CN114547228A - 轨迹生成方法、装置、设备及存储介质 - Google Patents
轨迹生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114547228A CN114547228A CN202210427355.3A CN202210427355A CN114547228A CN 114547228 A CN114547228 A CN 114547228A CN 202210427355 A CN202210427355 A CN 202210427355A CN 114547228 A CN114547228 A CN 114547228A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- information
- time
- real
- grid
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了轨迹生成方法、装置、设备及存储介质,应用于数字映射系统,所述方法包括:通过所述数字映射系统获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;基于所述目标客流量信息的分布结果生成轨迹。通过数字映射系统获取实时客流量信息,将时空核密度计算与真实的客流量数据结合,同时通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟。
Description
技术领域
本申请涉及通信技术领域,特别是涉及一种轨迹生成方法、一种轨迹生成装置、相应的一种电子设备以及相应的一种计算机存储介质。
背景技术
数字孪生,也可被称为数字映射、数字镜像,其与数字模拟不同,虽然与数字模拟一样都是利用数字模型复制出一个系统,但数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统,其实际上创造的是一整个虚拟环境,主要是通过利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
数字孪生利用数字模型所进行的仿真过程,所实现的可以包括轨迹模拟(例如包括人员轨迹的模拟、机器人轨迹的模拟等)、运行状态监测、故障仿真分析等。
在相关技术中,对于在数字孪生场景下提供人员轨迹的方式,可基于人工预设置人员走动的路径或者使用增强算法进行智能学习实现,基于人工预设置人员走动的路径的方案无法反映出人员的实际流动情况,而所采用的增强算法进行智能学习的方案虽然其所学习的路径理论上能够非常接近模仿人类在真实环境下的路径,但所需要的时间成本与资源成本较高,轨迹模拟的效率较低。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种轨迹生成方法、一种轨迹生成装置、相应的一种电子设备以及相应的一种计算机存储介质。
本申请实施例公开了一种轨迹生成方法,应用于数字映射系统,所述方法包括:
通过所述数字映射系统获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;
基于所述目标客流量信息的分布结果生成轨迹。
可选地,所述通过所述数字映射系统获取实时客流量信息,包括:
通过所述数字映射系统基于第一采集信息获取实时客流量信息;
所述第一采集信息包括第一栅格面积与第一采集时间频率;所述通过所述数字映射系统基于第一采集信息获取实时客流量信息,包括:
通过所述数字映射系统基于地图客户端的客流量接口获取所述实时客流量信息;所述实时客流量信息为由所述地图客户端基于第一栅格面积与第一采集时间频率对预设区域采集得到。
可选地,所述第二采集信息包括第二栅格面积与第二采集时间频率;所述根据所述第一采集信息得到第二采集信息,包括:
通过缩小所述第一采集信息的第一栅格面积与降低所述第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率。
可选地,所述基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息,包括:
采用所述实时客流量得到针对客流量的时空密度函数;
采用所述针对客流量的时空密度函数,对所述第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
可选地,所述实时客流量信息包括起始时间至今的时长信息,预设区域内的各个经纬度坐标点,以及在所述时长信息内各个经纬度坐标点的客流量;
所述采用所述实时客流量得到针对客流量的时空密度函数,包括:
将所述起始时间至今的时长信息,预设区域内的各个经纬度坐标点以及在所述时长信息内各个经纬度坐标点的客流量,分别通过核密度计算得到针对客流量的时空密度函数。
可选地,所述基于所述目标客流量信息的分布结果生成轨迹,包括:
对所获取的实时客流量所在的预设区域进行栅格化,得到多个栅格;所述栅格包括入口栅格;
从所述入口栅格开始,遍历各个栅格中未遍历的至少一个邻居栅格,并获取各个邻居栅格的当前客流量;
统计当前的邻居数量,采用所述当前的邻居数量定义预设二项分布中的第一参数;
统计各个邻居栅格的当前客流量的总和,并统计各个栅格中的客流量占据总客流量的百分比,采用所述百分比定义预设二项分布中的第二参数;
采用所述第一参数与所述第二参数生成针对预设区域内各个栅格的二项分布结果,基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹。
可选地,所述基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹,包括:
按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
本申请实施例还公开了一种轨迹生成装置,应用于数字映射系统,所述装置包括:
实时客流量信息获取模块,位于所述数字映射系统,用于获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
目标客流量信息生成模块,用于根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;
