CN115563389A - 基于大数据的港口物流信息推送方法及系统 - Google Patents
基于大数据的港口物流信息推送方法及系统 Download PDFInfo
- Publication number
- CN115563389A CN115563389A CN202211278782.6A CN202211278782A CN115563389A CN 115563389 A CN115563389 A CN 115563389A CN 202211278782 A CN202211278782 A CN 202211278782A CN 115563389 A CN115563389 A CN 115563389A
- Authority
- CN
- China
- Prior art keywords
- monitoring image
- information
- hidden
- initial
- target
- 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
- G06F16/90—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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的基于大数据的港口物流信息推送方法及系统,涉及数据处理技术领域。在本发明中,在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的目标用户的历史物流相关行为信息,确定目标用户对于港口物流信息具有的关注程度信息;基于关注程度信息,确定出目标用户对应的物流信息数据量;基于物流信息数据量,从目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将目标港口物流信息推送给目标用户对应的目标用户终端设备。基于上述方法,可以改善现有技术中存在的物流监控效果不佳的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于大数据的港口物流信息推送方法及系统。
背景技术
港口物流是以港口作为物流的中心节点提供的综合性多功能服务,港口物流活动是整个物流系统中的一部分,是指以港口仓储服务为主要表现形式,整合了仓储、内陆运输、货运代理、拆装箱、装卸搬运、包装、加工以及信息处理等功能的服务。传统的港口物流主要提供装卸、仓储、转运服务,随着现代物流的发展,港口物流的内涵和外延都在发生深刻的变化。现代的港口物流是指以建立货运中心、配送中心、物流信息中心和商品交易中心为目的,将运输、仓储、代理、包装加工、配送、信息处理等物流环节有机结合,形成完整的供应链,能为用户提供多功能、一体化的综合物流服务。其中,在港口物流信息的推送中,一般支持将物流对象(即产品)的当前位置或节点推送给用户,如此,可以使得用户能够获取信息以实现对物流对象的监控,但是,仍然存在着监控效果不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于大数据的港口物流信息推送方法及系统,以改善现有技术中存在的物流监控效果不佳的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于大数据的港口物流信息推送方法,包括:
在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息;
基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量;
基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备,所述目标港口物流信息中携带有所述目标港口物流对象的目标监控图像。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息的步骤,包括:
在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,对所述港口物流查询请求信息进行解析处理,以得到所述目标用户对应的目标用户身份信息和对应的目标港口物流对象的物流对象标识信息,所述物流对象标识信息用于标识所述目标港口物流对象,用于对应查找到所述目标港口物流对象对应的初始港口物流信息;
基于所述目标用户身份信息,从目标大数据库中提取出所述目标用户对应的每一条历史物流相关行为信息,以及,再至少基于每一条所述历史物流相关行为信息的信息数量,确定出所述目标用户对于港口物流信息具有的关注程度信息,所述关注程度信息与所述信息数量之间正相关。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量的步骤,包括:
依据预先配置的信息映射关系,对所述关注程度信息进行信息映射处理,以形成所述目标用户对应的物流信息数据量,所述物流信息数据量包括第一物流信息参数,所述第一物流信息参数与所述关注程度信息之间具有正相关的映射关系,且所述第一物流信息参数用于反映待推送的目标港口物流信息中携带的监控图像的数量。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备的步骤,包括:
提取出所述目标用户对应的目标港口物流对象对应的初始港口物流信息,所述初始港口物流信息中携带有所述目标港口物流对象的初始监控图像序列,所述初始监控图像序列包括多个初始监控图像;
对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息;
