CN116128674B - 一种基于智能交通的能源数据处理方法及装置 - Google Patents
一种基于智能交通的能源数据处理方法及装置 Download PDFInfo
- Publication number
- CN116128674B CN116128674B CN202310396619.8A CN202310396619A CN116128674B CN 116128674 B CN116128674 B CN 116128674B CN 202310396619 A CN202310396619 A CN 202310396619A CN 116128674 B CN116128674 B CN 116128674B
- Authority
- CN
- China
- Prior art keywords
- traffic
- energy consumption
- facilities
- time period
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims abstract description 292
- 238000012544 monitoring process Methods 0.000 claims abstract description 139
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 39
- 238000012163 sequencing technique Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004378 air conditioning Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 239000002737 fuel gas Substances 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims description 5
- 239000000295 fuel oil Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能交通的能源数据处理方法及装置,该方法包括:获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据;根据运行数据,预测每一交通路线在未来时间段的第一预计能源损耗参数;获取目标监控地区的多个交通区域在历史时间段中的区域能耗监控数据;根据多个交通区域的区域能耗监控数据,预测每一交通路线在未来时间段的第二预计能源损耗参数;根据所有交通路线对应的第一预计能源损耗参数和第二预计能源损耗参数,确定目标监控地区是否存在交通能耗问题及可能存在能耗问题的交通设施。可见,本发明能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于智能交通的能源数据处理方法及装置。
背景技术
随着绿色交通概念的日渐普及和流行,越来越多的交通系统开始注重绿色化出行方面的技术研发,其中,如何识别地区和交通设施的异常能耗问题,是重要的议题之一。但现有技术中,一般仅通过能耗监控设备如水表或电表来监控交通设施的能耗,没有结合其运行数据和地区能耗数据来更智能地分析能耗问题。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于智能交通的能源数据处理方法及装置,能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
为了解决上述技术问题,本发明第一方面公开了一种基于智能交通的能源数据处理方法,所述方法包括:
通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据;
根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数;
获取目标监控地区的多个交通区域在所述历史时间段中所述交通设施运作时的监控设备得到的区域能耗监控数据;
根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数;
根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,确定所述目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
作为一种可选的实施方式,在本发明第一方面中,所述交通设施包括列车驱动设施、视频监视设施、广播设施、电子信息显示设施、乘客引导设施、通风空调设施、给排水及消防设施、动力及照明设施、火灾自动报警设施、环境与设备监控设施、智能卡识别设施、自动扶梯设施、电梯设施、卷帘门控制设施中的至少一种;和/或,所述运行数据包括运行速度、运行功率、运行时长、运行启动时间、运行停止时间、运行效果、运行用户反馈中的至少一种;和/或,所述能源损耗参数包括水能损耗参数、电能损耗参数、燃油能损耗参数、燃气能损耗参数中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数,包括:
将每一所述运行数据,输入至对应的交通设施对应的第一神经网络预测模型中,以得到每一所述运行数据对应的在未来时间段的预计能源损耗参数;所述第一神经网络预测模型通过包括有多个训练运行数据和对应的在未来时间段的能源损耗值标注的第一训练数据集训练得到;
对于每一所述交通路线,计算该交通路线中所有所述交通设施对应的所述运行数据对应的所述预计能源损耗参数的总和,得到交通路线在所述未来时间段的第一预计能源损耗参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数,包括:
根据区域能耗监控数据,基于区域分析算法,确定每一所述交通路线对应的在所述历史时间段的监控能源损耗参数;
根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据区域能耗监控数据,基于区域分析算法,确定每一所述交通路线对应的在所述历史时间段的监控能源损耗参数,包括:
对于每一所述交通路线,确定该交通路线所经过的所有所述交通区域为待计算交通区域;
对于每一所述待计算交通区域,确定同样经过该待计算交通区域的其他所述交通路线的路线数量,以及确定该待计算交通区域在所述历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据所述路线数量,确定该待计算交通区域对应的第一能耗权重;所述第一能耗权重与所述路线数量成反比;
根据所述平均区域能耗监控数据与所述区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;所述第二能耗权重与所述数据差值成正比;
计算每一所述待计算交通区域的所述区域能耗监控数据、所述第一能耗权重和所述第二能耗权重的乘积值;
计算所有所述待计算交通区域的所述乘积值的总和,得到该交通路线对应的在所述历史时间段的监控能源损耗参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数,包括:
将每一所述监控能源损耗参数,输入至对应的所述交通路线对应的第二神经网络预测模型中,以得到每一所述交通路线对应的在所述未来时间段的第二预计能源损耗参数;所述第二神经网络预测模型通过包括有对应的所述交通路线的多个训练监控能源损耗参数和对应的多个交通设施的训练运行数据和对应的在未来时间段的能源损耗值标注的第二训练数据集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,判断所述目标监控地区是否存在交通能耗问题和确定出可能存在能耗问题的交通设施,包括:
计算每一所述交通路线的所述第一预计能源损耗参数和所述第二预计能源损耗参数之间的参数差值;
计算所有所述交通路线对应的所述参数差值的平均值,得到所述目标监控地区对应的能耗表征值;
判断所述能耗表征值是否大于预设的参考能耗表征值;
若否,确定所述目标监控地区不存在交通能耗问题;
若是,确定所述目标监控地区存在交通能耗问题,并根据所述参数差值从大到小对所有所述交通路线进行排序,得到路线序列;
将所述路线序列的前第一预设数量个交通路线确定为待分析交通路线;
计算每一所述交通设施在所有所述待分析交通路线中的出现次数,并按照所述出现次数从大到小,对所有所述交通设施进行排序,得到第一设施序列;
将所述第一设施序列的前第二预设数量个交通设施确定为待分析交通设施;
根据所述预计能源损耗参数从大到小,对所有所述待分析交通设施进行排序,得到第二设施序列;
将所述第二设施序列的前第三预设数量个交通设施确定为可能存在能耗问题的交通设施。
本发明第二方面公开了一种基于智能交通的能源数据处理装置,所述装置包括:
第一获取模块,用于通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据;
第一预测模块,用于根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数;
第二获取模块,用于获取目标监控地区的多个交通区域在所述历史时间段中所述交通设施运作时的监控设备得到的区域能耗监控数据;
第二预测模块,用于根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数;
确定模块,用于根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,确定所述目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
作为一种可选的实施方式,在本发明第二方面中,所述交通设施包括列车驱动设施、视频监视设施、广播设施、电子信息显示设施、乘客引导设施、通风空调设施、给排水及消防设施、动力及照明设施、火灾自动报警设施、环境与设备监控设施、智能卡识别设施、自动扶梯设施、电梯设施、卷帘门控制设施中的至少一种;和/或,所述运行数据包括运行速度、运行功率、运行时长、运行启动时间、运行停止时间、运行效果、运行用户反馈中的至少一种;和/或,所述能源损耗参数包括水能损耗参数、电能损耗参数、燃油能损耗参数、燃气能损耗参数中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第一预测模块根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数的具体方式,包括:
将每一所述运行数据,输入至对应的交通设施对应的第一神经网络预测模型中,以得到每一所述运行数据对应的在未来时间段的预计能源损耗参数;所述第一神经网络预测模型通过包括有多个训练运行数据和对应的在未来时间段的能源损耗值标注的第一训练数据集训练得到;
对于每一所述交通路线,计算该交通路线中所有所述交通设施对应的所述运行数据对应的所述预计能源损耗参数的总和,得到交通路线在所述未来时间段的第一预计能源损耗参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二预测模块根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数的具体方式,包括:
根据区域能耗监控数据,基于区域分析算法,确定每一所述交通路线对应的在所述历史时间段的监控能源损耗参数;
根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二预测模块根据区域能耗监控数据,基于区域分析算法,确定每一所述交通路线对应的在所述历史时间段的监控能源损耗参数的具体方式,包括:
对于每一所述交通路线,确定该交通路线所经过的所有所述交通区域为待计算交通区域;
对于每一所述待计算交通区域,确定同样经过该待计算交通区域的其他所述交通路线的路线数量,以及确定该待计算交通区域在所述历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据所述路线数量,确定该待计算交通区域对应的第一能耗权重;所述第一能耗权重与所述路线数量成反比;
根据所述平均区域能耗监控数据与所述区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;所述第二能耗权重与所述数据差值成正比;
计算每一所述待计算交通区域的所述区域能耗监控数据、所述第一能耗权重和所述第二能耗权重的乘积值;
计算所有所述待计算交通区域的所述乘积值的总和,得到该交通路线对应的在所述历史时间段的监控能源损耗参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二预测模块根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数的具体方式,包括:
将每一所述监控能源损耗参数,输入至对应的所述交通路线对应的第二神经网络预测模型中,以得到每一所述交通路线对应的在所述未来时间段的第二预计能源损耗参数;所述第二神经网络预测模型通过包括有对应的所述交通路线的多个训练监控能源损耗参数和对应的多个交通设施的训练运行数据和对应的在未来时间段的能源损耗值标注的第二训练数据集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述确定模块根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,判断所述目标监控地区是否存在交通能耗问题和确定出可能存在能耗问题的交通设施的具体方式,包括:
计算每一所述交通路线的所述第一预计能源损耗参数和所述第二预计能源损耗参数之间的参数差值;
计算所有所述交通路线对应的所述参数差值的平均值,得到所述目标监控地区对应的能耗表征值;
判断所述能耗表征值是否大于预设的参考能耗表征值;
若否,确定所述目标监控地区不存在交通能耗问题;
若是,确定所述目标监控地区存在交通能耗问题,并根据所述参数差值从大到小对所有所述交通路线进行排序,得到路线序列;
将所述路线序列的前第一预设数量个交通路线确定为待分析交通路线;
计算每一所述交通设施在所有所述待分析交通路线中的出现次数,并按照所述出现次数从大到小,对所有所述交通设施进行排序,得到第一设施序列;
将所述第一设施序列的前第二预设数量个交通设施确定为待分析交通设施;
根据所述预计能源损耗参数从大到小,对所有所述待分析交通设施进行排序,得到第二设施序列;
将所述第二设施序列的前第三预设数量个交通设施确定为可能存在能耗问题的交通设施。
本发明第三方面公开了另一种基于智能交通的能源数据处理装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于智能交通的能源数据处理方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于智能交通的能源数据处理方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明可以结合多系统获取的交通设施的运行数据和区域的能耗监控数据来综合判断地区是否存在交通能耗问题以及可能存在能耗问题的设施,从而能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于智能交通的能源数据处理方法的流程示意图;
图2是本发明实施例公开的一种基于智能交通的能源数据处理装置的结构示意图;
图3是本发明实施例公开的另一种基于智能交通的能源数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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他实施例,都属于本发明保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于智能交通的能源数据处理方法及装置,可以结合多系统获取的交通设施的运行数据和区域的能耗监控数据来综合判断地区是否存在交通能耗问题以及可能存在能耗问题的设施,从而能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于智能交通的能源数据处理方法的流程示意图。其中,图1所描述的方法可以应用于相应的预测设备、预测终端、预测服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于智能交通的能源数据处理方法可以包括以下操作:
101、通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据。
可选的,多个系统可以包括公交系统、地铁系统和/或铁路系统,同样的,交通路线可以包括公交路线、地铁路线或铁路路线中的至少一种。
可选的,交通设施包括列车驱动设施、视频监视设施、广播设施、电子信息显示设施、乘客引导设施、通风空调设施、给排水及消防设施、动力及照明设施、火灾自动报警设施、环境与设备监控设施、智能卡识别设施、自动扶梯设施、电梯设施、卷帘门控制设施中的至少一种。
可选的,运行数据包括运行速度、运行功率、运行时长、运行启动时间、运行停止时间、运行效果、运行用户反馈中的至少一种。
102、根据运行数据,基于神经网络预测模型,预测每一交通路线在未来时间段的第一预计能源损耗参数。
103、获取目标监控地区的多个交通区域在历史时间段中交通设施运作时的监控设备得到的区域能耗监控数据。
104、根据多个交通区域的区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一交通路线在未来时间段的第二预计能源损耗参数。
可选的,本发明所述的能源损耗参数,例如区域能耗监控数据、第一预计能源损耗参数或第二预计能源损耗参数,均可以包括水能损耗参数、电能损耗参数、燃油能损耗参数、燃气能损耗参数中的至少一种。
105、根据所有交通路线对应的第一预计能源损耗参数和第二预计能源损耗参数,基于预设的算法模型,确定目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
可见,实施本发明实施例所描述的方法可以结合多系统获取的交通设施的运行数据和区域的能耗监控数据来综合判断地区是否存在交通能耗问题以及可能存在能耗问题的设施,从而能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,上述步骤中的,根据运行数据,基于神经网络预测模型,预测每一交通路线在未来时间段的第一预计能源损耗参数,包括:
将每一运行数据,输入至对应的交通设施对应的第一神经网络预测模型中,以得到每一运行数据对应的在未来时间段的预计能源损耗参数;第一神经网络预测模型通过包括有多个训练运行数据和对应的在未来时间段的能源损耗值标注的第一训练数据集训练得到;
对于每一交通路线,计算该交通路线中所有交通设施对应的运行数据对应的预计能源损耗参数的总和,得到交通路线在未来时间段的第一预计能源损耗参数。
可见,实施该可选的实施例可以根据基于第一神经网络预测模型预测得到的所有交通路线的交通设施的预计能源损耗,预测每一交通路线在未来时间段的第一预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,上述步骤中的,根据多个交通区域的区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一交通路线在未来时间段的第二预计能源损耗参数,包括:
根据区域能耗监控数据,基于区域分析算法,确定每一交通路线对应的在历史时间段的监控能源损耗参数;
根据交通路线在历史时间段的监控能源损耗参数,预测每一交通路线在未来时间段的第二预计能源损耗参数。
可见,实施该可选的实施例可以根据区域分析算法和区域能耗监控数据,预测每一交通路线在未来时间段的第二预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,上述步骤中的,根据区域能耗监控数据,基于区域分析算法,确定每一交通路线对应的在历史时间段的监控能源损耗参数,包括:
对于每一交通路线,确定该交通路线所经过的所有交通区域为待计算交通区域;
对于每一待计算交通区域,确定同样经过该待计算交通区域的其他交通路线的路线数量,以及确定该待计算交通区域在历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据路线数量,确定该待计算交通区域对应的第一能耗权重;第一能耗权重与路线数量成反比;
根据平均区域能耗监控数据与区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;第二能耗权重与数据差值成正比;
计算每一待计算交通区域的区域能耗监控数据、第一能耗权重和第二能耗权重的乘积值;
计算所有待计算交通区域的乘积值的总和,得到该交通路线对应的在历史时间段的监控能源损耗参数。
可见,实施该可选的实施例可以根据区域能耗监控数据和区域权重,确定每一交通路线对应的在历史时间段的监控能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,上述步骤中的,根据交通路线在历史时间段的监控能源损耗参数,预测每一交通路线在未来时间段的第二预计能源损耗参数,包括:
将每一监控能源损耗参数,输入至对应的交通路线对应的第二神经网络预测模型中,以得到每一交通路线对应的在未来时间段的第二预计能源损耗参数;第二神经网络预测模型通过包括有对应的交通路线的多个训练监控能源损耗参数和对应的多个交通设施的训练运行数据和对应的在未来时间段的能源损耗值标注的第二训练数据集训练得到。
具体的,通过上述第二训练数据集训练得到的第二神经网络预测模型,其模型参数一并学习了训练运行数据与能源损耗值的关联关系,从而使得该模型的预测结果与第一神经网络预测模型的预测结果具备一定的关联性,从而在后续比对和分析中,可以通过两者的预测结果的对比,来分析区域内的交通能耗问题。
可见,实施该可选的实施例可以将每一监控能源损耗参数,输入至对应的交通路线对应的第二神经网络预测模型中,以得到每一交通路线对应的在未来时间段的第二预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,上述步骤中的,根据所有交通路线对应的第一预计能源损耗参数和第二预计能源损耗参数,基于预设的算法模型,判断目标监控地区是否存在交通能耗问题和确定出可能存在能耗问题的交通设施,包括:
计算每一交通路线的第一预计能源损耗参数和第二预计能源损耗参数之间的参数差值;
计算所有交通路线对应的参数差值的平均值,得到目标监控地区对应的能耗表征值;
判断能耗表征值是否大于预设的参考能耗表征值;
若否,确定目标监控地区不存在交通能耗问题;
若是,确定目标监控地区存在交通能耗问题,并根据参数差值从大到小对所有交通路线进行排序,得到路线序列;
将路线序列的前第一预设数量个交通路线确定为待分析交通路线;
计算每一交通设施在所有待分析交通路线中的出现次数,并按照出现次数从大到小,对所有交通设施进行排序,得到第一设施序列;
将第一设施序列的前第二预设数量个交通设施确定为待分析交通设施;
根据预计能源损耗参数从大到小,对所有待分析交通设施进行排序,得到第二设施序列;
将第二设施序列的前第三预设数量个交通设施确定为可能存在能耗问题的交通设施。
具体的,第一预计能源损耗参数和第二预计能源损耗参数之间的参数差值,其在参数意义上表征了对应的交通路线的当前运行能耗与区域的常规能耗在未来的发展趋势上的不同,从而利用这一参数与操作人员通过实验或经验得到参考参数差值的比较,可以从宏观层面上分析区域是否存在交通能耗问题。
可见,实施该可选的实施例可以根据第一预计能源损耗参数和第二预计能源损耗参数的差值,判断目标监控地区是否存在交通能耗问题和进一步根据规则确定出可能存在能耗问题的交通设施,为实现更绿色环保的交通出行提供数据基础。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于智能交通的能源数据处理装置的结构示意图。其中,图2所描述的装置可以应用于相应的预测设备、预测终端、预测服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该装置可以包括:
第一获取模块201,用于通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据。
可选的,多个系统可以包括公交系统、地铁系统和/或铁路系统,同样的,交通路线可以包括公交路线、地铁路线或铁路路线中的至少一种。
可选的,交通设施包括列车驱动设施、视频监视设施、广播设施、电子信息显示设施、乘客引导设施、通风空调设施、给排水及消防设施、动力及照明设施、火灾自动报警设施、环境与设备监控设施、智能卡识别设施、自动扶梯设施、电梯设施、卷帘门控制设施中的至少一种。
可选的,运行数据包括运行速度、运行功率、运行时长、运行启动时间、运行停止时间、运行效果、运行用户反馈中的至少一种。
第一预测模块202,用于根据运行数据,基于神经网络预测模型,预测每一交通路线在未来时间段的第一预计能源损耗参数。
第二获取模块203,用于获取目标监控地区的多个交通区域在历史时间段中交通设施运作时的监控设备得到的区域能耗监控数据。
第二预测模块204,用于根据多个交通区域的区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一交通路线在未来时间段的第二预计能源损耗参数。
可选的,本发明所述的能源损耗参数,例如区域能耗监控数据、第一预计能源损耗参数或第二预计能源损耗参数,均可以包括水能损耗参数、电能损耗参数、燃油能损耗参数、燃气能损耗参数中的至少一种。
确定模块205,用于根据所有交通路线对应的第一预计能源损耗参数和第二预计能源损耗参数,基于预设的算法模型,确定目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
可见,实施本发明实施例所描述的装置可以结合多系统获取的交通设施的运行数据和区域的能耗监控数据来综合判断地区是否存在交通能耗问题以及可能存在能耗问题的设施,从而能够实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,第一预测模块202根据运行数据,基于神经网络预测模型,预测每一交通路线在未来时间段的第一预计能源损耗参数的具体方式,包括:
将每一运行数据,输入至对应的交通设施对应的第一神经网络预测模型中,以得到每一运行数据对应的在未来时间段的预计能源损耗参数;第一神经网络预测模型通过包括有多个训练运行数据和对应的在未来时间段的能源损耗值标注的第一训练数据集训练得到;
对于每一交通路线,计算该交通路线中所有交通设施对应的运行数据对应的预计能源损耗参数的总和,得到交通路线在未来时间段的第一预计能源损耗参数。
可见,实施该可选的实施例可以根据基于第一神经网络预测模型预测得到的所有交通路线的交通设施的预计能源损耗,预测每一交通路线在未来时间段的第一预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,第二预测模块204根据多个交通区域的区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一交通路线在未来时间段的第二预计能源损耗参数的具体方式,包括:
根据区域能耗监控数据,基于区域分析算法,确定每一交通路线对应的在历史时间段的监控能源损耗参数;
根据交通路线在历史时间段的监控能源损耗参数,预测每一交通路线在未来时间段的第二预计能源损耗参数。
可见,实施该可选的实施例可以根据区域分析算法和区域能耗监控数据,预测每一交通路线在未来时间段的第二预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,第二预测模块204根据区域能耗监控数据,基于区域分析算法,确定每一交通路线对应的在历史时间段的监控能源损耗参数的具体方式,包括:
对于每一交通路线,确定该交通路线所经过的所有交通区域为待计算交通区域;
对于每一待计算交通区域,确定同样经过该待计算交通区域的其他交通路线的路线数量,以及确定该待计算交通区域在历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据路线数量,确定该待计算交通区域对应的第一能耗权重;第一能耗权重与路线数量成反比;
根据平均区域能耗监控数据与区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;第二能耗权重与数据差值成正比;
计算每一待计算交通区域的区域能耗监控数据、第一能耗权重和第二能耗权重的乘积值;
计算所有待计算交通区域的乘积值的总和,得到该交通路线对应的在历史时间段的监控能源损耗参数。
可见,实施该可选的实施例可以根据区域能耗监控数据和区域权重,确定每一交通路线对应的在历史时间段的监控能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,第二预测模块204根据交通路线在历史时间段的监控能源损耗参数,预测每一交通路线在未来时间段的第二预计能源损耗参数的具体方式,包括:
将每一监控能源损耗参数,输入至对应的交通路线对应的第二神经网络预测模型中,以得到每一交通路线对应的在未来时间段的第二预计能源损耗参数;第二神经网络预测模型通过包括有对应的交通路线的多个训练监控能源损耗参数和对应的多个交通设施的训练运行数据和对应的在未来时间段的能源损耗值标注的第二训练数据集训练得到。
具体的,通过上述第二训练数据集训练得到的第二神经网络预测模型,其模型参数一并学习了训练运行数据与能源损耗值的关联关系,从而使得该模型的预测结果与第一神经网络预测模型的预测结果具备一定的关联性,从而在后续比对和分析中,可以通过两者的预测结果的对比,来分析区域内的交通能耗问题。
可见,实施该可选的实施例可以将每一监控能源损耗参数,输入至对应的交通路线对应的第二神经网络预测模型中,以得到每一交通路线对应的在未来时间段的第二预计能源损耗参数,从而在后续能够基于此实现更加精准和高效的能耗问题分析,为实现更绿色环保的交通出行提供数据基础。
作为一种可选的实施例,确定模块205根据所有交通路线对应的第一预计能源损耗参数和第二预计能源损耗参数,基于预设的算法模型,判断目标监控地区是否存在交通能耗问题和确定出可能存在能耗问题的交通设施的具体方式,包括:
计算每一交通路线的第一预计能源损耗参数和第二预计能源损耗参数之间的参数差值;
计算所有交通路线对应的参数差值的平均值,得到目标监控地区对应的能耗表征值;
判断能耗表征值是否大于预设的参考能耗表征值;
若否,确定目标监控地区不存在交通能耗问题;
若是,确定目标监控地区存在交通能耗问题,并根据参数差值从大到小对所有交通路线进行排序,得到路线序列;
将路线序列的前第一预设数量个交通路线确定为待分析交通路线;
计算每一交通设施在所有待分析交通路线中的出现次数,并按照出现次数从大到小,对所有交通设施进行排序,得到第一设施序列;
将第一设施序列的前第二预设数量个交通设施确定为待分析交通设施;
根据预计能源损耗参数从大到小,对所有待分析交通设施进行排序,得到第二设施序列;
将第二设施序列的前第三预设数量个交通设施确定为可能存在能耗问题的交通设施。
具体的,第一预计能源损耗参数和第二预计能源损耗参数之间的参数差值,其在参数意义上表征了对应的交通路线的当前运行能耗与区域的常规能耗在未来的发展趋势上的不同,从而利用这一参数与操作人员通过实验或经验得到参考参数差值的比较,可以从宏观层面上分析区域是否存在交通能耗问题。
可见,实施该可选的实施例可以根据第一预计能源损耗参数和第二预计能源损耗参数的差值,判断目标监控地区是否存在交通能耗问题和进一步根据规则确定出可能存在能耗问题的交通设施,为实现更绿色环保的交通出行提供数据基础。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于智能交通的能源数据处理装置的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于智能交通的能源数据处理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于智能交通的能源数据处理方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于智能交通的能源数据处理方法及装置所揭露的仅为本发明较佳实施例而已,仅用于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项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于智能交通的能源数据处理方法,其特征在于,所述方法包括:
通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据;
根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数;
获取目标监控地区的多个交通区域在所述历史时间段中所述交通设施运作时的监控设备得到的区域能耗监控数据;
对于每一所述交通路线,确定该交通路线所经过的所有所述交通区域为待计算交通区域;
对于每一所述待计算交通区域,确定同样经过该待计算交通区域的其他所述交通路线的路线数量,以及确定该待计算交通区域在所述历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据所述路线数量,确定该待计算交通区域对应的第一能耗权重;所述第一能耗权重与所述路线数量成反比;
根据所述平均区域能耗监控数据与所述区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;所述第二能耗权重与所述数据差值成正比;
计算每一所述待计算交通区域的所述区域能耗监控数据、所述第一能耗权重和所述第二能耗权重的乘积值;
计算所有所述待计算交通区域的所述乘积值的总和,得到该交通路线对应的在所述历史时间段的监控能源损耗参数;
根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数;
根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,确定所述目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
2.根据权利要求1所述的基于智能交通的能源数据处理方法,其特征在于,所述交通设施包括列车驱动设施、视频监视设施、广播设施、电子信息显示设施、乘客引导设施、通风空调设施、给排水及消防设施、动力及照明设施、火灾自动报警设施、环境与设备监控设施、智能卡识别设施、自动扶梯设施、电梯设施、卷帘门控制设施中的至少一种;和/或,所述运行数据包括运行速度、运行功率、运行时长、运行启动时间、运行停止时间、运行效果、运行用户反馈中的至少一种;和/或,所述能源损耗参数包括水能损耗参数、电能损耗参数、燃油能损耗参数、燃气能损耗参数中的至少一种。
3.根据权利要求1所述的基于智能交通的能源数据处理方法,其特征在于,所述根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数,包括:
将每一所述运行数据,输入至对应的交通设施对应的第一神经网络预测模型中,以得到每一所述运行数据对应的在未来时间段的预计能源损耗参数;所述第一神经网络预测模型通过包括有多个训练运行数据和对应的在未来时间段的能源损耗值标注的第一训练数据集训练得到;
对于每一所述交通路线,计算该交通路线中所有所述交通设施对应的所述运行数据对应的所述预计能源损耗参数的总和,得到交通路线在所述未来时间段的第一预计能源损耗参数。
4.根据权利要求1所述的基于智能交通的能源数据处理方法,其特征在于,所述根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数,包括:
将每一所述监控能源损耗参数,输入至对应的所述交通路线对应的第二神经网络预测模型中,以得到每一所述交通路线对应的在所述未来时间段的第二预计能源损耗参数;所述第二神经网络预测模型通过包括有对应的所述交通路线的多个训练监控能源损耗参数和对应的多个交通设施的训练运行数据和对应的在未来时间段的能源损耗值标注的第二训练数据集训练得到。
5.根据权利要求4所述的基于智能交通的能源数据处理方法,其特征在于,所述根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,判断所述目标监控地区是否存在交通能耗问题和确定出可能存在能耗问题的交通设施,包括:
计算每一所述交通路线的所述第一预计能源损耗参数和所述第二预计能源损耗参数之间的参数差值;
计算所有所述交通路线对应的所述参数差值的平均值,得到所述目标监控地区对应的能耗表征值;
判断所述能耗表征值是否大于预设的参考能耗表征值;
若否,确定所述目标监控地区不存在交通能耗问题;
若是,确定所述目标监控地区存在交通能耗问题,并根据所述参数差值从大到小对所有所述交通路线进行排序,得到路线序列;
将所述路线序列的前第一预设数量个交通路线确定为待分析交通路线;
计算每一所述交通设施在所有所述待分析交通路线中的出现次数,并按照所述出现次数从大到小,对所有所述交通设施进行排序,得到第一设施序列;
将所述第一设施序列的前第二预设数量个交通设施确定为待分析交通设施;
根据所述预计能源损耗参数从大到小,对所有所述待分析交通设施进行排序,得到第二设施序列;
将所述第二设施序列的前第三预设数量个交通设施确定为可能存在能耗问题的交通设施。
6.一种基于智能交通的能源数据处理装置,其特征在于,所述装置包括:
第一获取模块,用于通过智能交通平台的多个系统获取目标监控地区的多个交通路线的交通设施的在历史时间段的运行数据;
第一预测模块,用于根据所述运行数据,基于神经网络预测模型,预测每一所述交通路线在未来时间段的第一预计能源损耗参数;
第二获取模块,用于获取目标监控地区的多个交通区域在所述历史时间段中所述交通设施运作时的监控设备得到的区域能耗监控数据;
第二预测模块,用于根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数;所述第二预测模块根据所述多个交通区域的所述区域能耗监控数据,基于区域-线路分析规则和预测算法模型,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数的具体方式,包括:
对于每一所述交通路线,确定该交通路线所经过的所有所述交通区域为待计算交通区域;
对于每一所述待计算交通区域,确定同样经过该待计算交通区域的其他所述交通路线的路线数量,以及确定该待计算交通区域在所述历史时间段中的该交通路线的交通设施不工作时的平均区域能耗监控数据;
根据所述路线数量,确定该待计算交通区域对应的第一能耗权重;所述第一能耗权重与所述路线数量成反比;
根据所述平均区域能耗监控数据与所述区域能耗监控数据的数据差值,确定该待计算交通区域对应的第二能耗权重;所述第二能耗权重与所述数据差值成正比;
计算每一所述待计算交通区域的所述区域能耗监控数据、所述第一能耗权重和所述第二能耗权重的乘积值;
计算所有所述待计算交通区域的所述乘积值的总和,得到该交通路线对应的在所述历史时间段的监控能源损耗参数;
根据所述交通路线在所述历史时间段的监控能源损耗参数,预测每一所述交通路线在所述未来时间段的第二预计能源损耗参数;
确定模块,用于根据所有所述交通路线对应的所述第一预计能源损耗参数和所述第二预计能源损耗参数,基于预设的算法模型,确定所述目标监控地区是否存在交通能耗问题以及可能存在能耗问题的交通设施。
7.一种基于智能交通的能源数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-5任一项所述的基于智能交通的能源数据处理方法。
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计算机指令,所述计算机指令被调用时,用于执行如权利要求1-5任一项所述的基于智能交通的能源数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396619.8A CN116128674B (zh) | 2023-04-14 | 2023-04-14 | 一种基于智能交通的能源数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396619.8A CN116128674B (zh) | 2023-04-14 | 2023-04-14 | 一种基于智能交通的能源数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128674A CN116128674A (zh) | 2023-05-16 |
CN116128674B true CN116128674B (zh) | 2023-06-23 |
Family
ID=86303074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310396619.8A Active CN116128674B (zh) | 2023-04-14 | 2023-04-14 | 一种基于智能交通的能源数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976046B (zh) * | 2023-06-12 | 2024-04-05 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN117475367B (zh) * | 2023-06-12 | 2024-05-07 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496275A (zh) * | 2022-09-16 | 2022-12-20 | 中国光大绿色技术创新研究院有限公司 | 城市交通碳排放预测方法、装置、电子设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012201017A1 (en) * | 2006-02-24 | 2012-03-15 | Gridpoint, Inc. | Energy budget manager |
CN106529787A (zh) * | 2016-11-02 | 2017-03-22 | 南京国电南自轨道交通工程有限公司 | 一种基于人脸检测技术的地铁能源管理系统 |
CN113850439A (zh) * | 2021-09-29 | 2021-12-28 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
CN114119289A (zh) * | 2021-12-01 | 2022-03-01 | 河南博元电力科技股份有限公司 | 综合能源监控数据的处理方法及装置 |
CN115270933A (zh) * | 2022-07-11 | 2022-11-01 | 中交四航局江门航通船业有限公司 | 区域能耗监测数据异常预警方法、系统、装置及存储介质 |
CN115577851A (zh) * | 2022-10-28 | 2023-01-06 | 邦道科技有限公司 | 能源消耗预测方法、装置、设备及存储介质 |
CN115941727A (zh) * | 2022-10-31 | 2023-04-07 | 中铁大桥勘测设计院集团有限公司武汉分公司 | 一种铁路一体化智能运维监管系统及方法 |
-
2023
- 2023-04-14 CN CN202310396619.8A patent/CN116128674B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496275A (zh) * | 2022-09-16 | 2022-12-20 | 中国光大绿色技术创新研究院有限公司 | 城市交通碳排放预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116128674A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128674B (zh) | 一种基于智能交通的能源数据处理方法及装置 | |
JP3900394B2 (ja) | 配車システム | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和系统以及评价方法和系统 | |
CN112884325A (zh) | 一种客站设备应用分析及健康状况评价方法及系统 | |
CN111292460A (zh) | 基于地铁刷脸认证的控制方法及装置 | |
CN109118801A (zh) | 停车场管理方法、装置、系统及可读存储介质 | |
CN111160701A (zh) | 工程项目风险监控方法、系统、计算机设备和存储介质 | |
CN108960532A (zh) | 一种车站实时客流状态预测与预警系统及方法 | |
CN115730790A (zh) | 基于边缘计算的充电配置方法、装置、设备及存储介质 | |
CN112991130A (zh) | 基于人工智能的城市治理事件处理方法及装置 | |
CN116128166B (zh) | 一种用于智能交通的数据可视化处理方法及装置 | |
JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
CN115640997B (zh) | 交通事故风险动态识别方法和识别模型构建方法 | |
CN117147958A (zh) | 一种基于实时用电监测的窃电判别方法及装置 | |
CN111555908A (zh) | 基于专家经验规则的电网复杂故障事件识别方法、装置及系统 | |
CN114333212A (zh) | 一种充电站监测调控的方法、系统、电子设备及存储介质 | |
CN116341837A (zh) | 智慧燃气呼叫中心工单创建方法、物联网系统与介质 | |
CN113447037B (zh) | 行程偏航检测方法及装置 | |
CN116142019A (zh) | 电动车充电的通讯方法、装置、充电桩以及系统 | |
CN113911171A (zh) | 基于供电能力的轨道交通列车控制方法、设备及介质 | |
CN116128169B (zh) | 一种用于智能交通的多系统联动控制方法及装置 | |
CN117765721B (zh) | 基于云平台的公路交易特情处理方法及系统 | |
CN115206042B (zh) | 工控安全的智能化监测方法、装置、设备及介质 | |
CN112783944B (zh) | 下车公交站点的确定方法及装置 | |
CN115796392B (zh) | 一种基于3d可视化的智慧楼宇展示方法及系统 |
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 |