CN114443303A - 资源分配方法、装置、设备及介质 - Google Patents
资源分配方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114443303A CN114443303A CN202210098226.4A CN202210098226A CN114443303A CN 114443303 A CN114443303 A CN 114443303A CN 202210098226 A CN202210098226 A CN 202210098226A CN 114443303 A CN114443303 A CN 114443303A
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- traffic accident
- data
- accident prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及互联网技术领域,具体公开了一种资源分配方法、装置、设备及介质,所述资源分配方法通过获取待预测路段的交通特征数据;确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;根据事故预测结果为待预测路段进行救援资源配额,以对可能发生事故的位置提前进行救援资源分配,进而保证在发生事故后救援人员等可以及时到达事故现场,对交通事故及时进行救援。根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,可以根据事故预测结果对事故预测结果对应的时间段内的负载情况进行估计,以自适应调整程序资源配比。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种资源分配方法、装置、设备及介质。
背景技术
近年来,随着车辆的增多,越来越多的用户通过搭乘出租或自驾的方式出行,交通事故也日益严重,造成交通事故的原因通常有多种,如路段拥挤、极端气候、道路设计不合理等因素。相关技术中,当需要获知某个路段是否发生交通事故时,通常依赖于经过该路段的用户上报的事故信息,但大多数用户在经过发生事故的路段时,不会上报事故信息,且在事故上报后需要救援人员赶往事故地点。因此,相关技术中在发生交通事故时,存在事故信息获取实时性差且救援慢的问题,从而导致不能及时进行救援。
那么如何对交通事故及时进行救援,是本领域技术人员需要关注的重点。
发明内容
为解决上述技术问题,本申请的实施例提供了一种资源分配方法、装置、设备及介质,以保证对交通事故及时进行救援。
第一方面,本申请提供一种资源分配方法,包括:获取待预测路段的交通特征数据;确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的;根据事故预测结果为待预测路段进行救援资源配额,以及根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额。
根据本发明优选实施例,获取待预测路段的交通特征数据之前,方法还包括:根据历史交通事故数据得到预设交通事故知识图谱;其中,历史交通事故数据包括多个样本交通事故数据,样本交通事故数据包括事故实际结果;根据预设交通事故知识图谱的知识图谱节点,生成知识图谱节点的节点特征向量;根据节点特征向量生成针对样本交通事故数据的事故特征向量;根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型。
根据本发明优选实施例,根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型,包括:将事故特征向量输入初始交通事故预测模型,得到初始交通事故预测模型输出的事故预测结果;根据事故预测结果以及事故实际结果计算初始交通事故预测模型的损失值;根据损失值对初始交通事故预测模型的参数进行调整,直至损失收敛,得到训练完成的交通事故预测模型。
根据本发明优选实施例,根据历史交通事故数据得到预设交通事故知识图谱,包括:根据历史交通事故数据获取每个路段对应的样本交通事故数据,并根据样本交通事故数据得到每个路段对应的交通特征数据;对每个路段对应的交通特征数据进行实体抽取和关系抽取,得到三元组集合;根据三元组集合得到预设交通事故知识图谱。
根据本发明优选实施例,确定交通特征数据在预设交通事故知识图谱中所对应的知识子图,包括:对交通特征数据进行实体识别,得到实体识别结果;根据实体识别结果,确定与交通特征数据匹配的目标实体;根据目标实体查询预设交通事故知识图谱,得到知识子图。
根据本发明优选实施例,根据事故预测结果为待预测路段进行救援资源配额,包括:获取事故预测结果对应的事故等级以及事故地点;根据事故等级获取总救援资源,以及根据事故地点获取事故地点预设范围内的可支配救援资源;根据总救援资源以及可支配救援资源,对待预测路段进行救援资源配额。
根据本发明优选实施例,根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,包括:对所有待预测路段的事故预测结果进行统计,得到统计结果;根据统计结果计算待分配时间段内各类型业务请求的请求数量;根据各类型业务请求的请求数量,获取各类型业务请求所对应的程序资源需求数据;根据各类型业务请求所对应的程序资源需求数据,调整待分配时间段内不同类型业务请求的程序资源配额。
第二方面,本申请提供一种资源分配装置,包括:数据获取模块,用于获取待预测路段的交通特征数据;知识子图确定模块,用于确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;事故预测模块,用于将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的;资源分配模块,用于根据事故预测结果为待预测路段进行救援资源配额,以及根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额。