基于所述物流信息数据量和每一个所述初始监控图像对应的目标图像重要度信息,从所述初始监控图像序列中提取出相应数量的目标监控图像,以及,基于所述目标监控图像对所述初始港口物流信息中的初始监控图像序列进行替代,以形成相应的目标港口物流信息,再将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息的步骤,包括:
对于每一个所述初始监控图像,在所述初始监控图像序列中对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列;
利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列;
从所述还原监控图像序列中提取出与所述初始监控图像具有相同序列位置的还原监控图像,再对所述还原监控图像和所述初始监控图像进行差异计算,以输出所述初始监控图像对应的图像差异度;
依据所述初始监控图像对应的图像差异度,分析输出所述初始监控图像对应的目标图像重要度信息,所述目标图像重要度信息和所述图像差异度之间具有正相关的对应关系。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列的步骤,包括:
对所述隐藏监控图像序列进行第一处理,以形成所述隐藏监控图像序列对应的功率图数据,所述隐藏监控图像序列中隐藏有对应的隐藏初始监控图像,所述功率图数据包括所述隐藏初始监控图像的语义相关初始监控图像对应的功率图关键信息;
基于所述语义相关初始监控图像对应的功率图关键信息和进行模糊操作后的功率图关键信息组成的功率图数据,对所述隐藏监控图像序列对应的功率图数据进行功率图关键信息的填充操作,以形成所述隐藏监控图像序列对应的填充功率图数据;
对所述填充功率图数据进行第二处理,形成所述填充功率图数据对应的非隐藏监控图像序列,所述第二处理和所述第一处理互逆;
基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
基于所述非隐藏监控图像序列中与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果,并结合所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成对应的还原监控图像序列。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
在一些优选的实施例中,在上述基于大数据的港口物流信息推送方法中,所述依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
在所述非隐藏监控图像序列中,查找到与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果,以及,在所述非隐藏监控图像序列中,查找到所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果;
提取到预先配置的图像序列整合数据,再基于所述图像序列整合数据对所述相关初始监控图像填充结果进行模糊操作,以形成对应的模糊相关初始监控图像填充结果;
基于所述模糊相关初始监控图像填充结果更新所述非隐藏监控图像序列,以形成所述隐藏监控图像序列对应的还原监控图像序列。
本发明实施例还提供一种基于大数据的港口物流信息推送系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于大数据的港口物流信息推送方法。
本发明实施例提供的一种基于大数据的港口物流信息推送方法及系统,在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的目标用户的历史物流相关行为信息,确定目标用户对于港口物流信息具有的关注程度信息;基于关注程度信息,确定出目标用户对应的物流信息数据量;基于物流信息数据量,从目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将目标港口物流信息推送给目标用户对应的目标用户终端设备。基于此,由于目标港口物流信息中携带有目标港口物流对象的目标监控图像,使得用户可以通过该目标监控图像进行可靠地监控,从而改善现有技术中存在的物流监控效果不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于大数据的港口物流信息推送系统的结构框图。
图2为本发明实施例提供的基于大数据的港口物流信息推送方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于大数据的港口物流信息推送装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于大数据的港口物流信息推送系统。其中,所述港口物流信息推送系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例(如后文所述)提供的基于大数据的港口物流信息推送方法。
举例来说,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
举例来说,在一些实施方式中,所述基于大数据的港口物流信息推送系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于大数据的港口物流信息推送方法,可应用于上述基于大数据的港口物流信息推送系统。其中,所述基于大数据的港口物流信息推送方法有关的流程所定义的方法步骤,可以由所述基于大数据的港口物流信息推送系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息。
