CN116543563A - 一种基于云计算和深度学习的数据分析方法 - Google Patents
一种基于云计算和深度学习的数据分析方法 Download PDFInfo
- Publication number
- CN116543563A CN116543563A CN202310825962.XA CN202310825962A CN116543563A CN 116543563 A CN116543563 A CN 116543563A CN 202310825962 A CN202310825962 A CN 202310825962A CN 116543563 A CN116543563 A CN 116543563A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- data
- edge side
- sub
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 238000007405 data analysis Methods 0.000 title claims abstract description 35
- 238000013136 deep learning model Methods 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于云计算和深度学习的数据分析方法,具体包括:云服务器根据历史数据进行深度学习模型的训练,将训练好的深度学习模型部署到分服务器,分服务器分发并部署到边缘侧节点;边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并发送给云服务器;云服务器进行整合,得到迭代深度学习模型,发送给分服务器进行再分发,循环实现。本发明提供的一种基于云计算和深度学习的数据分析方法,将云计算和深度学习结合,并应用到交通拥堵识别上,准确且及时。
Description
技术领域
本发明为数据分析领域,特别是指一种基于云计算和深度学习的数据分析方法。
背景技术
伴随着科学技术的发展,人们生活水平不断提高。城市化进程的不断推进使得很多大城市的机动车和非机动车保有量呈逐年增长的趋势,这样会造成愈发严重的交通拥堵问题。城市街道的交通拥堵不仅对人们的日常出行产生了影响,还可能导致一系列的交通事故,准确及时的识别交通拥堵是亟待解决的问题。
但由于路网复杂交通数据庞大,能够准确及时的识别交通拥堵很难实现;随着云计算和大数据的发展,各类应用系统已经渐渐转向云端,云端中心聚合了大量的物理硬件资源,集中建设数据中心大大降低了计算和存储的成本。
深度学习需要大量数据和计算资源来进行训练,云端服务在一定程度上可以满足要求,然而伴随着数据量越来越庞大,特别是对于边缘侧诸如实时业务、数据优化、带宽限制、应用智能、安全与隐私等多方面需求,计算和存储无法全部放在远程云端,需要将其靠近边缘侧设备或数据源头,就近提供近端计算服务。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于云计算和深度学习的数据分析方法,将云计算和深度学习结合,并应用到交通拥堵识别上,准确且及时。
本发明采用如下技术方案:
一种基于云计算和深度学习的数据分析方法,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:
云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;
分服务器将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型;
边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;
分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器;
云服务器将分服务器发送的更新训练好的深度学习模型进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器进行再分发,循环实现。
具体地,所述深度学习模型包括但不限于:基于遗传算法的神经网络模型、基于时空图的卷积神经网络模型以及所述基于前向反馈的神经网络模型。
具体地,所述交通流数据包括车辆轨迹数据、经纬度数据、时间数据、路网数据。
具体地,所述边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果,具体为:
边缘侧节点检测本地缓存是否已存在匹配的采集数据,若存在匹配数据,直接从缓存中返回交通拥堵分级结果;
否则,利用深度学习模型对采集数据进行计算,实时得到交通拥堵分级结果,并将采集数据及交通拥堵分级结果保存在边缘侧节点本地缓存。
具体地,边缘侧节点将采集的数据发送到分服务器,具体包括:
边缘侧节点根据网络带宽情况,选择带宽流量较小的时间段,统一上传采集的数据;
分服务器接收来自边缘侧节点上传的训练集数据,保存在本地存储中;
分服务器根据网络带宽情况,选择带宽流量较小的时间段,更新的训练好的深度学习模型发送给云服务器。
具体地,所述智能传感设备采用智能摄像头。
本发明实施例另一方面提供一种基于云计算和深度学习的数据分析系统,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:
云服务器,云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;接收分服务器发送的更新训练好的深度学习模型,并进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器;
分服务器,接收云服务器发送的训练好的深度学习模型,将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型,分服务器接收发送的采集数据并根据边缘侧发送的采集数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器,接收云服务器发送的迭代深度学习模型并分发给边缘侧节点;
边缘侧节点,接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;接收分服务器发送的迭代深度学习模型。
本发明再一方面提供一种云计算服务器,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行上述一种基于云计算和深度学习的数据分析方法。
本发明又一方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序在运行是实现一种基于云计算和深度学习的数据分析方法。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
一种基于云计算和深度学习的数据分析方法,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;分服务器将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型;边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器;云服务器将分服务器发送的更新训练好的深度学习模型进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器进行再分发,循环实现。本发明提供的一种基于云计算和深度学习的数据分析方法,将云计算和深度学习结合,并应用到交通拥堵识别上,准确且及时。
附图说明
图1为本发明实施例提供的一种基于云计算和深度学习的数据分析方法流程图;
图2为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“ 一”、“ 一个”、“ 一种”和/或“ 该”等词并非特指单数,也可包括复数。一般说来,术语“ 包括”与“ 包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本发明提出了一种基于云计算和深度学习的数据分析方法,将云计算和深度学习结合,并应用到交通拥堵识别上,准确且及时。
实施例1:如图1为一种基于云计算和深度学习的数据分析方法,具体包括如下步骤:
一种基于云计算和深度学习的数据分析方法,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,由云服务器负责历史数据大计算量的基础深度学习模型训练,经由分服务器分发给边缘侧节点,边缘侧节点接收采集数据并根据训练好的深度学习模型完成计算,边缘侧节点持续将新的采集数据的反馈分服务器,由分服务器进行更新再上传到云端持续整合优化模型,并将整合优化模型再经由分服务器分发给边缘侧节点,循环实现;具体包括:
S101:云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;
S102:分服务器将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型;
S103:边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;
S104:分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器;
S105:云服务器将分服务器发送的更新训练好的深度学习模型进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器进行再分发,循环实现。
具体地,所述深度学习模型包括但不限于:基于遗传算法的神经网络模型、基于时空图的卷积神经网络模型以及所述基于前向反馈的神经网络模型。
本发明提供的一种基于云计算和深度学习的数据分析方法,相较于传统的训练和推理都在云服务器的方式,有效的利用云服务器强大计算能力的同时,结合了边缘计算的特点,将具体计算放在边缘侧节点,提高了终端业务的实时性,满足了智能终端应用实时性的需求;并将新的数据通过分服务器层层上传到云服务器,分服务器和云服务器可以实现深度学习模型的持续优化,提高最终模型的识别率。
实施例2:本实施例提出的一种基于云计算和深度学习的数据分析方法,在实施例1的基础上,给出步骤二的一种详细技术方案,进一步提高实时业务的执行效率,同时增加了本实施例技术方案的可行性和实用性。
所述交通流数据包括车辆轨迹数据、经纬度数据、时间数据、路网数据。如市中心路段、购物广场路段、维修路段或者其他经常出现拥堵的交通路段交通流数据可以用于进行交通情况(例如路况)分析。
所述边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果,具体为:
智能传感设备实时采集交通流数据并发送给边缘侧节点;
边缘侧节点接收智能传感设备采集的交通流数据,并检测本地缓存是否已存在匹配的采集数据,若存在匹配数据,直接从缓存中返回交通拥堵分级结果;
否则,利用深度学习模型对采集数据进行计算,实时得到交通拥堵分级结果,并将采集数据及交通拥堵分级结果保存在边缘侧节点本地缓存。
实施例3:本实施例一种基于云计算和深度学习的数据分析方法,通过边缘侧计算节点将数据和计算结果缓存在节点本地,一方面可以显著提高实时业务的执行效率,另一方面,对智能传感设备的数据进行计算,减轻云端的处理压力。
本实施例提出的一种云端边缘计算融合的深度学习计算方法,在实施例1的基础上,给出步骤一、步骤三的一种详细技术方案,选择带宽空闲时间段上传数据,保证了网络传输的效率,提高了网络的利用率。
具体地,边缘侧节点将采集的数据发送到分服务器,具体包括:
边缘侧节点根据网络带宽情况,选择带宽流量较小的时间段,统一上传采集的数据;
分服务器接收来自边缘侧节点上传的训练集数据,保存在本地存储中;
分服务器根据网络带宽情况,选择带宽流量较小的时间段,更新的训练好的深度学习模型发送给云服务器。
具体地,所述智能传感设备采用智能摄像头。
实施例4:本发明实施例另一方面提供一种基于云计算和深度学习的数据分析系统,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:
云服务器,云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;接收分服务器发送的更新训练好的深度学习模型,并进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器;
分服务器,接收云服务器发送的训练好的深度学习模型,将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型,分服务器接收发送的采集数据并根据边缘侧发送的采集数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器,接收云服务器发送的迭代深度学习模型并分发给边缘侧节点;
边缘侧节点,接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;接收分服务器发送的迭代深度学习模型。
本发明实施例另一方面一种云计算服务器,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行一种基于云计算和深度学习的数据分析方法。
请参阅图2,图2为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图2所示,本实施例提供了一种计算机可读存储介质200,其上存储有计算机程序211,该计算机程序211被处理器执行时实现本发明实施例提供的一种基于云计算和深度学习的数据分析方法;
在具体实施过程中,该计算机程序211被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
一种基于云计算和深度学习的数据分析方法,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;分服务器将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型;边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器;云服务器将分服务器发送的更新训练好的深度学习模型进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器进行再分发,循环实现。本发明提供的一种基于云计算和深度学习的数据分析方法,将云计算和深度学习结合,并应用到交通拥堵识别上,准确且及时。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容,并不用于限制本发明的保护范围,本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (9)
1.一种基于云计算和深度学习的数据分析方法,其特征在于,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:
云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;
分服务器将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型;
边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;
分服务器根据边缘侧发送的数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器;
云服务器将分服务器发送的更新训练好的深度学习模型进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器进行再分发,循环实现。
2.根据权利要求1所述一种基于云计算和深度学习的数据分析方法,其特征在于,所述深度学习模型包括但不限于:基于遗传算法的神经网络模型、基于时空图的卷积神经网络模型以及所述基于前向反馈的神经网络模型。
3.根据权利要求1所述一种基于云计算和深度学习的数据分析方法,其特征在于,所述交通流数据包括车辆轨迹数据、经纬度数据、时间数据、路网数据。
4.根据权利要求3所述一种基于云计算和深度学习的数据分析方法,其特征在于,所述边缘侧节点接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果,具体为:
边缘侧节点检测本地缓存是否已存在匹配的采集数据,若存在匹配数据,直接从缓存中返回交通拥堵分级结果;
否则,利用深度学习模型对采集数据进行计算,实时得到交通拥堵分级结果,并将采集数据及交通拥堵分级结果保存在边缘侧节点本地缓存。
5.根据权利要求4所述一种基于云计算和深度学习的数据分析方法,其特征在于,边缘侧节点将采集的数据发送到分服务器,具体包括:
边缘侧节点根据网络带宽情况,选择带宽流量较小的时间段,统一上传采集的数据;
分服务器接收来自边缘侧节点上传的训练集数据,保存在本地存储中;
分服务器根据网络带宽情况,选择带宽流量较小的时间段,更新的训练好的深度学习模型发送给云服务器。
6.根据权利要求4所述一种基于云计算和深度学习的数据分析方法,其特征在于,所述智能传感设备采用智能摄像头。
7.一种基于云计算和深度学习的数据分析系统,其特征在于,在分布式计算的云服务器、分服务器以及边缘侧配置深度学习模型,具体包括:
云服务器,云服务器根据历史数据进行深度学习模型的训练,得到训练好的深度学习模型,并将训练好的深度学习模型部署到分服务器,其中一个分服务器对应多个边缘侧节点;接收分服务器发送的更新训练好的深度学习模型,并进行整合,得到迭代深度学习模型,并将迭代深度学习模型发送给分服务器;
分服务器,接收云服务器发送的训练好的深度学习模型,将训练好的深度学习模型分发到边缘侧节点,并在边缘侧节点部署训练好的深度学习模型,分服务器接收发送的采集数据并根据边缘侧发送的采集数据更新训练好的深度学习模型,并将更新的训练好的深度学习模型发送给云服务器,接收云服务器发送的迭代深度学习模型并分发给边缘侧节点;
边缘侧节点,接收智能传感设备采集的交通流数据,并将接收的交通流数据输入到训练好的深度学习模型,输出交通拥堵分级结果;同时边缘侧节点将采集的数据发送到分服务器;接收分服务器发送的迭代深度学习模型。
8.一种云计算服务器,其特征在于,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行权利要求1-6任一项所述的方法。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行是实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825962.XA CN116543563A (zh) | 2023-07-07 | 2023-07-07 | 一种基于云计算和深度学习的数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825962.XA CN116543563A (zh) | 2023-07-07 | 2023-07-07 | 一种基于云计算和深度学习的数据分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543563A true CN116543563A (zh) | 2023-08-04 |
Family
ID=87456427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310825962.XA Pending CN116543563A (zh) | 2023-07-07 | 2023-07-07 | 一种基于云计算和深度学习的数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543563A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041290A (zh) * | 2023-08-08 | 2023-11-10 | 广州融新智能科技有限公司 | 一种智能交通数据交互方法、平台及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097007A (zh) * | 2011-03-16 | 2011-06-15 | 北京世纪高通科技有限公司 | 城市实时交通路况信息准确性的评价方法及装置 |
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN111564037A (zh) * | 2020-04-14 | 2020-08-21 | 深圳市灵犀智汇科技有限公司 | 一种面向轨道交通的数据计算方法 |
CN112286695A (zh) * | 2020-12-24 | 2021-01-29 | 武汉绿色网络信息服务有限责任公司 | 服务器资源分配方法以及边缘数据中心 |
CN113096418A (zh) * | 2021-04-06 | 2021-07-09 | 昭通亮风台信息科技有限公司 | 基于边缘计算的交通网红绿灯控制方法、系统及计算机可读存储介质 |
CN114023062A (zh) * | 2021-10-27 | 2022-02-08 | 河海大学 | 一种基于深度学习和边缘计算的交通流信息监测方法 |
CN115033253A (zh) * | 2022-05-10 | 2022-09-09 | 中国电子科技集团公司第四十一研究所 | 一种深度学习模型的云边协同训练和部署系统及方法 |
-
2023
- 2023-07-07 CN CN202310825962.XA patent/CN116543563A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097007A (zh) * | 2011-03-16 | 2011-06-15 | 北京世纪高通科技有限公司 | 城市实时交通路况信息准确性的评价方法及装置 |
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN111564037A (zh) * | 2020-04-14 | 2020-08-21 | 深圳市灵犀智汇科技有限公司 | 一种面向轨道交通的数据计算方法 |
CN112286695A (zh) * | 2020-12-24 | 2021-01-29 | 武汉绿色网络信息服务有限责任公司 | 服务器资源分配方法以及边缘数据中心 |
CN113096418A (zh) * | 2021-04-06 | 2021-07-09 | 昭通亮风台信息科技有限公司 | 基于边缘计算的交通网红绿灯控制方法、系统及计算机可读存储介质 |
CN114023062A (zh) * | 2021-10-27 | 2022-02-08 | 河海大学 | 一种基于深度学习和边缘计算的交通流信息监测方法 |
CN115033253A (zh) * | 2022-05-10 | 2022-09-09 | 中国电子科技集团公司第四十一研究所 | 一种深度学习模型的云边协同训练和部署系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041290A (zh) * | 2023-08-08 | 2023-11-10 | 广州融新智能科技有限公司 | 一种智能交通数据交互方法、平台及系统 |
CN117041290B (zh) * | 2023-08-08 | 2024-04-09 | 广州融新智能科技有限公司 | 一种智能交通数据交互方法、平台及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | A data aggregation based approach to exploit dynamic spatio-temporal correlations for citywide crowd flows prediction in fog computing | |
Nguyen et al. | An efficient traffic congestion monitoring system on internet of vehicles | |
CN101719315B (zh) | 一种基于中间件的动态交通信息采集方法 | |
DE112018007119T5 (de) | Optimieren und vorhersagen der verfügbarkeit von ressourcen in einer umgebung zur gemeinsamen fahrradnutzung | |
WO2018225069A1 (en) | Digitizing and mapping the public space using collaborative networks of mobile agents and cloud nodes | |
WO2022213563A1 (zh) | 地图更新方法及设备 | |
CN109190811B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 | |
CN116543563A (zh) | 一种基于云计算和深度学习的数据分析方法 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN1716335A (zh) | 道路交通实时信息调查系统 | |
CN101266679A (zh) | 一种轨道交通辅助决策系统及方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN111190982A (zh) | 一种基于大数据的共享单车管理方法及系统 | |
CN107395757B (zh) | 基于acp方法和社会物理信息系统的平行车联网系统 | |
Wu et al. | Urban ride-hailing demand prediction with multi-view information fusion deep learning framework | |
Zolkin et al. | Features of application of informational networks in the field of transport infrastructure | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN113971885B (zh) | 车速预测的方法、装置及系统 | |
CN112529466A (zh) | 一种基于大数据的智慧城管方法及系统 | |
Hoong et al. | Road traffic prediction using Bayesian networks | |
CN114926823B (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
CN116229424A (zh) | 基于改进YOLO v3的智能网联汽车行人检测方法 | |
CN116089875A (zh) | 融合多源时空数据的交通流量预测方法、装置及存储介质 | |
Li et al. | Smartclean: Smart city street cleanliness system using multi-level assessment model |
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 |