CN115440044B - 一种公路多源事件数据融合方法、装置、存储介质及终端 - Google Patents
一种公路多源事件数据融合方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN115440044B CN115440044B CN202211079802.7A CN202211079802A CN115440044B CN 115440044 B CN115440044 B CN 115440044B CN 202211079802 A CN202211079802 A CN 202211079802A CN 115440044 B CN115440044 B CN 115440044B
- Authority
- CN
- China
- Prior art keywords
- event data
- traffic event
- road section
- data
- piece
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- 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
Abstract
本发明公开了一种公路多源事件数据融合方法、装置、存储介质及终端,方法包括:获取预设时间段内的交通事件数据;将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;对转换的每条交通事件数据进行均值归一化处理,采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率。
Description
技术领域
本发明涉及交通枢纽安全技术领域,特别涉及一种公路多源事件数据融合方法、装置、存储介质及终端。
背景技术
高速公路交通事件是导致高速公路通行能力下降或交通需求不正常升高的非周期性发生的情况,大量的高速公路交通事件组成了公路多源事件。其中,高速公路路网运行监测管理过程可分为7个步骤:事件监测-事件确认-信息提供-事件响应-现场管理-交通管理-事件清除,其中事件监测和事件确认的效率严重影响交通事件后续管理过程,因此及时准确的获取高速公路交通事件数据是高速公路路网运行监测管理的重要手段。
面对众多交通事件上报方式,例如基于视频图像识别的检测方法、交通流电子检测装置和检测交通异常的事件检测算法、驾驶员移动电话呼叫、驾驶员求助电话或路边紧急电话、交通警察巡逻队、路政报告、交通状态报告服务、事件管理人员观看闭路电视监视图像、交通部门或其他单位工作人员通过对讲机的报告、车队(公交车、卡车)报告等,上述上报方式会存在同一交通事件或相关连交通事件重复上报,即使是同一事件上报方式也有可能存在重复,因此如何过滤掉重复上报的冗余数据是研发人员渴望解决的。
在现有技术中,通过人工审查的方式融合重复上报的交通事件冗余数据,该方式需要花费大量的人力物力,从而降低了多源事件数据融合速度和准确性,进而降低了公路多源事件的解决效率。
发明内容
本申请实施例提供了一种公路多源事件数据融合方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种公路多源事件数据融合方法,方法包括:
在预设动态交通事件数据库中获取预设时间段内的交通事件数据;
根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;
对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
可选的,在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据之前,还包括:
实时获取来自多种渠道上报的交通事件数据,生成历史交通事件数据集合;
根据当前时刻与预设目标时段确定数据截取时刻;
清除预设动态交通事件数据库中的数据,并在历史交通事件数据集合中截取数据截取时刻与当前时刻之间的交通事件数据,得到目标交通事件数据集合;
将目标交通事件数据集合保存在动态交通事件数据库;
在当前时刻进入下一时刻时,继续执行根据当前时刻与预设目标时段确定数据截取时刻的步骤。
可选的,按照以下步骤生成预先构建的嵌入矩阵,包括:
创建神经网络;
获取路线编号和路段编号,并获取与路线编号和路段编号所相邻的路段编号和路线编号进行关联映射,得到训练数据;
将训练数据输入神经网络中进行训练,得到训练后的神经网络;
将待测试路线编号和待测试路段编号输入神经网络中,输出待测试路线编号和待测试路段编号对应的相邻路段编号和相邻路线编号;
当相邻路段编号和相邻路线编号符合预设编号时,将训练后的神经网络对应的嵌入矩阵确定为预先构建的嵌入矩阵。
可选的,根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,包括:
对每条交通事件数据的路线编号以及路段编号进行序号表示,得到每条交通事件数据的路线序号以及路段序号;
将每条交通事件数据的路线序号以及路段序号进行one-hot编码,得到每条交通事件数据的向量矩阵;
将每条交通事件数据的向量矩阵和预先构建的嵌入矩阵作积,得到可表示路段空间关系的稠密向量,并将可表示路段空间关系的稠密向量确定为转换的每条交通事件数据。
可选的,对转换的每条交通事件数据进行均值归一化处理,包括:
逐一判断转换的每条交通事件数据中各字段是否符合预设归一化条件,并确定出不符合预设归一化条件的字段;
将不符合预设归一化条件的字段进行转换;
生成符合预设归一化条件的字段,并将符合预设归一化条件的字段进行均值归一化处理。
可选的,对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,包括:
定义结果队列和有序队列;
根据预先定义的参数,并结合归一化后的交通事件数据计算出核心事件点集合;
在核心事件点集合中选取一个未处理的目标核心事件点,并将目标核心事件点放入结果队列,并计算目标核心事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列;
从有序队列中选取可达距离最近的事件点,将其存入结果队列,并在选取的可达距离最近的事件点为核心事件点时,计算选取的可达距离最近的事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列;
在可达距离最近的事件点不是核心事件点时,返回继续执行在核心事件点集合中选取一个未处理的目标核心事件点的步骤,直到核心事件点集合中所有核心事件点处理结束时,输出结果队列中的样本点及其可达距离;
根据样本点及其可达距离进行划分,得到至少一种聚类结果。
可选的,根据样本点及其可达距离进行划分,得到至少一种聚类结果,包括:
创建当前簇;
在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离;
在目标可达距离大于预设领域参数时,将目标样本点加入当前簇;
继续执行在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离的步骤,直到输出的样本点及其可达距离全部遍历结束,得到至少一种聚类结果;其中,
n为遍历次数。
第二方面,本申请实施例提供了一种公路多源事件数据融合装置,装置包括:
交通事件数据获取模块,用于在预设动态交通事件数据库中获取预设时间段内的交通事件数据;
编号转换模块,用于根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;
数据聚类模块,用于对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
结果融合模块,用于对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,公路多源事件数据融合装置首先获取预设时间段内的交通事件数据,然后将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,其次对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,最后对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种公路多源事件数据融合方法的流程示意图;
图2是本申请实施例提供的一种将路线路段序号进行编码的过程示意图;
图3是本申请实施例提供的一种采用OPTICS算法对归一化后的交通事件数据进行聚类的具体算法过程示意图;
图4是本申请实施例提供的一种公路多源事件数据融合装置的结构示意图;
图5是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
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发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“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。
本申请提供了一种公路多源事件数据融合方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图3,对本申请实施例提供的公路多源事件数据融合方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的公路多源事件数据融合装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种公路多源事件数据融合方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,在预设动态交通事件数据库中获取预设时间段内的交通事件数据;
其中,预设动态交通事件数据库是根据当前时刻、预设目标时段维护的一个存放交通事件数据的动态数据库。预设时间段为实际应用场景中进行数据融合时确定的事件数据获取周期,可以是以小时为单位,也可以以天为单位,例如在预设动态交通事件数据库中获取8小时的交通事件数据。预设时间段小于等于预设目标时段。
在本申请实施例中,在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据之前,还需要构建动态交通事件数据库,首先实时获取来自多种渠道上报的交通事件数据,生成历史交通事件数据集合,然后根据当前时刻与预设目标时段确定数据截取时刻,其次清除预设动态交通事件数据库中的数据,并在历史交通事件数据集合中截取数据截取时刻与当前时刻之间的交通事件数据,得到目标交通事件数据集合,再将目标交通事件数据集合保存在动态交通事件数据库,最后在当前时刻进入下一时刻时,继续执行根据当前时刻与预设目标时段确定数据截取时刻的步骤。本申请通过变化的当前时刻,并结合预设目标时段可动态在历史交通事件数据集合中获取最新一段时间的历史交通事件保存在数据库,使得该数据库中的历史交通事件保持最新状态,防止了数据量过大而对数据融合效率造成负担。
进一步地,在另一种构建动态交通事件数据库的方式中,实时接收当前时刻的历史交通事件数据,然后根据当前时刻与预设目标时段计算出待删除事件周期,其次在预设动态交通事件数据库中删除待删除事件周期对应的数据,最后将当前时刻的历史交通事件数据保存在预设动态交通事件数据库。该方式通过删除一小段历史数据,并将当前时刻的历史交通事件数据存在预设动态交通事件数据库中,使得数据的删除和保存所占时间较小,提升了数据操作效率。
需要说明的是,历史交通事件数据集合来自多种渠道以及不同的上报方式进行积累形成,每个历史交通事件数据包括以下字段:事件发生时间、事件类别、事件经度、事件纬度、路线编号、路段编号、起点桩号、结束桩号。不同上报方式上报的同一事件线路编号、路段编号相同。事件影响起点桩号和结束桩号相近且处于同一路段。
在一种可能的实现方式中,在预设动态交通事件数据库构建完成后,在接收到数据融合的相关指令后,此时确定需要进行公路多源事件数据融合,即可在预设动态交通事件数据库中获取预设时间段内的交通事件数据。例如获取最近8小时的交通事件数据。
S102,根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;
其中,预先构建的嵌入矩阵是通过结合路段相关参数训练神经网络,在神经网络训练完成后该网络中的嵌入层(embedding层)中的训练结果文件。
在本申请实施例中,在生成预先构建的嵌入矩阵时,首先创建神经网络,然后获取路线编号和路段编号,并获取与路线编号和路段编号所相邻的路段编号和路线编号进行关联映射,得到训练数据,其次将训练数据输入神经网络中进行训练,得到训练后的神经网络,再将待测试路线编号和待测试路段编号输入神经网络中,输出待测试路线编号和待测试路段编号对应的相邻路段编号和相邻路线编号,最后当相邻路段编号和相邻路线编号符合预设编号时,将训练后的神经网络对应的嵌入矩阵确定为预先构建的嵌入矩阵。本申请通过训练神经网络可得到该网络中嵌入层的结果文件,该结果文件作为嵌入矩阵可计算出表示路段空间关系的稠密向量,为后续的聚类和融合提供数据基础。
在本申请实施例中,在根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量时,首先对每条交通事件数据的路线编号以及路段编号进行序号表示,得到每条交通事件数据的路线序号以及路段序号,然后将每条交通事件数据的路线序号以及路段序号进行one-hot编码,得到每条交通事件数据的向量矩阵,最后将每条交通事件数据的向量矩阵和预先构建的嵌入矩阵作积,得到可表示路段空间关系的稠密向量,并将可表示路段空间关系的稠密向量确定为转换的每条交通事件数据。
在一种可能的实现方式中,例如图2所示,首先对每条交通事件数据的路线编号以及路段编号使用编码排序产生的序号进行表示,总序号数量为总路段数n。对序号再使用one-hot进行编码,一共为n行n列,每一行代表具体某条线路某个路段。one-hot数学表示如下:[1,0,0,…0,0]
[0,1,0,…0,0]
…
[0,0,0,…0,1];
再使用预先构建的嵌入矩阵embedding matrix将one-hot编码转换为稠密向量。即one-hot矩阵每一行(即每一条路段代表的one-hot编码)右乘embedding matrix,embedding matrix形状为n行5列,可得出n行5列的稠密向量,即embedding编码结果。
进一步地,embedding matrix的权重更新训练时,采用的输入为某一路线编号、路段编号,输出(标签)为这一路段编号相邻的路线编号和路段编号,通过保存训练后的embedding matrix,后续可使用embedding matrix计算出能表示路段空间关系的稠密向量。
S103,对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
其中,归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。OPTICS算法为基于密度的聚类算法。
在本申请实施例中,在对转换的每条交通事件数据进行均值归一化处理时,首先逐一判断转换的每条交通事件数据中各字段是否符合预设归一化条件,并确定出不符合预设归一化条件的字段,然后将不符合预设归一化条件的字段进行转换,最后生成符合预设归一化条件的字段,并将符合预设归一化条件的字段进行均值归一化处理。通过归一化处理,可以数据进行标准化,提升数据处理的速度。
具体的,由于转换的每条交通事件数据中有些字段无法直接进行归一化处理,例如时间字段,因此需要先判断转换的每条交通事件数据中各字段是否符合预设归一化条件,若时间字段不符合时,时间字段需要先转换为时间戳,再进行均值归一化。
具体的,均值归一化公式如下:
其中。公式中x代表当前数值,μ代表由x组成的整个维度数值的均值,σ为由x组成的整个维度数值的标准差。
在本申请实施例中,在对归一化后的交通事件数据进行聚类时,首先定义结果队列和有序队列,然后根据预先定义的参数,并结合归一化后的交通事件数据计算出核心事件点集合,其次在核心事件点集合中选取一个未处理的目标核心事件点,并将目标核心事件点放入结果队列,并计算目标核心事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列,再从有序队列中选取可达距离最近的事件点,将其存入结果队列,并在选取的可达距离最近的事件点为核心事件点时,计算选取的可达距离最近的事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列,最后在可达距离最近的事件点不是核心事件点时,返回继续执行在核心事件点集合中选取一个未处理的目标核心事件点的步骤,直到核心事件点集合中所有核心事件点处理结束时,输出结果队列中的样本点及其可达距离,并根据样本点及其可达距离进行划分,得到至少一种聚类结果。
具体的,在根据样本点及其可达距离进行划分,得到至少一种聚类结果时,首先创建当前簇,然后在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离,其次在目标可达距离大于预设领域参数时,将目标样本点加入当前簇,最后继续执行在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离的步骤,直到输出的样本点及其可达距离全部遍历结束,得到至少一种聚类结果;其中,n为遍历次数。
具体的,例如图3所示,图中的D为原始的事件点集合,O是结果队列,P为核心事件点,Q为有序队列。采用OPTICS算法对归一化后的交通事件数据进行聚类的具体算法过程如以下步骤所示:
S4-1:定义结果队列,存储核心事件对象集,初始化为定义有序队列,用于存储核心事件点及其密度直达点;
S4-2:定义参数邻域最小样本点minPoints为2,邻域参数ε设为如0.5,遍历事件事件样本点,计算出所有核心事件点;
S4-3:随机选取一个核心事件点,并将其加入结果序列,将其ε邻域内未访问过的事件点,按照可达距离从低到高排序存入有序队列;
S4-4:从有序序列中选取可达距离最近的事件点,将其存入结果队列,并判断其是否为核心事件点,若是则将其ε邻域内未访问过的事件点,按照可达距离从低到高排序存入有序队列,如果此处存在和之前重复的事件点,那么更新可达距离为更小的值,若不是核心事件点,跳过。重复执行S4-4直到有序序列为空;
S4-5:重复S4-3到S4-4,直到遍历所有核心事件点,输出处理后的事件点所在结果队列;
S4-6:对最终输出的结果队列,取出队首事件点,判断其可达距离是否大于ε,如果不大于,则将其加入当前簇,继续取下一个事件直到结果队列为空,如果大于则进一步判断其核心距离是否小于等于ε,如果不是,将其设为噪音事件点(即代表此事件为独立上报事件,暂不加入任何簇),如果是则创建新的簇并将其加入,继续取下一个事件点直到结果队列为空。
需要说明的是,在OPTICS算法中计算可达距离时,均采用堪培拉距离计算方法,公式如下:
公式中d(x,y)代表多维向量x与y的堪培拉距离,n表示二者维数,xi与yi分别代表二者第i维度的值。
S104,对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
在一种可能的实现方式中,通过聚类可将预设时间段内的交通事件数据分到不同的簇,将每个簇中的数据融合后即代表一个事件,可得到融合后的交通事件数据,最后可将融合后的交通事件数据进行展示。
进一步地,本申请还可以人为在系统中选择特定的一个或者多个维度进行分析。例如只对时间维度进行聚类,可以对整个高速路网交通事件在时间维度整体分析,该方式可支持对多源数据不同维度进行定制化融合分析。
在本申请实施例中,公路多源事件数据融合装置首先获取预设时间段内的交通事件数据,然后将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,其次对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,最后对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图4,其示出了本发明一个示例性实施例提供的公路多源事件数据融合装置的结构示意图。该公路多源事件数据融合装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括交通事件数据获取模块10、编号转换模块20、数据聚类模块30、结果融合模块40。
交通事件数据获取模块10,用于在预设动态交通事件数据库中获取预设时间段内的交通事件数据;
编号转换模块20,用于根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;
数据聚类模块30,用于对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
结果融合模块40,用于对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
需要说明的是,上述实施例提供的公路多源事件数据融合装置在执行公路多源事件数据融合方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的公路多源事件数据融合装置与公路多源事件数据融合方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,公路多源事件数据融合装置首先获取预设时间段内的交通事件数据,然后将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,其次对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,最后对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的公路多源事件数据融合方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的公路多源事件数据融合方法。
请参见图5,为本申请实施例提供了一种终端的结构示意图。如图5所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及公路多源事件数据融合应用程序。
在图5所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的公路多源事件数据融合应用程序,并具体执行以下操作:
在预设动态交通事件数据库中获取预设时间段内的交通事件数据;
根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;
对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
在一个实施例中,处理器1001在执行在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据之前时,还执行以下操作:
实时获取来自多种渠道上报的交通事件数据,生成历史交通事件数据集合;
根据当前时刻与预设目标时段确定数据截取时刻;
清除预设动态交通事件数据库中的数据,并在历史交通事件数据集合中截取数据截取时刻与当前时刻之间的交通事件数据,得到目标交通事件数据集合;
将目标交通事件数据集合保存在动态交通事件数据库;
在当前时刻进入下一时刻时,继续执行根据当前时刻与预设目标时段确定数据截取时刻的步骤。
在一个实施例中,处理器1001在按照以下步骤生成预先构建的嵌入矩阵时,具体执行以下操作:
创建神经网络;
获取路线编号和路段编号,并获取与路线编号和路段编号所相邻的路段编号和路线编号进行关联映射,得到训练数据;
将训练数据输入神经网络中进行训练,得到训练后的神经网络;
将待测试路线编号和待测试路段编号输入神经网络中,输出待测试路线编号和待测试路段编号对应的相邻路段编号和相邻路线编号;
当相邻路段编号和相邻路线编号符合预设编号时,将训练后的神经网络对应的嵌入矩阵确定为预先构建的嵌入矩阵。
在一个实施例中,处理器1001在执行根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据时,具体执行以下操作:
对每条交通事件数据的路线编号以及路段编号进行序号表示,得到每条交通事件数据的路线序号以及路段序号;
将每条交通事件数据的路线序号以及路段序号进行one-hot编码,得到每条交通事件数据的向量矩阵;
将每条交通事件数据的向量矩阵和预先构建的嵌入矩阵作积,得到可表示路段空间关系的稠密向量,并将可表示路段空间关系的稠密向量确定为转换的每条交通事件数据。
在一个实施例中,处理器1001在执行对转换的每条交通事件数据进行均值归一化处理时,具体执行以下操作:
逐一判断转换的每条交通事件数据中各字段是否符合预设归一化条件,并确定出不符合预设归一化条件的字段;
将不符合预设归一化条件的字段进行转换;
生成符合预设归一化条件的字段,并将符合预设归一化条件的字段进行均值归一化处理。
在一个实施例中,处理器1001在执行对归一化后的交通事件数据进行聚类,生成至少一种聚类结果时,具体执行以下操作:
定义结果队列和有序队列;
根据预先定义的参数,并结合归一化后的交通事件数据计算出核心事件点集合;
在核心事件点集合中选取一个未处理的目标核心事件点,并将目标核心事件点放入结果队列,并计算目标核心事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列;
从有序队列中选取可达距离最近的事件点,将其存入结果队列,并在选取的可达距离最近的事件点为核心事件点时,计算选取的可达距离最近的事件点与领域内未访问过的事件点之间的可达距离,以及按照可达距离将领域内未访问过的事件点升序排列后放入有序队列;
在可达距离最近的事件点不是核心事件点时,返回继续执行在核心事件点集合中选取一个未处理的目标核心事件点的步骤,直到核心事件点集合中所有核心事件点处理结束时,输出结果队列中的样本点及其可达距离;
根据样本点及其可达距离进行划分,得到至少一种聚类结果。
在一个实施例中,处理器1001在执行根据样本点及其可达距离进行划分,得到至少一种聚类结果时,具体执行以下操作:
创建当前簇;
在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离;
在目标可达距离大于预设领域参数时,将目标样本点加入当前簇;
继续执行在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离的步骤,直到输出的样本点及其可达距离全部遍历结束,得到至少一种聚类结果;其中,
n为遍历次数。
在本申请实施例中,公路多源事件数据融合装置首先获取预设时间段内的交通事件数据,然后将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,其次对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,最后对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。由于本申请将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,可表示路段空间关系的稠密向量能实时快速的进行准确的聚类融合,从而提高了多源事件数据融合速度和准确性,进而提升了公路多源事件的解决效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,公路多源事件数据融合的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (9)
1.一种公路多源事件数据融合方法,其特征在于,所述方法包括:
在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据;
根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;其中,
按照以下步骤生成预先构建的嵌入矩阵,包括:
将待测试路线编号和待测试路段编号输入训练后的神经网络中,输出所述待测试路线编号和待测试路段编号对应的相邻路段编号和相邻路线编号;
当所述相邻路段编号和相邻路线编号符合预设编号时,将训练后的神经网络对应的嵌入矩阵确定为预先构建的嵌入矩阵;其中,
所述根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,包括:
对每条交通事件数据的路线编号以及路段编号进行序号表示,得到每条交通事件数据的路线序号以及路段序号;
将每条交通事件数据的路线序号以及路段序号进行one-hot编码,得到每条交通事件数据的向量矩阵;
将每条交通事件数据的向量矩阵和预先构建的嵌入矩阵作积,得到可表示路段空间关系的稠密向量,并将可表示路段空间关系的稠密向量确定为转换的每条交通事件数据;
对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
2.根据权利要求1所述的方法,其特征在于,所述在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据之前,还包括:
实时获取来自多种渠道上报的交通事件数据,生成历史交通事件数据集合;
根据当前时刻与预设目标时段确定数据截取时刻;
清除预先构建的动态交通事件数据库中的数据,并在所述历史交通事件数据集合中截取所述数据截取时刻与当前时刻之间的交通事件数据,得到目标交通事件数据集合;
将所述目标交通事件数据集合保存在所述动态交通事件数据库;
在所述当前时刻进入下一时刻时,继续执行所述根据当前时刻与预设目标时段确定数据截取时刻的步骤。
3.根据权利要求1所述的方法,按照以下步骤生成训练后的神经网络,包括:
创建神经网络;
获取路线编号和路段编号,并获取与所述路线编号和路段编号所相邻的路段编号和路线编号进行关联映射,得到训练数据;
将所述训练数据输入所述神经网络中进行训练,得到训练后的神经网络。
4.根据权利要求1所述的方法,其特征在于,所述对转换的每条交通事件数据进行均值归一化处理,包括:
逐一判断转换的每条交通事件数据中各字段是否符合预设归一化条件,并确定出不符合预设归一化条件的字段;
将不符合预设归一化条件的字段进行转换;
生成符合预设归一化条件的字段,并将符合预设归一化条件的字段进行均值归一化处理。
5.根据权利要求1所述的方法,其特征在于,所述对归一化后的交通事件数据进行聚类,生成至少一种聚类结果,包括:
定义结果队列和有序队列;
根据预先定义的参数,并结合归一化后的交通事件数据计算出核心事件点集合;
在所述核心事件点集合中选取一个未处理的目标核心事件点,并将所述目标核心事件点放入所述结果队列,并计算所述目标核心事件点与领域内未访问过的事件点之间的可达距离,以及按照所述可达距离将所述领域内未访问过的事件点升序排列后放入所述有序队列;
从所述有序队列中选取可达距离最近的事件点,将其存入所述结果队列,并在选取的可达距离最近的事件点为核心事件点时,计算选取的可达距离最近的事件点与领域内未访问过的事件点之间的可达距离,以及按照所述可达距离将领域内未访问过的事件点升序排列后放入所述有序队列;
在可达距离最近的事件点不是核心事件点时,返回继续执行所述在所述核心事件点集合中选取一个未处理的目标核心事件点的步骤,直到所述核心事件点集合中所有核心事件点处理结束时,输出所述结果队列中的样本点及其可达距离;
根据所述样本点及其可达距离进行划分,得到至少一种聚类结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本点及其可达距离进行划分,得到至少一种聚类结果,包括:
创建当前簇;
在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离;
在所述目标可达距离大于预设领域参数时,将所述目标样本点加入所述当前簇;
继续执行所述在输出的样本点及其可达距离中获取第n个目标样本点及其目标可达距离的步骤,直到输出的样本点及其可达距离全部遍历结束,得到至少一种聚类结果;其中,
n为遍历次数。
7.一种公路多源事件数据融合装置,其特征在于,所述装置包括:
交通事件数据获取模块,用于在预先构建的动态交通事件数据库中获取预设时间段内的交通事件数据;
编号转换模块,用于根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据;其中,
按照以下步骤生成预先构建的嵌入矩阵,包括:
将待测试路线编号和待测试路段编号输入训练后的神经网络中,输出所述待测试路线编号和待测试路段编号对应的相邻路段编号和相邻路线编号;
当所述相邻路段编号和相邻路线编号符合预设编号时,将训练后的神经网络对应的嵌入矩阵确定为预先构建的嵌入矩阵;其中,
所述根据预先构建的嵌入矩阵将每条交通事件数据的路线编号以及路段编号转换为可表示路段空间关系的稠密向量,生成转换的每条交通事件数据,包括:
对每条交通事件数据的路线编号以及路段编号进行序号表示,得到每条交通事件数据的路线序号以及路段序号;
将每条交通事件数据的路线序号以及路段序号进行one-hot编码,得到每条交通事件数据的向量矩阵;
将每条交通事件数据的向量矩阵和预先构建的嵌入矩阵作积,得到可表示路段空间关系的稠密向量,并将可表示路段空间关系的稠密向量确定为转换的每条交通事件数据;
数据聚类模块,用于对转换的每条交通事件数据进行均值归一化处理,并采用OPTICS算法对归一化后的交通事件数据进行聚类,生成至少一种聚类结果;
结果融合模块,用于对至少一种聚类结果进行数据融合,生成融合后的交通事件数据进行展示。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-6任意一项的方法。
9.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-6任意一项的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022109123444 | 2022-07-29 | ||
CN202210912344 | 2022-07-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115440044A CN115440044A (zh) | 2022-12-06 |
CN115440044B true CN115440044B (zh) | 2023-10-13 |
Family
ID=84246259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211079802.7A Active CN115440044B (zh) | 2022-07-29 | 2022-09-05 | 一种公路多源事件数据融合方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440044B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597404B (zh) * | 2023-05-06 | 2024-04-09 | 浙江大学 | 基于多源传感器融合的可持续道路异常检测方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109923595A (zh) * | 2016-12-30 | 2019-06-21 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN112309117A (zh) * | 2020-10-30 | 2021-02-02 | 上海炬宏信息技术有限公司 | 一种基于密度聚类的交通事件融合系统和方法 |
CN112712717A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 一种信息融合的方法和系统 |
CN113192325A (zh) * | 2021-04-19 | 2021-07-30 | 银江股份有限公司 | 一种交通事件相关性分析方法及系统 |
CN114037932A (zh) * | 2021-10-22 | 2022-02-11 | 北京工业大学 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346630B2 (en) * | 2003-06-13 | 2008-03-18 | Yahoo! Inc. | Method and system for delivery alerts to a user |
US9472097B2 (en) * | 2010-11-15 | 2016-10-18 | Image Sensing Systems, Inc. | Roadway sensing systems |
-
2022
- 2022-09-05 CN CN202211079802.7A patent/CN115440044B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109923595A (zh) * | 2016-12-30 | 2019-06-21 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN112712717A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 一种信息融合的方法和系统 |
CN112309117A (zh) * | 2020-10-30 | 2021-02-02 | 上海炬宏信息技术有限公司 | 一种基于密度聚类的交通事件融合系统和方法 |
CN113192325A (zh) * | 2021-04-19 | 2021-07-30 | 银江股份有限公司 | 一种交通事件相关性分析方法及系统 |
CN114037932A (zh) * | 2021-10-22 | 2022-02-11 | 北京工业大学 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115440044A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997466B (zh) | 用于检测道路的方法和装置 | |
CN109359170B (zh) | 用于生成信息的方法和装置 | |
CN114863418B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
WO2022142042A1 (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN109816226B (zh) | 一种公园绿地防灾避险能力的评价方法及系统 | |
CN115440044B (zh) | 一种公路多源事件数据融合方法、装置、存储介质及终端 | |
CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN112541852A (zh) | 城市人流监控方法、装置、电子设备及存储介质 | |
CN115393240A (zh) | Gis和bim融合的方法、装置、电子设备及可读存储介质 | |
CN115527372B (zh) | 一种基于全局最优的智能交通实时诱导可变信息系统 | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
CN112616118B (zh) | 一种车辆所经过的etc门架确定方法、装置及存储介质 | |
CN116596281B (zh) | 一种轻量化三维物业管理系统 | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
CN112765127A (zh) | 一种交通数据仓库的构建方法、装置、存储介质及终端 | |
CN114756925B (zh) | 一种城市轨道交通系统的运维管理方法和装置 | |
CN115033760A (zh) | 一种大数据软件可视化方法、系统及存储介质 | |
CN112100165B (zh) | 基于质量评估的交通数据处理方法、系统、设备和介质 | |
CN115238442A (zh) | 一种基于天空地的多源异构数据管控平台 | |
CN113961826A (zh) | 摄像头查找方法、装置、智能终端及计算机可读存储介质 | |
KR102642540B1 (ko) | 스마트 시티 안전 서비스 제공 방법 및 이를 실행하는 서버 | |
KR20200040457A (ko) | 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 |
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 |