在本发明实施例中,所述基于大数据的港口物流信息推送系统可以在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息。
步骤S120,基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量。
在本发明实施例中,所述基于大数据的港口物流信息推送系统可以基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量。
步骤S130,基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给目标用户对应的目标用户终端设备。
在本发明实施例中,所述基于大数据的港口物流信息推送系统可以基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给目标用户对应的目标用户终端设备。所述目标港口物流信息中携带有所述目标港口物流对象的目标监控图像。
基于上述方法,由于目标港口物流信息中携带有目标港口物流对象的目标监控图像,使得用户可以通过该目标监控图像进行可靠地监控,从而改善现有技术中存在的物流监控效果不佳的问题。
举例来说,在一些实施方式中,对于上述的步骤S110,可以进一步包括以下具体的可以实施的内容:
在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,对所述港口物流查询请求信息进行解析处理,以得到所述目标用户对应的目标用户身份信息和对应的目标港口物流对象的物流对象标识信息,所述物流对象标识信息用于标识所述目标港口物流对象(即货物),用于对应查找到所述目标港口物流对象对应的初始港口物流信息(可以包装运输过程的全部监控视频等信息,以及如位置信息);
基于所述目标用户身份信息,从目标大数据库中提取出所述目标用户对应的每一条历史物流相关行为信息,以及,再至少基于每一条所述历史物流相关行为信息的信息数量,确定出所述目标用户对于港口物流信息具有的关注程度信息,所述关注程度信息与所述信息数量之间正相关(所述历史物流相关行为信息至少可以用于反映对应的所述目标用户进行物流查询等信息,如查询的次数越多,表示关注程度越高)。
举例来说,在一些实施方式中,对于上述的步骤S120,可以进一步包括以下具体的可以实施的内容:
依据预先配置的信息映射关系,对所述关注程度信息进行信息映射处理,以形成所述目标用户对应的物流信息数据量,所述物流信息数据量包括第一物流信息参数,所述第一物流信息参数与所述关注程度信息之间具有正相关的映射关系,且所述第一物流信息参数用于反映待推送的目标港口物流信息中携带的监控图像的数量(也就是说,所述关注程度信息对应的关注程度越高,可以对应推送更多的监控图像)。
举例来说,在一些实施方式中,对于上述的步骤S130,可以进一步包括以下具体的可以实施的内容:
提取出所述目标用户对应的目标港口物流对象对应的初始港口物流信息,所述初始港口物流信息中携带有所述目标港口物流对象的初始监控图像序列,所述初始监控图像序列包括多个初始监控图像;
对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理(如删除),以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息(示例性地,该图像差异越大,表明所述初始监控图像与所述初始监控图像序列中的其它初始监控图像之间的相关性不强,使得基于所述目标图像处理神经网络模型还原出的所述还原监控图像和所述初始监控图像帧之间差异就较大,即所述初始监控图像的差异性较大,因而,可以赋予较高的重要度,也就是说,所述图像差异和所述目标图像重要度信息正相关);
基于所述物流信息数据量和每一个所述初始监控图像对应的目标图像重要度信息,从所述初始监控图像序列中提取出相应数量的目标监控图像(即提取出对应的目标图像重要度信息最大的对应数量的目标监控图像),以及,基于所述目标监控图像对所述初始港口物流信息中的初始监控图像序列进行替代,以形成相应的目标港口物流信息(也就是说,可以将所述目标监控图像用于代表所述初始监控图像序列),再将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备。
举例来说,在一些实施方式中,对于所述对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息的步骤,可以进一步包括以下具体的可以实施的内容:
对于每一个所述初始监控图像,在所述初始监控图像序列中对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列;
利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列;
从所述还原监控图像序列中提取出与所述初始监控图像具有相同序列位置的还原监控图像,再对所述还原监控图像和所述初始监控图像进行差异计算,以输出所述初始监控图像对应的图像差异度;
依据所述初始监控图像对应的图像差异度,分析输出所述初始监控图像对应的目标图像重要度信息,所述目标图像重要度信息和所述图像差异度之间具有正相关的对应关系。
举例来说,在一些实施方式中,对于所述利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列的步骤,可以进一步包括以下具体的可以实施的内容:
对所述隐藏监控图像序列进行第一处理(例如,可以对包括的每一个初始监控图像对应的图像灰度分布进行傅里叶变换),以形成所述隐藏监控图像序列对应的功率图数据(所述功率图数据可以包括每一个初始监控图像对应的功率图,所述功率图上的高频部分表示所述初始监控图像上灰度发生急剧变化的区域,意味着该区域可能出现了边缘、轮廓、细节或噪声信息;所述功率图上的低频部分则表示所述初始监控图像上灰度基本不变或变化很小的区域,代表边缘、轮廓、细节或噪声等高频部分以外的区域),所述隐藏监控图像序列中隐藏有对应的隐藏初始监控图像(也就是通过删除所述隐藏初始监控图像,以得到所述隐藏监控图像,即所述隐藏监控图像中不具有所述隐藏初始监控图像),所述功率图数据包括所述隐藏初始监控图像的语义相关初始监控图像对应的功率图关键信息(所述语义相关初始监控图像为所述隐藏初始监控图像中的初始监控图像,如在前的初始监控图像和在后的初始监控图像,示例性地,所述功率图关键信息可以是通过对相应的功率图进行特征挖掘以得到,如通过卷积神经网络对所述功率图进行卷积运算,从而得到所述功率图关键信息);
基于所述语义相关初始监控图像对应的功率图关键信息和进行模糊操作后的功率图关键信息组成的功率图数据,对所述隐藏监控图像序列对应的功率图数据进行功率图关键信息的填充操作,以形成所述隐藏监控图像序列对应的填充功率图数据;
对所述填充功率图数据进行第二处理,形成所述填充功率图数据对应的非隐藏监控图像序列,所述第二处理和所述第一处理互逆(即相反);
基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
举例来说,在一些实施方式中,对于所述基于所述语义相关初始监控图像对应的功率图关键信息和进行模糊操作后的功率图关键信息组成的功率图数据,对所述隐藏监控图像序列对应的功率图数据进行功率图关键信息的填充操作,以形成所述隐藏监控图像序列对应的填充功率图数据的步骤,可以进一步包括以下具体的可以实施的内容:
基于所述语义相关初始监控图像对应的功率图关键信息,对所述隐藏初始监控图像对应的功率图关键信息进行模糊操作,以形成所述隐藏初始监控图像进行模糊操作后的功率图关键信息(示例性地,可以基于所述语义相关初始监控图像对应的功率图关键信息预测出所述隐藏初始监控图像对应的功率图关键信息,如基于相关性进行预测,如对各所述语义相关初始监控图像对应的功率图关键信息进行加权均值计算,或基于相邻的所述语义相关初始监控图像对应的功率图关键信息进行插值处理,以预测出所述隐藏初始监控图像对应的功率图关键信息,然后,再对预测出的所述隐藏初始监控图像对应的功率图关键信息进行模糊操作,以形成所述隐藏初始监控图像进行模糊操作后的功率图关键信息,示例性地,进行模糊操作可以是通过卷积网络进行卷积运算);
基于所述语义相关初始监控图像对应的全部功率图关键信息和所述隐藏初始监控图像进行模糊操作后的功率图关键信息,对所述功率图数据进行功率图关键信息的填充操作,以形成所述隐藏监控图像序列对应的填充功率图数据(示例性地,可以对所述语义相关初始监控图像对应的全部功率图关键信息和所述隐藏初始监控图像进行模糊操作后的功率图关键信息进行信息的拼接,如向量的拼接,以形成对应的填充功率图关键信息,再基于所述填充功率图关键信息还原出所述隐藏监控图像序列对应的填充功率图数据,例如,通过对填充功率图关键信息进行解码,可以得到对应的填充功率图,该解码的过程与上述的基于功率图挖掘出关键信息相反;另外,所述语义相关初始监控图像对应的全部功率图关键信息,可以是对所述语义相关初始监控图像对应的功率图关键信息进行卷积运算的结果)。
举例来说,在一些实施方式中,对于所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,可以进一步包括以下具体的可以实施的内容:
基于所述非隐藏监控图像序列中与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果(所述初始监控图像填充结果也是一个图像,即填充的与所述隐藏初始监控图像对应的图像,所述初始监控图像填充结果在所述非隐藏监控图像序列中序列位置,与所述隐藏初始监控图像在所述隐藏监控图像序列中为被删除时的序列位置一致),并结合所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果(所述相关初始监控图像填充结果也是一个图像,即填充的与语义相关初始监控图像对应的图像,对应的序列位置),对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列的还原监控图像序列,示例性地,对所述隐藏初始监控图像进行图像的填充操作包括:基于所述相关初始监控图像填充结果和所述隐藏初始监控图像填充结果对所述隐藏监控图像序列(中对应序列位置的监控图像)进行替换处理,以形成所述隐藏监控图像序列对应的还原监控图像序列。
举例来说,在一些实施方式中,对于所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,可以进一步包括以下具体的可以实施的内容:
依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
举例来说,在一些实施方式中,对于所述依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,可以进一步包括以下具体的可以实施的内容:
在所述非隐藏监控图像序列中,查找到与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果,以及,在所述非隐藏监控图像序列中,查找到所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果(所述隐藏初始监控图像填充结果和对应的相关初始监控图像填充结果之间可以是图像语义信息相关,也可以是图像序列位置相关,如相邻等);
提取到预先配置的图像序列整合数据,再基于所述图像序列整合数据对所述相关初始监控图像填充结果进行模糊操作(示例性地,该模糊操作可以与前述的对功率图关键信息进行模糊操作的具体实施方式不同,该模糊操作可以是指基于所述图像序列整合数据包括的加权系数,对所述相关初始监控图像填充结果和所述隐藏初始监控图像填充结果进行加权均值计算,以得到对应的模糊相关初始监控图像填充结果,即该加权均值的计算结果),以形成对应的模糊相关初始监控图像填充结果;
基于所述模糊相关初始监控图像填充结果更新所述非隐藏监控图像序列(也就是说,可以用于所述模糊相关初始监控图像填充结果来替代所述非隐藏监控图像序列中的隐藏初始监控图像填充结果,以实现更新),以形成所述隐藏监控图像序列对应的还原监控图像序列。
举例来说,在一些实施方式中,对于所述从所述还原监控图像序列中提取出与所述初始监控图像具有相同序列位置的还原监控图像,再对所述还原监控图像和所述初始监控图像进行差异计算,以输出所述初始监控图像对应的图像差异度的步骤,可以进一步包括以下具体的可以实施的内容:
从所述还原监控图像序列中提取出与所述初始监控图像具有相同序列位置的还原监控图像,并分别对所述初始监控图像和所述还原监控图像进行图像连通域的识别操作,以形成所述初始监控图像对应的第一图像连通域集合和所述还原监控图像对应的第二图像连通域集合;
基于所述第一图像连通域集合包括的每一个第一图像连通域的区域边界线,对所述初始监控图像进行分割处理,以形成所述初始监控图像对应的第一监控图像子区域集合;以及,基于所述第二图像连通域集合包括的每一个第二图像连通域的区域边界线,对所述还原监控图像进行分割处理,以形成所述还原监控图像对应的第二监控图像子区域集合;
基于所述第一监控图像子区域集合包括的第一监控图像子区域的数量,确定出所述初始监控图像对应的第一表征参数,所述第一表征参数和该数量之间具有正相关的对应关系,以及,基于所述第二监控图像子区域集合包括的第二监控图像子区域的数量,确定出所述还原监控图像对应的第二表征参数,所述第二表征参数和该数量之间具有正相关的对应关系;
对所述初始监控图像和所述还原监控图像进行求差处理,以形成所述初始监控图像和所述还原监控图像之间的求差监控图像,所述求差监控图像中的每一个图像像素位置的像素点的像素值信息等于所述初始监控图像和所述还原监控图像中对应位置的像素点的像素值信息之间的绝对差值;
对所述求差监控图像进行图像连通域的识别操作,以形成所述求差监控图像对应的第三图像连通域集合,再依据所述第三图像连通域集合包括的第三图像连通域的数量,确定出所述求差监控图像对应的初始图像信息丰富度,所述初始图像信息丰富度和该数量之间具有正相关的对应关系;
分别对所述初始监控图像和所述还原监控图像进行图像区域任意的调整处理,以形成所述初始监控图像对应的调整后的初始监控图像和所述还原监控图像对应的调整后的还原监控图像,所述调整处理是指,将对应的监控图像中的不同图像子区域进行对换,并且,对换的图像子区域的数量与所述调整处理对应的调整幅度之间具有正相关的对应关系;
对所述调整后的初始监控图像和所述调整后的还原监控图像进行求差处理,以形成所述调整后的初始监控图像和所述调整后的还原监控图像之间的调整后的求差监控图像,所述调整后的求差监控图像中的每一个图像像素位置的像素点的像素值信息等于所述调整后的初始监控图像和所述调整后的还原监控图像中对应位置的像素点的像素值信息之间的绝对差值;
对所述调整后的求差监控图像进行图像连通域的识别操作,以形成所述调整后的求差监控图像对应的调整后的第三图像连通域集合,再依据所述调整后的第三图像连通域集合包括的第三图像连通域的数量,确定出所述调整后的求差监控图像对应的初始图像信息丰富度;
在依次执行所述分别对所述初始监控图像和所述还原监控图像进行图像区域任意的调整处理,以形成所述初始监控图像对应的调整后的初始监控图像和所述还原监控图像对应的调整后的还原监控图像的步骤、所述对所述调整后的初始监控图像和所述调整后的还原监控图像进行求差处理,以形成所述调整后的初始监控图像和所述调整后的还原监控图像之间的调整后的求差监控图像的步骤、所述对所述调整后的求差监控图像进行图像连通域的识别操作,以形成所述调整后的求差监控图像对应的调整后的第三图像连通域集合,再依据所述调整后的第三图像连通域集合包括的第三图像连通域的数量,确定出所述调整后的求差监控图像对应的初始图像信息丰富度的步骤多次之后,针对每一次得到的调整后的初始监控图像,依据对应的调整处理的调整幅度,对所述初始监控图像对应的第一表征参数进行调整,以形成该调整后的初始监控图像对应的调整后的第一表征参数(示例性地,可以计算所述第一表征参数和所述调整幅度的倒数之间的乘积,以得到调整后的第一表征参数),以及,针对每一次得到的调整后的还原监控图像,依据对应的调整处理的调整幅度,对所述还原监控图像对应的第二表征参数进行调整,以形成该调整后的还原监控图像对应的调整后的第二表征参数(示例性地,可以计算所述第二表征参数和所述调整幅度的倒数之间的乘积,以得到调整后的第二表征参数);
对于每一个所述初始图像信息丰富度,对该初始图像信息丰富度对应的第一表征参数和第二表征参数,或者,对该初始图像信息丰富度对应的调整后的第一表征参数和调整后的第二表征参数,进行参数融合操作,以输出该初始图像信息丰富度对应的目标表征参数(示例性地,所述参数融合操作可以是指对两个表征参数进行均值计算等);
依据每一个所述初始图像信息丰富度对应的目标表征参数,对每一个所述初始图像信息丰富度进行加权求和计算,以实现对所述还原监控图像和所述初始监控图像进行差异计算,以输出所述初始监控图像对应的图像差异度(即求差监控图像的信息越丰富,表明差异越大)。
可以理解的是,在上述实施方式中,对于所述图像连通域的识别操作的具体方式不受限制,可以参照相关的现有技术,只要保证对各图像进行图像连通域的识别操作的方式一致即可。
结合图3,本发明实施例还提供一种基于大数据的港口物流信息推送装置,可应用于上述基于大数据的港口物流信息推送系统。其中,所述基于大数据的港口物流信息推送装置,可以包括:
关注程度信息确定模块,用于在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息(一种软件功能模块,对应于步骤S110);
信息数据量确定模块,用于基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量(一种软件功能模块,对应于步骤S120);
港口物流信息推送模块,用于基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备,所述目标港口物流信息中携带有所述目标港口物流对象的目标监控图像(一种软件功能模块,对应于步骤S130)。
综上所述,本发明提供的一种基于大数据的港口物流信息推送方法及系统,在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的目标用户的历史物流相关行为信息,确定目标用户对于港口物流信息具有的关注程度信息;基于关注程度信息,确定出目标用户对应的物流信息数据量;基于物流信息数据量,从目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将目标港口物流信息推送给目标用户对应的目标用户终端设备。基于此,由于目标港口物流信息中携带有目标港口物流对象的目标监控图像,使得用户可以通过该目标监控图像进行可靠地监控,从而改善现有技术中存在的物流监控效果不佳的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的港口物流信息推送方法,其特征在于,包括:
在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息;
基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量;
基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备,所述目标港口物流信息中携带有所述目标港口物流对象的目标监控图像。
2.如权利要求1所述的基于大数据的港口物流信息推送方法,其特征在于,所述在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,基于目标大数据库中存储的所述目标用户的历史物流相关行为信息,确定所述目标用户对于港口物流信息具有的关注程度信息的步骤,包括:
在接收到目标用户基于对应的目标用户终端设备发起的港口物流查询请求信息的情况下,对所述港口物流查询请求信息进行解析处理,以得到所述目标用户对应的目标用户身份信息和对应的目标港口物流对象的物流对象标识信息,所述物流对象标识信息用于标识所述目标港口物流对象,用于对应查找到所述目标港口物流对象对应的初始港口物流信息;
基于所述目标用户身份信息,从目标大数据库中提取出所述目标用户对应的每一条历史物流相关行为信息,以及,再至少基于每一条所述历史物流相关行为信息的信息数量,确定出所述目标用户对于港口物流信息具有的关注程度信息,所述关注程度信息与所述信息数量之间正相关。
3.如权利要求1所述的基于大数据的港口物流信息推送方法,其特征在于,所述基于所述关注程度信息,确定出所述目标用户对应的物流信息数据量的步骤,包括:
依据预先配置的信息映射关系,对所述关注程度信息进行信息映射处理,以形成所述目标用户对应的物流信息数据量,所述物流信息数据量包括第一物流信息参数,所述第一物流信息参数与所述关注程度信息之间具有正相关的映射关系,且所述第一物流信息参数用于反映待推送的目标港口物流信息中携带的监控图像的数量。
4.如权利要求1-3任意一项所述的基于大数据的港口物流信息推送方法,其特征在于,所述基于所述物流信息数据量,从所述目标用户对应的目标港口物流对象对应的初始港口物流信息中,提取出相应的目标港口物流信息,并将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备的步骤,包括:
提取出所述目标用户对应的目标港口物流对象对应的初始港口物流信息,所述初始港口物流信息中携带有所述目标港口物流对象的初始监控图像序列,所述初始监控图像序列包括多个初始监控图像;
对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息;
基于所述物流信息数据量和每一个所述初始监控图像对应的目标图像重要度信息,从所述初始监控图像序列中提取出相应数量的目标监控图像,以及,基于所述目标监控图像对所述初始港口物流信息中的初始监控图像序列进行替代,以形成相应的目标港口物流信息,再将所述目标港口物流信息推送给所述目标用户对应的目标用户终端设备。
5.如权利要求4所述的基于大数据的港口物流信息推送方法,其特征在于,所述对于每一个所述初始监控图像,在所述初始监控图像序列中,对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列,以及,利用目标图像处理神经网络模型,对该隐藏监控图像序列进行还原处理,以形成该初始监控图像对应的还原监控图像序列,以及,从该还原监控图像序列中提取出与该初始监控图像具有相同序列位置的还原监控图像,再基于该还原监控图像和该初始监控图像之间的图像差异,确定出该初始监控图像对应的目标图像重要度信息的步骤,包括:
对于每一个所述初始监控图像,在所述初始监控图像序列中对该初始监控图像进行隐藏处理,以形成该初始监控图像对应的隐藏监控图像序列;
利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列;
从所述还原监控图像序列中提取出与所述初始监控图像具有相同序列位置的还原监控图像,再对所述还原监控图像和所述初始监控图像进行差异计算,以输出所述初始监控图像对应的图像差异度;
依据所述初始监控图像对应的图像差异度,分析输出所述初始监控图像对应的目标图像重要度信息,所述目标图像重要度信息和所述图像差异度之间具有正相关的对应关系。
6.如权利要求5所述的基于大数据的港口物流信息推送方法,其特征在于,所述利用目标图像处理神经网络模型,对所述隐藏监控图像序列进行还原,以形成所述初始监控图像对应的还原监控图像序列的步骤,包括:
对所述隐藏监控图像序列进行第一处理,以形成所述隐藏监控图像序列对应的功率图数据,所述隐藏监控图像序列中隐藏有对应的隐藏初始监控图像,所述功率图数据包括所述隐藏初始监控图像的语义相关初始监控图像对应的功率图关键信息;
基于所述语义相关初始监控图像对应的功率图关键信息和进行模糊操作后的功率图关键信息组成的功率图数据,对所述隐藏监控图像序列对应的功率图数据进行功率图关键信息的填充操作,以形成所述隐藏监控图像序列对应的填充功率图数据;
对所述填充功率图数据进行第二处理,形成所述填充功率图数据对应的非隐藏监控图像序列,所述第二处理和所述第一处理互逆;
基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
7.如权利要求6所述的基于大数据的港口物流信息推送方法,其特征在于,所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
基于所述非隐藏监控图像序列中与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果,并结合所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成对应的还原监控图像序列。
8.如权利要求6所述的基于大数据的港口物流信息推送方法,其特征在于,所述基于所述非隐藏监控图像序列,对所述隐藏监控图像序列中的所述隐藏初始监控图像进行图像的填充操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列。
9.如权利要求8所述的基于大数据的港口物流信息推送方法,其特征在于,所述依据所述隐藏初始监控图像,对所述隐藏监控图像序列和所述非隐藏监控图像序列进行图像序列整合操作,以形成所述隐藏监控图像序列对应的还原监控图像序列的步骤,包括:
在所述非隐藏监控图像序列中,查找到与所述隐藏初始监控图像对应的隐藏初始监控图像填充结果,以及,在所述非隐藏监控图像序列中,查找到所述隐藏初始监控图像填充结果对应的相关初始监控图像填充结果;
提取到预先配置的图像序列整合数据,再基于所述图像序列整合数据对所述相关初始监控图像填充结果进行模糊操作,以形成对应的模糊相关初始监控图像填充结果;
基于所述模糊相关初始监控图像填充结果更新所述非隐藏监控图像序列,以形成所述隐藏监控图像序列对应的还原监控图像序列。
10.一种基于大数据的港口物流信息推送系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278782.6A CN115563389B (zh) | 2022-10-19 | 2022-10-19 | 基于大数据的港口物流信息推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278782.6A CN115563389B (zh) | 2022-10-19 | 2022-10-19 | 基于大数据的港口物流信息推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563389A true CN115563389A (zh) | 2023-01-03 |
CN115563389B CN115563389B (zh) | 2023-05-12 |
Family
ID=84767682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278782.6A Active CN115563389B (zh) | 2022-10-19 | 2022-10-19 | 基于大数据的港口物流信息推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563389B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014005528A1 (zh) * | 2012-07-05 | 2014-01-09 | 华为技术有限公司 | 信息处理方法、服务器及物流终端 |
WO2015081815A1 (zh) * | 2013-12-05 | 2015-06-11 | 北京奇虎科技有限公司 | 物流状态信息监控方法、装置及系统 |
CN105225089A (zh) * | 2015-10-08 | 2016-01-06 | 浙江万里学院 | 一种获取货物实时运动轨迹的物流监控方法及系统 |
KR20160081822A (ko) * | 2014-12-30 | 2016-07-08 | 주식회사 유엔진클라우드 | 클라우드 컴퓨팅 기반의 해운 항만 물류 서비스 플랫폼 구축 장치 및 방법 |
CN108400930A (zh) * | 2018-02-26 | 2018-08-14 | 圆通速递有限公司 | 一种消息互融共享的方法与系统 |
CN111461620A (zh) * | 2020-04-09 | 2020-07-28 | 中振区块链(深圳)有限公司 | 一种基于区块链物流数据分布式存储方法及装置 |
WO2021000418A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
-
2022
- 2022-10-19 CN CN202211278782.6A patent/CN115563389B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014005528A1 (zh) * | 2012-07-05 | 2014-01-09 | 华为技术有限公司 | 信息处理方法、服务器及物流终端 |
WO2015081815A1 (zh) * | 2013-12-05 | 2015-06-11 | 北京奇虎科技有限公司 | 物流状态信息监控方法、装置及系统 |
KR20160081822A (ko) * | 2014-12-30 | 2016-07-08 | 주식회사 유엔진클라우드 | 클라우드 컴퓨팅 기반의 해운 항만 물류 서비스 플랫폼 구축 장치 및 방법 |
CN105225089A (zh) * | 2015-10-08 | 2016-01-06 | 浙江万里学院 | 一种获取货物实时运动轨迹的物流监控方法及系统 |
CN108400930A (zh) * | 2018-02-26 | 2018-08-14 | 圆通速递有限公司 | 一种消息互融共享的方法与系统 |
WO2021000418A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
CN111461620A (zh) * | 2020-04-09 | 2020-07-28 | 中振区块链(深圳)有限公司 | 一种基于区块链物流数据分布式存储方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115563389B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796269B (zh) | 一种生成模型的方法、装置、信息处理的方法及装置 | |
CN115660520B (zh) | 一种基于交通运输物流的数据分析方法及系统 | |
CN112288572A (zh) | 业务数据处理方法及计算机设备 | |
CN110751490A (zh) | 欺诈识别方法、装置、电子设备及计算机可读存储介质 | |
CN112613288B (zh) | 结算单生成方法、装置、计算机设备和存储介质 | |
CN114282011A (zh) | 知识图谱的构建方法和装置、图计算方法及装置 | |
CN110362702A (zh) | 图片管理方法及设备 | |
CN111310242B (zh) | 设备指纹生成的方法、装置、存储介质及电子设备 | |
CN115563389B (zh) | 基于大数据的港口物流信息推送方法及系统 | |
CN111275071B (zh) | 预测模型训练、预测方法、装置及电子设备 | |
CN116048944A (zh) | 用于大数据平台的负载趋势预测方法及系统 | |
CN117094626A (zh) | 一种基于大数据的第四方汽配物流平台及管理方法 | |
CN112016599B (zh) | 用于图像检索的神经网络训练方法、装置及电子设备 | |
CN107247796B (zh) | 客户头像加载方法、装置及终端设备 | |
CN113836402B (zh) | 一种基于数据处理的订单筛选方法 | |
CN113869390B (zh) | 用于多视图三维重建的信息处理方法及装置 | |
CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
CN110766501A (zh) | 数据嵌套存储方法、装置、电子设备及计算机可读介质 | |
CN117236617B (zh) | 一种企业业务管理方法及系统 | |
CN115375412B (zh) | 基于图像识别的商品智能推荐处理方法及系统 | |
CN113099398B (zh) | 一种信息推送方法、信息推送装置及电子设备 | |
CN116630665A (zh) | 应用于图像分析的测绘数据处理方法及系统 | |
CN114722061A (zh) | 数据处理方法及装置、设备、计算机可读存储介质 | |
CN116881238A (zh) | 一种基于微服务架构的电力市场用户管理saas平台及方法 | |
CN116993201A (zh) | 服务质量的评估方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |