CN115660520A - 一种基于交通运输物流的数据分析方法及系统 - Google Patents
一种基于交通运输物流的数据分析方法及系统 Download PDFInfo
- Publication number
- CN115660520A CN115660520A CN202211600286.8A CN202211600286A CN115660520A CN 115660520 A CN115660520 A CN 115660520A CN 202211600286 A CN202211600286 A CN 202211600286A CN 115660520 A CN115660520 A CN 115660520A
- Authority
- CN
- China
- Prior art keywords
- image
- transportation
- exemplary
- content
- safety state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims description 86
- 238000004458 analytical method Methods 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 83
- 238000004891 communication Methods 0.000 claims description 36
- 230000000873 masking effect Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于交通运输物流的数据分析方法及系统，涉及交通控制和数据处理技术领域。在本发明中，从目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出相关交通环境图像；对于每一条候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个相关交通环境图像进行组合，以形成对应的相关交通环境图像组合序列；分别依据对应的相关交通环境图像组合序列，分析出每一条候选运输路径对应的运输路径安全状态信息；基于至少一条候选运输路径和每一条候选运输路径对应的运输路径安全状态信息，对目标运输车辆进行交通控制处理。基于上述内容，可以在一定程度提高交通控制的可靠度。
Description
技术领域
本发明涉及交通控制和数据处理技术领域，具体而言，涉及一种基于交通运输物流的数据分析方法及系统。
背景技术
随着数据处理技术的不断成熟，使得数据处理技术的应用场景不断增加，例如，在交通控制领域中就有普遍的应用。具体来说，在交通控制领域中，可以基于数据处理技术进行交通数据的分析，以确定出交通运输的路径，使得可以基于该路径对交通运输车辆进行控制，但是，在现有技术中，一般是先基于当前位置和目标位置，依据地图数据，确定出多条候选运输路径，然后，基于人工进行路径的进一步确认，然后，基于确认的目标路径，对交通运输车辆进行控制，容易出现控制可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于交通运输物流的数据分析方法及系统，以在一定程度提高交通控制的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于交通运输物流的数据分析方法，包括：
从目标运输车辆所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出所述目标运输车辆对应的相关交通环境图像，所述相关交通环境图像对应的图像采集区域位于所述目标运输车辆的至少一条候选运输路径上，所述至少一条候选运输路径中的每一条所述候选运输路径的起点为所述目标运输车辆的当前位置；
对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列；
分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息；
基于所述至少一条候选运输路径和每一条所述候选运输路径对应的运输路径安全状态信息，对所述目标运输车辆进行交通控制处理，以使所述目标运输车辆依据所述至少一条候选运输路径中的目标运输路径行驶。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列的步骤，包括：
对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像按照对应的采集位置进行第一组合，以形成该候选运输路径对应的第一相关交通环境图像组合序列，以及，将所述第一相关交通环境图像组合序列中具有相同采集位置的多个相关交通环境图像按照对应的采集时间进行第二组合，以形成该候选运输路径对应的第二相关交通环境图像组合序列；
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度；
依据对应的图像相似度，对所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于所述参考时间长度的每两个相关交通环境图像进行筛选处理，以形成所述第二相关交通环境图像组合序列对应的候选运输路径对应的相关交通环境图像组合序列。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度的步骤，包括：
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，分别对该两个相关交通环境图像进行图像特征点的识别提取，以形成对应的第一图像特征点集合和对应的第二图像特征点集合；
分别对所述两个相关交通环境图像进行图像连通域的识别提取，以形成对应的第一图像连通域集合和第二图像连通域集合；
对于所述第一图像特征点集合中的每两个第一图像特征点，确定该两个第一图像特征点是否位于所述第一图像连通域集合中的任意一个第一图像连通域内，以及，在该两个第一图像特征点位于所述第一图像连通域集合中的任意一个第一图像连通域内的情况下，将该两个第一图像特征点进行连接处理，以形成对应的第一特征连接线，以及，基于每两个第一图像特征点对应的第一特征连接线，构建形成第一连接线集合；
对于所述第二图像特征点集合中的每两个第二图像特征点，确定该两个第二图像特征点是否位于所述第二图像连通域集合中的任意一个第二图像连通域内，以及，在该两个第二图像特征点位于所述第二图像连通域集合中的任意一个第二图像连通域内的情况下，将该两个第二图像特征点进行连接处理，以形成对应的第二特征连接线，以及，基于每两个第二图像特征点对应的第二特征连接线，构建形成第二连接线集合；
基于所述第一连接线集合和所述第一图像特征点集合，构建出对应的第一图像关系分布网，以及，基于所述第二连接线集合和所述第二图像特征点集合，构建出对应的第二图像关系分布网；
对所述第一图像关系分布网和所述第二图像关系分布网，分别进行关键信息挖掘操作，以形成对应的第一图像关系分布网描述向量和第二图像关系分布网描述向量，以及，对所述第一图像关系分布网描述向量和所述第二图像关系分布网描述向量进行向量相似度的计算，以得到所述两个相关交通环境图像之间的图像相似度。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息的步骤，包括：
依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据，所述第二参考路径安全状态信息中具有示例性路径安全状态关键内容，所述示例性路径安全状态关键内容用于反映示例性交通环境图像组合序列的路径安全状态关键内容，所述原始示例性待处理组合数据中不具有所述示例性路径安全状态关键内容；
依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据，所述调整示例性待处理组合数据和所述原始示例性待处理组合数据的数据语义特征一致，所述调整示例性待处理组合数据中具有所述示例性路径安全状态关键内容，且不具有局部示例性交通环境图像，不具有的示例性交通环境图像是所述示例性交通环境图像组合序列中的一部分；