第三方面,本申请提供一种计算机设备,计算机设备包括存储器和处理器;存储器,用于存储计算机程序;处理器,用于执行的计算机程序并在执行的计算机程序时实现上述资源分配方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时使处理器实现上述资源分配方法的步骤。
本申请实施例公开的资源分配方法、装置、设备及介质,通过获取待预测路段的交通特征数据;确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的;根据事故预测结果为待预测路段进行救援资源配额,以对可能发生事故的位置提前进行救援资源分配,进而保证在发生事故后救援人员等可以及时到达事故现场,对交通事故及时进行救援。根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,可以根据事故预测结果对事故预测结果对应的时间段内的负载情况进行估计,以自适应地调整程序资源配比,以达到既保证核心业务能够稳定运行,又能充分利用系统资源的目的。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请实施例提供的资源分配方法的应用环境示意图;
图2是本申请实施例提供的资源分配方法的流程图;
图3是本申请实施例提供的预设交通事故知识图谱的示意图;
图4是本申请另一实施例提供的资源分配方法的时序图;
图5是本申请实施例提供的资源分配装置的示意性框图;
图6是本申请实施例提供的计算机设备的示意性框图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还需要说明的是:在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1示出了本申请示例性实施例的运行环境的一种系统架构示意图,参考图1所示,该系统可以包括用户终端110、服务器120、救援终端130以及网络。用户终端110、服务器120以及救援终端130之间通过网络通信连接,网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户终端110可以是硬件,也可以是软件。当用户终端110为硬件时,可以是各种电子设备,包括但不限于车载智能终端、智能手机、平板电脑以及智能手环等等。当用户终端110为软件时,可以安装在上述所列举的电子设备中。
服务器120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、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、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。
救援终端130可以部署于工作人员对应的终端设备上,以接收服务器120下发的指令信息。例如,可以是服务器120根据救援资源配额向救援终端130发送救援资源就位信息,以提示救援终端130对应的工作人员将救援资源转移至预设地点;还可以是服务器120接收到用户终端110发送的求救指令后,服务器120根据求救指令对应的求救地址、求救资源数量等信息,向求救地址附件的救援终端130发送救援请求,以提示救援终端130对应的工作人员前往求救地址进行救援。
其中,本申请实施例提供的资源分配方法可以使用于资源分配装置中,该资源分配装置可以集成在计算机设备中,该计算机设备可以是服务器120也可以是用户终端110。
应该理解,图1中的用户终端、服务器以及救援终端的数目仅仅是示意性的,仅用于理解本申请实施例,具体用户终端、服务器以及救援终端的数量均应当结合实际情况灵活确定。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图2,图2为本申请实施例提供的资源分配方法的一个流程示意图。如图2所示,该方法包括步骤S210至步骤S240。
步骤S210、获取待预测路段的交通特征数据。
其中,可以对交通路段进行划分,以得到多个子路段,待预测路段为任意子路段。例如,相应的划分方式可以是,按照红绿灯、岔口以及学校等标志物将交通路段划分得到的子路段,还可以是,按照预设长度(如200米、500米或1000米等)将交通路段划分得到子路段等。
获取待预测路段的交通特征数据的方式可以是响应于用户终端或者服务器发起的交通事故预测指令,以获取待预测路段的交通数据。
示例性地,可以是服务器每间隔预设时长获取路网数据中不同待预测路段的交通特征数据,以根据每个待预测路段的交通特征数据确认对应的待预测路段是否可能发生事故。
示例性地,还可以是用户终端基于用户的操作得到起始位置和终点位置时,生成包括起始位置和终点位置的事故预测指令并发送至服务器。服务器在接收到事故预测指令时,将事故预测指令中起始位置与终点位置之间的路段作为待预测路段,获取该待预测路段的交通特征数据。其中,上述用户的操作可以包括语音操作、触控操作或文字输入操作等。
待预测路段的交通特征数据可以包括待预测路段的属性参数、在预设时间段内待预测路段对应的车流量数据以及在预设时间段内待预测路段对应的环境数据。
待预测路段的属性参数可以包括待预测路段是否为封闭路段类型的类型参数、待预测路段的道路等级参数以及待预测路段的长度等。应当理解,封闭路段指的是交通阻断、需要绕行的路段,非封闭路段为道路畅通路段,在待预测路段为封闭类型及非封闭类型时分别对应有不同的类型参数。道路等级根据使用任务、功能和适应的交通量分为高速公路、一、二、三、四级公路共5个等级,且在待预测路段为不同的道路等级时,对应有不同的道路等级参数。
