-09-30 | 2004-04-22 | Matsushita Electric Ind Co Ltd | ナビゲーションシステム、ナビゲーションセンタ、車載ナビゲーション装置、およびナビゲーション方法 |
| JP2004233191A (ja) * | 2003-01-30 | 2004-08-19 | Mazda Motor Corp | 車両用ナビゲーション・システム、車両用ナビゲーションのためのコンピュータ・プログラム、及び車両用ナビゲーション装置 |
| JP2008039399A (ja) * | 2006-08-01 | 2008-02-21 | Pioneer Electronic Corp | サーバ装置、混雑回避処理プログラム |
| JP2009115786A (ja) * | 2007-10-16 | 2009-05-28 | Fujitsu Ten Ltd | ナビ制御装置、ナビゲーション装置、サーバ及び目的地設定システム |
| US20130268187A1 (en) * | 2012-04-10 | 2013-10-10 | Inrix, Inc. | Parking based route navigation |
| JP2015155857A (ja) * | 2014-02-21 | 2015-08-27 | 三菱電機株式会社 | 運転支援画面生成装置、運転支援装置および運転支援画面生成方法 |
| US20180283895A1 (en) * | 2015-09-24 | 2018-10-04 | Apple Inc. | Navigation system and method |
| CN105466443A (zh) * | 2015-12-24 | 2016-04-06 | 魅族科技（中国）有限公司 | 一种导航方法以及终端 |
| JP2017126123A (ja) * | 2016-01-12 | 2017-07-20 | 本田技研工業株式会社 | 交通渋滞予測装置及び交通渋滞予測方法 |
| CN107063278A (zh) * | 2017-01-24 | 2017-08-18 | 观致汽车有限公司 | 一种车辆导航系统、导航方法及其车辆 |
| CN107270924A (zh) * | 2017-07-20 | 2017-10-20 | 北京小度信息科技有限公司 | 导航线路生成方法、装置、设备和电动车 |
| CN108305486A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种急救系统的病情处理路径规划方法 |
| CN108303110A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车载控制系统及路径速度确定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 尹来盛;张明丽;: "我国超大城市交通拥堵及其治理对策研究――以广州市为例", 城市观察, no. 02 * |
| 李若灵;: "基于交通指数的上海市地面区域拥堵特征分析", 交通与运输, no. 03 * |
| 王健;曹阳;王运豪;: "考虑出行时间窗的定制公交线路车辆调度方法", no. 05 * |
| 王海军;杜丽敬;马士华;: "震后应急物流系统中双目标开放式选址:路径问题模型与算法研究", no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116772877A (zh) * | 2023-03-21 | 2023-09-19 | 纬创软件（北京）有限公司 | 一种新能源汽车续航里程预测方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113947938B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
| CN109460512B (zh) | 推荐信息处理方法、装置、设备及存储介质 | |
| KR20180075641A (ko) | 서비스 처리 방법 및 장치 | |
| CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
| CN106355391A (zh) | 一种业务处理方法及装置 | |
| CN108512883B (zh) | 一种信息推送方法、装置及可读介质 | |
| CN110689084B (zh) | 一种异常用户识别方法及装置 | |
| CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111858873A (zh) | 一种推荐内容的确定方法、装置、电子设备及存储介质 | |
| CN107886373A (zh) | 基于关键词的广告推送方法、广告推送装置及电子终端 | |
| CN113947938A (zh) | 基于人工智能的探测方法及相关产品 | |
| CN110083775B (zh) | 一种推荐资源的配置方法及配置装置 | |
| CN106326228A (zh) | 评估用户的兴趣倾向的方法和装置 | |
| CN110309691B (zh) | 一种人脸识别方法、装置、服务器及存储介质 | |
| CN108153735B (zh) | 一种近义词的获取方法及系统 | |
| CN115563942A (zh) | 一种合同生成方法、装置、电子设备及计算机可读介质 | |
| CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
| CN105488061A (zh) | 一种验证数据有效性的方法及装置 | |
| CN111652674B (zh) | 一种资源推荐方法以及装置 | |
| CN116150691A (zh) | 数据处理方法、装置、设备、存储介质及程序产品 | |
| CN110610185B (zh) | 图像的显著目标的检测方法、装置及设备 | |
| CN111915339A (zh) | 数据的处理方法、装置及设备 | |
| CN110782287A (zh) | 实体相似度计算方法及装置、物品推荐系统、介质、设备 | |
| CN112131468A (zh) | 推荐系统中的数据处理方法、装置 | |
| CN111339434A (zh) | 信息推荐方法、装置、电子设备及计算机存储介质 |
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 |