CN115062240A - 一种停车场排序方法、装置、电子设备和存储介质 - Google Patents
一种停车场排序方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115062240A CN115062240A CN202210639478.3A CN202210639478A CN115062240A CN 115062240 A CN115062240 A CN 115062240A CN 202210639478 A CN202210639478 A CN 202210639478A CN 115062240 A CN115062240 A CN 115062240A
- Authority
- CN
- China
- Prior art keywords
- candidate parking
- parking lot
- information
- modal
- candidate
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Abstract
本公开提供了一种停车场排序方法、装置、电子设备和存储介质,涉及人工智能领域,尤其涉及智能交通技术和深度机器学习技术。具体实现方案包括:针对基于导航目的地召回的候选停车场,获取所述候选停车场的多模态信息;根据所述候选停车场的多模态信息,对所述候选停车场进行排序。本公开方案利用停车场的多模态信息对召回的停车场进行排序,提升了停车场排序的准确性。
Description
技术领域
本公开涉及人工智能领域,尤其涉及智能交通技术和深度机器学习技术,具体涉及一种停车场排序方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
经济的快速发展与城市化进程的加快,使得人们的生活水平有了很大提高。而为了方便出行,越来越多的家庭购买汽车,导致汽车保有量急剧增加。与此同时,用户的停车需求越来越大,停车位资源变得严重不足,停车难问题越来越严重。
发明内容
本公开提供了一种停车场排序方法、装置、电子设备、存储介质和计算机程序产品。
根据本公开的一方面,提供了一种停车场排序方法,包括:
针对基于导航目的地召回的候选停车场,获取所述候选停车场的多模态信息;
根据所述候选停车场的多模态信息,对所述候选停车场进行排序。
根据本公开的一方面,提供了一种停车场排序装置,包括:
信息获取模块,用户针对基于导航目的地召回的候选停车场,获取所述候选停车场的多模态信息;
排序模块,用于根据所述候选停车场的多模态信息,对所述候选停车场进行排序。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开任意实施例的停车场排序方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开任意实施例的停车场排序方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开任意实施例的停车场排序方法。
根据本公开的技术,利用停车场的多模态信息对召回的停车场进行排序,提升了停车场排序的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种停车场排序方法的流程示意图;
图2是本公开实施例提供的又一种停车场排序方法的流程示意图;
图3a是本公开实施例提供的又一种停车场排序方法的流程示意图;
图3b是本公开实施例提供的特征提取模型的结构示意图;
图4是本公开实施例提供的又一种停车场排序方法的流程示意图;
图5是本公开实施例提供的一种停车场排序装置的结构示意图;
图6是用来实现本公开实施例的停车场排序方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本公开实施例的一种停车场排序方法的流程示意图,本实施例可适用于导航停车场景中,对召回的停车场进行排序的情况。该方法可由一种停车场排序装置来执行,该装置采用软件和/或硬件的方式实现,并集成在电子设备上,其中,电子设备可以为智能终端,例如电子设备可以智能手机或车载终端。
具体的,参见图1,停车场排序方法如下:
S101、针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息。
S102、根据候选停车场的多模态信息,对候选停车场进行排序。
其中,导航目的地可选的是用户在导航系统中输入的导航终点。本公开方案为了方便用户选择合适停车,在用户输入导航目的地后,自动为用户召回多个候选停车场。而基于导航目的地召回候选停车场的过程可选的如下:将导航目的地周围预设范围内的多个停车场作为候选停车场召回。具体的,可以通过导航目的地的坐标位置,确定该坐标位置周围预设范围内的多个候选停车场。而在一个例子中,预先确定各个停车场的坐标位置,当确定导航目的地周围预设范围内的候选停车场时,可以根据导航目的地的坐标位置和预先确定各个停车场的坐标位置,查询该导航目的地周围预设范围(例如3公里)内的停车场,得到多个候选停车场。
而为了向用户推荐最合适的停车场,需要对召回的多个停车场进行排序。为了保证候选停车场排序的准确性,本公开方案提出了基于停车场多模态信息进行排序的方法。首先,针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息。其中,候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。示例性的,候选停车场文本属性信息包括候选停车场的坐标位置、停车场垂类、访问热度、停车场开放属性、停车场的车位数、停车场的收费标准、免费政策等;候选停车场图片信息包括候选停车场的全景图片,候选停车场的全景图可以是采集车预先采集并保存的;候选停车场周边视频信息可通过对接停车场周边监控系统获取。
本公开的技术方案中,所涉及的多模态信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在获取到多模态信息后,由于不同模态信息的表现方式不一样,看待事物的角度也会不一样,所以候选停车场不同模态的信息存在一些交叉、互补的现象,因此既可以同时基于候选停车场的三种模态信息对候选停车场进行排序,也可以根据三种模态信息中的任意两种对候选停车场进行排序,在此不做具体限定。
在此需要说明的是,之所以不以一种模态的停车场信息,对候选停车场进行排序,是因为基于一种模态信息的排序结果不准确,存在偏差。示例性的,基于导航目的地召回的候选停车场包括A和B,其中,候选停车场A的文本属性如下:距离导航目的地600米,访问热度0.7,对外开放且空闲车位为100;候选停车场B的文本属性如下:距离导航目的地650米,访问热度0.7,对外开放且空闲车位为90;此时,如果只根据候选停车场的文本属性信息进行排序,则候选停车场A排在候选停车场B前面。此时,如果考虑候选停车场的其他模态信息,例如考虑候选停车场周边监控视频,发现候选停车场A周围道路正在堵车,而候选停车场B周围的道路通畅,此时候选停车场B实际上更适合用户,因此准确的排序应该是候选停车场B排在候选停车场A前面。如此,通过上述事例可知,基于多模态信息对召回的候选停车场进行排序,其排序结果更准确。另外,由于排序时考虑到候选停车场周边实时监控视频,可以保证排序结果的时效性。
本公开实施例中,基于候选停车场的多模态信息,对候选停车场进行排序,提高了排序的准确性,为后续向用户推荐合适的停车场提供了保证;如此保证了用户可基于推荐的停场车完成便捷停车。
图2是根据本公开实施例的又一停车场排序方法的流程示意图。参见图2,停车场排序方法具体如下:
S201、针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息。
其中,候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。
S202、根据候选停车场的多模态信息,结合导航目的地的关联信息,对候选停车场进行排序。
本公开实施例中,为了进一步提升候选停车场排序结果的准确性,在排序过程中还可以结合导航目的地的关联信息。其中,导航目的地的关联信息既可以是单一模态的信息,也可以是多模态的信息。若关联信息是单一模态的信息,例如为文本模态的信息在,则可以包括导航目的地的属性信息(例如位置、名称等)和导航轨迹信息;若是多模态信息,则导航目的地的关联信息除了上述的信息外,还可以包括导航目的地图片、导航目的地的周边监控视频信息等。
在一种可选的实施方式中,可以通过计算每个候选停车场的多模态信息分别与导航目的地的关联信息的相似性,进而根据相似性计算结果对候选停车场进行排序。
本公开实施例中,根据候选停车场的多模态信息,结合导航目的地的关联信息,对候选停车场进行排序,进一步提升了对候选停车场排序的准确性。
图3a是根据本公开实施例的又一停车场排序方法的流程示意图。参见图3a,停车场排序方法具体如下:
S301、针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息。
其中,候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。本公开实施例中,以三种模态的信息为例进行说明。
S302、基于候选停车场的多模态信息,确定候选停车场的多模态特征表示。
在一种可选的实施方式中,可以预先构建一个停车场特征提取模型,为了能够对多模态信息进行特征提取,该模型包括四部分,分别为文本特征提取模型、预训练的图片目标检测模型中的特征提取网络、预训练的视频目标检测模型中的特征提取网络以及多层感知器(MLP,Multilayer Perceptron),其中,图片目标检测模型和视频目标检测模型可选的是基于Transformer模型训练的。基于此,基于候选停车场的多模态信息,确定候选停车场的多模态特征表示的过程如下:基于构建的文本特征提取模型,从候选停车场文本属性信息中提取文本特征表示;其中,文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器;利用预训练的图片目标检测模型中的特征提取网络,从候选停车场图片信息中提取第一视觉特征表示;利用预训练的视频目标检测模型中的特征提取网络,从候选停车场周边视频信息中提取第二视觉特征表示;通过多层感知器对文本特征表示、第一视觉特征表示和第二视觉特征表示进行融合,得到候选停车场的多模态特征表示,其中,多模态特征表示可以是特征矩阵的形式存在。如此,通过构建的停车场特征提取模型,可以快速得到融合有多模态信息的多模态特征表示。
S303、基于导航目的地的关联信息,确定导航目的地的特征表示。
其中,关联信息包括导航目的地的属性信息和导航轨迹信息;为了确定导航目的地的特征表示,可以构建一个兴趣点特征提取模型,该模型可包括文本特征模型和多层感知器,而文本特征模型包括词嵌入模型、基于卷积神经网络的特征提取器。在此基础上,基于导航目的地的关联信息,确定导航目的地的特征表示,包括:基于构建的文本特征提取模型,从导航目的地的属性信息和导航轨迹信息中提取文本特征表示;具体的,基于词嵌入模型对属性信息进行编码,将编码结果输入到特征提取其中进行特征提取;基于词嵌入模型对导航轨迹信息进行编码,将编码结果输入到特征提取其中进行特征提取;通过多层感知器将两种特征提取结果进行融合,得到导航目的地的特征表示。需要说明的是,如果导航目的地的关联信息也是多模态信息,例如除了上述信息外,还包括导航目的地的图片、视频等,则构建的兴趣点特征提取模型还应该包括预训练的图片目标检测模型中的特征提取网络、预训练的视频目标检测模型中的特征提取网络,具体的体征提取过程可参见候选停车场多模态特征表示的提取过程。
在此需要说明的是,停车场特征提取模型和兴趣点特征提取模型的结构可以参见图3b。
S304、基于候选停车场的多模态特征表示和导航目的地的特征表示,确定导航目的地与候选停车场的相似性。
S305、根据相似性对候选停车场进行排序。
在一种可选的实施方式中,可通过计算候选停车场的多模态特征表示和导航目的地的特征表示之间的余弦角度或距离,并将计算结果作为导航目的地与候选停车场的相似性的值。如此,在计算每个候选停车场分别与导航目的地的相似性后,可以按照相似性取值的大小,对各个候选停车场进行排序。
本公开实施例中,通过计算候选停车场的多模态特征表示,将候选停车场的多模态信息进行融合,使得得到的停车场特征更加丰富,是对停车场准确排序的基础。进一步的,通过计算候选停车场的多模态特征表示与导航目的地的特征表示的相似性,并根据相似性进行排序,如此可以将与导航目的地最相近的候选停车场排在前面,可以保证排序的准确性。
图4是根据本公开实施例的又一停车场排序方法的流程示意图。参见图4,停车场排序方法具体如下:
S401、针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息。
其中,候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。
S402、根据候选停车场的多模态信息,对候选停车场进行排序。
其中,S401-S402的步骤的具体实现过程,可以参见上述实施例,在此不再赘述。
S403、根据用户设定的导航起点,对排序后的候选停车场进行重新排序,并将重新排序后的候选停车场推荐给用户。
本公开实施例中,之所根据用户的导航起点,对排序后的候选停车场进行重新排序,是为找出路线最短的相关停车场,进而将重新排序后的候选停车场推荐给用户后,用户可以快速确定适合自己的停车场。
图5是根据本公开实施例的停车场排序装置的结构示意图,本实施例可适用于导航停车场景中,对召回的停车场进行排序的情况。参见图5,包括:
信息获取模块501,用户针对基于导航目的地召回的候选停车场,获取候选停车场的多模态信息;
排序模块502,用于根据候选停车场的多模态信息,对候选停车场进行排序。
在上述实施例的基础上,可选的,排序模块包括:
排序单元,用于根据候选停车场的多模态信息,结合导航目的地的关联信息,对候选停车场进行排序。
在上述实施例的基础上,可选的,排序单元还包括:
第一特征提取子单元,用于基于候选停车场的多模态信息,确定候选停车场的多模态特征表示;
第二特征提取子单元,用于基于导航目的地的关联信息,确定导航目的地的特征表示;
相似性计算子单元,用于基于候选停车场的多模态特征表示和导航目的地的特征表示,确定导航目的地与候选停车场的相似性;
排序子单元,用于根据相似性对候选停车场进行排序。
在上述实施例的基础上,可选的,候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。
在上述实施例的基础上,可选的,第一特征提取子单元还用于:
基于构建的文本特征提取模型,从候选停车场文本属性信息中提取文本特征表示;其中,文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器;
利用预训练的图片目标检测模型中的特征提取网络,从候选停车场图片信息中提取第一视觉特征表示;
利用预训练的视频目标检测模型中的特征提取网络,从候选停车场周边视频信息中提取第二视觉特征表示;
对文本特征表示、第一视觉特征表示和第二视觉特征表示进行融合,得到候选停车场的多模态特征表示。
在上述实施例的基础上,可选的,关联信息包括导航目的地的属性信息和导航轨迹信息;
第二特征提取子单元还用于:
基于构建的文本特征提取模型,从导航目的地的属性信息和导航轨迹信息中提取文本特征表示;其中,文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器。
在上述实施例的基础上,可选的,还包括:
重排序模块,用于根据用户设定的导航起点,对排序后的候选停车场进行重新排序,并将重新排序后的候选停车场推荐给用户。
本公开实施例提供的停车场排序装置可执行本公开任意实施例提供的停车场排序方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如停车场排序方法。例如,在一些实施例中,停车场排序方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的停车场排序方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行停车场排序方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种停车场排序方法,包括:
针对基于导航目的地召回的候选停车场,获取所述候选停车场的多模态信息;
根据所述候选停车场的多模态信息,对所述候选停车场进行排序。
2.根据权利要求1所述的方法,其中,根据所述候选停车场的多模态信息,对所述候选停车场进行排序,包括:
根据所述候选停车场的多模态信息,结合所述导航目的地的关联信息,对所述候选停车场进行排序。
3.根据权利要求2所述的方法,其中,根据所述候选停车场的多模态信息,结合所述导航目的地的关联信息,对所述候选停车场进行排序,包括:
基于所述候选停车场的多模态信息,确定所述候选停车场的多模态特征表示;
基于所述导航目的地的关联信息,确定所述导航目的地的特征表示;
基于所述候选停车场的多模态特征表示和所述导航目的地的特征表示,确定所述导航目的地与候选停车场的相似性;
根据所述相似性对所述候选停车场进行排序。
4.根据权利要求1-3中任一项所述的方法,其中,所述候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。
5.根据权利要求4所述的方法,其中,基于所述候选停车场的多模态信息,确定所述候选停车场的多模态特征表示,包括:
基于构建的文本特征提取模型,从所述候选停车场文本属性信息中提取文本特征表示;其中,所述文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器;
利用预训练的图片目标检测模型中的特征提取网络,从所述候选停车场图片信息中提取第一视觉特征表示;
利用预训练的视频目标检测模型中的特征提取网络,从所述候选停车场周边视频信息中提取第二视觉特征表示;
对所述文本特征表示、第一视觉特征表示和第二视觉特征表示进行融合,得到所述候选停车场的多模态特征表示。
6.根据权利要求1-3任一项所述的方法,其中,所述关联信息包括导航目的地的属性信息和导航轨迹信息;
基于所述导航目的地的关联信息,确定所述导航目的地的特征表示,包括:
基于构建的文本特征提取模型,从所述导航目的地的属性信息和导航轨迹信息中提取文本特征表示;其中,所述文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器。
7.根据权利要求1所述的方法,还包括:
根据用户设定的导航起点,对排序后的候选停车场进行重新排序,并将重新排序后的候选停车场推荐给用户。
8.一种停车场排序装置,包括:
信息获取模块,用户针对基于导航目的地召回的候选停车场,获取所述候选停车场的多模态信息;
排序模块,用于根据所述候选停车场的多模态信息,对所述候选停车场进行排序。
9.根据权利要求8所述的装置,其中,所述排序模块包括:
排序单元,用于根据所述候选停车场的多模态信息,结合所述导航目的地的关联信息,对所述候选停车场进行排序。
10.根据权利要求9所述的装置,其中,所述排序单元还包括:
第一特征提取子单元,用于基于所述候选停车场的多模态信息,确定所述候选停车场的多模态特征表示;
第二特征提取子单元,用于基于所述导航目的地的关联信息,确定所述导航目的地的特征表示;
相似性计算子单元,用于基于所述候选停车场的多模态特征表示和所述导航目的地的特征表示,确定所述导航目的地与候选停车场的相似性;
排序子单元,用于根据所述相似性对所述候选停车场进行排序。
11.根据权利要求8-10中任一项所述的装置,其中,所述候选停车场的多模态信息包括候选停车场文本属性信息、候选停车场图片信息和候选停车场周边视频信息中的至少两种。
12.根据权利要求11所述的装置,其中,所述第一特征提取子单元还用于:
基于构建的文本特征提取模型,从所述候选停车场文本属性信息中提取文本特征表示;其中,所述文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器;
利用预训练的图片目标检测模型中的特征提取网络,从所述候选停车场图片信息中提取第一视觉特征表示;
利用预训练的视频目标检测模型中的特征提取网络,从所述候选停车场周边视频信息中提取第二视觉特征表示;
对所述文本特征表示、第一视觉特征表示和第二视觉特征表示进行融合,得到所述候选停车场的多模态特征表示。
13.根据权利要求8-10任一项所述的装置,其中,所述关联信息包括导航目的地的属性信息和导航轨迹信息;
第二特征提取子单元还用于:
基于构建的文本特征提取模型,从所述导航目的地的属性信息和导航轨迹信息中提取文本特征表示;其中,所述文本特征模型包括词嵌入模型和基于卷积神经网络的特征提取器。
14.根据权利要求8所述的装置,还包括:
重排序模块,用于根据用户设定的导航起点,对排序后的候选停车场进行重新排序,并将重新排序后的候选停车场推荐给用户。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的停车场排序方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的停车场排序方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的停车场排序方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639478.3A CN115062240A (zh) | 2022-06-07 | 2022-06-07 | 一种停车场排序方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639478.3A CN115062240A (zh) | 2022-06-07 | 2022-06-07 | 一种停车场排序方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062240A true CN115062240A (zh) | 2022-09-16 |
Family
ID=83200240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210639478.3A Pending CN115062240A (zh) | 2022-06-07 | 2022-06-07 | 一种停车场排序方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062240A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304357A (zh) * | 2023-05-16 | 2023-06-23 | 松立控股集团股份有限公司 | 一种医院停车场推荐方法、系统及电子设备 |
-
2022
- 2022-06-07 CN CN202210639478.3A patent/CN115062240A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304357A (zh) * | 2023-05-16 | 2023-06-23 | 松立控股集团股份有限公司 | 一种医院停车场推荐方法、系统及电子设备 |
CN116304357B (zh) * | 2023-05-16 | 2023-08-11 | 松立控股集团股份有限公司 | 一种医院停车场推荐方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694973A (zh) | 自动驾驶场景的模型训练方法、装置、电子设备 | |
US20230103040A1 (en) | Vehicle travel control method and apparatus | |
CN110660219A (zh) | 停车场停车预测方法和装置 | |
WO2022222401A1 (zh) | 自主泊车的方法、装置、设备及自动驾驶车辆 | |
CN114036253B (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
CN110823237A (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
CN113139139B (zh) | 用于确定上车点的方法、装置、电子设备和介质 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
CN113705390A (zh) | 定位方法、装置、电子设备和存储介质 | |
CN110751853B (zh) | 停车位数据的有效性识别方法和装置 | |
CN109506666A (zh) | 车辆还车区域推荐方法与装置 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN112735130B (zh) | 交通数据的处理方法、装置、电子设备和介质 | |
CN113257030B (zh) | 停车场属性预测模型训练方法、停车场推荐方法及装置 | |
CN114689069A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN113449687A (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
CN113032681A (zh) | 用于地图搜索的方法、装置、电子设备和介质 | |
CN113276888A (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN115115944B (zh) | 地图数据查验方法、装置、电子设备和介质 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 |
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 |