预设时间段内待预测路段对应的车流量数据包括:在预设时间段内待预测路段中不同位置处车辆的行驶速度、在预设时间段内待预测路段中的车辆数量、以及在预设时间段内待预测路段相邻的上下游路段中不同位置处车辆的行驶速度等,其中,上下游路段包括上游路段和下游路段。其中,可以是获取接收到用户终端或者服务器发起的交通事故预测指令之前的预设时间段内待预测路段的车流量数据,如获取当前时间点的前10分钟内待预测路段的车流量数据。
预设时间段内待预测路段对应的环境数据可以是气象数据,如风速、温度、湿度以及可见度等数据;还可以是待预测路段是否存在障碍物等数据;还可以是红绿灯等设施特征数据。例如,可以是获取接收到用户终端或者服务器发起的交通事故预测指令之后的预设时间段内待预测路段的气象数据,如获取当前时间点之后的一小时内待预测路段的气象数据。
其中,交通特征数据同时考虑道路之间的空间关系以及各道路在时间上的变化规律,使交通特征数据包含的数据维度更高,以保证后续事故预测的准确性。
步骤S220、确定交通特征数据在预设交通事故知识图谱中所对应的知识子图。
知识图谱本质上是一种经过加工的语义网络,是一种基于图的数据结构,由节点和边组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边表示为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式,将所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。而基于知识图谱所形成的关系网络并不是结构化的数据,因此,可以从知识图谱中获取更多信息。而本申请的交通事故知识图谱对应的每个节点就代表了各个交通事故以及与交通事故相关的主体,每条边就代表的是每个交通事故与实体之间的关系。
在一些实施方式中,根据历史交通事故数据得到预设交通事故知识图谱,具体步骤包括:根据历史交通事故数据获取每个路段对应的样本交通事故数据,并根据样本交通事故数据得到每个路段对应的交通特征数据;对每个路段对应的交通特征数据进行实体抽取和关系抽取,得到三元组集合;根据三元组集合得到预设交通事故知识图谱。
预设交通事故知识图谱是根据历史交通事故数据提前构建的。其中,历史交通数据包括至少一个路段在预设时间内的所有交通事故对应的交通特征数据。针对任一交通事故,该交通事故对应的交通特征数据包括:在交通事故发生时路段的气象数据、在交通事故发生时路段是否发生拥堵的参数、在交通事故发生时是否发生其它事故的参数、在交通事故发生时路段中不同位置处车辆的行驶速度、在交通事故发生时路段中的车辆数量等数据。
示例性地,提取每个路段的交通特征数据,以提取实体信息以及实体关系,进而生成所有路段对应的预设交通事故知识图谱。其中,预设交通事故知识图谱中的节点表示实体,知识图谱中的边则表示关系。
例如,请参阅图3,以相邻的路段A以及路段B的历史交通事故数据为例进行说明。根据历史交通事故数据得到路段A在某日早上9点发生1起交通事故a,路段B在某日下午6点发生1起交通事故b,根据历史交通事故数据获取该交通事故a以及事故b发生时的路段的属性参数、车流量数据以及在环境数据,得到的实体信息包括:交通事故a、路段A、交通事故b、路段B、早高峰、晚高峰、车流量高、阴雨天、路口窄等。
然后,根据实体信息之间的关系进行实体信息的连接,得到路段A以及路段B对应的知识图谱如图3所示。例如,交通事故a与早高峰之间存在的实体关系为时间段,则连接交通事故a与早高峰,且连接线段对应实体关系为时间段;交通事故a与车流量高之间存在的实体关系为车流量,则连接交通事故a与车流量高,且连接线段对应实体关系为车流量;交通事故a与阴雨天之间存在的实体关系为天气,则连接交通事故a与阴雨天,且连接线段对应实体关系为天气;路段A与路口窄之间存在的实体关系为路口规模,则连接路段A与路口窄,且连接线段对应实体关系为路口规模。
根据历史交通事故数据对所有的交通事故进行分析,以得到对应的预设交通事故知识图谱。
在获取到待预测路段的交通特征数据后,可以从交通特征数据中提取与预设交通事故知识图谱中的实体信息相匹配的知识子图。
在一些实施方式中,确定交通特征数据在预设交通事故知识图谱中所对应的知识子图,包括:对交通特征数据进行实体识别,得到实体识别结果;根据实体识别结果,确定与交通特征数据匹配的目标实体;根据目标实体查询预设交通事故知识图谱,得到知识子图。
知识子图是根据交通特征数据从预先构建的预设交通事故知识图谱中提取的,由各知识图谱节点和各知识图谱节点之间的关系构成的图结构。
示例性地,根据交通特征数据,从预设交通事故知识图谱中检索知识子图。可以采用简单的字符匹配,例如,可以识别交通特征数据中的各个实体,将识别得到的各个实体与预设交通事故知识图谱中的各个知识图谱节点对应的实体进行匹配,将预设交通事故知识图谱中与交通特征数据中的各个实体匹配的实体作为目标实体,从而可以将预设交通事故知识图谱中包含各个目标实体的图结构,作为知识子图。可以理解的是,获取知识子图的具体方法可以根据实际应用情况进行灵活选择,例如,也可以根据实体识别、实体链指等方法,从预设交通事故知识图谱中检索知识子图。
通过将交通特征数据转换为知识子图可以过滤掉其它干扰数据,以方便后续进行事故预测。
步骤S230、将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的。
待预测路段的交通特征数据对应的知识子图包含有待预测路段的关键交通特征数据,将知识子图输入预先训练的交通事故预测模型中,以进行事故预测处理,得到待分配时间段内的事故预测结果。