依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络，所述第二运输路径安全状态分析神经网络用于依据示例性待处理组合数据中的数据内容，还原出所述示例性待处理组合数据中不具有的信息；
依据预先配置的第一参考路径安全状态信息和所述相关交通环境图像组合序列，确定出待处理组合数据，所述第一参考路径安全状态信息中路径安全状态关键内容对应的部分通过预设遮盖内容遮盖；
利用第一运输路径安全状态分析神经网络，将所述待处理组合数据中的所述预设遮盖内容进行还原分析，以输出所述预设遮盖内容对应的第一遮盖内容还原内容，所述第一运输路径安全状态分析神经网络通过对第二运输路径安全状态分析神经网络进行网络优化形成；
依据所述第一遮盖内容还原内容，得到所述相关交通环境图像组合序列对应的运输路径安全状态信息。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据的步骤，包括：
对所述第二参考路径安全状态信息中的所述示例性路径安全状态关键内容进行遮盖操作，以通过预先配置的配置遮盖内容进行遮盖，输出遮盖操作的所述第二参考路径安全状态信息；以及，将遮盖操作的所述第二参考路径安全状态信息和所述示例性交通环境图像组合序列进行数据组合操作，以形成所述原始示例性待处理组合数据；
所述依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据的步骤，包括：
对所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以还原为所述示例性路径安全状态关键内容，并对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络的步骤，包括：
利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息；
利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息，所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络之间至少部分网络参数共享；
依据所述示例性路径安全状态关键内容和所述内容还原信息，分析出对应的内容维度学习代价值；
依据所述第一示例性交通环境图像和所述图像还原信息，分析出对应的图像维度学习代价值；
依据所述内容维度学习代价值和所述图像维度学习代价值，对所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息的步骤，包括：
利用所述内容维度第二运输路径安全状态分析神经网络包括的中间处理单元，将所述原始示例性待处理组合数据进行关键信息挖掘操作，以输出所述原始示例性待处理组合数据中局部待处理组合数据对应的局部待处理组合数据描述向量；
依据所述配置遮盖内容对应的局部待处理组合数据描述向量，利用所述内容维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述配置遮盖内容对应的内容维度可能性参数，所述内容维度可能性参数用于反映所述配置遮盖内容对应的各待确认路径安全状态关键内容的可能性大小；
基于所述内容维度可能性参数，确定出对应的内容还原信息。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息的步骤，包括：
利用所述图像维度第二运输路径安全状态分析神经网络包括的中间处理单元，将所述调整示例性待处理组合数据进行关键信息挖掘操作，以挖掘出所述调整示例性待处理组合数据包括的局部待处理组合数据对应的局部待处理组合数据描述向量；
依据所述遮盖图像对应的局部待处理组合数据描述向量，利用所述图像维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述遮盖图像对应的图像维度可能性参数，所述图像维度可能性参数用于反映所述遮盖图像对应的各待确认图像的可能性大小；
基于所述图像维度可能性参数，确定出对应的图像还原信息。
在一些优选的实施例中，在上述基于交通运输物流的数据分析方法中，所述对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据的步骤，包括：
依据所述示例性交通环境图像组合序列的图像内容量，分析出对应的遮盖图像量，所述遮盖图像量与所述图像内容量之间正相关；
对所述示例性交通环境图像组合序列中所述遮盖图像量的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据。
本发明实施例还提供一种基于交通运输物流的数据分析系统，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，以实现上述的基于交通运输物流的数据分析方法。
本发明实施例提供的基于交通运输物流的数据分析方法及系统，可以先目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出相关交通环境图像；对于每一条候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个相关交通环境图像进行组合，以形成对应的相关交通环境图像组合序列；分别依据对应的相关交通环境图像组合序列，分析出每一条候选运输路径对应的运输路径安全状态信息；基于至少一条候选运输路径和每一条候选运输路径对应的运输路径安全状态信息，对目标运输车辆进行交通控制处理。基于前述的内容，由于在得到至少一条候选运输路径之后，会基于所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像，对候选运输路径进行安全分析，以确定出目标运输路径，从而实现对目标运输车辆的控制，使得相较于基于人工确定出目标运输路径的常规技术方案，可以可靠地确定出目标运输路径，从而在一定程度提高交通控制的可靠度，改善现有技术的不足。
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交通运输物流的数据分析系统的结构框图。
图2为本发明实施例提供的基于交通运输物流的数据分析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交通运输物流的数据分析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交通运输物流的数据分析系统。其中，所述基于交通运输物流的数据分析系统可以包括存储器和处理器，并且，还可以包括其它的器件。
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提供的基于交通运输物流的数据分析方法。
可以理解的是，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。
可以理解的是，在一些实施方式中，所述基于交通运输物流的数据分析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交通运输物流的数据分析方法，该方法可应用于上述基于交通运输物流的数据分析系统。其中，所述基于交通运输物流的数据分析方法有关的流程所定义的方法步骤，可以由所述基于交通运输物流的数据分析系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，从目标运输车辆所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出所述目标运输车辆对应的相关交通环境图像。
在本发明实施例中，所述基于交通运输物流的数据分析系统可以从目标运输车辆所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出所述目标运输车辆对应的相关交通环境图像，所述相关交通环境图像对应的图像采集区域位于所述目标运输车辆的至少一条候选运输路径上，所述至少一条候选运输路径中的每一条所述候选运输路径的起点为所述目标运输车辆的当前位置（终点为目标位置）。