轨迹生成模块,用于基于所述目标客流量信息的分布结果生成轨迹。
可选地,所述实时客流量信息获取模块包括:
实时客流量信息获取子模块,位于所述数字映射系统,用于基于第一采集信息获取实时客流量信息;
所述第一采集信息包括第一栅格面积与第一采集时间频率;实时客流量信息获取子模块可以包括如下单元:
实时客流量信息获取单元,位于所述数字映射系统,用于基于地图客户端的客流量接口获取所述实时客流量信息;所述实时客流量信息为由所述地图客户端基于第一栅格面积与第一采集时间频率对预设区域采集得到。
可选地,所述第二采集信息包括第二栅格面积与第二采集时间频率;所述目标客流量信息生成模块包括:
第二采集信息生成子模块,用于通过缩小所述第一采集信息的第一栅格面积与降低所述第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率。
可选地,所述目标客流量信息生成模块包括:
时空密度函数生成子模块,用于采用所述实时客流量得到针对客流量的时空密度函数;
数据补充子模块,用于采用所述针对客流量的时空密度函数,对所述第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
可选地,所述实时客流量信息包括起始时间至今的时长信息,预设区域内的各个经纬度坐标点,以及在所述时长信息内各个经纬度坐标点的客流量;
所述时空密度函数生成子模块包括:
时空密度函数生成单元,用于将所述起始时间至今的时长信息,预设区域内的各个经纬度坐标点以及在所述时长信息内各个经纬度坐标点的客流量,分别通过核密度计算得到针对客流量的时空密度函数。
可选地,所述轨迹生成模块包括:
栅格化子模块,用于对所获取的实时客流量所在的预设区域进行栅格化,得到多个栅格;所述栅格包括入口栅格;
邻居栅格获取子模块,用于从所述入口栅格开始,遍历各个栅格中未遍历的至少一个邻居栅格,并获取各个邻居栅格的当前客流量;
第一参数确定子模块,用于统计当前的邻居数量,采用所述当前的邻居数量定义预设二项分布中的第一参数;
第二参数确定子模块,用于统计各个邻居栅格的当前客流量的总和,并统计各个栅格中的客流量占据总客流量的百分比,采用所述百分比定义预设二项分布中的第二参数;
轨迹生成子模块,用于采用所述第一参数与所述第二参数生成针对预设区域内各个栅格的二项分布结果,基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹。
可选地,所述轨迹生成子模块包括:
轨迹生成单元,用于按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
本申请实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现任一项所述轨迹生成方法的步骤。
本申请实施例还公开了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计算机程序,所述计算机程序被处理器执行时实现任一项所述轨迹生成方法的步骤。
本申请实施例包括以下优点:
本申请实施例中,通过数字映射系统获取实时客流量信息,将时空核密度计算与真实的客流量数据结合,生成可提供数字孪生场景所需的时空颗粒度的目标客流量信息,同时基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,从而进一步提升数字孪生场景的仿真效率,同时还能够更快地应对时间变化所带来的客流量变化,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟。
附图说明
图1是本申请的一种轨迹生成方法实施例的步骤流程图;
图2是本申请的另一种轨迹生成方法实施例的步骤流程图;
图3是本申请实施例提供的轨迹生成的应用场景示意图;
图4是本申请的一种轨迹生成装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
数字孪生利用数字模型所进行的仿真过程,所实现的可以包括轨迹模拟(例如包括人员轨迹的模拟、机器人轨迹的模拟等)、运行状态监测、故障仿真分析等。
在相关技术中,对于在数字孪生场景下提供人员轨迹的方案,可基于人工预设置人员走动的路径或者使用增强算法进行智能学习实现。
其中,在基于人工预设置人员走动的路径的方案中,主要可表现为在数字孪生场景下通过人工预先设置多个供人员走动的路径,并在渲染时通过参数限制展示人员的数量,进行人员与预置的路径的随机匹配,然而此方案无法有效且尽可能接近真实地反应出在改区域内人员的实际流动情况,即便此时采用地图客户端的数据源所提供的客流量参数,但由于地图客户端在出于对个人隐私的保护的层面上,其所提供的数据源,即所提供的客流量数据是在较小空间面积以及较小的时间频率的情况下进行采集的,其无论是空间采集面积还是时间更新频率均不满足数字孪生的展示场景的要求,无法解决客流量的时效性低和空间颗粒度低的问题。
在增强算法进行智能学习的方案中,主要可表现为使用增强算法,并利用人工智能在数字孪生的场景下自动学习与所在环境的互动方式,此方案中人工智能所学习出的路径在理论上能够实现非常接近地模仿人类在真实环境下的路径,但需要过多的时间和计算资源对人工智能算法进行调优,即其所需要的时间成本与资源成本较高,轨迹模拟的效率较低。
为了保证轨迹模拟的真实性与模拟的高效率,以及保证客流量的高时效性与高空间颗粒度,本申请实施例的核心思想之一在于提供基于真实数据实现高时空颗粒度的人员行为轨迹模拟方案,其具体将时空核密度计算与真实的客流量数据结合,通过使用时空核密度计算解决数据源低颗粒度的问题,且基于实时客流量的计算实现对时间变化所带来的客流量变化的应对,以及基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟,从而进一步提升数字孪生场景的仿真效率。
参照图1,示出了本申请的一种轨迹生成方法实施例的步骤流程图,应用于数字映射系统,具体可以包括如下步骤:
步骤101,通过数字映射系统获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
数字映射系统可以指的是在数字孪生领域以及部分涉及到游戏AI领域的应用场景下,所用于进行数字映射、数字镜像以仿真出虚拟环境的任意系统,在本申请实施例中,主要是以在数字孪生领域下的轨迹生成或者路径模拟场景为例进行说明。
为了保证在数字孪生场景下所提供的人员路径模拟更加趋近于真实轨迹,需要满足应对时间变化所带来的客流量变化的要求,此时可基于对实时客流量信息进行获取。
所获取的实时客流量信息,其主要可通过数字映射系统基于客流量接口向任意地图应用/客户端进行请求实现,数字映射系统从客流量接口所获取的实时客流量信息为地图应用授权允许获取的,且从地图应用所获取的数据是已在出于对个人隐私的保护的层面上,基于符合个人隐私保护下允许的最小空间面积与最小的时间频率采集得到。即数字映射系统所实时获取的实时客流量信息为在不侵犯个人隐私的情况下向任意地图应用/客户端进行请求获取的。
步骤102,根据第一采集信息得到第二采集信息,并基于第二采集信息与实时客流量信息进行核密度计算生成目标客流量信息;
其中,所获取的实时客流量信息基于第一采集信息采集得到,此第一采集信息包括符合个人隐私保护下允许的最小空间面积与最小的时间频率,然而基于此第一采集信息所提供的数据源,其无论是空间采集面积还是时间更新频率均不满足数字孪生的展示场景的要求,无法解决客流量的时效性低和空间颗粒度低的问题。
为了解决客流量的时效性低和空间颗粒度低的问题,即保证客流量的高时效性与高空间颗粒度,此时可根据第一采集信息得到第二采集信息,并基于第二采集信息获取符合数字孪生的展示场景要求的目标客流量信息。
在本申请的一种实施例中,所得到的第二采集信息可以为满足数字孪生的展示场景要求的用于采集客流量的空间面积与时间频率,此时为了获取目标客流量信息,可以基于第二采集信息与实时客流量信息进行核密度计算生成目标客流量信息实现。
核密度计算(Kernel Density Estimation)主要是在概率论中用来估计未知的密度函数,,属于非参数检验方法之一,其中为从某个未知密度函数的单变量分布中独立采集的同分布样本,为非负、积分为1、符合概率密度性质,并且均值为0的核函数,h>0为一个平滑参数,称作带宽。
其中,具体可基于第二采集信息与实时客流量信息进行时空核密度计算以确定目标客流量信息,时空核密度计算(Spatial-Temporal Kernel Density Estimation)主要是在基于核密度计算方法的基础上,再结合空间和时间两个维度用来估计位置的密度函数,即此时主要可将所获取的实时客流量信息通过时空核密度计算,预估得到符合第二采集信息的目标客流量信息,即通过使用时空核密度计算解决数据源低颗粒度的问题。
需要说明的是,数字映射系统所实时获取的实时客流量信息为在不侵犯个人隐私的情况下向任意地图应用/客户端进行请求获取的,而目标客流量信息是在不侵犯个人隐私的实时客流量信息的基础上,进行预估得到的,其同样也不侵犯个人隐私。
步骤103,基于目标客流量信息的分布结果生成轨迹。
在基于满足数字孪生的展示场景要求的用于采集客流量的空间面积与时间频率,得到符合数字孪生的展示场景要求的目标客流量信息之后,在提供人员轨迹模拟的场景下,主要可基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟,从而进一步提升数字孪生场景的仿真效率。
本申请实施例中,通过数字映射系统获取实时客流量信息,将时空核密度计算与真实的客流量数据结合,生成可提供数字孪生场景所需的时空颗粒度的目标客流量信息,同时基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,从而进一步提升数字孪生场景的仿真效率,同时还能够更快地应对时间变化所带来的客流量变化,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟。
参照图2,示出了本申请的另一种轨迹生成方法实施例的步骤流程图,应用于数字映射系统,具体可以包括如下步骤:
步骤201,通过数字映射系统基于地图客户端的客流量接口获取实时客流量信息;
在本申请实施例中,主要是以在数字孪生领域下的生成轨迹或者路径模拟场景为例进行说明。
为了保证在数字孪生场景下所提供的人员路径模拟更加趋近于真实轨迹,需要满足应对时间变化所带来的客流量变化的要求,此时可基于对实时客流量信息的获取实现。
所获取的实时客流量信息,主要可通过数字映射系统基于客流量接口向任意地图应用/客户端进行请求实现,数字映射系统从客流量接口所获取的实时客流量信息为地图应用授权允许获取的,且从地图应用所获取的数据是已在出于对个人隐私的保护的层面上,基于符合个人隐私保护下允许的第一采集信息采集得到。即数字映射系统所实时获取的实时客流量信息为在不侵犯个人隐私的情况下向任意地图应用/客户端进行请求获取的。
第一采集信息可以包括第一栅格面积与第一采集时间频率,其中第一栅格面积与第一采集时间频率可以分别为在符合个人隐私保护下允许的最小空间面积与允许的最小时间频率,即此时地图客户端可基于第一栅格面积与第一采集时间频率对预设区域的实时客流量信息进行采集。
作为一种示例,参照表1,示出了在预设区域内所获取的实时客流量信息,假设第一栅格面积为100米×100米栅格,第一采集时间频率为每十五分钟的客流量,此时某个地图客户端基于客流量接口所获取的某个区域内。100米×100米栅格内每十五分钟的实时客流量信息如下所示,其可以以下矩阵存储数据:
表1
其中,实时客流量信息包括起始时间至今的时长信息t(min),预设区域内的各个经纬度坐标点(x,y),以及在时长信息内各个经纬度坐标点的客流量h。
步骤202,对第一采集信息进行缩小处理,得到第二采集信息;
基于第一采集信息所提供的数据源,其无论是空间采集面积还是时间更新频率均不满足数字孪生的展示场景的要求,无法解决客流量的时效性低和空间颗粒度低的问题。
为了解决客流量的时效性低和空间颗粒度低的问题,即保证客流量的高时效性与高空间颗粒度,此时可根据第一采集信息得到第二采集信息,并基于第二采集信息获取符合数字孪生的展示场景要求的目标客流量信息。
具体的,主要是对第一采集信息进行缩小处理,以得到第二采集信息。
在实际应用中,可通过缩小第一采集信息的第一栅格面积与降低第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率。示例性地,预设区域可进行栅格化,为了能够满足数字孪生场景下的展示需求,对第一栅格面积的缩小处理可表现为将预设区域的围栏细化为更小颗粒度的栅格,对第一采集时间频率的降低可表现为将时间维度从15分钟降低至30秒(即0.5分钟),对此,本申请实施例不加以限制。
步骤203,采用实时客流量得到针对客流量的时空密度函数,基于时空密度函数与实时客流量信息生成目标客流量信息;
在本申请的一种实施例中,所得到的第二采集信息可以为满足数字孪生的展示场景要求的用于采集客流量的空间面积与时间频率,此时为了获取目标客流量信息,可以基于第二采集信息与实时客流量信息进行时空核密度计算生成目标客流量信息实现。
时空核密度计算为在基于核密度计算方法的基础上,再结合空间和时间两个维度用来估计位置的密度函数,此时可将所获取的实时客流量信息通过时空核密度计算,预估得到符合第二采集信息的目标客流量信息,即通过使用时空核密度计算解决数据源低颗粒度的问题。
具体的,将所获取的实时客流量信息通过时空核密度计算,预估得到符合第二采集信息的目标客流量信息,实时客流量信息可以包括起始时间至今的时长信息,预设区域内的各个经纬度坐标点,以及在时长信息内各个经纬度坐标点的客流量,主要可表现为基于前述实时客流量信息,例如表1中所提供的t(min)、经纬度(x,y)以及客流量h,采用实时客流量通过时空核密度计算得到针对客流量的时空密度函数,该函数能够指定任意时间和空间经纬度(在预设区域内)返回该点的客流量。此时可采用针对客流量的时空密度函数,基于所能够返回的任意时间和空间经纬度的客流量,对第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
在实际应用中,可将起始时间至今的时长信息t(min),预设区域内的各个经纬度坐标点(x,y)以及在时长信息内各个经纬度坐标点的客流量h,分别通过核密度计算得到针对客流量的时空密度函数。
时空密度函数具体可采用在基于核密度计算方法的基础上,再结合空间和时间两个维度的时空核密度计算得到,时空核密度计算的计算公式可以表现为:
示例性地,可将表1中所获取的以矩阵存储的各个实时客流量信息,分别作为具体参数代入上述时空核密度计算的计算公式,实现对任意时间和空间经纬度(在预设区域内)返回该点的客流量的计算,以使用计算好的客流量时空密度函数将数据补齐,对此,本申请实施例不加以赘述。
需要说明的是,数字映射系统所实时获取的实时客流量信息为在不侵犯个人隐私的情况下向任意地图应用/客户端进行请求获取的,而目标客流量信息是在不侵犯个人隐私的实时客流量信息的基础上,进行预估得到的,其同样也不侵犯个人隐私。
步骤204,基于目标客流量信息的密度分布函数的结果自动生成轨迹。
在基于满足数字孪生的展示场景要求的用于采集客流量的空间面积与时间频率,得到符合数字孪生的展示场景要求的目标客流量信息之后,在提供人员轨迹模拟的场景下,主要可基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟,从而进一步提升数字孪生场景的仿真效率。
所通过概率论自动生成的接近真实的路径,其主要是通过使用空间计算和概率论自动基于密度分布函数的结果,以生成人员在空间内可采取的行为轨迹。
具体的,可对所获取的实时客流量所在的预设区域进行栅格化,得到多个栅格,此时还可根据预设区域的BIM(Building Information Management,建筑信息模型)数据将人员无法走动的地方从栅格网中通过空间关联去除。其中,BIM被定义成由完全和充足信息构成以支持新产品开发管理,并可由电脑应用程序直接解释的建筑或建筑工程信息模型。简言之,即数字技术支撑的对建筑环境的生命周期管理。
在所栅格化得到的多个栅格可以包括入口栅格与出口栅格,入口栅格与出口栅格主要是基于数字映射系统指定实现,即指定栅格中的出入口,以将所指定的出入口用于连接后续所生成的轨迹,同时作为数字孪生场景下人员模型出现和离开的点,避免人员模型在所仿真的虚拟环境中凭空出现,以符合人员的真实走动情况。
在本申请的一种实施例中,可从入口栅格开始,遍历各个栅格周围所有未遍历的至少一个邻居栅格,此处邻居可以包含斜上方和斜下方总共八个栅格,并获取各个邻居栅格的当前客流量,以基于各个邻居栅格的当前客流量确定针对各个栅格的二项分布结果,以便后续基于此二项分布结果自动生成轨迹。
具体的,可统计当前的邻居数量,采用当前的邻居数量定义预设二项分布中的第一参数,以及统计各个邻居栅格的当前客流量的总和,并统计各个栅格中的客流量占据总客流量的百分比,采用百分比定义预设二项分布中的第二参数,此时即可采用所定义的第一参数与第二参数生成针对预设区域内各个栅格的二项分布结果,以基于预设区域内各个栅格的二项分布结果,自动生成在预设区域内的轨迹。
二项分布(Binomial Distrbution)主要指的是在n次独立重复的伯努利试验中,设每次试验中事件A发生的概率为p。用X表示重伯努利试验中事件A发生的次数,则X的可能取值为0,1,...,n且对每一个k(0≤k≤n),事件{X=k}即为“n次试验中事件A恰好发生k次”,随机变量 X的离散概率分布即为二项分布。
其中,采用当前的邻居数量定义的预设二项分布中的第一参数可以为定义二项分布中的n,采用百分比定义的预设二项分布中的第二参数可以是二项分布中的 p,即此时在将所定义的n与p分别代入上述二项分布中,即可得到预设区域内各个栅格的二项分布结果。
在得到预设区域内各个栅格的二项分布结果后,为了不再依赖人工筛选或者智能算法进行配置,此时可通过概率论自动生成接近真实的路径,具体可按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
作为一种示例,可按照所得到的二项分布结果进行一次实验,并按顺序根据二项分布所得出的结果判断路径中的下一步,同时将此步骤记录下来,在持续路径迭代直到邻居栅格中包含出口栅格时,则可终止路径得到经由入口栅格至出口栅格的轨迹。
需要说明的是,本申请实施例中在自动生成轨迹的过程中,主要是使用概率论判断当前栅格的下一步,此判断下一步的方式,还可以根据蒙特卡罗方法在指定概率条件下通过模拟生成路径实现,亦或者可以把路径生成看成一个优化问题,以全局各个栅格的概率作为限制条件,找出两个栅格之间的最近路径实现。对此,本申请实施例不加以限制。
参照图3,示出了本申请实施例提供的轨迹生成的应用场景示意图,可以以城市治理研发或者城市治理数据处理的应用场景为例,在此应用场景下,主要可表现为领导驾驶舱,领导驾驶舱通过数字孪生技术向城市的管理者提供一揽城市全局的能力,从城市复杂的商圈到小区,从复杂的小区到医院,实现厘米级复刻,秒级还原城市动态,将城市级数字孪生延伸到城市管理的最小细胞,精准管理到小区的一进一出、一房一户、一人一档、一生一死,实时反馈小区状态、秒级还原小区进出状态、实现小区重点人员轨迹的全流程可追溯,以及空巢老人的及时预警等。
针对小区内的楼宇实现数字孪生复刻的同时,还需要实现基于真实客流数据模拟人员在数字孪生场景下的行为轨迹的生成。
那么在此城市治理研发或者城市治理数据处理的应用场景下,此领导驾驶舱可以包括数字映射系统11,数字映射系统可以指的是在数字孪生领域以及部分涉及到游戏AI领域的应用场景下,所用于进行数字映射、数字镜像以仿真出虚拟环境的任意系统,此数字映射系统11可基于客流量接口与任意地图应用/客户端12通信连接。
具体的,在数字孪生领域下的轨迹生成或者路径模拟下,为了保证在数字孪生场景下所提供的人员路径模拟更加趋近于真实轨迹,需要满足应对时间变化所带来的客流量变化的要求,此时数字映射系统11可以基于客流量接口向任意地图应用/客户端12请求获取预设地区的实时客流量信息。
所获取的实时客流量信息是在符合个人隐私保护下允许的最小空间面积与最小的时间频率对预设区域进行采集得到的,其无论是空间采集面积还是时间更新频率均不满足数字孪生的展示场景的要求,无法解决客流量的时效性低和空间颗粒度低的问题。
为了解决客流量的时效性低和空间颗粒度低的问题,即保证客流量的高时效性与高空间颗粒度,可通过缩小第一采集信息的第一栅格面积与降低第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率,例如将预设区域的围栏细化为更小颗粒度的栅格,并将时间维度从15分钟降低至30秒(即0.5分钟);以及将所获取的实时客流量信息通过时空核密度计算,预估得到符合第二采集信息的目标客流量信息,即通过使用时空核密度计算解决数据源低颗粒度的问题,具体可表现为采用针对客流量的时空密度函数,基于所能够返回的任意时间和空间经纬度的客流量,对第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
在基于满足数字孪生的展示场景要求的用于采集客流量的空间面积与时间频率,得到符合数字孪生的展示场景要求的目标客流量信息之后,在提供人员轨迹模拟的场景下,为了通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,此时可通过使用空间计算和概率论自动基于密度分布函数的结果,以生成人员在空间内可采取的行为轨迹。其中,密度分布函数的结果可以指的是预设区域内各个栅格的二项分布结果,此时可按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
需要说明的是,具体在此应用场景下对人员轨迹的生成过程可参照前述实施例所描述的内容,在此不加以赘述。
本申请实施例中,通过提供基于真实数据实现高时空颗粒度的人员行为轨迹模拟方案,其具体将时空核密度计算与真实的客流量数据结合,通过使用时空核密度计算解决数据源低颗粒度的问题,且基于实时客流量的计算实现对时间变化所带来的客流量变化的应对,以及基于目标客流量信息的分布结果自动生成轨迹,通过概率论自动生成接近真实的路径,不再依赖人工筛选或者智能算法进行配置,使得所生成的轨迹趋向于数字孪生场景所需的更为真实的人员轨迹模拟,从而进一步提升数字孪生场景的仿真效率。
需要说明的是,对于方法实施例,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,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用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优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图4,示出了本申请的一种轨迹生成装置实施例的结构框图,应用于数字映射系统,具体可以包括如下模块:
实时客流量信息获取模块401,位于所述数字映射系统,用于获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
目标客流量信息生成模块402,用于根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;
轨迹生成模块403,用于基于所述目标客流量信息的分布结果生成轨迹。
在本申请的一种实施例中,实时客流量信息获取模块401可以包括如下子模块:
实时客流量信息获取子模块,位于所述数字映射系统,用于基于第一采集信息获取实时客流量信息;
所述第一采集信息包括第一栅格面积与第一采集时间频率;实时客流量信息获取子模块可以包括如下单元:
实时客流量信息获取单元,位于所述数字映射系统,用于基于地图客户端的客流量接口获取所述实时客流量信息;所述实时客流量信息为由所述地图客户端基于第一栅格面积与第一采集时间频率对预设区域采集得到。
在本申请的一种实施例中,所述第二采集信息包括第二栅格面积与第二采集时间频率;目标客流量信息生成模块402可以包括如下子模块:
第二采集信息生成子模块,用于通过缩小所述第一采集信息的第一栅格面积与降低所述第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率。
在本申请的一种实施例中,目标客流量信息生成模块402可以包括如下子模块:
时空密度函数生成子模块,用于采用所述实时客流量得到针对客流量的时空密度函数;
数据补充子模块,用于采用所述针对客流量的时空密度函数,对所述第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
在本申请的一种实施例中,所述实时客流量信息包括起始时间至今的时长信息,预设区域内的各个经纬度坐标点,以及在所述时长信息内各个经纬度坐标点的客流量;
时空密度函数生成子模块可以包括如下单元:
时空密度函数生成单元,用于将所述起始时间至今的时长信息,预设区域内的各个经纬度坐标点以及在所述时长信息内各个经纬度坐标点的客流量,分别通过核密度计算得到针对客流量的时空密度函数。
在本申请的一种实施例中,轨迹生成模块403可以包括如下子模块:
栅格化子模块,用于对所获取的实时客流量所在的预设区域进行栅格化,得到多个栅格;所述栅格包括入口栅格;
邻居栅格获取子模块,用于从所述入口栅格开始,遍历各个栅格中未遍历的至少一个邻居栅格,并获取各个邻居栅格的当前客流量;
第一参数确定子模块,用于统计当前的邻居数量,采用所述当前的邻居数量定义预设二项分布中的第一参数;
第二参数确定子模块,用于统计各个邻居栅格的当前客流量的总和,并统计各个栅格中的客流量占据总客流量的百分比,采用所述百分比定义预设二项分布中的第二参数;
轨迹生成子模块,用于采用所述第一参数与所述第二参数生成针对预设区域内各个栅格的二项分布结果,基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹。
在本申请的一种实施例中,轨迹生成子模块可以包括如下单元:
轨迹生成单元,用于按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种电子设备,包括:
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述轨迹生成方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述轨迹生成方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种轨迹生成方法、一种轨迹生成装置、相应的一种电子设备以及相应的一种计算机存储介质,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种轨迹生成方法,其特征在于,应用于数字映射系统,所述方法包括:
通过所述数字映射系统获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;
基于所述目标客流量信息的分布结果生成轨迹。
2.根据权利要求1所述的方法,其特征在于,所述通过所述数字映射系统获取实时客流量信息,包括:
通过所述数字映射系统基于第一采集信息获取实时客流量信息;
所述第一采集信息包括第一栅格面积与第一采集时间频率;所述通过所述数字映射系统基于第一采集信息获取实时客流量信息,包括:
通过所述数字映射系统基于地图客户端的客流量接口获取所述实时客流量信息;所述实时客流量信息为由所述地图客户端基于第一栅格面积与第一采集时间频率对预设区域采集得到。
3.根据权利要求1或2所述的方法,其特征在于,所述第二采集信息包括第二栅格面积与第二采集时间频率;所述根据所述第一采集信息得到第二采集信息,包括:
通过缩小所述第一采集信息的第一栅格面积与降低所述第一采集信息的第一采集时间频率,分别得到第二栅格面积与第二采集时间频率。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息,包括:
采用所述实时客流量得到针对客流量的时空密度函数;
采用所述针对客流量的时空密度函数,对所述第二栅格面积与第二采集时间频率所应采集得到的数据中所缺少的数据进行补充,得到目标客流量信息。
5.根据权利要求4所述的方法,其特征在于,所述实时客流量信息包括起始时间至今的时长信息,预设区域内的各个经纬度坐标点,以及在所述时长信息内各个经纬度坐标点的客流量;
所述采用所述实时客流量得到针对客流量的时空密度函数,包括:
将所述起始时间至今的时长信息,预设区域内的各个经纬度坐标点以及在所述时长信息内各个经纬度坐标点的客流量,分别通过核密度计算得到针对客流量的时空密度函数。
6.根据权利要求1或2或4所述的方法,其特征在于,所述基于所述目标客流量信息的分布结果生成轨迹,包括:
对所获取的实时客流量所在的预设区域进行栅格化,得到多个栅格;所述栅格包括入口栅格;
从所述入口栅格开始,遍历各个栅格中未遍历的至少一个邻居栅格,并获取各个邻居栅格的当前客流量;
统计当前的邻居数量,采用所述当前的邻居数量定义预设二项分布中的第一参数;
统计各个邻居栅格的当前客流量的总和,并统计各个栅格中的客流量占据总客流量的百分比,采用所述百分比定义预设二项分布中的第二参数;
采用所述第一参数与所述第二参数生成针对预设区域内各个栅格的二项分布结果,基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹。
7.根据权利要求6所述的方法,其特征在于,所述基于所述预设区域内各个栅格的二项分布结果,生成在预设区域内的轨迹,包括:
按照预设区域内各个栅格的顺序,不断采用当前栅格的二项分布结果判定所需生成轨迹在预设区域内的下一栅格,直至重新确定的当前栅格的邻居栅格包含出口栅格为止,得到所生成的轨迹。
8.一种轨迹生成装置,其特征在于,应用于数字映射系统,所述装置包括:
实时客流量信息获取模块,位于所述数字映射系统,用于获取实时客流量信息,所获取的实时客流量信息基于第一采集信息采集得到;
目标客流量信息生成模块,用于根据所述第一采集信息得到第二采集信息,并基于所述第二采集信息与所述实时客流量信息进行核密度计算生成目标客流量信息;
轨迹生成模块,用于基于所述目标客流量信息的分布结果生成轨迹。
9.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述轨迹生成方法的步骤。
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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述轨迹生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427355.3A CN114547228B (zh) | 2022-04-22 | 2022-04-22 | 轨迹生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427355.3A CN114547228B (zh) | 2022-04-22 | 2022-04-22 | 轨迹生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114547228A true CN114547228A (zh) | 2022-05-27 |
CN114547228B CN114547228B (zh) | 2022-07-19 |
Family
ID=81667402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210427355.3A Active CN114547228B (zh) | 2022-04-22 | 2022-04-22 | 轨迹生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547228B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221231A1 (en) * | 2009-10-14 | 2012-08-30 | Ntt Docomo, Inc. | Positional information analysis device and positional information analysis method |
CN106484758A (zh) * | 2016-08-09 | 2017-03-08 | 浙江经济职业技术学院 | 一种基于网格和聚类优化的实时数据流核密度估计方法 |
CN109727175A (zh) * | 2018-12-25 | 2019-05-07 | 北京市颐和园管理处 | 一种旅游景区客流监测系统 |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
CN110381442A (zh) * | 2019-08-17 | 2019-10-25 | 西北工业大学 | 一种基于隐式信息交互方式的群机器人目标搜索方法 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111242352A (zh) * | 2020-01-02 | 2020-06-05 | 深圳市麦谷科技有限公司 | 基于车辆轨迹的停等聚集效应预测方法 |
CN111291776A (zh) * | 2018-12-07 | 2020-06-16 | 北方工业大学 | 基于众源轨迹数据的航道信息提取方法 |
CN111950470A (zh) * | 2020-08-14 | 2020-11-17 | 深圳市万物云科技有限公司 | 一种智能监控方法、装置、计算机设备及存储介质 |
CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
CN113569978A (zh) * | 2021-08-05 | 2021-10-29 | 北京红山信息科技研究院有限公司 | 一种出行轨迹识别方法、装置、计算机设备及存储介质 |
CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
CN113946575A (zh) * | 2021-09-13 | 2022-01-18 | 中国电子科技集团公司第十五研究所 | 时空轨迹数据处理方法、装置、电子设备及存储介质 |
CN114037156A (zh) * | 2021-11-09 | 2022-02-11 | 上海电信工程有限公司 | 基于弹性云的轨交大客流轨迹分析方法、终端及存储介质 |
CN114218505A (zh) * | 2021-12-16 | 2022-03-22 | 广州宸祺出行科技有限公司 | 一种异常时空点的识别方法、装置、电子设备及存储介质 |
CN114363824A (zh) * | 2021-05-26 | 2022-04-15 | 科大国创云网科技有限公司 | 一种基于mr位置和道路gis信息的通勤轨迹刻画方法及系统 |
-
2022
- 2022-04-22 CN CN202210427355.3A patent/CN114547228B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120221231A1 (en) * | 2009-10-14 | 2012-08-30 | Ntt Docomo, Inc. | Positional information analysis device and positional information analysis method |
CN106484758A (zh) * | 2016-08-09 | 2017-03-08 | 浙江经济职业技术学院 | 一种基于网格和聚类优化的实时数据流核密度估计方法 |
CN111291776A (zh) * | 2018-12-07 | 2020-06-16 | 北方工业大学 | 基于众源轨迹数据的航道信息提取方法 |
CN109727175A (zh) * | 2018-12-25 | 2019-05-07 | 北京市颐和园管理处 | 一种旅游景区客流监测系统 |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
CN110381442A (zh) * | 2019-08-17 | 2019-10-25 | 西北工业大学 | 一种基于隐式信息交互方式的群机器人目标搜索方法 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111242352A (zh) * | 2020-01-02 | 2020-06-05 | 深圳市麦谷科技有限公司 | 基于车辆轨迹的停等聚集效应预测方法 |
CN112013862A (zh) * | 2020-07-31 | 2020-12-01 | 深圳大学 | 一种基于众包轨迹的行人路网提取及更新方法 |
CN111950470A (zh) * | 2020-08-14 | 2020-11-17 | 深圳市万物云科技有限公司 | 一种智能监控方法、装置、计算机设备及存储介质 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
CN114363824A (zh) * | 2021-05-26 | 2022-04-15 | 科大国创云网科技有限公司 | 一种基于mr位置和道路gis信息的通勤轨迹刻画方法及系统 |
CN113569978A (zh) * | 2021-08-05 | 2021-10-29 | 北京红山信息科技研究院有限公司 | 一种出行轨迹识别方法、装置、计算机设备及存储介质 |
CN113628336A (zh) * | 2021-08-10 | 2021-11-09 | 长安大学 | 一种道路交通安全隐患点可视化鉴别方法 |
CN113946575A (zh) * | 2021-09-13 | 2022-01-18 | 中国电子科技集团公司第十五研究所 | 时空轨迹数据处理方法、装置、电子设备及存储介质 |
CN114037156A (zh) * | 2021-11-09 | 2022-02-11 | 上海电信工程有限公司 | 基于弹性云的轨交大客流轨迹分析方法、终端及存储介质 |
CN114218505A (zh) * | 2021-12-16 | 2022-03-22 | 广州宸祺出行科技有限公司 | 一种异常时空点的识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
ANONYMOUS: ""Crimes Prediction Using Spatio-Temporal Data and Kernel Density Estimation"", 《2019 ASIA PACIFIC CONFERENCE ON RESEARCH IN INDUSTRIAL AND SYSTEMS ENGINEERING》 * |
张宁等: "基于空间数据分析的长江公共安全预测模型构建", 《情报杂志》 * |
柳林: ""基于随机森林和时空核密度方...的不同周期犯罪热点预测对比"", 《地理科学进展》 * |
柳林等: "基于潜在受害者动态时空分布的街面接触型犯罪研究", 《地球信息科学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114547228B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brentan et al. | Hybrid SOM+ k-Means clustering to improve planning, operation and management in water distribution systems | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
CN107507275B (zh) | 基于大数据的输电线路跳闸影响范围确定的方法及装置 | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
Al Sayed et al. | Modelling dependency networks to inform data structures in BIM and smart cities | |
CN117252436B (zh) | 一种土地利用变化生态风险分区的方法和系统 | |
CN114547228B (zh) | 轨迹生成方法、装置、设备及存储介质 | |
Fan et al. | A deep reinforcement learning model for resilient road network recovery under earthquake or flooding hazards | |
CN115757987B (zh) | 基于轨迹分析的伴随对象确定方法、装置、设备及介质 | |
Rastogi et al. | Comparison of different spatial interpolation techniques to thematic mapping of socio-economic causes of crime against women | |
Huo et al. | Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering | |
Zahrieh et al. | Bayesian point process modeling to quantify geographic regions of excess stillbirth risk | |
CN117875520B (zh) | 基于动态图时空演化挖掘的公共安全事件预测方法及系统 | |
Yadlowsky et al. | Link density inference from cellular infrastructure | |
CN117556628B (zh) | 一种智慧城市洪涝风险评估系统 | |
Zhang et al. | P-SUS: Parallel execution of sensing unit selection for mobile crowd sensing in an urban road network | |
KR102472454B1 (ko) | 상가 공실률 추정과 분석 방법 및 이를 기록한 기록매체 | |
Chakati | Reliable Distributed Management in Uncertain Environments | |
CN116955499A (zh) | 一种基于Flink的轨迹流聚类方法,装置及电子设备 | |
Gao et al. | iTA: Inferring Traffic Accident Hotspots with Vehicle Trajectories and Road Environment Data | |
Al Sayed et al. | A dependency network description of building information models |
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 |