其中,待分配时间段可以是接收到用户终端或者服务器发起的交通事故预测指令后的预设时间段,如预设时间段为一小时,在第一时间点接收到用户终端发起的交通事故预测指令,则对待预测路段在第一时间点之后一小时内进行事故预测。待分配时间段可以是接收到用户终端或者服务器发起的交通事故预测指令中携带的指定时间段。
在一些实施方式中,训练交通事故预测模型,包括:根据历史交通事故数据得到预设交通事故知识图谱;其中,历史交通事故数据包括多个样本交通事故数据,样本交通事故数据包括事故实际结果;根据预设交通事故知识图谱的知识图谱节点,生成知识图谱节点的节点特征向量;根据节点特征向量生成针对样本交通事故数据的事故特征向量;根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型。
示例性地,可利用图嵌入算法对交通事故知识图谱进行表征学习,进一步提取出交通事故知识图谱中所包含各个知识图谱节点的节点特征向量。其中,图嵌入(GraphEmbedding)算法是一种将图结构数据(通常为高维稠密的矩阵)映射为低微稠密向量的过程,能够很好地解决图结构数据难以高效输入机器学习算法的问题。
可以利用节点特征向量对历史交通事故数据中各个样本交通事故进行向量表示,进一步得到预设历史时间段内各个样本交通事故对应的节点特征向量累加和,即得到事故特征向量。进而以事故特征向量作为输入特征,以历史交通事故数据中的事故实际结果的作为标签数据训练交通事故预测模型。其中,历史交通事故数据中的事故实际结果中包括但不限于事故发生的具体位置、事故发生的具体时间、事故的严重程度。
可以理解的是,待训练的交通事故预测模型采用的算法可以是长短期记忆网络(Long Short-Term Memory,简称LSTM),也可以是递归神经网络(Recurrent NeuralNetwork,简称RNN),还可以是卷积神经网络(Convolutional Neural Networks,简称CNN)。其中,交通事故预测模型所使用的算法可以根据实际应用情况进行灵活选择,本申请对此不做限制。
例如,交通事故预测模型采用的算法可以是长短期记忆网络,将样本交通事故的交通特征数据对应的知识子图输入交通事故预测模型中,以通过交通事故预测模型中的编码器对知识子图进行空间特征计算,得到样本交通事故对应的事故特征向量,以根据事故特征向量以及历史交通事故数据中的事故实际结果对交通事故预测模型进行训练,得到训练完成的交通事故预测模型。
在一些实施方式中,根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型,包括:将事故特征向量输入初始交通事故预测模型,得到初始交通事故预测模型输出的事故预测结果;根据事故预测结果以及事故实际结果计算初始交通事故预测模型的损失值;根据损失值对初始交通事故预测模型的参数进行调整,直至损失收敛,得到训练完成的交通事故预测模型。
以事故特征向量作为输入特征,以历史交通事故数据中的事故实际结果作为目标输出结果训练交通事故预测模型。在确定交通事故预测模型输出的事故预测结果与事故实际结果计算得到的损失值小于预设阈值时,判定交通事故预测模型训练完成;若确定交通事故预测模型输出的事故预测结果与事故实际结果计算得到的损失值大于或等于预设阈值时,则需要不断调整交通事故预测模型的模型参数,并对调整模型参数的交通事故预测模型进行迭代训练,直至交通事故预测模型符合预设训练标准,判定交通事故预测模型训练完成。
然后将待预测路段的交通特征数据对应的知识子图输入预先训练的交通事故预测模型中,以输出针对待分配时间段内待预测路段的交通预测结果,其中,交通预测结果包括但不限于待分配时间段内待预测路段中各位置发生事故的概率、发生事故的严重程度等信息。
步骤S240、根据事故预测结果为待预测路段进行救援资源配额,以及根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额。
救援资源配额指的是对各个待预测路段的救援资源进行分配,其中,救援资源配额包括但不限于对救援人员的数量进行分配,对救援物资的数量进行分配。程序资源配额指的是对执行本申请的资源分配方法的后台程序资源进行分配,例如,对服务器的资源进行分配,对用户终端以及服务器之间的信号传输资源进行分配等。
在一些实施方式中,根据事故预测结果为待预测路段进行救援资源配额,包括:获取事故预测结果对应的事故等级以及事故地点;根据事故等级获取总救援资源,以及根据事故地点获取事故地点预设范围内的可支配救援资源;根据总救援资源以及可支配救援资源,对待预测路段进行救援资源配额。
可以理解的是,交通预测结果中待预测路段中各位置发生事故的概率越大、待分配时间段内待预测路段中各位置发生事故的概率大于概率阈值的位置数量越多、发生事故的严重程度越高,则对应的事故等级越高。
示例性地,根据交通预测结果获取待分配时间段内待预测路段中发生事故的概率大于概率阈值的位置,以将这些位置作为救援资源待分配位置。然后根据救援资源待分配位置对应的发生事故的概率的大小以及发生事故的严重程度得到该救援资源待分配位置的事故等级。例如,待预测路段中的位置A在待分配时间段内的发生事故的概率为百分之90,发生事故的严重程度为中级,因此,将位置A作为救援资源待分配位置,并根据发生事故的概率的大小以及发生事故的严重程度得到待分配位置的事故等级为中级。
然后,根据事故等级获取总救援资源,其中,事故等级越高,则总救援资源的越高;事故等级越低,则总救援资源的越低。可以通过查询预设事故等级与救援资源配额的映射表,以得到事故等级对应的总救援资源。例如,事故等级为中级时,对应的总救援资源为5名救援人员以及1辆救援车辆。
进一步地,根据预测的事故地点获取该事故地点预设范围内的可支配救援资源。其中,可支配救援资源指的是空闲的救援资源且该救援资源在预设时间内可以到达对应的事故地点。
为了保证救援资源的合理分配,根据事故地点需要的总救援资源以及事故地点预设范围内的可支配救援资源,为该事故地点分配救援资源。可以理解的是,救援资源包括人力资源以及物力资源。例如,事故地点预设范围内的可支配救援资源中人力资源为8,事故地点需要的总救援资源为5,则可以为该事故地点分配救援资源为4,以在尽量保证该事故地点的救援资源的情况下同时保证可支配救援资源不为零,避免出现其它事故地点时,不能分配到救援资源。其中,若事故地点需要的总救援资源大于事故地点预设范围内的可支配救援资源时,可以通过扩大事故地点的预设范围以增大可支配救援资源。
示例性地,在得到救援资源配额后,根据救援资源配额向救援终端发送对应的救援资源就位信息。其中,救援终端可以部署在工作人员对应的终端设备上,以通过工作人员对应的终端设备提示对应的工作人员进行救援资源的转移,以使救援资源前往事故预测结果中对应的事故地点,进而保证如果后续发生交通事故时,可以及时进行救援。
示例性地,在得到事故预测结果后,还包括根据事故预测结果向对应的终端设备发送警告信息,例如,根据事故预测结果向车端发送警告信息,以通过警告信息向用户显示事故预测结果,进而提醒用户选择其它安全道路通行。
进一步地,可以根据各道路在待分配时间段内的事故预测结果,以及车端基于用户的操作得到的起始位置和终点位置,生成安全程度最高的导航路线。其中,安全程度最高的导航路线指的是该路线为事故发生概率最小且事故发生位置数量最少的路线。
在一些实施方式中,根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,包括:对所有待预测路段的事故预测结果进行统计,得到统计结果;根据统计结果计算待分配时间段内各类型业务请求的请求数量;根据各类型业务请求的请求数量,获取各类型业务请求所对应的程序资源需求数据;根据各类型业务请求所对应的程序资源需求数据,调整待分配时间段内不同类型业务请求的程序资源配额。
在本申请中,业务请求的类型可以包括:救援请求和预测请求。当然,也可以包括其他类型的业务,具体可基于实际需求进行设定,本申请主要以救援请求和预测请求这两种类型的业务请求为例进行说明。其中,救援请求指的是用户终端向服务器请求救援资源时生成的业务请求,预测请求指的是用户终端向服务器请求对待分配时间段内的待预测路段进行事故预测时生成的业务请求。
示例性地,可以统计所有待预测路段的事故预测结果,以得到待分配时间段内各类型业务请求的请求数量。
例如,统计待分配时间段内所有的事故预测结果中的各位置发生事故的概率大于概率阈值的位置数量,根据位置数量获取救援请求以及预测请求分别对应的请求数量,如可以根据历史救援数据分别分析发生事故的位置数量与救援请求的数量之间的变化关系,以及发生事故的位置数量与预测请求的数量之间的变化关系,以根据分析结果判断救援请求以及预测请求分别对应的请求数量。
然后根据各类型业务请求的请求数量获取各类型业务请求对应的程序资源需求数据,其中,请求数量越高,则对应的程序资源需求越高;请求数量越低,则对应的程序资源需求越低。以通过各类型业务请求对应的程序资源需求数据调整待分配时间段内不同类型业务请求的程序资源配额。
通过上述实施方式,可以实现系统根据不同类型业务请求的负载情况的变化趋势自适应调整不同类型业务请求的资源配额,并且资源配额调整操作的准确度较高,能够充分利用系统资源,保证不同类型业务的顺利运行,避免资源浪费。
需要说明的是,在不同的应用场景下,不同类型的业务的重要程度可能不同。例如,在待分配时间段内存在极端天气,导致对应的事故预测结果中表明会存在大量事故时,则需要优先保证救援请求业务的顺利运行。因此,在一些实施方式中,根据业务请求的类型对业务请求进行优先级排序,例如,救援请求业务的优先级高于预测请求业务,在特定场景下,如果待分配时间段内救援请求的请求数量超出阈值,则将预测请求的资源配额降为零,直至救援请求的请求数量低于上述阈值。上述阈值的数值可根据实际需求进行设定或调整。通过上述优选实施方式,可以基于不同类型业务的重要程度来对不同类型的业务语句进行优先级排序,从而保证在某些特定场景下某类型业务的优先运行。
请参阅图4,图4为本申请另一实施例提供的资源分配方法的一个流程示意图。如图4所示,资源分配系统包括服务器、路网数据获取平台以及救援终端,该方法包括步骤S410至步骤S450。
步骤S410、服务器向路网数据获取平台发送数据获取请求。
可以是服务器周期性向路网数据获取平台发送数据获取请求;也可以是服务器在接收到用户终端的事故预测指令后,向路网数据获取平台发送数据获取请求。
步骤S420、路网数据获取平台响应数据获取请求,向服务器返回对应的交通特征数据。
交通特征数据可以包括待预测路段的属性参数、在预设时间段内待预测路段对应的车流量数据以及在预设时间段内待预测路段对应的环境数据。环境数据可以是气象数据,如风速、温度、湿度以及可见度等数据;还可以是待预测路段是否存在障碍物等数据;还可以是红绿灯等设施特征数据。
步骤S430、服务器根据接收的交通特征数据进行事故预测处理,得到事故预测结果,并根据事故预测结果计算得到救援资源配额以及程序资源配额。
例如,将事故预测结果输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果。然后,根据事故预测结果为待预测路段进行救援资源配额以及程序资源配额。救援资源配额指的是对各个待预测路段的救援资源进行分配,其中,救援资源配额包括但不限于对救援人员的数量进行分配,对救援物资的数量进行分配。程序资源配额指的是对执行本申请的资源分配方法的后台程序资源进行分配,例如,对服务器的资源进行分配,对用户终端以及服务器之间的信号传输资源进行分配等。
步骤S440、根据救援资源配额向救援终端发送救援资源就位信息。
在得到救援资源配额后,根据救援资源配额向救援终端发送对应的救援资源就位信息,通过救援终端提示对应的工作人员进行救援资源的转移,以使救援资源前往事故预测结果中对应的事故地点,进而保证如果后续发生交通事故时,可以及时进行救援。
步骤S450、根据程序资源配额对各类型的业务请求的程序资源进行分配。
示例性地,可以统计所有待预测路段的事故预测结果,以得到待分配时间段内各类型业务请求的请求数量。然后根据各类型业务请求的请求数量获取各类型业务请求对应的程序资源需求数据,其中,请求数量越高,则对应的程序资源需求越高;请求数量越低,则对应的程序资源需求越低。以通过各类型业务请求对应的程序资源需求数据调整待分配时间段内不同类型业务请求的程序资源。
本申请实施例公开的资源分配方法,通过获取待预测路段的交通特征数据;确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的;根据事故预测结果为待预测路段进行救援资源配额,以对可能发生事故的位置提前进行救援资源分配,进而保证在发生事故后救援人员等可以及时到达事故现场,对交通事故及时进行救援。根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,可以根据事故预测结果对事故预测结果对应的时间段内的负载情况进行估计,以自适应地调整程序资源配比,以达到既保证核心业务能够稳定运行,又能充分利用系统资源的目的。
请参阅图5,图5是本申请一实施例提供的一种资源分配装置的示意框图,该资源分配装置可以配置于服务器或计算机设备中,用于执行前述的资源分配方法。
如图5所示,资源分配装置500包括:数据获取模块510、知识子图确定模块520、事故预测模块530以及资源分配模块540。
数据获取模块510用于获取待预测路段的交通特征数据;
知识子图确定模块520用于确定交通特征数据在预设交通事故知识图谱中所对应的知识子图;
事故预测模块530用于将知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,交通事故预测模型是根据预设交通事故知识图谱训练得到的;
资源分配模块540用于根据事故预测结果为待预测路段进行救援资源配额,以及根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额。
在一些实施方式中,基于前述方案,获取待预测路段的交通特征数据之前,方法还包括:根据历史交通事故数据得到预设交通事故知识图谱;其中,历史交通事故数据包括多个样本交通事故数据,样本交通事故数据包括事故实际结果;根据预设交通事故知识图谱的知识图谱节点,生成知识图谱节点的节点特征向量;根据节点特征向量生成针对样本交通事故数据的事故特征向量;根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型。
在一些实施方式中,基于前述方案,根据事故特征向量以及事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型,包括:将事故特征向量输入初始交通事故预测模型,得到初始交通事故预测模型输出的事故预测结果;根据事故预测结果以及事故实际结果计算初始交通事故预测模型的损失值;根据损失值对初始交通事故预测模型的参数进行调整,直至损失收敛,得到训练完成的交通事故预测模型。
在一些实施方式中,基于前述方案,根据历史交通事故数据得到预设交通事故知识图谱,包括:根据历史交通事故数据获取每个路段对应的样本交通事故数据,并根据样本交通事故数据得到每个路段对应的交通特征数据;对每个路段对应的交通特征数据进行实体抽取和关系抽取,得到三元组集合;根据三元组集合得到预设交通事故知识图谱。
在一些实施方式中,基于前述方案,确定交通特征数据在预设交通事故知识图谱中所对应的知识子图,包括:对交通特征数据进行实体识别,得到实体识别结果;根据实体识别结果,确定与交通特征数据匹配的目标实体;根据目标实体查询预设交通事故知识图谱,得到知识子图。
在一些实施方式中,基于前述方案,根据事故预测结果为待预测路段进行救援资源配额,包括:获取事故预测结果对应的事故等级以及事故地点;根据事故等级获取总救援资源,以及根据事故地点获取事故地点预设范围内的可支配救援资源;根据总救援资源以及可支配救援资源,对待预测路段进行救援资源配额。
在一些实施方式中,基于前述方案,根据事故预测结果获取程序资源需求数据,以根据程序资源需求数据进行程序资源配额,包括:对所有待预测路段的事故预测结果进行统计,得到统计结果;根据统计结果计算待分配时间段内各类型业务请求的请求数量;根据各类型业务请求的请求数量,获取各类型业务请求所对应的程序资源需求数据;根据各类型业务请求所对应的程序资源需求数据,调整待分配时间段内不同类型业务请求的程序资源配额。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块、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。
本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
示例性地,上述的方法、装置可以实现为一种计算机程序的形式,该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器或终端。
如图6所示,该计算机设备600包括通过系统总线620连接的处理器610、存储器630和网络接口640,其中,存储器630可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统650和计算机程序650。该计算机程序650包括程序指令,该程序指令被执行时,可使得处理器610执行任意一种资源分配方法。
处理器610用于提供计算和控制能力,支撑整个计算机设备600的运行。
内存储器630为非易失性存储介质中的计算机程序650的运行提供环境,该计算机程序650被处理器610执行时,可使得处理器610执行任意一种资源分配方法。
该网络接口640用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,该计算机设备600的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备600的限定,具体地计算机设备600可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器610可以是中央处理单元(Central Processing Unit,简称CPU),该处理器610还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。其中,通用处理器610可以是微处理器或者该处理器610也可以是任何常规的处理器等。
其中,处理器610用于运行存储在存储器中的计算机程序650,以实现本申请实施例提供的任一种资源分配方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序中包括程序指令,程序指令被执行时实现本申请实施例提供的任一种资源分配方法。
其中,计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,简称SMC),安全数字(Secure Digital,简称SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种资源分配方法,其特征在于,所述方法包括:
获取待预测路段的交通特征数据;
确定所述交通特征数据在预设交通事故知识图谱中所对应的知识子图;
将所述知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,所述交通事故预测模型是根据所述预设交通事故知识图谱训练得到的;
根据所述事故预测结果为所述待预测路段进行救援资源配额,以及根据所述事故预测结果获取程序资源需求数据,以根据所述程序资源需求数据进行程序资源配额。
2.根据权利要求1所述的方法,其特征在于,所述获取待预测路段的交通特征数据之前,所述方法还包括:
根据历史交通事故数据得到预设交通事故知识图谱;其中,所述历史交通事故数据包括多个样本交通事故数据,所述样本交通事故数据包括事故实际结果;
根据所述预设交通事故知识图谱的知识图谱节点,生成所述知识图谱节点的节点特征向量;
根据所述节点特征向量生成针对所述样本交通事故数据的事故特征向量;
根据所述事故特征向量以及所述事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述事故特征向量以及所述事故实际结果对初始交通事故预测模型进行训练,得到训练完成的交通事故预测模型,包括:
将所述事故特征向量输入所述初始交通事故预测模型,得到所述初始交通事故预测模型输出的事故预测结果;
根据所述事故预测结果以及所述事故实际结果计算所述初始交通事故预测模型的损失值;
根据所述损失值对所述初始交通事故预测模型的参数进行调整,直至损失收敛,得到所述训练完成的交通事故预测模型。
4.根据权利要求2所述的方法,其特征在于,所述根据历史交通事故数据得到预设交通事故知识图谱,包括:
根据所述历史交通事故数据获取每个路段对应的样本交通事故数据,并根据所述样本交通事故数据得到每个路段对应的交通特征数据;
对所述每个路段对应的交通特征数据进行实体抽取和关系抽取,得到三元组集合;
根据所述三元组集合得到所述预设交通事故知识图谱。
5.根据权利要求1所述的方法,其特征在于,所述确定所述交通特征数据在预设交通事故知识图谱中所对应的知识子图,包括:
对所述交通特征数据进行实体识别,得到实体识别结果;
根据所述实体识别结果,确定与所述交通特征数据匹配的目标实体;
根据所述目标实体查询所述预设交通事故知识图谱,得到所述知识子图。
6.根据权利要求1所述的方法,其特征在于,所述根据所述事故预测结果为所述待预测路段进行救援资源配额,包括:
获取所述事故预测结果对应的事故等级以及事故地点;
根据所述事故等级获取总救援资源,以及根据所述事故地点获取所述事故地点预设范围内的可支配救援资源;
根据所述总救援资源以及所述可支配救援资源,对所述待预测路段进行救援资源配额。
7.根据权利要求1所述的方法,其特征在于,所述根据所述事故预测结果获取程序资源需求数据,以根据所述程序资源需求数据进行程序资源配额,包括:
对所有待预测路段的事故预测结果进行统计,得到统计结果;
根据所述统计结果计算待分配时间段内各类型业务请求的请求数量;
根据所述各类型业务请求的请求数量,获取所述各类型业务请求所对应的程序资源需求数据;
根据所述各类型业务请求所对应的程序资源需求数据,调整所述待分配时间段内不同类型业务请求的程序资源配额。
8.一种资源分配装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测路段的交通特征数据;
知识子图确定模块,用于确定所述交通特征数据在预设交通事故知识图谱中所对应的知识子图;
事故预测模块,用于将所述知识子图输入预先训练的交通事故预测模型中进行事故预测处理,得到事故预测结果;其中,所述交通事故预测模型是根据所述预设交通事故知识图谱训练得到的;
资源分配模块,用于根据所述事故预测结果为待预测路段进行救援资源配额,以及根据所述事故预测结果获取程序资源需求数据,以根据所述程序资源需求数据进行程序资源配额。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述的计算机程序并在执行所述的计算机程序时实现如权利要求1至7中任一项所述的资源分配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098226.4A CN114443303A (zh) | 2022-01-26 | 2022-01-26 | 资源分配方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098226.4A CN114443303A (zh) | 2022-01-26 | 2022-01-26 | 资源分配方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114443303A true CN114443303A (zh) | 2022-05-06 |
Family
ID=81369796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210098226.4A Pending CN114443303A (zh) | 2022-01-26 | 2022-01-26 | 资源分配方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114443303A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083168A (zh) * | 2022-08-23 | 2022-09-20 | 河北博士林科技开发有限公司 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
CN116541179A (zh) * | 2023-07-05 | 2023-08-04 | 支付宝(杭州)信息技术有限公司 | 一种计算资源预测方法和系统 |
CN117634853A (zh) * | 2024-01-25 | 2024-03-01 | 北京市巨龙工程有限公司 | 基于人工智能的城市消防救援资源分配方法和分配系统 |
-
2022
- 2022-01-26 CN CN202210098226.4A patent/CN114443303A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083168A (zh) * | 2022-08-23 | 2022-09-20 | 河北博士林科技开发有限公司 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
CN116541179A (zh) * | 2023-07-05 | 2023-08-04 | 支付宝(杭州)信息技术有限公司 | 一种计算资源预测方法和系统 |
CN116541179B (zh) * | 2023-07-05 | 2023-12-05 | 支付宝(杭州)信息技术有限公司 | 一种计算资源预测方法和系统 |
CN117634853A (zh) * | 2024-01-25 | 2024-03-01 | 北京市巨龙工程有限公司 | 基于人工智能的城市消防救援资源分配方法和分配系统 |
CN117634853B (zh) * | 2024-01-25 | 2024-04-19 | 北京市巨龙工程有限公司 | 基于人工智能的城市消防救援资源分配方法和分配系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801491B (zh) | 基于风险评估的智能导航方法、装置、设备及存储介质 | |
CN114443303A (zh) | 资源分配方法、装置、设备及介质 | |
US20170364821A1 (en) | Method and system for analyzing driver behaviour based on telematics data | |
US11049389B2 (en) | Accident prevention device | |
US10252461B2 (en) | Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
CN110400015A (zh) | 一种时间估计方法及其装置、设备 | |
EP3572991A1 (en) | Transit demand forecasting device and transit demand forecasting method | |
KR20200013274A (ko) | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 | |
CN114120650B (zh) | 用于生成测试结果的方法、装置 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
US8494999B2 (en) | Sensor based truth maintenance method and system | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
US10730527B2 (en) | Implementing cognitive state recognition within a telematics system | |
KR20210128823A (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN114519500A (zh) | 道路安全风险等级的确定方法、装置、设备及存储介质 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN109979190B (zh) | 一种道路交通状态的预测方法及装置 |
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 |