步骤S120，对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列。
在本发明实施例中，所述基于交通运输物流的数据分析系统可以对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列。
步骤S130，分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息。
在本发明实施例中，所述基于交通运输物流的数据分析系统可以分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息。
步骤S140，基于所述至少一条候选运输路径和每一条所述候选运输路径对应的运输路径安全状态信息，对所述目标运输车辆进行交通控制处理，以使所述目标运输车辆依据所述至少一条候选运输路径中的目标运输路径行驶。
在本发明实施例中，所述基于交通运输物流的数据分析系统可以基于所述至少一条候选运输路径和每一条所述候选运输路径对应的运输路径安全状态信息，对所述目标运输车辆进行交通控制处理，以使所述目标运输车辆依据所述至少一条候选运输路径中的目标运输路径行驶（示例性地，可以基于运输路径安全状态信息对应的安全状态表征值，将具有最大值的安全状态表征值对应的运输路径安全状态信息对应的候选运输路径，确定为目标运输路径，以实现对目标运输车辆的交通控制）。
基于前述的内容，由于在得到至少一条候选运输路径之后，会基于所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像，对候选运输路径进行安全分析，以确定出目标运输路径，从而实现对目标运输车辆的控制，使得相较于基于人工确定出目标运输路径的常规技术方案，可以可靠地确定出目标运输路径，从而在一定程度提高交通控制的可靠度，改善现有技术的不足（如交通控制的可靠度不高的问题）。
可以理解的是，在一些实施方式中，在执行上述的步骤S120的过程中，具体可以执行以下的一些子步骤：
对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像按照对应的采集位置进行第一组合（如按照采集位置与所述目标运输车辆的当前位置之间的距离，由近到远进行排序等），以形成该候选运输路径对应的第一相关交通环境图像组合序列，以及，将所述第一相关交通环境图像组合序列中具有相同采集位置的多个相关交通环境图像按照对应的采集时间进行第二组合（如按照对应的采集时间由早到晚的顺序进行排序等），以形成该候选运输路径对应的第二相关交通环境图像组合序列；
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度（示例性地，所述参考时间长度的具体数值不受限制，如1、2、3、4、5日等）；
依据对应的图像相似度，对所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于所述参考时间长度的每两个相关交通环境图像进行筛选处理，以形成所述第二相关交通环境图像组合序列对应的候选运输路径对应的相关交通环境图像组合序列（示例性地，可以将图像相似度大于预先配置的参考图像相似度的两个相关交通环境图像中采集时间较早的一个相关交通环境图像进行筛除，保留另一个）。
可以理解的是，在一些实施方式中，在执行所述对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度的步骤的过程中，为了使得图像相似的计算的可靠度较高，从而保障候选图像筛选的可靠度，进而保障进行分析出运输路径安全状态信息的依据充分有效，具体可以执行以下的一些子步骤：
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，分别对该两个相关交通环境图像进行图像特征点的识别提取（识别提取的具体过程，可以参照相关的现有技术，例如，可以基于与周围区域的像素点的像素值差异进行特征点的确定，如预设半径的圆形边缘上存在连续的多个像素点的像素值都大于或都小于圆心像素点的像素值，可以作为图像特征点），以形成对应的第一图像特征点集合和对应的第二图像特征点集合；
分别对所述两个相关交通环境图像进行图像连通域的识别提取（图像连通域的确定方式可以参照相关的现有技术，其不属于本实施方案的重点，重点在于，依据图像连通域对图像特征点的信息进行有效的扩展而不是任意扩展），以形成对应的第一图像连通域集合和第二图像连通域集合；
对于所述第一图像特征点集合中的每两个第一图像特征点，确定该两个第一图像特征点是否位于所述第一图像连通域集合中的任意一个第一图像连通域内，以及，在该两个第一图像特征点位于所述第一图像连通域集合中的任意一个第一图像连通域内的情况下，将该两个第一图像特征点进行连接处理，以形成对应的第一特征连接线，以及，基于每两个第一图像特征点对应的第一特征连接线，构建形成第一连接线集合；
对于所述第二图像特征点集合中的每两个第二图像特征点，确定该两个第二图像特征点是否位于所述第二图像连通域集合中的任意一个第二图像连通域内，以及，在该两个第二图像特征点位于所述第二图像连通域集合中的任意一个第二图像连通域内的情况下，将该两个第二图像特征点进行连接处理，以形成对应的第二特征连接线，以及，基于每两个第二图像特征点对应的第二特征连接线，构建形成第二连接线集合；
基于所述第一连接线集合和所述第一图像特征点集合，构建出对应的第一图像关系分布网（示例性地，所述第一图像关系分布网中包括所述第一连接线和所述第一图像特征点，以及，将第一特征连接线之间的交叉点，也作为补充的第一图像特征点），以及，基于所述第二连接线集合和所述第二图像特征点集合，构建出对应的第二图像关系分布网（示例性地，所述第二图像关系分布网中包括所述第二连接线和所述第二图像特征点，以及，将第二特征连接线之间的交叉点，也作为补充的第二图像特征点）；
对所述第一图像关系分布网和所述第二图像关系分布网，分别进行关键信息挖掘操作（示例性地，可以先对图像关系分布网进行特征空间映射处理，如嵌入处理，以得到对应的特征空间映射结果，然后，可以通过对特征空间映射结果进行关键信息挖掘，如通过卷积核或滤波矩阵进行滤波处理，以得到对应的图像关系分布网描述向量，并且，还可以对该图像关系分布网描述向量进行模态内的聚焦特征分析处理，以形成最终的图像关系分布网描述向量；具体来说，可以对图像关系分布网描述向量进行分解，形成第一局部图像关系分布网描述向量和第二局部图像关系分布网描述向量，第一局部图像关系分布网描述向量与图像特征点对应，第二局部图像关系分布网描述向量与特征连接线对应，如此，可以基于第二局部图像关系分布网描述向量对第一局部图像关系分布网描述向量进行聚焦特征分析，得到第一聚焦局部图像关系分布网描述向量，以及，基于第一局部图像关系分布网描述向量对第二局部图像关系分布网描述向量进行聚焦特征分析，以得到第二聚焦局部图像关系分布网描述向量，然后，可以将第一聚焦局部图像关系分布网描述向量和第二聚焦局部图像关系分布网描述向量进行拼接，以得到最终的图像关系分布网描述向量），以形成对应的第一图像关系分布网描述向量和第二图像关系分布网描述向量，以及，对所述第一图像关系分布网描述向量和所述第二图像关系分布网描述向量进行向量相似度的计算，以得到所述两个相关交通环境图像之间的图像相似度。
可以理解的是，在一些实施方式中，在执行上述的步骤S130的过程中，具体可以执行以下的一些子步骤：
依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据，所述第二参考路径安全状态信息中具有示例性路径安全状态关键内容，所述示例性路径安全状态关键内容用于反映示例性交通环境图像组合序列的路径安全状态关键内容（所述示例性路径安全状态关键内容可以是表征状态的关键词或关键值），所述原始示例性待处理组合数据中不具有所述示例性路径安全状态关键内容；
依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据，所述调整示例性待处理组合数据和所述原始示例性待处理组合数据的数据语义特征一致，所述调整示例性待处理组合数据中具有所述示例性路径安全状态关键内容，且不具有局部示例性交通环境图像（示例性地，如不具有其中的一个或多个示例性交通环境图像，或则，也可以是一个或多个示例性交通环境图像中的部分图像内容不具有），不具有的示例性交通环境图像是所述示例性交通环境图像组合序列中的一部分；
依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络，所述第二运输路径安全状态分析神经网络用于依据示例性待处理组合数据中的数据内容，还原出所述示例性待处理组合数据中不具有的信息（基于此，在能够进行有效网络优化处理的基础，还能够将示例性数据的数量增强，如此，可以保障较少数据的示例性数据的网络优化处理的可靠度）；
依据预先配置的第一参考路径安全状态信息和所述相关交通环境图像组合序列，确定出待处理组合数据（示例性地，所述待处理组合数据包括所述第一参考路径安全状态信息和所述相关交通环境图像组合序列，例如，可以将所述第一参考路径安全状态信息和所述相关交通环境图像组合序列组合在一起，以形成待处理组合数据，具体来说，可以是所述相关交通环境图像组合序列在前、所述第一参考路径安全状态信息在后，如此，可以进行先后的拼接，就形成待处理组合数据），所述第一参考路径安全状态信息中路径安全状态关键内容对应的部分通过预设遮盖内容遮盖（举例来说，所述第一参考路径安全状态可以是“此路径的路径安全状态值为XXX”，即通过“XXX”来遮盖所述第一参考路径安全状态信息中路径安全状态关键内容，所述第二参考路径安全状态可以是“此路径的路径安全状态值为第一数值”，也就是说，所述第二参考路径安全状态信息中具有示例性路径安全状态关键内容，该示例性路径安全状态关键内容未被遮盖；另外，示例性交通环境图像组合序列的形式和所述相关交通环境图像组合序列是一致的，只是所述例性交通环境图像组合序列是一种神经网络的优化依据，而所述相关交通环境图像组合序列是优化后的神经网络的处理对象）；
利用第一运输路径安全状态分析神经网络，将所述待处理组合数据中的所述预设遮盖内容进行还原分析，以输出所述预设遮盖内容对应的第一遮盖内容还原内容，所述第一运输路径安全状态分析神经网络通过对第二运输路径安全状态分析神经网络进行网络优化形成；
依据所述第一遮盖内容还原内容，得到所述相关交通环境图像组合序列对应的运输路径安全状态信息（示例性地，可以将所述第一遮盖内容还原内容补充到中第一参考路径安全状态信息中路径安全状态关键内容对应的部分，以形成对应的运输路径安全状态信息；如此，通过所述第一参考路径安全状态信息和所述第二参考路径安全状态信息的配置，可以使得分析出的运输路径安全状态信息的形式更规范，便于后续的应用处理）。
可以理解的是，在一些实施方式中，在执行所述依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据的步骤的过程中，具体可以执行以下的一些子步骤：
对所述第二参考路径安全状态信息中的所述示例性路径安全状态关键内容进行遮盖操作，以通过预先配置的配置遮盖内容进行遮盖（示例性地，所述配置遮盖内容可以是任意的与所述示例性路径安全状态关键内容之间不具有关联性的信息，如在所述示例性路径安全状态关键内容为关键词的时候，所述配置遮盖内容可以为数字，或者，可以为空字段），输出遮盖操作的所述第二参考路径安全状态信息；以及，将遮盖操作的所述第二参考路径安全状态信息和所述示例性交通环境图像组合序列进行数据组合操作，以形成所述原始示例性待处理组合数据。
可以理解的是，在一些实施方式中，在执行所述依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据的步骤的过程中，具体可以执行以下的一些子步骤：
对所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以还原为所述示例性路径安全状态关键内容，并对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据（所述第一示例性交通环境图像可以是任意的，所述遮盖图像为空白图像或图像中的空白区域等，也可以是全黑的图像等；另外，需要说明的是，基于前述的步骤，所述原始示例性待处理组合数据包括遮盖操作的所述第二参考路径安全状态信息和所述示例性交通环境图像组合序列，因此，在进行调整时，一方面需要进行还原操作以还原为所述示例性路径安全状态关键内容，另一方面需要对示例性交通环境图像组合序列进行遮盖操作，再将两方面的结果进行组合，就形成了调整示例性待处理组合数据，也就是说，在调整示例性待处理组合数据中，具有完整的示例性路径安全状态关键内容，但是示例性交通环境图像会有缺失，如将所述示例性交通环境图像组合序列中的第一示例性交通环境图像通过遮盖图像进行遮盖）。
可以理解的是，在一些实施方式中，在执行所述依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络的步骤的过程中，具体可以执行以下的一些子步骤：
利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息；
利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息，所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络之间至少部分网络参数共享（示例性地，可以在进行关键信息挖掘的过程中涉及到的单元进行网络参数的共享，在其它部分，如映射输出的单元可以各自维护对应的网络参数）；
依据所述示例性路径安全状态关键内容和所述内容还原信息（即之间的区别），分析出对应的内容维度学习代价值；
依据所述第一示例性交通环境图像和所述图像还原信息（即之间的区别），分析出对应的图像维度学习代价值；
依据所述内容维度学习代价值和所述图像维度学习代价值（如进行加权求和，得到目标学习代价值），对所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络（示例性地，可以将网络优化处理后的所述内容维度第二运输路径安全状态分析神经网络作为第一运输路径安全状态分析神经网络）。
其中，可以理解的是，在一些实施方式中，在执行所述依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络的步骤的过程中，具体可以执行以下的一些子步骤：
利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息；
利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息，所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络之间至少部分网络参数共享；
依据所述示例性路径安全状态关键内容和所述内容还原信息，分析出对应的内容维度学习代价值；
依据所述第一示例性交通环境图像和所述图像还原信息，分析出对应的图像维度学习代价值；
依据内容维度数据描述向量和图像维度数据描述向量，分析出对应的对比学习代价值，所述内容维度数据描述向量属于所述内容维度第二运输路径安全状态分析神经网络在进行还原操作中挖掘出的隐藏数据描述向量，所述图像维度数据描述向量属于所述图像维度第二运输路径安全状态分析神经网络在进行还原操作中挖掘的隐藏数据描述向量；
依据所述内容维度学习代价值、所述图像维度学习代价值和所述对比学习代价值（示例性地，可以对所述内容维度学习代价值、所述图像维度学习代价值和所述对比学习代价值进行加权求和计算，以得到目标学习代价值，然后，基于目标学习代价值进行网络优化处理，以形成第一运输路径安全状态分析神经网络），对所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络。
可以理解的是，在一些实施方式中，在执行所述利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息的步骤的过程中，具体可以执行以下的一些子步骤：
利用所述内容维度第二运输路径安全状态分析神经网络包括的中间处理单元（示例性地，所述中间处理单元可以是指关键信息挖掘单元，如包括卷积处理单元或滤波矩阵等），将所述原始示例性待处理组合数据进行关键信息挖掘操作，以输出所述原始示例性待处理组合数据中局部待处理组合数据对应的局部待处理组合数据描述向量（示例性地，所述原始示例性待处理组合数据可以由多个局部待处理组合数据组合形成，因此，在进行关键信息挖掘操作的过程中，可以分别对每一个局部待处理组合数据进行关键信息挖掘操作，得到每一个局部待处理组合数据对应的局部待处理组合数据描述向量，另外，一帧图像可以作为一个局部待处理组合数据，所述原始示例性待处理组合数据包括的配置遮盖内容也可以作为一个局部待处理组合数据，如此，可以得到所述配置遮盖内容对应的局部待处理组合数据描述向量）；
依据所述配置遮盖内容对应的局部待处理组合数据描述向量，利用所述内容维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述配置遮盖内容对应的内容维度可能性参数，所述内容维度可能性参数用于反映所述配置遮盖内容对应的各待确认路径安全状态关键内容的可能性大小（如待确认路径安全状态关键内容1的可能性为A、待确认路径安全状态关键内容2的可能性为B等）；
基于所述内容维度可能性参数，确定出对应的内容还原信息（示例性地，可以基于所述内容维度可能性参数，将可能性最大的待确认路径安全状态关键内容，作为对应的内容还原信息）。
可以理解的是，在一些实施方式中，在执行所述利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息的步骤的过程中，具体可以执行以下的一些子步骤：
利用所述图像维度第二运输路径安全状态分析神经网络包括的中间处理单元（示例性地，所述中间处理单元可以是指关键信息挖掘单元，如包括卷积处理单元或滤波矩阵等），将所述调整示例性待处理组合数据进行关键信息挖掘操作，以挖掘出所述调整示例性待处理组合数据包括的局部待处理组合数据对应的局部待处理组合数据描述向量（示例性地，所述调整示例性待处理组合数据可以由多个局部待处理组合数据组合形成，因此，在进行关键信息挖掘操作的过程中，可以分别对每一个局部待处理组合数据进行关键信息挖掘操作，得到每一个局部待处理组合数据对应的局部待处理组合数据描述向量，所述调整示例性待处理组合数据包括的遮盖图像可以作为一个局部待处理组合数据，如此，可以得到所述遮盖图像对应的局部待处理组合数据描述向量）；
依据所述遮盖图像对应的局部待处理组合数据描述向量，利用所述图像维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述遮盖图像对应的图像维度可能性参数，所述图像维度可能性参数用于反映所述遮盖图像对应的各待确认图像的可能性大小（如待确认图像1的可能性为C、待确认图像2的可能性为D等）；
基于所述图像维度可能性参数，确定出对应的图像还原信息（示例性地，可以基于所述图像维度可能性参数，将可能性最大的待确认图像，作为对应的图像还原信息）。
其中，可以理解的是，在一些实施方式中，在执行所述依据内容维度数据描述向量和图像维度数据描述向量，分析出对应的对比学习代价值的步骤的过程中，具体可以执行以下的一些子步骤：
提取到所述内容维度第二运输路径安全状态分析神经网络包括的任意一个中间处理单元挖掘到的所述内容维度数据描述向量（示例性地，所述内容维度第二运输路径安全状态分析神经网络可以包括多个中间处理单元，该多个中间处理单元可以级联连接，即后一个中间处理单元的输入数据为前一个中间处理单元的输出数据，第一个中间处理单元的输入数据可以是输入处理单元的输出数据，该输入处理单元可以将前述的示例性数据进行加载，以映射至特征空间，然后，将得到的数据输出到第一个中间处理单元，最后一个中间处理单元的输出数据可以作为最终的内容维度数据描述向量），并提取到所述图像维度第二运输路径安全状态分析神经网络包括的任意一个中间处理单元挖掘到的所述图像维度数据描述向量（示例性地，所述图像维度第二运输路径安全状态分析神经网络可以包括级联的多个中间处理单元，且提取到的图像维度数据描述向量对应的中间处理单元和提取到的内容维度数据描述向量对应的中间处理单元，在对应的级联关系中，可以具有一样的级联位置，如都是第一个或都是第二个等）；
在所述内容维度数据描述向量中，抽选出所述配置遮盖内容对应的第一局部内容维度数据描述向量，并在所述图像维度数据描述向量中，抽选出所述示例性路径安全状态关键内容对应的第一局部图像维度数据描述向量；在所述图像维度数据描述向量中，抽选出所述遮盖图像对应的第二局部图像维度数据描述向量，并在所述内容维度数据描述向量中，抽选出所述第一示例性交通环境图像对应的第二局部内容维度数据描述向量；
依据所述第一局部内容维度数据描述向量、所述第一局部图像维度数据描述向量、所述第二局部图像维度数据描述向量和所述第二局部内容维度数据描述向量，分析出对应的所述对比学习代价值。
其中，可以理解的是，在一些实施方式中，在执行所述依据所述第一局部内容维度数据描述向量、所述第一局部图像维度数据描述向量、所述第二局部图像维度数据描述向量和所述第二局部内容维度数据描述向量，分析出对应的所述对比学习代价值的步骤的过程中，具体可以执行以下的一些子步骤：
计算输出所述第一局部内容维度数据描述向量与所述第一局部图像维度数据描述向量之间的第一向量差异度；
计算输出所述第二局部图像维度数据描述向量与所述第二局部内容维度数据描述向量之间的第二向量差异度；
依据所述第一向量差异度和所述第二向量差异度，分析输出对应的所述对比学习代价值（示例性地，可以对所述第一向量差异度和所述第二向量差异度进行加权求和，以得到对比学习代价值；也就是说，可以将两个维度的差异进行融合，得到所述对象学习代价值）。
可以理解的是，在一些实施方式中，在执行所述对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据的步骤的过程中，具体可以执行以下的一些子步骤：
依据所述示例性交通环境图像组合序列的图像内容量，分析出对应的遮盖图像量，所述遮盖图像量与所述图像内容量之间正相关（示例性地，所述示例性交通环境图像组合序列包括的示例性交通环境图像的数量越少，所述遮盖图像数量也就越少，即对越少的示例性交通环境图像进行遮盖操作）；以及，对所述示例性交通环境图像组合序列中所述遮盖图像量的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据。
结合图3，本发明实施例还提供一种基于交通运输物流的数据分析装置，该装置可应用于上述基于交通运输物流的数据分析系统。其中，所述基于交通运输物流的数据分析装置可以包括：
相关图像筛选模块，用于从目标运输车辆所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出所述目标运输车辆对应的相关交通环境图像，所述相关交通环境图像对应的图像采集区域位于所述目标运输车辆的至少一条候选运输路径上，所述至少一条候选运输路径中的每一条候选运输路径的起点为所述目标运输车辆的当前位置；
相关图像组合模块，用于对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列；
路径安全状态分析模块，用于分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息；
交通控制处理模块，用于基于所述至少一条候选运输路径和每一条所述候选运输路径对应的运输路径安全状态信息，对所述目标运输车辆进行交通控制处理，以使所述目标运输车辆依据所述至少一条候选运输路径中的目标运输路径行驶。
综上所述，本发明提供的基于交通运输物流的数据分析方法及系统，可以先目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出相关交通环境图像；对于每一条候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个相关交通环境图像进行组合，以形成对应的相关交通环境图像组合序列；分别依据对应的相关交通环境图像组合序列，分析出每一条候选运输路径对应的运输路径安全状态信息；基于至少一条候选运输路径和每一条候选运输路径对应的运输路径安全状态信息，对目标运输车辆进行交通控制处理。基于前述的内容，由于在得到至少一条候选运输路径之后，会基于所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像，对候选运输路径进行安全分析，以确定出目标运输路径，从而实现对目标运输车辆的控制，使得相较于基于人工确定出目标运输路径的常规技术方案，可以可靠地确定出目标运输路径，从而在一定程度提高交通控制的可靠度，改善现有技术的不足。
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)
1.一种基于交通运输物流的数据分析方法，其特征在于，包括：
从目标运输车辆所在的目标交通运输物流系统包括的其它运输车辆采集的交通环境图像中，筛选出所述目标运输车辆对应的相关交通环境图像，所述相关交通环境图像对应的图像采集区域位于所述目标运输车辆的至少一条候选运输路径上，所述至少一条候选运输路径中的每一条所述候选运输路径的起点为所述目标运输车辆的当前位置；
对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列；
分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息；
基于所述至少一条候选运输路径和每一条所述候选运输路径对应的运输路径安全状态信息，对所述目标运输车辆进行交通控制处理，以使所述目标运输车辆依据所述至少一条候选运输路径中的目标运输路径行驶。
2.如权利要求1所述的基于交通运输物流的数据分析方法，其特征在于，所述对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像进行组合，以形成该候选运输路径对应的相关交通环境图像组合序列的步骤，包括：
对于每一条所述候选运输路径，将对应的图像采集区域位于该候选运输路径上的每一个所述相关交通环境图像按照对应的采集位置进行第一组合，以形成该候选运输路径对应的第一相关交通环境图像组合序列，以及，将所述第一相关交通环境图像组合序列中具有相同采集位置的多个相关交通环境图像按照对应的采集时间进行第二组合，以形成该候选运输路径对应的第二相关交通环境图像组合序列；
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度；
依据对应的图像相似度，对所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于所述参考时间长度的每两个相关交通环境图像进行筛选处理，以形成所述第二相关交通环境图像组合序列对应的候选运输路径对应的相关交通环境图像组合序列。
3.如权利要求2所述的基于交通运输物流的数据分析方法，其特征在于，所述对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，对该两个相关交通环境图像进行相似度计算，输出图像相似度的步骤，包括：
对于所述第二相关交通环境图像组合序列中对应的采集时间之间的差值小于预先配置的参考时间长度的每两个相关交通环境图像，分别对该两个相关交通环境图像进行图像特征点的识别提取，以形成对应的第一图像特征点集合和对应的第二图像特征点集合；
分别对所述两个相关交通环境图像进行图像连通域的识别提取，以形成对应的第一图像连通域集合和第二图像连通域集合；
对于所述第一图像特征点集合中的每两个第一图像特征点，确定该两个第一图像特征点是否位于所述第一图像连通域集合中的任意一个第一图像连通域内，以及，在该两个第一图像特征点位于所述第一图像连通域集合中的任意一个第一图像连通域内的情况下，将该两个第一图像特征点进行连接处理，以形成对应的第一特征连接线，以及，基于每两个第一图像特征点对应的第一特征连接线，构建形成第一连接线集合；
对于所述第二图像特征点集合中的每两个第二图像特征点，确定该两个第二图像特征点是否位于所述第二图像连通域集合中的任意一个第二图像连通域内，以及，在该两个第二图像特征点位于所述第二图像连通域集合中的任意一个第二图像连通域内的情况下，将该两个第二图像特征点进行连接处理，以形成对应的第二特征连接线，以及，基于每两个第二图像特征点对应的第二特征连接线，构建形成第二连接线集合；
基于所述第一连接线集合和所述第一图像特征点集合，构建出对应的第一图像关系分布网，以及，基于所述第二连接线集合和所述第二图像特征点集合，构建出对应的第二图像关系分布网；
对所述第一图像关系分布网和所述第二图像关系分布网，分别进行关键信息挖掘操作，以形成对应的第一图像关系分布网描述向量和第二图像关系分布网描述向量，以及，对所述第一图像关系分布网描述向量和所述第二图像关系分布网描述向量进行向量相似度的计算，以得到所述两个相关交通环境图像之间的图像相似度。
4.如权利要求1-3任意一项所述的基于交通运输物流的数据分析方法，其特征在于，所述分别依据对应的相关交通环境图像组合序列，分析出所述至少一条候选运输路径中的每一条候选运输路径对应的运输路径安全状态信息的步骤，包括：
依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据，所述第二参考路径安全状态信息中具有示例性路径安全状态关键内容，所述示例性路径安全状态关键内容用于反映示例性交通环境图像组合序列的路径安全状态关键内容，所述原始示例性待处理组合数据中不具有所述示例性路径安全状态关键内容；
依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据，所述调整示例性待处理组合数据和所述原始示例性待处理组合数据的数据语义特征一致，所述调整示例性待处理组合数据中具有所述示例性路径安全状态关键内容，且不具有局部示例性交通环境图像，不具有的示例性交通环境图像是所述示例性交通环境图像组合序列中的一部分；
依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络，所述第二运输路径安全状态分析神经网络用于依据示例性待处理组合数据中的数据内容，还原出所述示例性待处理组合数据中不具有的信息；
依据预先配置的第一参考路径安全状态信息和所述相关交通环境图像组合序列，确定出待处理组合数据，所述第一参考路径安全状态信息中路径安全状态关键内容对应的部分通过预设遮盖内容遮盖；
利用第一运输路径安全状态分析神经网络，将所述待处理组合数据中的所述预设遮盖内容进行还原分析，以输出所述预设遮盖内容对应的第一遮盖内容还原内容，所述第一运输路径安全状态分析神经网络通过对第二运输路径安全状态分析神经网络进行网络优化形成；
依据所述第一遮盖内容还原内容，得到所述相关交通环境图像组合序列对应的运输路径安全状态信息。
5.如权利要求4所述的基于交通运输物流的数据分析方法，其特征在于，所述依据采集到的第二参考路径安全状态信息和示例性交通环境图像组合序列，确定出原始示例性待处理组合数据的步骤，包括：
对所述第二参考路径安全状态信息中的所述示例性路径安全状态关键内容进行遮盖操作，以通过预先配置的配置遮盖内容进行遮盖，输出遮盖操作的所述第二参考路径安全状态信息；以及，将遮盖操作的所述第二参考路径安全状态信息和所述示例性交通环境图像组合序列进行数据组合操作，以形成所述原始示例性待处理组合数据；
所述依据所述原始示例性待处理组合数据，确定出调整示例性待处理组合数据的步骤，包括：
对所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以还原为所述示例性路径安全状态关键内容，并对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据。
6.如权利要求5所述的基于交通运输物流的数据分析方法，其特征在于，所述依据所述原始示例性待处理组合数据和所述调整示例性待处理组合数据，对第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络的步骤，包括：
利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息；
利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息，所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络之间至少部分网络参数共享；
依据所述示例性路径安全状态关键内容和所述内容还原信息，分析出对应的内容维度学习代价值；
依据所述第一示例性交通环境图像和所述图像还原信息，分析出对应的图像维度学习代价值；
依据所述内容维度学习代价值和所述图像维度学习代价值，对所述内容维度第二运输路径安全状态分析神经网络和所述图像维度第二运输路径安全状态分析神经网络进行网络优化处理，以形成对应的第一运输路径安全状态分析神经网络。
7.如权利要求6所述的基于交通运输物流的数据分析方法，其特征在于，所述利用内容维度第二运输路径安全状态分析神经网络，将所述原始示例性待处理组合数据中的所述配置遮盖内容进行还原操作，以输出对应的内容还原信息的步骤，包括：
利用所述内容维度第二运输路径安全状态分析神经网络包括的中间处理单元，将所述原始示例性待处理组合数据进行关键信息挖掘操作，以输出所述原始示例性待处理组合数据中局部待处理组合数据对应的局部待处理组合数据描述向量；
依据所述配置遮盖内容对应的局部待处理组合数据描述向量，利用所述内容维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述配置遮盖内容对应的内容维度可能性参数，所述内容维度可能性参数用于反映所述配置遮盖内容对应的各待确认路径安全状态关键内容的可能性大小；
基于所述内容维度可能性参数，确定出对应的内容还原信息。
8.如权利要求6所述的基于交通运输物流的数据分析方法，其特征在于，所述利用图像维度第二运输路径安全状态分析神经网络，将所述调整示例性待处理组合数据中的所述遮盖图像进行还原操作，以输出对应的图像还原信息的步骤，包括：
利用所述图像维度第二运输路径安全状态分析神经网络包括的中间处理单元，将所述调整示例性待处理组合数据进行关键信息挖掘操作，以挖掘出所述调整示例性待处理组合数据包括的局部待处理组合数据对应的局部待处理组合数据描述向量；
依据所述遮盖图像对应的局部待处理组合数据描述向量，利用所述图像维度第二运输路径安全状态分析神经网络包括的数据映射单元，映射形成所述遮盖图像对应的图像维度可能性参数，所述图像维度可能性参数用于反映所述遮盖图像对应的各待确认图像的可能性大小；
基于所述图像维度可能性参数，确定出对应的图像还原信息。
9.如权利要求8所述的基于交通运输物流的数据分析方法，其特征在于，所述对所述示例性交通环境图像组合序列中的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据的步骤，包括：
依据所述示例性交通环境图像组合序列的图像内容量，分析出对应的遮盖图像量，所述遮盖图像量与所述图像内容量之间正相关；
对所述示例性交通环境图像组合序列中所述遮盖图像量的第一示例性交通环境图像进行遮盖操作，以通过预先配置的遮盖图像进行遮盖，以输出对应的所述调整示例性待处理组合数据。
10.一种基于交通运输物流的数据分析系统，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 |
|---|---|---|---|
| CN202211600286.8A CN115660520B (zh) | 2022-12-14 | 2022-12-14 | 一种基于交通运输物流的数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211600286.8A CN115660520B (zh) | 2022-12-14 | 2022-12-14 | 一种基于交通运输物流的数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115660520A true CN115660520A (zh) | 2023-01-31 |
| CN115660520B CN115660520B (zh) | 2023-03-28 |
Family
ID=85023712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211600286.8A Active CN115660520B (zh) | 2022-12-14 | 2022-12-14 | 一种基于交通运输物流的数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660520B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012381A (zh) * | 2023-03-27 | 2023-04-25 | 四川高速公路建设开发集团有限公司 | 车辆掉落异物报警方法及系统 |
| CN117150065A (zh) * | 2023-08-16 | 2023-12-01 | 广州杰灵科技有限公司 | 一种图像信息的采集方法及系统 |
| CN117251790A (zh) * | 2023-09-19 | 2023-12-19 | 深圳市新恺轩科技有限公司 | 一种智慧物流数据的采集方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6285949B1 (en) * | 1997-10-22 | 2001-09-04 | Daimlerchrysler Ag | Method and device for extensive traffic situation monitoring |
| US20070253623A1 (en) * | 2006-04-28 | 2007-11-01 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image reading apparatus and image processing method |
| CN106971245A (zh) * | 2017-03-30 | 2017-07-21 | 广东工业大学 | 一种基于改进蚁群算法的路径确定方法及系统 |
| US20180209801A1 (en) * | 2017-01-23 | 2018-07-26 | Uber Technologies, Inc. | Dynamic routing for self-driving vehicles |
| CN109084794A (zh) * | 2018-08-09 | 2018-12-25 | 北京智行者科技有限公司 | 一种路径规划方法 |
| US20190179312A1 (en) * | 2017-12-11 | 2019-06-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and Apparatus for Generating Information |
| US20190339701A1 (en) * | 2016-12-06 | 2019-11-07 | Nissan North America, Inc. | Solution Path Overlay Interfaces for Autonomous Vehicles |
| CN111645705A (zh) * | 2020-06-17 | 2020-09-11 | 广州小鹏车联网科技有限公司 | 一种下发驾驶路线调整的方法和一种服务器 |
| CN112950131A (zh) * | 2021-04-21 | 2021-06-11 | 辽宁工程技术大学 | 一种物流管理系统的运输路径优化系统和方法 |
| CN114219970A (zh) * | 2021-12-07 | 2022-03-22 | 青海民族大学 | 一种用于交通管理的图像处理方法及系统 |
| CN114373311A (zh) * | 2022-01-27 | 2022-04-19 | 支付宝(杭州)信息技术有限公司 | 车辆驾驶引导方法及装置 |
| WO2022105437A1 (zh) * | 2020-11-19 | 2022-05-27 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
| CN115416650A (zh) * | 2022-09-16 | 2022-12-02 | 湖北汽车工业学院 | 一种车辆的智能驾驶避障系统 |
-
2022
- 2022-12-14 CN CN202211600286.8A patent/CN115660520B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6285949B1 (en) * | 1997-10-22 | 2001-09-04 | Daimlerchrysler Ag | Method and device for extensive traffic situation monitoring |
| US20070253623A1 (en) * | 2006-04-28 | 2007-11-01 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image reading apparatus and image processing method |
| US20190339701A1 (en) * | 2016-12-06 | 2019-11-07 | Nissan North America, Inc. | Solution Path Overlay Interfaces for Autonomous Vehicles |
| US20180209801A1 (en) * | 2017-01-23 | 2018-07-26 | Uber Technologies, Inc. | Dynamic routing for self-driving vehicles |
| CN106971245A (zh) * | 2017-03-30 | 2017-07-21 | 广东工业大学 | 一种基于改进蚁群算法的路径确定方法及系统 |
| US20190179312A1 (en) * | 2017-12-11 | 2019-06-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and Apparatus for Generating Information |
| CN109084794A (zh) * | 2018-08-09 | 2018-12-25 | 北京智行者科技有限公司 | 一种路径规划方法 |
| CN111645705A (zh) * | 2020-06-17 | 2020-09-11 | 广州小鹏车联网科技有限公司 | 一种下发驾驶路线调整的方法和一种服务器 |
| WO2022105437A1 (zh) * | 2020-11-19 | 2022-05-27 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
| CN112950131A (zh) * | 2021-04-21 | 2021-06-11 | 辽宁工程技术大学 | 一种物流管理系统的运输路径优化系统和方法 |
| CN114219970A (zh) * | 2021-12-07 | 2022-03-22 | 青海民族大学 | 一种用于交通管理的图像处理方法及系统 |
| CN114373311A (zh) * | 2022-01-27 | 2022-04-19 | 支付宝(杭州)信息技术有限公司 | 车辆驾驶引导方法及装置 |
| CN115416650A (zh) * | 2022-09-16 | 2022-12-02 | 湖北汽车工业学院 | 一种车辆的智能驾驶避障系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012381A (zh) * | 2023-03-27 | 2023-04-25 | 四川高速公路建设开发集团有限公司 | 车辆掉落异物报警方法及系统 |
| CN116012381B (zh) * | 2023-03-27 | 2023-06-16 | 四川高速公路建设开发集团有限公司 | 车辆掉落异物报警方法及系统 |
| CN117150065A (zh) * | 2023-08-16 | 2023-12-01 | 广州杰灵科技有限公司 | 一种图像信息的采集方法及系统 |
| CN117150065B (zh) * | 2023-08-16 | 2024-05-28 | 内蒙古惠强科技有限公司 | 一种图像信息的采集方法及系统 |
| CN117251790A (zh) * | 2023-09-19 | 2023-12-19 | 深圳市新恺轩科技有限公司 | 一种智慧物流数据的采集方法及系统 |
| CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115660520B (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115660520B (zh) | 一种基于交通运输物流的数据分析方法及系统 | |
| CN109447990B (zh) | 图像语义分割方法、装置、电子设备和计算机可读介质 | |
| CN110751134B (zh) | 目标检测方法、装置、存储介质及计算机设备 | |
| CN111369545A (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
| US9460367B2 (en) | Method and system for automating an image rejection process | |
| CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
| CN110796649B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN115018840B (zh) | 精密铸件裂纹检测方法、系统及装置 | |
| CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
| CN114332702A (zh) | 目标区域的检测方法和装置、存储介质及电子设备 | |
| CN108470179B (zh) | 用于检测对象的方法和装置 | |
| CN110991231A (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
| CN111641809A (zh) | 基于物联网和人工智能的安防监控方法及云通信服务器 | |
| CN111340030A (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
| CN114549369A (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
| CN114863350B (zh) | 一种基于图像识别的森林监控方法及系统 | |
| CN115719467A (zh) | 一种基于图像识别的森林调查监测方法及系统 | |
| CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
| CN114897801A (zh) | Aoi缺陷检测方法、装置和设备及计算机介质 | |
| CN114582012A (zh) | 一种骨架人体行为识别方法、装置及设备 | |
| CN114255344A (zh) | 安检图像切分方法、装置、电子设备及计算机可读介质 | |
| CN113191440A (zh) | 一种遥感影像实例分类方法、系统、终端及存储介质 | |
| CN113850751A (zh) | 图片的模糊检测方法、装置、计算机设备和存储介质 | |
| CN114764839A (zh) | 动态视频生成方法、装置、可读存储介质及终端设备 | |
| CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及系统 |
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 |