CN114331206A - 点位选址方法、装置、电子设备及可读存储介质 - Google Patents
点位选址方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114331206A CN114331206A CN202210010522.4A CN202210010522A CN114331206A CN 114331206 A CN114331206 A CN 114331206A CN 202210010522 A CN202210010522 A CN 202210010522A CN 114331206 A CN114331206 A CN 114331206A
- Authority
- CN
- China
- Prior art keywords
- point
- point location
- candidate
- positions
- target
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供的点位选址方法、装置、电子设备及可读存储介质,方法包括:获取目标区域的路网地图、人流量热力图和点位配置信息;根据路网地图识别目标区域对应的场景类型,并调用与场景类型对应的点位选址积分模型;基于路网地图、人流量热力图以及点位配置信息和点位选址积分模型,生成目标区域内的多个候选位置以及每个候选位置对应的评分;根据每个候选位置对应的评分以及目标点位数量,从多个候选位置中确定出目标点位。本发明通过点位选址积分模型即可一次性输出多个候选点位,提高了点位生成效率。还可以依据评分和目标点位数量,从候选位置中确定目标点位,可以避免相关技术中各个点位之间准确性依赖的问题,提高了点位准确性。
Description
技术领域
本发明涉及视频监控技术领域,具体而言,涉及一种点位选址方法、装置、电子设备及可读存储介质。
背景技术
随着信息技术和数据处理能力的发展,数字化应用逐步成熟,目前正处于全面建设安防设备的初中级阶段,为搭建有效的数字化安防体系,首先需要大量建设前端数据采集设备,如何高效、科学、体系的进行前端数据采集设备的点位选址是一个亟需解决的问题。
目前,相关技术提出了一种链路式逻辑逐一生成点位,即所有的点位生成链路式推进,当前点位的准确性强依赖上一点位的准确性,如果其中某个点位出现偏差则对后续点位影响较大,在大范围、短时间内无法生成点位选址的结果,效率低下且准确性低。
发明内容
本发明的目的之一在于提供一种点位选址方法、装置、电子设备及可读存储介质,其能够提高点位生成效率和准确度。
本发明的实施例可以这样实现:
第一方面,本发明提供一种点位选址方法,所述方法包括:获取目标区域的路网地图、人流量热力图和点位配置信息;根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型;基于所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分;根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。
第二方面,本发明提供一种点位选址装置,包括:获取模块,用于获取目标区域的路网地图、人流量热力图和点位配置信息;识别模块,用于根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型;生成模块,用于根据所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分;确定模块,用于根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现第一方面所述的方法。
第四方面,本发明提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法。
本发明提供的点位选址方法、装置、电子设备及可读存储介质,方法包括:获取目标区域的路网地图、人流量热力图和点位配置信息;根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型;基于所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分;根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。本发明通过点位选址积分模型执行点位选址,即可以获得该区域的多个仿真点位以及每个仿真点位对应的评分,评分可以表征仿真点位对应的重要程度,进而可以依据评分和目标点位数量,从候选位置中确定目标点位,本发明实施例提供的点位选址方法可以避免上述相关技术中各个点位之间准确性依赖的问题,提高了点位准确性,还可以一次性输出多个候选点位,提高了点位生成效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种公共区域的场景示意图;
图2为本发明实施例提供的一种点位选址积分模型的训练方法的示意性流程图;
图3为本发明实施例提供的一种ROC曲线图;
图4为本发明实施例提供的一种点位评分卡;
图5为本发明实施例提供的点位选址方法的示意性流程图;
图6为本发明实施例提供的一个候选位置的评分示意图;
图7为本发明实施例提供的一个场景下生成的多个候选位置的示意图;
图8为本发明实施例提供的步骤S504的示意性流程图;
图9为本发明实施例提供的一种场景下多个候选位置的点位情况示意图;
图10为本发明实施例提供的步骤S503的示意性流程图;
图11为本发明实施例提供的点位选址装置的功能模块图;
图12为本发明实施例提供的一种电子设备的方框示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
请参见图1,图1为本发明实施例提供的一种公共区域的场景示意图,可以看出,在图1这种公共场所中,行人和车辆繁多,并且存在大量的公共设施,为了保障该区域的安防,需要建设多量的前端数据采集设备,以对该公共区域进行实时监控,目前,当前设备的建设主要依靠相关技术人员的实地探测、经验反馈,这种方式效率极低,如何高效、科学、体系的进行点位选址、无效点位立旧、点位优化是一个亟需解决的问题。
随着信息技术和数据处理能力的发展以及提升智慧城市、数字化治理的重要性,开展数字化设备建设工程,利用新兴技术水平高效开展城市治理工作成为可能。数字化安防体系建设依赖技术基础、数据积累、专家知识等几方面因素,具体如下:
技术基础:GPU算力的发展、AI人工智能及其各类算法的逐步成熟、服务器及各类硬件成本的下降;数据积累:目前国内地图厂商有完善、较实时的路网基础数据,及对外合作服务接口;且当前阶段各地使用不同方法进行了一部分前端设备的建设,也形成了一些示范区域,有足够样本数据进行算法模型训练;专家知识:在前期建设设备的基础上形成了一些新型技术管理和应用的经验沉淀,为智能监督学习模型提供了专家知识支撑;各地数据积累是智能选点模型的基石,专家知识为智能模型训练提供指导性支撑,CPU、GPU卡的发展及各类硬件成本的下降使点位智能选址的普及成为现实。
在上述技术的基础上,相关技术提出了一种链路式逻辑逐一生成点位的实现方式,即采用算法模型首先选定第一个点位,然后根据第一个点位的数据内容进行有效性判断生成第二点位,用第二点位的数据内容模型判断生成第三点位,以此类推生成整个区域范围内的点位地址,但是这种方式明显存在以下缺陷:
第一,所有的点位生成链路式推进,强依赖上一点位的准确性,如果其中某个点位出现偏差则对后续点位影响较大;
第二,根据1推2、2推3的点位生成思路未充分考虑点位所处的更多综合因素,导致点位生成存在一定的偏差;不同场景下采用统一方案不能有效落地;
第三,在大范围、短时间内无法生成点位选址的结果,效率低下且准确性低;
因此为了解决上述技术问题,本发明实施例提供的一种点位选址方法,不同于上述点位生成方式,本发明实施例首先将各个场景下已有点位数据作为样本数据,采用机器学习算法训练得到点位选址积分模型,当用户现在某个目标区域后,利用该目标区域的一些已知信息和该目标区域的场景类型对应的点位选址积分模型执行点位选址,即可以获得该区域的多个仿真点位,为了方便用户调优和验证,仿真点位生成后可以在地图上展示,用户可以人为参与精准调整具体点位,最后确定点位选址结果。
从上述内容可以看出,本发明实施例提供的点位选址方法可以避免上述相关技术中各个点位之间准确性依赖的问题,提高了点位准确性,还可以一次性输出多个候选点位供用户选择,当存在多个场景时,独立运行对应场景模型生成结果,提高了点位生成效率。
因此,在介绍本发明实提供的点位选址方法之前,首先介绍本发明实施例中采用的点位选址积分模型的训练方法,请参见图2,图2为本发明实施例提供的一种点位选址积分模型的训练方法的示意性流程图:
步骤1,获取样本区域内已有点位对应的多个点位评估特征的特征值,作为初始的样本数据,其中,已有点位表征已建立前端采集设备的位置或者区域。
在本发明实施例中,在进行点位选址积分模型的训练之前,可以先进行数据准备,主要是确定样本区域对应的多个点位评估特征的特征值,例如,多个点位评估特征及其特征值可以但不限于包括:
(1)用户指定:指定点位、指定线路、指定圈、未指定等。
(2)点位类型:一类点位、二类点位、三类点位等。
(3)人流密度:100m范围内人流数据。
(4)重要结点:城市出入路口、核心区域出入口、主干道路出入口、一般道路出入口、线路一般点位等。
(5)路线类型:一类主干道、二类主干道、一般支路、背街小巷等。
(6)设备类型:视频流、人脸卡口、车辆卡口等。
(7)已有有效点位:有有效点位、无有效点位。
(8)点位场景:地铁口、车站、步行街、大型社区、农贸市场等。
需要说明的是,本发明的实施依赖地图基础数据和点位的各类点位评估特征,但本发明上述涉及达到的各类点位评估特征仅仅作为示例,本实施例并不完全限定点位评估特征的种类,在一定范围内考虑的点位评估特征越多,最终生成的点位位置将更加精准,因此本发明示例具有非常高的可扩展性。
步骤2,将预处理后的样本数据划分为测试集和训练集,并构建多个初始的点位选址积分模型。
本发明实施例中,对于获得的样本数据,可以采用缺失值分析及处理和异常值分析及处理,剔除样本数据中的无效数据,还可以对样本数据进行变量分析,以确定单个变量是否符合正态分布以及消除变量间的多重共线性,保证训练结果的准确性。
本发明实施例中,训练集和测试集可以满足预设比例,例如,将样本数据按照训练集:测试集=7:3的比例切分,在可能的实施方式中,用户可以根据实际的训练需求设置比例,此处不作限定。在建立初始的点位选址积分模型时,可以但不限于采用LG回归、KNN、SVM等方法建立,此处不作限定。
步骤3,根据训练集,分别对多个初始的点位选址积分模型进行训练,直到达到模型收敛条件。
本发明实施例中,本实施例采用多模型拟合效果比对,选择效果最优算法,一个场景对应一个算法模型,不同场景下可能选不同模型。
本发明实施例中,上述的模型收敛条件可以但不限于是:模型的损失函数降低到一定数值且不再降低。
步骤4,根据测试集,分别对训练后的点位选址积分模型进行测试,将准确率最高的点位选址积分模型作为最终的点位选址积分模型。
为了方便理解上述训练方法,假设初始的点位选址积分模型为Logistic回归模型,可以但不限于利用glm函数对所有点位评估特征对应的全部变量进行建模,建模方式可以如下:
trainWOE$y=1-train$y;
glm.fit=glm(y~,data=trainWOE,family=binomial(link=logit));
coe=(glm.fit$coefficients)。
在对所有变量进行建模使用全部点位评估特征进行回归,将未能通过检验的点位评估特征剔除,并再次建模直到所有点位评估特征对应的全部变量都通过了检验,对比可以发现模型的拟合效果更好。
本发明实施例中,可以但不限于通过ROC曲线和AUC值来进行模型评估,即首先可以但不限于通过以下方式,对测试集进行预测,生成概率预测值:
pre<-predict(fit2,test)
在一种可能的实施方式中,可以通过以下方式生成获得如图3所示的ROC曲线图:
modelroc<-roc(test$y,pre)
plot(modelroc,print.auc=TRUE,auc.polygon=TRUE,grid=c(0.1,0.2);
grid.col=c("green","red"),max.auc.polygon=TRUE;
auc.polygon.col="skyblue",print.thres=TRUE)。
在图3中可以看出,在最优点FPR=1-TNR=0.845,TPR=0.638,AUC值为0.8102,此时说明模型的预测效果较好。
最后,为了确定模型的预测能力,可以将Logistic回归模型转变为标准评分卡格式,在转换过程中需剔除无效变量后,对剩下的变量进行转换,转换之后可以建立点位评分卡:单点位得分=基础分+各点位评估特征得分。
本发明实施例中,可以通过Base.score<-q+p*as.numeric(coe[n])获得单点位的基础得分;针对各个定位评估特征的各个特征值的评分可以如下进行:
首先可以构造计算分值的函数:
function(i,x){score=round(p*as.numeric(coe[i])*x,0)return(score)}。
其次,计算各个特征值的评分,假设PD为人流密度(population density),则人流密度的得分可以通过以下方式获得:
Pd.score=getscore(2,…WOE)。
最终生成的评分卡可以如图4所示,图4为本发明实施例提供的一种点位评分卡,从图4中可以看出,针对用户指定这一点位评估特征,其对应的变量(也就是特征值)中,指定点位得分10,指定线路得分16,指定圈得分16,未指定得分3,依次类推,可以获得每个点位评估特征的各个特征值的得分。
现有的采用原始方法建设设备的方法已经积累了一定的经验和数据,有较好的模型训练样本,沉淀的数据为本发明落地提供了坚实的基础。通过实验对比在多个场景下点位选址模型的运行结果与人为单个点位选择的结果无明显差别,但具备较多优势,比如一次性即可实现人工需要反复调优的结果、能快速发现当前区域点位不合理情况及时新增点位,而且相比与当前主要依赖人工单个设备处理和经验主观判断的效率,应用点位选址积分模型可以高效且全面的评估点位、进行点位选择。
需要说明的是,上述点位选址积分模型的训练方式可以由本发明实施例提供的用于执行点位选址方法的电子设备来执行,或者,上述点位选址积分模型的训练方式可以在其他具有训练能力的电子设备中执行,生成的点位选址积分模型可以直接应用于本发明实施例提供的用于执行点位选址方法的电子设备中,此处不作限定。
在获得上述点位选址积分模型之后,下面介绍本发明实施例提供的点位选址方法,请参见图5,图5为本发明实施例提供的点位选址方法的示意性流程图:
S501,获取目标区域的路网地图、人流量热力图和点位配置信息。
本发明实施例中,点位生成逻辑是从物理上将地域分为“圈、块、格、线、点”五个维度,采用化整为零的思路:将圏划分为不同的块、将块分为不同的格、将格为分不同的线路、在线路上找到需要建点的位置,根据点位的重要性(积分模型得分)生成具体点位。该目标区域可以但不限于是:某新建商圈的步行街、公园、广场、车站等等。
在一种可能的实施例中,获取路网地图、人流量热力图,可以通过响应针对路网地图的标注操作指令,将从路网地图中提取的目标区域、目标区域内的目标线路和目标点位,作为点位配置信息,也就是说,当确定要在某个目标区域内执行点位选址后,可以获得该目标区域对应的地图路网数据、地图人流热力图,用户还可以在获得地图路网数据和地图人流热力图上进行标注,以使设备提取到对应的点位配置信息。
在一种可能的实施例中,还可以响应针对目标区域的配置操作指令,将获得的点位参数信息作为点位配置信息;其中,点位参数信息至少包括以下任意一种及组合:点位密度、不同类型的点位辐射范围、点位俯仰角度与杆高比。也就是说,用户可以根据历史数据设计各类点位密度、不同类型点位辐射范围、点位俯仰角度与杆高比等(专家知识),不同场景对应不同的专家知识参数。
需要说明的是,上述目标区域可以是一个物理区域,也可以是根据地图中的圈块格线点聚合状态下的范围,最终生成的点位可以是一个位置、也可以是一个区域范围。
S502,根据路网地图识别目标区域对应的场景类型,并调用与场景类型对应的点位选址积分模型。
本发明实施例中,通过上述点位选址积分模型的训练方法可以看出,本发明实施例可以针对不同的一个场景,生成与该场景对应一个点位选址积分模型,进而利用该场景对应的点位选址积分模型生成该场景下的点位,并获得点位对应的评分,为后续确定目标点位提供选择基础。
S503,基于路网地图、人流量热力图以及点位配置信息和点位选址积分模型,生成目标区域内的多个候选位置以及每个候选位置对应的评分。
本发明实施例中,可以将路网地图、人流量热力图以及点位配置信息输入到点位选址积分模型中,点位选址积分模型可以从路网地图、人流量热力图提取相关的点位评估特征的特征值,生成多个候选位置及每个候选位置的评分,评分可以表征候选位置的重要程度,评分越高,该候选位置越重要,被确定为目标点位的概率就越大,从而可以实现对重要地点进行监控的效果。
例如,请参见图6,图6为本发明实施例提供的一个候选位置的评分示意图,图6示出了该候选点位对应的用户指令、点位类型、人流密度、重要结点、线路类型、设备烈性、已有有效点位、点位场景等这些点位评估特征以及每个点位评估特征对应的特征值,利用点位选址积分模型可以确定每个特征值对应的评分,进而可以所以这个候选点位的总评分=基础得分(base)+各点位评估特征的分数=40+70=110。
S504,根据每个候选位置对应的评分以及目标点位数量,从多个候选位置中确定出目标点位。
本发明实施例中,每个候选位置可以布设至少一个前端采集设备,考虑到实际的扩建资源,在获得多个候选位置,可以依据多个候选位置的评分确定每个候选位置可以布设的前端采集设备的数量,进而结合目标点位数量,确定出目标点位。
本发明实施中,目标点位数量可以依据实际的建造资源所确定的,例如,如果该目标区域当期预算金额只能投入5个点位建设,那么目标点位数量最多可以为5个,用户可以根据实际需求灵活调整,此处不作限定。
本发明实施例提供的点位选址方法,将目标区域的点位配置信息、路网地图、人流量热力图数据输入到该目标区域的场景类型对应的点位选址积分模型执行点位选址,即可以获得该区域的多个仿真点位以及每个仿真点位对应的评分,评分可以表征仿真点位对应的重要程度,进而可以依据评分和目标点位数量,从候选位置中确定目标点位,本发明实施例提供的点位选址方法可以避免上述相关技术中各个点位之间准确性依赖的问题,提高了点位准确性,还可以一次性输出多个候选点位,提高了点位生成效率。
为了方便理解上述点位选址方法,继续以图1所示的场景为例,假设图1中所示场景为某个步行街,该步行街对应的路网地图上标注了需要生成点位的重点线路,线路上包含了重要出入口、地铁站,假设步行街出口1、步行街出口2、地铁口A中已经存在有1个设备。(默认该方案已有的基础数据和配置已完成),待建点位数量为9,那么点位选址积分模型运行后,生成的候选位置可以按照得分从高至低排序,得到的评分结果如图7所示,图7为本发明实施例提供的一个场景下生成的多个候选位置的示意图,图7中包含了已有3个点位在内的多个候选位置以及每个候选位置对应的得分,进而可以根据多个候选位置以及每个候选位置对应的得分以及目标点位数量,确定出目标点位。
可选地,针对上述步骤S504,本发明实施例还给出一种可能的实施方式,请参见图8,图8为本发明实施例提供的步骤S504的示意性流程图,步骤S504可以包括:
S504-1,将评分小于第一评分阈值的候选位置从多个候选位置中删除。
S504-2,对剩余候选位置按照预设规则进行排序,并基于排序后的剩余候选位置以及第二评分阈值,确定每个候选位置的点位生成顺序。
其中,第一评分阈值小于第二评分阈值,上述的预设规则可以是将评分按照从大到小的规则进行排序,或者是按照从小到大的规则进行排序,当按照从大到小的规则进行排序时,则可以按照正序,从第一候选位置开始,依次确定该候选位置对应的点位生成顺序,当按照从小到大的规则进行排序时,则可以按照倒序,从最后一个候选位置开始,依次确定该候选位置对应的点位生成顺序。
在可能的实施方式中,上述的第一评分阈值和第二评分阈值可以根据专家知识设定,根据不同场景可以灵活调整,此处不作限定。
S404-3,根据各个候选位置的点位生成顺序,依次从排序后的所述剩余候选位置中确定出与目标点位数量一致的所述目标点位。
可选地,在获得每个剩余候选位置对应的点位生成顺序之后,还可以确定每个剩余候选位置布设的点位数量,本发明实施例还给出一种可能的确定点位数量的实施方式,即:
步骤1,确定每个剩余候选位置对应的评分是否在预设范围内;
步骤2,若不在所述预设范围内,则将所述每个剩余候选位置对应的点位数量增加预设个;
步骤3,将所述每个剩余候选位置对应的评分按照所述第二评分阈值进行递减,并在递减后的剩余评分不在所述预设范围内的情况下,执行则将所述每个剩余候选位置对应的点位数量增加预设个,直到递减后的剩余评分在所述预设范围内;
步骤4,统计所述每个剩余候选位置对应的全部点位数量。
本发明实施例中,得分超出阈值的点位一个设备无法满足需求,所以可以按规则增加点位数量,即将剩余候选位置对应的评分与预设范围进行比较,其中,该预设范围是根据第二评分阈值确定的,例如在一种可能的实施方式中,预设范围可以是0<x<0.6A,其中,x为某个剩余候选位置对应的评分,A为第二评分阈值。每次给剩余候选位置增加点位数量的预设个数可以根据实际需求设置,例如可以每次增加1个。
例如,假设A为75,则预设范围为0<x<45,如果某个剩余候选位置对应的评分是126,该评分不在预设范围内,则将该评分对应的剩余候选位置的点位数量增加1个,然后将评分126按照75递减后剩余的评分为51,继续确定51不在预设范围内,则再将该剩余候选位置的点位数量增加1个,以此类推类推,直到剩余评分在预设范围内,最终得到评分126对应的剩余候选位置的点位数量为2个。
为了方便理解上述实施流程,假设第二评分阈值和第一评分阈值分别为:A=75、B=46,预设范围为0<x<45,以图7所示的多个候选位置为例进行解释,将上述12个候选位置按照评分从大到小的顺序排列后,第一个候选位置为地铁口B,则地铁口B的点位生成顺序为1,地铁口B对应的得分126,根据上述步骤1至步骤4,最终得到地铁口B对应的点位数量为2,以此类推,可以获得12个候选位置各自对应的点位生成顺序和点位数量,如图9所示,图9为本发明实施例提供的一种场景下多个候选位置的点位情况示意图。
从图9中可知看出,步行街出入口1、步行街出入口2和地铁口A是该区域已有的点位,其余的候选位置均是通过本发明实施例提供的点位选址积分模型仿真出来的,不存在已有点位,其中,继续以地铁口B为例,它对应的点位生成顺序为1,点位数量为2,假设用户只需要建立新增2个点位,那么可以将地铁口B作为目标点位,假设用户需要新增3个点位,那么除了地铁口B新增2个点位以外,还需要从点位顺序生成为2所对应的地铁口A新增1个点位,即地铁口B和地铁口A均是目标点位。
也就是说,本发明实施例在获得每个候选位置及各个候选位置对应的点位生成顺序和点位数量之后,如果该区域当期预算金额有限只能投入5个点位建设,那么根据系统判断点位的重要性将建议选取点位生成顺序为1、2、3、4、5的五个点位为目标点位。
可选地,针对上述步骤S403,本发明实施例还给出一种可能的实施方式,请参见图10,图10为本发明实施例提供的步骤S503的示意性流程图:
S503-1,从路网地图中提取目标区域内已有点位的数量。
S503-2,根据已有点位的数量、目标区域的区域面积和点位配置信息中的点位密度,确定待建点位数量。
在步骤S503-2中,可以通过区域面积和点位密度确定目标区域内的点位总数量,进而可以在总数量中减去已有点位的数量,即可获得待建点位数量。
S503-3,将路网地图、人流量热力图以及点位配置信息输入点位选址积分模型,生成多个候选位置,并获得每个候选位置对应的多个点位评估特征各自的分数。
其中,多个候选位置包括已有点位、生成的与待建点位数量一致的多个点位。每个候选位置对应的多个点位评估特征的分数可以如图6所示,此处不再赘述。
S503-4,根据每个候选位置对应的多个点位评估特征的特征值对应分数以及每个候选位置的基础分数,确定每个候选位置对应的评分。
在步骤S503-4中,每个候选位置最终得到的评分即为基础分数与多个点位评估特征的特征值对应分数之和。
通过上述方式可以看出,本发明实施例提供点位选址积分模型可以一次性生成多个仿真点位,提高了点位生成效率,同时,每个仿真点位还对应有评分,通过评分可以判断各个仿真点位的重要性,进而可以依据评分依次得到目标点位,使得最终收获的点位符合用户需求。
可选地,为了方便用户确认和调优,在获得目标点位之后,还可以执行以下流程:
步骤1,在路网地图上显示多个候选位置和目标点位。
步骤2,当接收到针对目标点位和多个候选位置的调整操作指令,根据调整后的目标点位和多个候选位置,更新目标点位。
也就是说,通过上述实施方式,一次性即可实现人工需要反复调优的结果、能快速发现当前区域点位不合理情况及时新增点位,而且相比与当前主要依赖人工单个设备处理和经验主观判断的效率,本发明实施例可以高效且全面的评估点位、进行点位选择。
为了实现上述实施例中的各个步骤以实现相应的技术效果,本发明实施例提供的点位选址方法可以在硬件设备或者以软件模块的形式实现中执行,当点位选址方法以软件模块的形式实现时,本发明实施例还提供一种点位选址装置,请参见图11,图11为本发明实施例提供的点位选址装置的功能模块图,该点位选址装置600可以包括:
获取模块610,用于获取目标区域的路网地图、人流量热力图和点位配置信息。
识别模块620,用于根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型。
生成模块630,用于根据所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分。
确定模块640,用于根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。
可以理解的是,上述获取模块610、识别模块620、生成模块630和确定模块640可以协同的执行图5中的各个步骤以实现相应的技术效果。
在可选的实施方式中,生成模块630,具体用于:从所述路网地图中提取所述目标区域内已有点位的数量;根据所述已有点位的数量、所述目标区域的区域面积和所述点位配置信息中的点位密度,确定所述待建点位数量;将所述路网地图、所述人流量热力图以及所述点位配置信息输入所述点位选址积分模型,生成多个候选位置,并获得每个候选位置对应的多个点位评估特征各自的分数;其中,所述多个候选位置包括所述已有点位、生成的与所述待建点位数量一致的多个点位;根据每个候选位置对应的多个点位评估特征各自的分数以及每个候选位置的基础分数,确定每个候选位置对应的评分。
在可选的实施方式中,确定模块640,具体用于:将评分小于第一评分阈值的候选位置从所述多个候选位置中删除;对剩余候选位置按照预设规则进行排序,并基于排序后的所述剩余候选位置以及第二评分阈值,确定每个候选位置的点位生成顺序;其中,所述第一评分阈值小于所述第二评分阈值;根据各个候选位置的点位生成顺序、依次从排序后的所述剩余候选位置中确定出与所述目标点位数量一致的所述目标点位。
在可选的实施方式中,所述点位选址积分模型是通过以下方式训练得到的:获取样本区域内已有点位对应的多个点位评估特征,作为初始的样本数据,其中,所述已有点位表征已建立前端采集设备的位置或者区域;将预处理后的所述样本数据划分为测试集和训练集,并构建多个初始的点位选址积分模型;根据所述训练集,分别对所述多个初始的点位选址积分模型进行训练,直到达到模型收敛条件;根据所述测试集,分别对训练后的点位选址积分模型进行测试,将准确率最高的点位选址积分模型作为所述点位选址积分模型。
需要说明的是,上述点位选址装置600可以包括训练模块,用于执行所述点位选址积分模型的训练方式,或者,所述点位选址积分模型的训练方式可以在其他设备中训练,此处不作限定。
在可选的实施方式中,获取模块610,具体用于:获取目标区域的路网地图、人流量热力图和点位配置信息,包括:获取所述路网地图、所述人流量热力图;响应针对所述路网地图的标注操作指令,将从所述路网地图中提取的所述目标区域、所述目标区域内的目标线路和目标点位,作为所述点位配置信息;响应针对所述目标区域的配置操作指令,将获得的点位参数信息作为所述点位配置信息;其中,所述点位参数信息至少包括以下任意一种及组合:点位密度、不同类型的点位辐射范围、点位俯仰角度与杆高比。
在可选的实施方式中,上述点位选址装置600还包括:更新模块,用于:在所述路网地图上显示所述多个候选位置和所述目标点位;当接收到针对所述目标点位和所述多个候选位置的调整操作指令,根据调整后的所述目标点位和所述多个候选位置,更新所述目标点位。
在可选的实施方式中,确定模块640,还用于:确定每个剩余候选位置对应的评分是否在预设范围内;若不在所述预设范围内,则将所述每个剩余候选位置对应的点位数量增加预设个;将所述每个剩余候选位置对应的评分按照所述第二评分阈值进行递减,并在递减后的剩余评分不在所述预设范围内的情况下,执行则将所述每个剩余候选位置对应的点位数量增加预设个,直到递减后的剩余评分在所述预设范围内;统计所述每个剩余候选位置对应的全部点位数量。
需要说明的是,本发明实施例提供的点位选址装置600中的各个功能模块可以软件或固件(Firmware)的形式存储于存储器中或固化于电子设备700的操作系统(OperatingSystem,OS)中,并可由电子设备700中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
如图12,图12为本发明实施例提供的一种电子设备的方框示意图。该电子设备700包括通信接口701、处理器702和存储器703。该处理器702、存储器703和通信接口701相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器703可用于存储软件程序及模块,如本发明实施例所提供的点位选址方法对应的程序指令/模块,处理器702通过执行存储在存储器703内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口701可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备70可以具有多个通信接口701。
其中,存储器703可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器702可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明实施例还提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前述实施方式中任一项的点位选址方法。该计算机可读存储介质可以是,但不限于,U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种点位选址方法,其特征在于,所述方法包括:
获取目标区域的路网地图、人流量热力图和点位配置信息;
根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型;
基于所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分;
根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。
2.根据权利要求1所述的点位选址方法,其特征在于,根据所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分,包括:
从所述路网地图中提取所述目标区域内已有点位的数量;
根据所述已有点位的数量、所述目标区域的区域面积和所述点位配置信息中的点位密度,确定待建点位数量;
将所述路网地图、所述人流量热力图以及所述点位配置信息输入所述点位选址积分模型,生成多个候选位置,并获得每个候选位置对应的多个点位评估特征各自的分数;其中,所述多个候选位置包括所述已有点位、生成的与所述待建点位数量一致的多个点位;
根据每个候选位置对应的多个点位评估特征各自的分数以及每个候选位置的基础分数,确定每个候选位置对应的评分。
3.根据权利要求1所述的点位选址方法,其特征在于,根据所述每个候选位置对应的评分以及待建点位数量,从所述多个候选位置中确定出目标点位,包括:
将评分小于第一评分阈值的候选位置从所述多个候选位置中删除;
对剩余候选位置按照预设规则进行排序,并基于排序后的所述剩余候选位置以及第二评分阈值,确定每个候选位置的点位生成顺序;其中,所述第一评分阈值小于所述第二评分阈值;
根据各个候选位置的点位生成顺序,依次从排序后的所述剩余候选位置中确定出与所述目标点位数量一致的所述目标点位。
4.根据权利要求1所述的点位选址方法,其特征在于,所述点位选址积分模型是通过以下方式训练得到的:
获取样本区域内已有点位对应的多个点位评估特征,作为初始的样本数据,其中,所述已有点位表征已建立前端采集设备的位置或者区域;
将预处理后的所述样本数据划分为测试集和训练集,并构建多个初始的点位选址积分模型;
根据所述训练集,分别对所述多个初始的点位选址积分模型进行训练,直到达到模型收敛条件;
根据所述测试集,分别对训练后的点位选址积分模型进行测试,将准确率最高的点位选址积分模型作为所述点位选址积分模型。
5.根据权利要求1所述的点位选址方法,其特征在于,获取目标区域的路网地图、人流量热力图和点位配置信息,包括:
获取所述路网地图、所述人流量热力图;
响应针对所述路网地图的标注操作指令,将从所述路网地图中提取的所述目标区域、所述目标区域内的目标线路和目标点位,作为所述点位配置信息;
响应针对所述目标区域的配置操作指令,将获得的点位参数信息作为所述点位配置信息;其中,所述点位参数信息至少包括以下任意一种及组合:点位密度、不同类型的点位辐射范围、点位俯仰角度与杆高比。
6.根据权利要求1所述的点位选址方法,其特征在于,所述方法还包括:
在所述路网地图上显示所述多个候选位置和所述目标点位;
当接收到针对所述目标点位和所述多个候选位置的调整操作指令,根据调整后的所述目标点位和所述多个候选位置,更新所述目标点位。
7.根据权利要求3所述的点位选址方法,其特征在于,所述方法还包括:
确定每个剩余候选位置对应的评分是否在预设范围内;
若不在所述预设范围内,则将所述每个剩余候选位置对应的点位数量增加预设个;
将所述每个剩余候选位置对应的评分按照所述第二评分阈值进行递减,并在递减后的剩余评分不在所述预设范围内的情况下,执行则将所述每个剩余候选位置对应的点位数量增加预设个,直到递减后的剩余评分在所述预设范围内;
统计所述每个剩余候选位置对应的全部点位数量。
8.一种点位选址装置,其特征在于,包括:
获取模块,用于获取目标区域的路网地图、人流量热力图和点位配置信息;
识别模块,用于根据所述路网地图识别所述目标区域对应的场景类型,并调用与所述场景类型对应的点位选址积分模型;
生成模块,用于根据所述路网地图、所述人流量热力图以及所述点位配置信息和所述点位选址积分模型,生成所述目标区域内的多个候选位置以及每个候选位置对应的评分;
确定模块,用于根据所述每个候选位置对应的评分以及目标点位数量,从所述多个候选位置中确定出目标点位。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1-7任一项所述的点位选址方法。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的点位选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010522.4A CN114331206B (zh) | 2022-01-06 | 2022-01-06 | 点位选址方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010522.4A CN114331206B (zh) | 2022-01-06 | 2022-01-06 | 点位选址方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331206A true CN114331206A (zh) | 2022-04-12 |
CN114331206B CN114331206B (zh) | 2022-11-01 |
Family
ID=81025181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010522.4A Active CN114331206B (zh) | 2022-01-06 | 2022-01-06 | 点位选址方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272854A (zh) * | 2022-07-27 | 2022-11-01 | 清华大学 | 基于多源信息分析的棕地识别方法及产品 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
CN109754168A (zh) * | 2018-12-20 | 2019-05-14 | 国网北京市电力公司 | 充电站选址方法和装置 |
CN109934508A (zh) * | 2019-03-21 | 2019-06-25 | 深圳市丰巢科技有限公司 | 基于大数据的柜机选址方法、装置、服务器和存储介质 |
CN112884224A (zh) * | 2021-02-20 | 2021-06-01 | 杭州比智科技有限公司 | 实体对象的选址方法、装置、计算设备及计算机存储介质 |
CN113127585A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种地址选取的推荐方法、装置、电子设备及存储介质 |
CN113254559A (zh) * | 2021-06-07 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种基于地理信息系统的设备选址方法 |
CN113379464A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 基于区块链的网点选址方法、装置、设备和存储介质 |
CN113449800A (zh) * | 2021-07-05 | 2021-09-28 | 中国工商银行股份有限公司 | 训练模型的方法、位置确定方法、装置、电子设备及介质 |
-
2022
- 2022-01-06 CN CN202210010522.4A patent/CN114331206B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154300A (zh) * | 2017-12-25 | 2018-06-12 | 东软集团股份有限公司 | 兴趣点选址方法、装置和计算机设备 |
CN109754168A (zh) * | 2018-12-20 | 2019-05-14 | 国网北京市电力公司 | 充电站选址方法和装置 |
CN109934508A (zh) * | 2019-03-21 | 2019-06-25 | 深圳市丰巢科技有限公司 | 基于大数据的柜机选址方法、装置、服务器和存储介质 |
CN113127585A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种地址选取的推荐方法、装置、电子设备及存储介质 |
CN112884224A (zh) * | 2021-02-20 | 2021-06-01 | 杭州比智科技有限公司 | 实体对象的选址方法、装置、计算设备及计算机存储介质 |
CN113254559A (zh) * | 2021-06-07 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种基于地理信息系统的设备选址方法 |
CN113379464A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 基于区块链的网点选址方法、装置、设备和存储介质 |
CN113449800A (zh) * | 2021-07-05 | 2021-09-28 | 中国工商银行股份有限公司 | 训练模型的方法、位置确定方法、装置、电子设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272854A (zh) * | 2022-07-27 | 2022-11-01 | 清华大学 | 基于多源信息分析的棕地识别方法及产品 |
CN115272854B (zh) * | 2022-07-27 | 2023-08-15 | 清华大学 | 基于多源信息分析的棕地识别方法及产品 |
CN117093660A (zh) * | 2023-08-10 | 2023-11-21 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
CN117093660B (zh) * | 2023-08-10 | 2024-05-31 | 广东广宇科技发展有限公司 | 一种管网监测点选址方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114331206B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、系统及存储介质 | |
CN116862063B (zh) | 一种基于大数据的智慧城市规划优化方法及系统 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN111428653A (zh) | 行人拥挤状态判断方法、装置、服务器及存储介质 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN112164223B (zh) | 基于云平台的智能交通信息处理方法及装置 | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN113052217A (zh) | 预测结果标识及其模型训练方法、装置及计算机存储介质 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN113191568B (zh) | 基于气象的城市运行管理大数据分析预测方法和系统 | |
CN112488343B (zh) | 一种基于超启发式算法的智慧城市智能感知终端选址方法 | |
CN113077630B (zh) | 基于深度学习的红绿灯检测方法、装置、设备及存储介质 | |
CN112712002B (zh) | 基于cgan的环境监控方法、装置、系统及存储介质 | |
CN115272853A (zh) | 基于人工智能技术与大数据的工业废弃地识别方法及产品 | |
CN112733782A (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
KR101944797B1 (ko) | 노로바이러스 검출 지점 예측 장치 및 방법 | |
CN112348062A (zh) | 气象图像预测方法、装置、计算机设备和存储介质 | |
CN117150698B (zh) | 基于数字孪生的智慧城市网格对象构建方法与系统 | |
CN113569315B (zh) | 桥梁集群动态评估方法、装置、设备和可读存储介质 | |
CN117078045B (zh) | 一种交通基础设施全息检监测方法及系统 | |
JP7414502B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN118280111A (zh) | 道路特征画像生成方法、系统、介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |