CN115330357A - 智能立体车库数据管理方法、装置、设备及存储介质 - Google Patents
智能立体车库数据管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115330357A CN115330357A CN202211229384.5A CN202211229384A CN115330357A CN 115330357 A CN115330357 A CN 115330357A CN 202211229384 A CN202211229384 A CN 202211229384A CN 115330357 A CN115330357 A CN 115330357A
- Authority
- CN
- China
- Prior art keywords
- stereo garage
- target
- intelligent stereo
- data
- garage
- 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
- 238000013523 data management Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013499 data model Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 60
- 238000013507 mapping Methods 0.000 claims description 58
- 230000004927 fusion Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Stereo-Broadcasting Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种智能立体车库数据管理方法、装置、设备及存储介质,用于提高智能立体车库的推送准确率。所述方法包括:对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种智能立体车库数据管理方法、装置、设备及存储介质。
背景技术
随着经济不断快速发展以及汽车工业的迅速发展,我国的汽车保有量急剧增加,特别是大城市的机动车拥有量的增长速度远远超过停车基础设施的增长速度,停车难的问题显得尤为突出,人们对停车场的要求也越来越高。智能立体停车车库的建立可以实现解决停车难的问题。
目前,随着智能立体车库的停车点位逐渐增多,在方便了用户停车的同时也带来了新的问题,现有智能立体车库推送停车方案在一定程度上合理地安排了用户时间和车位资源,使车辆停取更加方便,但现有方案在每个环节上都需要采用人工进行管理调度,所以现有方案智能立体车库的推送准确率较低。
发明内容
本发明提供了一种智能立体车库数据管理方法、装置、设备及存储介质,用于提高智能立体车库的推送准确率。
本发明第一方面提供了一种智能立体车库数据管理方法,所述智能立体车库数据管理方法包括:接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
可选的,在本发明第一方面的第一种实现方式中,所述接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据,包括:接收用户终端发送的智能立体车库分析请求;对所述智能立体车库分析请求进行请求解析,得到请求解析结果;根据所述请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;从所述车库管理数据库中获取所述第一智能立体车库相对应的第一特征数据,以及获取所述第二智能立体车库相对应的第二特征数据。
可选的,在本发明第一方面的第二种实现方式中,所述对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果,包括:通过预置的深度学习算法计算所述第一特征数据和所述第二特征数据中的基础数据,得到第一基础数据和第二基础数据;对所述第一基础数据和所述第二基础数据进行融合计算,得到目标融合数据;构建所述目标融合数据和所述第一特征数据之间的第一映射关系,以及构建所述目标融合数据和所述第二特征数据之间的第二映射关系;根据所述第一映射关系和所述第二映射关系生成初始数据建模结果;对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值,包括:根据所述目标数据建模结果分别计算所述第一智能立体车库对应的第一映射值,以及计算所述第二智能立体车库对应的第二映射值;计算所述第一映射值和所述第二映射值之间的点积,得到目标距离;根据所述目标距离生成所述第一智能立体车库和所述第二智能立体车库的目标关联值。
可选的,在本发明第一方面的第四种实现方式中,所述将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略,包括:对所述目标关联值进行数据扩充,得到关联数据集合;对所述关联数据集合进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,所述车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;根据所述目标预测值从预置的多个候选推送策略中匹配目标推送策略。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端,包括:根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库;获取所述目标智能立体车库的车库信息,并根据所述车库信息构建停车路线地图;将所述目标智能立体车库的车库信息和所述停车路线地图推送至所述用户终端,并通过所述用户终端对所述车库信息和所述停车路线地图进行可视化展示。
可选的,在本发明第一方面的第六种实现方式中,所述智能立体车库数据管理方法还包括:获取用户的评价系数、使用车库的数量以及用户交互的次数;调用预置的置信度模型并根据所述用户的评价系数、所述使用车库的数量以及所述用户交互的次数计算所述目标智能立体车库的置信度;根据所述置信度对所述车库推送模型进行参数优化,得到优化后的车库推送模型。
本发明第二方面提供了一种智能立体车库数据管理装置,所述智能立体车库数据管理装置包括:采集模块,用于接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;处理模块,用于对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;计算模块,用于根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;匹配模块,用于将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;推送模块,用于根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
可选的,在本发明第二方面的第一种实现方式中,所述采集模块具体用于:接收用户终端发送的智能立体车库分析请求;对所述智能立体车库分析请求进行请求解析,得到请求解析结果;根据所述请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;从所述车库管理数据库中获取所述第一智能立体车库相对应的第一特征数据,以及获取所述第二智能立体车库相对应的第二特征数据。
可选的,在本发明第二方面的第二种实现方式中,所述处理模块具体用于:通过预置的深度学习算法计算所述第一特征数据和所述第二特征数据中的基础数据,得到第一基础数据和第二基础数据;对所述第一基础数据和所述第二基础数据进行融合计算,得到目标融合数据;构建所述目标融合数据和所述第一特征数据之间的第一映射关系,以及构建所述目标融合数据和所述第二特征数据之间的第二映射关系;根据所述第一映射关系和所述第二映射关系生成初始数据建模结果;对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果。
可选的,在本发明第二方面的第三种实现方式中,所述计算模块具体用于:根据所述目标数据建模结果分别计算所述第一智能立体车库对应的第一映射值,以及计算所述第二智能立体车库对应的第二映射值;计算所述第一映射值和所述第二映射值之间的点积,得到目标距离;根据所述目标距离生成所述第一智能立体车库和所述第二智能立体车库的目标关联值。
可选的,在本发明第二方面的第四种实现方式中,所述匹配模块具体用于:对所述目标关联值进行数据扩充,得到关联数据集合;对所述关联数据集合进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,所述车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;根据所述目标预测值从预置的多个候选推送策略中匹配目标推送策略。
可选的,在本发明第二方面的第五种实现方式中,所述推送模块具体用于:根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库;获取所述目标智能立体车库的车库信息,并根据所述车库信息构建停车路线地图;将所述目标智能立体车库的车库信息和所述停车路线地图推送至所述用户终端,并通过所述用户终端对所述车库信息和所述停车路线地图进行可视化展示。
可选的,在本发明第二方面的第六种实现方式中,所述智能立体车库数据管理装置还包括:优化模块,用于获取用户的评价系数、使用车库的数量以及用户交互的次数;调用预置的置信度模型并根据所述用户的评价系数、所述使用车库的数量以及所述用户交互的次数计算所述目标智能立体车库的置信度;根据所述置信度对所述车库推送模型进行参数优化,得到优化后的车库推送模型。
本发明第三方面提供了一种智能立体车库数据管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能立体车库数据管理设备执行上述的智能立体车库数据管理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的智能立体车库数据管理方法。
本发明提供的技术方案中,对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端,本发明通过对智能立体车库分析请求进行解析,再对解析得到的两个智能立体车库对应的第一特征数据和第二特征数据进行数据建模,得到目标推送策略,相较于人工设定的推送策略可以更加准确的为用户推送更加便捷的智能立体车库,提高了智能立体车库的推送准确率,进而提高了智能立体车库调度管理的智能化。
附图说明
图1为本发明实施例中智能立体车库数据管理方法的一个实施例示意图;
图2为本发明实施例中智能立体车库数据管理方法的另一个实施例示意图;
图3为本发明实施例中智能立体车库数据管理装置的一个实施例示意图;
图4为本发明实施例中智能立体车库数据管理装置的另一个实施例示意图;
图5为本发明实施例中智能立体车库数据管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种智能立体车库数据管理方法、装置、设备及存储介质,用于提高智能立体车库的推送准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中智能立体车库数据管理方法的一个实施例包括:
101、接收用户终端发送的智能立体车库分析请求,并根据智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
可以理解的是,本发明的执行主体可以为智能立体车库数据管理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,响应于接收到智能立体车库分析请求,对请求进行解析以获取请求中携带的分析对象和分析参数,判断分析对象是否是预设对象,响应于分析对象不是预设对象,根据分析对象匹配当前采集策略,并利用匹配到的采集策略对分析参数进行修改,利用修改后的分析参数重新建立采集任务,并根据匹配到的采集策略设置采集任务的执行条件,响应于触发执行条件,执行采集任务,根据智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据。
102、对第一特征数据和第二特征数据进行数据建模,得到初始数据建模结果,并对初始数据建模结果进行数据模型更新,生成目标数据建模结果;
具体的,服务器接入不同的数据源中的数据,解析各数据源中所有表的表结构,为数据源表中表结构标识特征数据,遍历数据源中所有表,提取需要建模的属性列表,为每个属性列表中的属性设置特征数据名称、特征数据类型以及特征数据聚集方式,归并同类项特征数据:对所有设置特征数据的属性进行汇总并归并同类项,解析特征数据并建模生成建模结构集,对设置特征数据的属性按照设置参数进行建模,对第一特征数据和第二特征数据进行数据建模,得到初始数据建模结果,并对初始数据建模结果进行数据模型更新,生成目标数据建模结果,可以方便地进行数据建模。
103、根据目标数据建模结果计算第一智能立体车库和第二智能立体车库的目标关联值;
具体的,获取目标数据建模结果,目标数据建模结果包括多个智能车库的数据,每条数据包括一个智能车库的关联特征,将多个智能车库中具有相同的关联特征的车库划分到同一个车库组中,为多个智能车库建立图谱节点,并按照关联类型为车库组中的图谱节点构建节点与节点之间的关联边,利用关联系数和关联权重确定关联边的关联强度,最终计算第一智能立体车库和第二智能立体车库的目标关联值。本申请利用车库关联图谱表示了车库之间存在的各种关联关系及车库之间的关联强度,为车库间风险传播的评估提供了基础。
104、将目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
具体的,获取服务提供方的目标关联值,针对至少一种评价参数,通过目标关联值的分析,确定至少一种评价参数的参数值,确定与参数值异常的评价参数对应的推送策略,并推送该推送策略,得到目标推送策略,可以实现针对性的、准确的、有效的推送策略推送。
105、根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,并将目标智能立体车库推送至用户终端。
具体的,服务器通过采集车库运行控制数据库内所有车位的存取状态信息,计算最优选择的下一等待空位,并根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,并将目标智能立体车库推送至用户终端。
本发明实施例中,对第一特征数据和第二特征数据进行数据建模,得到初始数据建模结果,并对初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据目标数据建模结果计算第一智能立体车库和第二智能立体车库的目标关联值;将目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,并将目标智能立体车库推送至用户终端,本发明通过对智能立体车库分析请求进行解析,再对解析得到的两个智能立体车库对应的第一特征数据和第二特征数据进行数据建模,得到目标推送策略,相较于人工设定的推送策略可以更加准确的为用户推送更加便捷的智能立体车库,提高了智能立体车库的推送准确率,进而提高了智能立体车库调度管理的智能化。
请参阅图2,本发明实施例中智能立体车库数据管理方法的另一个实施例包括:
201、接收用户终端发送的智能立体车库分析请求,并根据智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
具体的,接收用户终端发送的智能立体车库分析请求;对智能立体车库分析请求进行请求解析,得到请求解析结果;根据请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;从车库管理数据库中获取第一智能立体车库相对应的第一特征数据,以及获取第二智能立体车库相对应的第二特征数据。
其中,获取智能立体车库分析请求,将智能立体车库分析请求重定向至本地域名解析服务进程,本地域名解析服务进程是由本地VPN服务提供的,在本地域名解析服务进程中,查询智能立体车库分析请求对应的域名是否与本地域名黑名单中记录的域名匹配,若查询到智能立体车库分析请求对应的域名与本地域名黑名单中记录的域名匹配,则阻止由智能立体车库分析请求所产生的流量,根据请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;从车库管理数据库中获取第一智能立体车库相对应的第一特征数据,以及获取第二智能立体车库相对应的第二特征数据。
202、对第一特征数据和第二特征数据进行数据建模,得到初始数据建模结果,并对初始数据建模结果进行数据模型更新,生成目标数据建模结果;
具体的,通过预置的深度学习算法计算第一特征数据和第二特征数据中的基础数据,得到第一基础数据和第二基础数据;对第一基础数据和第二基础数据进行融合计算,得到目标融合数据;构建目标融合数据和第一特征数据之间的第一映射关系,以及构建目标融合数据和第二特征数据之间的第二映射关系;根据第一映射关系和第二映射关系生成初始数据建模结果;对初始数据建模结果进行数据模型更新,生成目标数据建模结果。
可选的,将第一特征数据和第二特征数据优化得到优化数据集,对优化数据集添加分类标记得到分类数据集,通过分布式词向量将分类数据集转化为向量得到向量数据集,并分为训练数据集和测试数据集,构建多个计算模型,并融合组成深度学习算法,对第一基础数据和第二基础数据进行融合计算,得到目标融合数据,同时,服务器导入目标融合数据,并根据目标融合数据建立标准映射关系,在标准映射关系的基础上自定义映射规则,自动检测标准映射关系版本情况,根据分类映射等级颗粒度,对标准映射关系和自定义映射规则进行差异映射规则匹配,构建目标融合数据和第一特征数据之间的第一映射关系,以及构建目标融合数据和第二特征数据之间的第二映射关系;根据第一映射关系和第二映射关系生成初始数据建模结果,对初始数据建模结果进行数据模型更新,生成目标数据建模结果。
203、根据目标数据建模结果分别计算第一智能立体车库对应的第一映射值,以及计算第二智能立体车库对应的第二映射值;
204、计算第一映射值和第二映射值之间的点积,得到目标距离;
205、根据目标距离生成第一智能立体车库和第二智能立体车库的目标关联值;
具体的,服务器根据目标数据建模结果分别计算第一智能立体车库对应的第一映射值,以及计算第二智能立体车库对应的第二映射值,进而服务器获取第一映射值和第二映射值,在卷积计算层中,基于预设卷积核在第一映射值和第二映射值上移动,进行点积运算,输出目标距离,其中,预设激活函数用于根据卷积神经网络的预设偏置值对目标距离的特征值进行筛选,,最终服务器根据目标距离生成第一智能立体车库和第二智能立体车库的目标关联值。
206、将目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
具体的,对目标关联值进行数据扩充,得到关联数据集合;对关联数据集合进行向量转换,得到目标输入向量;将目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;根据目标预测值从预置的多个候选推送策略中匹配目标推送策略。
可选的,服务器利用多种优化算法对车库推送模型的目标关联值进行优化;将多种优化算法对应获得的多种参数优化结果进行加权平均获得最优参数,并根据最优参数更新车库推送模型的目标关联值获得优化车库推送模型;将获取的能源互联网数据样本输入至优化车库推送模型中进行训练,生成与能源互联网数据样本数量一致的新的能源互联网数据样本,将目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;根据目标预测值从预置的多个候选推送策略中匹配目标推送策略。
207、根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,并将目标智能立体车库推送至用户终端。
具体的,根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库;获取目标智能立体车库的车库信息,并根据车库信息构建停车路线地图;将目标智能立体车库的车库信息和停车路线地图推送至用户终端,并通过用户终端对车库信息和停车路线地图进行可视化展示。
其中,根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,同时服务器通过安装在车库的摄像设备对停车位进行监控,以获取停车位的监控信息,并根据车库信息构建停车路线地图;将目标智能立体车库的车库信息和停车路线地图推送至用户终端,并通过用户终端对车库信息和停车路线地图进行可视化展示。本发明可以有效地实时获取到实时的车库信息,并可以在终端设备进行显示,可以显示自动化或者无人化的车库管理,也便于用户或车主快速了解车库的情况。
可选的,获取用户的评价系数、使用车库的数量以及用户交互的次数;调用预置的置信度模型并根据用户的评价系数、使用车库的数量以及用户交互的次数计算目标智能立体车库的置信度;根据置信度对车库推送模型进行参数优化,得到优化后的车库推送模型。
其中,服务器获取用户的评价系数、使用车库的数量以及用户交互的次数,同时采集多个不同拓扑结构的网格模型,建立网格质量评价指标数据集并对用户的评价系数、使用车库的数量以及用户交互的次数进行预处理,获取训练集、验证集和测试集,对基于反向传播算法的神经网络模型进行训练,计算目标智能立体车库的置信度及置信度评估结果,最终服务器根据置信度对车库推送模型进行参数优化,得到优化后的车库推送模型。
本发明实施例中,对第一特征数据和第二特征数据进行数据建模,得到初始数据建模结果,并对初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据目标数据建模结果计算第一智能立体车库和第二智能立体车库的目标关联值;将目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据目标推送策略从第一智能立体车库和第二智能立体车库中选取目标智能立体车库,并将目标智能立体车库推送至用户终端,本发明通过对智能立体车库分析请求进行解析,再对解析得到的两个智能立体车库对应的第一特征数据和第二特征数据进行数据建模,得到目标推送策略,相较于人工设定的推送策略可以更加准确的为用户推送更加便捷的智能立体车库,提高了智能立体车库的推送准确率,进而提高了智能立体车库调度管理的智能化。
上面对本发明实施例中智能立体车库数据管理方法进行了描述,下面对本发明实施例中智能立体车库数据管理装置进行描述,请参阅图3,本发明实施例中智能立体车库数据管理装置一个实施例包括:
采集模块301,用于接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
处理模块302,用于对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;
计算模块303,用于根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;
匹配模块304,用于将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
推送模块305,用于根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
本发明实施例中,对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端,本发明通过对智能立体车库分析请求进行解析,再对解析得到的两个智能立体车库对应的第一特征数据和第二特征数据进行数据建模,得到目标推送策略,相较于人工设定的推送策略可以更加准确的为用户推送更加便捷的智能立体车库,提高了智能立体车库的推送准确率,进而提高了智能立体车库调度管理的智能化。
请参阅图4,本发明实施例中智能立体车库数据管理装置另一个实施例包括:
采集模块301,用于接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
处理模块302,用于对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;
计算模块303,用于根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;
匹配模块304,用于将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
推送模块305,用于根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
可选的,所述采集模块301具体用于:接收用户终端发送的智能立体车库分析请求;对所述智能立体车库分析请求进行请求解析,得到请求解析结果;根据所述请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;从所述车库管理数据库中获取所述第一智能立体车库相对应的第一特征数据,以及获取所述第二智能立体车库相对应的第二特征数据。
可选的,所述处理模块302具体用于:通过预置的深度学习算法计算所述第一特征数据和所述第二特征数据中的基础数据,得到第一基础数据和第二基础数据;对所述第一基础数据和所述第二基础数据进行融合计算,得到目标融合数据;构建所述目标融合数据和所述第一特征数据之间的第一映射关系,以及构建所述目标融合数据和所述第二特征数据之间的第二映射关系;根据所述第一映射关系和所述第二映射关系生成初始数据建模结果;对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果。
可选的,所述计算模块303具体用于:根据所述目标数据建模结果分别计算所述第一智能立体车库对应的第一映射值,以及计算所述第二智能立体车库对应的第二映射值;计算所述第一映射值和所述第二映射值之间的点积,得到目标距离;根据所述目标距离生成所述第一智能立体车库和所述第二智能立体车库的目标关联值。
可选的,所述匹配模块304具体用于:对所述目标关联值进行数据扩充,得到关联数据集合;对所述关联数据集合进行向量转换,得到目标输入向量;将所述目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,所述车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;根据所述目标预测值从预置的多个候选推送策略中匹配目标推送策略。
可选的,所述推送模块305具体用于:根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库;获取所述目标智能立体车库的车库信息,并根据所述车库信息构建停车路线地图;将所述目标智能立体车库的车库信息和所述停车路线地图推送至所述用户终端,并通过所述用户终端对所述车库信息和所述停车路线地图进行可视化展示。
可选的,所述智能立体车库数据管理装置还包括:优化模块306,用于获取用户的评价系数、使用车库的数量以及用户交互的次数;调用预置的置信度模型并根据所述用户的评价系数、所述使用车库的数量以及所述用户交互的次数计算所述目标智能立体车库的置信度;根据所述置信度对所述车库推送模型进行参数优化,得到优化后的车库推送模型。
本发明实施例中,对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端,本发明通过对智能立体车库分析请求进行解析,再对解析得到的两个智能立体车库对应的第一特征数据和第二特征数据进行数据建模,得到目标推送策略,相较于人工设定的推送策略可以更加准确的为用户推送更加便捷的智能立体车库,提高了智能立体车库的推送准确率,进而提高了智能立体车库调度管理的智能化。
上面图3和图4从模块化功能实体的角度对本发明实施例中的智能立体车库数据管理装置进行详细描述,下面从硬件处理的角度对本发明实施例中智能立体车库数据管理设备进行详细描述。
图5是本发明实施例提供的一种智能立体车库数据管理设备的结构示意图,该智能立体车库数据管理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对智能立体车库数据管理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在智能立体车库数据管理设备500上执行存储介质530中的一系列指令操作。
智能立体车库数据管理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的智能立体车库数据管理设备结构并不构成对智能立体车库数据管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种智能立体车库数据管理设备,所述智能立体车库数据管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述智能立体车库数据管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述智能立体车库数据管理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和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。
所述集成的单元如果以软件功能单元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介质中。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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能立体车库数据管理方法,其特征在于,所述智能立体车库数据管理方法包括:
接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;
根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;
将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
2.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据,包括:
接收用户终端发送的智能立体车库分析请求;
对所述智能立体车库分析请求进行请求解析,得到请求解析结果;
根据所述请求解析结果从预置的车库管理数据库中查询第一智能立体车库和第二智能立体车库;
从所述车库管理数据库中获取所述第一智能立体车库相对应的第一特征数据,以及获取所述第二智能立体车库相对应的第二特征数据。
3.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果,包括:
通过预置的深度学习算法计算所述第一特征数据和所述第二特征数据中的基础数据,得到第一基础数据和第二基础数据;
对所述第一基础数据和所述第二基础数据进行融合计算,得到目标融合数据;
构建所述目标融合数据和所述第一特征数据之间的第一映射关系,以及构建所述目标融合数据和所述第二特征数据之间的第二映射关系;
根据所述第一映射关系和所述第二映射关系生成初始数据建模结果;
对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果。
4.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值,包括:
根据所述目标数据建模结果分别计算所述第一智能立体车库对应的第一映射值,以及计算所述第二智能立体车库对应的第二映射值;
计算所述第一映射值和所述第二映射值之间的点积,得到目标距离;
根据所述目标距离生成所述第一智能立体车库和所述第二智能立体车库的目标关联值。
5.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略,包括:
对所述目标关联值进行数据扩充,得到关联数据集合;
对所述关联数据集合进行向量转换,得到目标输入向量;
将所述目标输入向量输入预置的车库推送模型进行推送策略匹配,得到目标预测值,其中,所述车库推送模型包括:三层门限循环网络、三层全连接网络和输出层;
根据所述目标预测值从预置的多个候选推送策略中匹配目标推送策略。
6.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端,包括:
根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库;
获取所述目标智能立体车库的车库信息,并根据所述车库信息构建停车路线地图;
将所述目标智能立体车库的车库信息和所述停车路线地图推送 至所述用户终端,并通过所述用户终端对所述车库信息和所述停车路线地图进行可视化展示。
7.根据权利要求1所述的智能立体车库数据管理方法,其特征在于,所述智能立体车库数据管理方法还包括:
获取用户的评价系数、使用车库的数量以及用户交互的次数;
调用预置的置信度模型并根据所述用户的评价系数、所述使用车库的数量以及所述用户交互的次数计算所述目标智能立体车库的置信度;
根据所述置信度对所述车库推送模型进行参数优化,得到优化后的车库推送模型。
8.一种智能立体车库数据管理装置,其特征在于,所述智能立体车库数据管理装置包括:
采集模块,用于接收用户终端发送的智能立体车库分析请求,并根据所述智能立体车库分析请求采集与第一智能立体车库相对应的第一特征数据以及与第二智能立体车库相对应的第二特征数据;
处理模块,用于对所述第一特征数据和所述第二特征数据进行数据建模,得到初始数据建模结果,并对所述初始数据建模结果进行数据模型更新,生成目标数据建模结果;
计算模块,用于根据所述目标数据建模结果计算所述第一智能立体车库和所述第二智能立体车库的目标关联值;
匹配模块,用于将所述目标关联值输入预置的车库推送模型进行推送策略匹配,得到目标推送策略;
推送模块,用于根据所述目标推送策略从所述第一智能立体车库和所述第二智能立体车库中选取目标智能立体车库,并将所述目标智能立体车库推送至所述用户终端。
9.一种智能立体车库数据管理设备,其特征在于,所述智能立体车库数据管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述智能立体车库数据管理设备执行如权利要求1-7中任一项所述的智能立体车库数据管理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的智能立体车库数据管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229384.5A CN115330357B (zh) | 2022-10-09 | 2022-10-09 | 智能立体车库数据管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229384.5A CN115330357B (zh) | 2022-10-09 | 2022-10-09 | 智能立体车库数据管理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330357A true CN115330357A (zh) | 2022-11-11 |
CN115330357B CN115330357B (zh) | 2022-12-23 |
Family
ID=83914524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211229384.5A Active CN115330357B (zh) | 2022-10-09 | 2022-10-09 | 智能立体车库数据管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330357B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226786A (zh) * | 2023-03-22 | 2023-06-06 | 中国人民解放军军事科学院系统工程研究院 | 一种用于信息系统数据融合的数据处理方法及装置 |
CN116300540A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市兰洋科技有限公司 | 一种基于智能设备的控制方法及系统 |
CN116450925A (zh) * | 2022-12-27 | 2023-07-18 | 深圳市网新新思软件有限公司 | 基于人工智能的用户关系分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332872A1 (en) * | 2018-04-28 | 2019-10-31 | Beijing Kuangshi Technology Co., Ltd. | Information push method, information push device and information push system |
CN110909176A (zh) * | 2019-11-20 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN112417301A (zh) * | 2020-12-07 | 2021-02-26 | 中国建设银行股份有限公司 | 信息推送方法、装置、服务器和存储介质 |
CN112487281A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种立体车库推荐方法 |
CN113449176A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 基于知识图谱的推荐方法及装置 |
CN113722603A (zh) * | 2021-11-02 | 2021-11-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 对象推送方法、产品推送方法、计算机终端及存储介质 |
-
2022
- 2022-10-09 CN CN202211229384.5A patent/CN115330357B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332872A1 (en) * | 2018-04-28 | 2019-10-31 | Beijing Kuangshi Technology Co., Ltd. | Information push method, information push device and information push system |
CN110909176A (zh) * | 2019-11-20 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备以及存储介质 |
CN113449176A (zh) * | 2020-03-24 | 2021-09-28 | 华为技术有限公司 | 基于知识图谱的推荐方法及装置 |
CN112487281A (zh) * | 2020-10-30 | 2021-03-12 | 南京云牛智能科技有限公司 | 一种立体车库推荐方法 |
CN112417301A (zh) * | 2020-12-07 | 2021-02-26 | 中国建设银行股份有限公司 | 信息推送方法、装置、服务器和存储介质 |
CN113722603A (zh) * | 2021-11-02 | 2021-11-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 对象推送方法、产品推送方法、计算机终端及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116450925A (zh) * | 2022-12-27 | 2023-07-18 | 深圳市网新新思软件有限公司 | 基于人工智能的用户关系分析方法及系统 |
CN116450925B (zh) * | 2022-12-27 | 2023-12-15 | 深圳市网新新思软件有限公司 | 基于人工智能的用户关系分析方法及系统 |
CN116226786A (zh) * | 2023-03-22 | 2023-06-06 | 中国人民解放军军事科学院系统工程研究院 | 一种用于信息系统数据融合的数据处理方法及装置 |
CN116226786B (zh) * | 2023-03-22 | 2023-08-22 | 中国人民解放军军事科学院系统工程研究院 | 一种用于信息系统数据融合的数据处理方法及装置 |
CN116300540A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市兰洋科技有限公司 | 一种基于智能设备的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115330357B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330357B (zh) | 智能立体车库数据管理方法、装置、设备及存储介质 | |
CN105241524B (zh) | 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 | |
CN103412975A (zh) | 动态交通仿真平台及其仿真方法 | |
CN112187512B (zh) | 一种基于流量监控的端口自动扩容方法、装置和设备 | |
CN112231305A (zh) | 一种基于数字孪生的数字电网系统及方法 | |
CN110930705B (zh) | 一种路口交通决策系统、方法及设备 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
Yan | Traj-ARIMA: A spatial-time series model for network-constrained trajectory | |
CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
CN115050210B (zh) | 基于时序预测的停车场智能诱导方法、系统及装置 | |
CN110155073A (zh) | 基于驾驶人偏好的驾驶行为模式识别方法与系统 | |
CN114977176A (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
CN111738878B (zh) | 一种桥梁应力检测系统 | |
JP6743678B2 (ja) | ネットワーク状態推定装置及びプログラム | |
CN109064750A (zh) | 城市路网交通估计方法及系统 | |
Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
CN114743385B (zh) | 车辆处理方法、装置及计算机设备 | |
CN115423162A (zh) | 一种车流量预测方法、装置、电子设备及存储介质 | |
CN102096692A (zh) | 网站访客价值评估系统及方法 | |
CN113987013A (zh) | 一种基于时序数据平台发电车数据采集的管控系统及方法 | |
CN111985526B (zh) | 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统 | |
US20100250736A1 (en) | Connection State Estimating Device, Connection State Estimating Method and Storage Medium | |
CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统 |
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 |