CN116543586A - 基于数字孪生的智能公交信息展示方法及展示设备 - Google Patents
基于数字孪生的智能公交信息展示方法及展示设备 Download PDFInfo
- Publication number
- CN116543586A CN116543586A CN202310801207.8A CN202310801207A CN116543586A CN 116543586 A CN116543586 A CN 116543586A CN 202310801207 A CN202310801207 A CN 202310801207A CN 116543586 A CN116543586 A CN 116543586A
- Authority
- CN
- China
- Prior art keywords
- target
- granularity
- characterization
- information
- congestion
- 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 68
- 235000019580 granularity Nutrition 0.000 claims abstract description 664
- 239000013598 vector Substances 0.000 claims abstract description 565
- 238000004458 analytical method Methods 0.000 claims abstract description 512
- 238000012512 characterization method Methods 0.000 claims abstract description 405
- 230000007704 transition Effects 0.000 claims description 270
- 238000012545 processing Methods 0.000 claims description 57
- 230000000052 comparative effect Effects 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 208
- 238000000605 extraction Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供的基于数字孪生的智能公交信息展示方法及展示设备,通过整合目标流式交通数据集的一个或多个解析粒度的表征向量和对比交通数据集的一个或多个解析粒度的表征向量,能得到更精准的可表示跨越上下文对应关系的牵涉性拥堵表征信息,帮助整合对比交通数据集的拥堵信息,以得到更精准的拥堵信息匹配关系,各路段拥堵情况各自解析得更精确。另外,集间关联信息的确定整合了目标流式交通数据集本身的集内关联信息,那么,目标流式交通数据集和对比交通数据集之间的集间关联信息更加精确,能降低目标流式交通数据集和对比交通数据集之间的拥堵信息类别件的区别,以此增加交通数据集各路段拥堵信息的区分确定。
Description
技术领域
本申请涉及但不限于数据处理技术领域,尤其涉及一种基于数字孪生的智能公交信息展示方法及展示设备。
背景技术
目前,随着大数据、互联网等技术的进步,公交站台的智能化程度越来越高,现有的公交站台,在公交信息展示区不仅能显示公交线路的站点班次信息,还通过设置智慧屏幕对公交实时信息进行了展示,例如展示实时的公交运营班次,下一公交到站预估时间等等。但是,目前对于公交信息展示的内容中,受限于道路拥堵情况的千变万化,公交班次到站以及发车调度信息的展示有时并不准确,导致位于公交站的公众不能准确获取公交信息,影响了公众体验。基于此,市场亟待一种能准确获取实时公交信息且进行良好可视化展示的方案。
发明内容
有鉴于此,本申请实施例至少提供一种基于数字孪生的智能公交信息展示方法。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种基于数字孪生的智能公交信息展示方法,应用于展示设备,所述展示设备与至少一个展示终端通信连接,所述方法包括:
获取目标交通区域的目标流式交通数据集;
基于所述目标流式交通数据集、对比交通数据集和与所述对比交通数据集对应的数字孪生数据集,得到一个或多个解析粒度的表征向量,其中,所述表征向量包括所述目标流式交通数据集的目标表征向量、所述对比交通数据集的对比表征向量和所述数字孪生数据集的孪生表征向量;
基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息;其中,所述解析粒度表示对数据分析的尺度,所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息和/或所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息,所述牵涉性拥堵表征信息是基于所述对比交通数据集的第一上下文拥堵表征信息和所述目标流式交通数据集的第二上下文拥堵表征信息确定的,所述集间关联信息为基于所述对比交通数据集的第一集内关联信息和所述目标流式交通数据集的第二集内关联信息确定得到,所述第一上下文拥堵表征信息表示与所述对比交通数据集本身相关的拥堵信息,所述第二上下文拥堵表征信息表示与所述目标流式交通数据集本身相关的拥堵信息,所述牵涉性拥堵表征信息用于表征所述目标流式交通数据集和所述对比交通数据集间的拥堵关联关系,所述集间关联信息表示不同交通数据集之间的关联信息,所述第一集内关联信息表示所述对比交通数据集本身的关联信息,所述第二集内关联信息表示所述目标流式交通数据集本身的关联信息;
基于一个或多个第二目标解析粒度的表征向量和所述一个或多个第一目标解析粒度的关联信息,得到所述目标流式交通数据集的路段拥堵解析信息;
基于所述路段拥堵解析信息得到所述目标交通区域的数字孪生体展示信息,并将所述数字孪生体展示信息发送至所述至少一个展示终端进行展示。
在一种实施方式中,当所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息时,所述基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息,包括:
对于所述一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息;
基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息;
基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息。
在一种实施方式中,所述基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息,包括:
依据第一内部权重聚焦机制,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的过渡向量Inter vector1;
基于与所述第一目标解析粒度对应的过渡向量Inter vector1和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息;
其中,所述基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息,包括:
依据第二内部权重聚焦机制,基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的过渡向量Inter vector2;
基于与所述第一目标解析粒度对应的过渡向量Inter vector2和目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息;
所述基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息,包括:
依据第三内部权重聚焦机制,基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的过渡向量Inter vector3;
基于与所述第一目标解析粒度对应的第一上下文拥堵表征信息和过渡向量Intervector3,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息;
在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息时,所述基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息,包括:
对于所述一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一集内关联信息;
基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二集内关联信息;
基于与所述第一目标解析粒度对应的对比表征向量和目标表征向量,得到与所述第一目标解析粒度对的过渡集间关联信息;
基于与所述第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的集间关联信息。
在一种实施方式中,所述基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一集内关联信息,包括:
对与所述第一目标解析粒度对应的对比表征向量和孪生表征向量进行数量积计算,得到与所述第一目标解析粒度对应的过渡向量Inter vector4;
对与所述第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理,得到与所述第一目标解析粒度对应的第一集内关联信息;
所述基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二集内关联信息,包括:
对与所述第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与所述第一目标解析粒度对应的第二集内关联信息;
所述基于与所述第一目标解析粒度对应的对比表征向量和目标表征向量,得到与所述第一目标解析粒度对的过渡集间关联信息,包括:
对与所述第一目标解析粒度对应的对比表征向量和目标表征向量进行分类映射处理,得到与所述第一目标解析粒度对应的过渡集间关联信息;
所述基于与所述第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的集间关联信息,包括:
基于第四内部权重聚焦机制,基于与所述第一目标解析粒度对应的第一集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的过渡向量Inter vector5;
基于与所述第一目标解析粒度对应的第二集内关联信息和过渡向量Intervector5,得到与所述第一目标解析粒度对应的集间关联信息。
在一种实施方式中,所述基于一个或多个第二目标解析粒度的表征向量和所述一个或多个第一目标解析粒度的关联信息,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6;
基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Intervector6,得到所述目标流式交通数据集的路段拥堵解析信息。
在一种实施方式中,所述一个或多个解析粒度包括Q个解析粒度,所述一个或多个第一目标解析粒度包括P个第一目标解析粒度,所述一个或多个第二目标解析粒度包括R个第二目标解析粒度,1<Q,1≤P<Q,R=Q-P;
其中,在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息或所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息中时,所述基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6,包括:
在S≤x<Q时,对与第x个第一目标解析粒度对应的关联信息进行线性提炼处理,得到与所述第x个第一目标解析粒度对应的第一初始过渡向量,其中,S=R+1;
对与所述第x个第一目标解析粒度对应的第一初始过渡向量和与第y个第一目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与所述第x个第一目标解析粒度对应的第一目标过渡向量,其中,y=x+1;
将与第S个第一目标解析粒度对应的第一目标过渡向量确定为所述过渡向量Inter vector6。
在一种实施方式中,所述基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Inter vector6,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
当u=R时,对与第R个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第R个第二目标解析粒度对应的第一初始过渡向量;
对与所述第R个第二目标解析粒度对应的第一初始过渡向量和所述过渡向量Inter vector6进行数量积计算,得到与所述第R个第二目标解析粒度对应的第一目标过渡向量;
当1≤u<R时,对与第u个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第u个第二目标解析粒度对应的第一初始过渡向量;
对与所述第u个第二目标解析粒度对应的第一第一初始过渡向量和与第v个第二目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与所述第u个第二目标解析粒度对应的第一目标过渡向量,其中,v=u+1;
基于与第u个第二目标解析粒度对应的第一目标过渡向量,确定所述目标流式交通数据集的路段拥堵解析信息。
在一种实施方式中,所述一个或多个解析粒度包括f个解析粒度,所述一个或多个第一目标解析粒度包括e个第一目标解析粒度,所述一个或多个第二目标解析粒度包括g个第二目标解析粒度,1<f,1≤e<f,g=f-e;
在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息以及所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息时,所述基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6,包括:
当h≤a<f时,对与第a个第一目标解析粒度对应的牵涉性拥堵表征信息和集间关联信息进行数量积计算,得到与所述第a个第一目标解析粒度对应的第二初始过渡向量,其中,h=g+1;
对与所述第a个第一目标解析粒度对应的第二初始过渡向量进行线性提炼处理,得到与所述第a个第一目标解析粒度对应的第三初始过渡向量;
对与所述第a个第一目标解析粒度对应的第三初始过渡向量和与第b个第一目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与所述第a个第一目标解析粒度对应的第二目标过渡向量,其中,b=a+1;
将与第h个第一目标解析粒度对应的第二目标过渡向量确定为所述过渡向量Inter vector6。
在一种实施方式中,所述基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Inter vector6,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
在d=g时,对与第g个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第g个第二目标解析粒度对应的第二初始过渡向量;
对与所述第g个第二目标解析粒度对应的第二初始过渡向量和所述过渡向量Inter vector6进行数量积计算,得到与所述第g个第二目标解析粒度对应的第二目标过渡向量;
当1≤d<g时,对与第d个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第d个第二目标解析粒度对应的第二初始过渡向量;
对与所述第d个第二目标解析粒度对应的第二初始过渡向量和与第o个第二目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与所述第d个第二目标解析粒度对应的第二目标过渡向量,其中,o=d+1;
基于与第u个第二目标解析粒度对应的第二目标过渡向量,确定所述目标流式交通数据集的路段拥堵解析信息。
第二方面,本申请实施例提供一种展示设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述方法中的步骤。
本申请至少包括以下有益效果:本申请提供的基于数字孪生的智能公交信息展示方法及展示设备,通过整合目标流式交通数据集的一个或多个解析粒度的表征向量和对比交通数据集的一个或多个解析粒度的表征向量,得到对比交通数据集的第一上下文拥堵表征信息和目标流式交通数据集的第二上下文拥堵表征信息,基于此,得到更精准的可表示跨越上下文对应关系的牵涉性拥堵表征信息,帮助整合对比交通数据集的拥堵信息,以得到更精准的拥堵信息匹配关系,这样能让交通数据集中的各路段拥堵情况各自解析得更精确。另外,集间关联信息的确定整合了目标流式交通数据集本身的集内关联信息,那么,目标流式交通数据集和对比交通数据集之间的集间关联信息更加精确,能降低目标流式交通数据集和对比交通数据集之间的拥堵信息类别件的区别,以此增加交通数据集各路段拥堵信息的区分确定。进一步地,因为关联信息是一个或多个第一目标解析粒度的关联信息,所以能基于对比交通数据集的多解析粒度牵涉性拥堵表征信息和集间关联信息来指示目标流式交通数据集的路段拥堵解析信息。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种基于数字孪生的智能公交信息展示方法的实现流程示意图。
图2为本申请实施例提供的路段拥堵解析的过程示意图。
图3为本申请实施例提供的一种智能公交信息展示装置的组成结构示意图。
图4为本申请实施例提供的一种展示设备的硬件实体示意图。
实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种基于数字孪生的智能公交信息展示方法,该方法可以由展示设备的处理器执行。其中,展示设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。展示设备与至少一个展示终端通信连接,展示终端是布设在公交站台的显示设备,例如电子屏幕,如环保水墨屏。展示设备用于对交通数据集进行拥堵分析后,将需要展示的拥堵分析结果发送给展示终端进行展示。
图1为本申请实施例提供的一种基于数字孪生的智能公交信息展示方法的实现流程示意图,如图1所示,该方法包括如下步骤S110至步骤S150:
本申请实施例提供一种基于数字孪生的智能公交信息展示方法,应用于展示设备,所述展示设备与至少一个展示终端通信连接,所述方法包括:
步骤S110,获取目标交通区域的目标流式交通数据集。
本申请实施例中,目标交通区域为待进行信息展示的公交站台关联的公交所处的交通区域,目标交通区域包含至少一条交通道路。目标流式交通数据集是待处理的交通数据,例如可以包括对应路段的车辆数量、车辆定位、车距、驾驶辅助信息(例如汽车刹车、油门等控制信息)、环境声音信息等等,以上数据可以通过设置在位于目标交通区域的车辆上的车联网装置、道路信息采集设备(如音频采集、交通数据集采集设备)进行采集并发送至展示设备或其他数据处理终端(如调度服务器)进行数据处理,得到上述数据,由于道路拥堵分析的过程是动态的,采集到的交通数据为实时进行分析,即得到流式数据集(目标流式交通数据集),以便后续流程进行处理分析。可以理解,当通过设置在位于目标交通区域的车辆上的车联网装置进行数据上传时,目标交通区域上传交通数据的车辆越多,分析得到的结果越准确。
步骤S120,基于目标流式交通数据集、对比交通数据集和与对比交通数据集对应的数字孪生数据集,得到一个或多个解析粒度的表征向量。表征向量包括目标流式交通数据集的目标表征向量、对比交通数据集的对比表征向量和数字孪生数据集的孪生表征向量。
表征向量是对对应的数据集进行特征挖掘后得到的矢量信息,解析粒度表示对数据分析的尺度,不同的解析粒度可以提取数据的不同尺度的,更加全面的信息,换言之,既能提取数据的全局信息,又能提取局部信息。
步骤S130,基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息。
其中,上述的关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息和/或目标流式交通数据集和对比交通数据集之间的集间关联信息,换言之,关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息以及目标流式交通数据集和对比交通数据集之间的集间关联信息中的一种或两种。牵涉性拥堵表征信息是基于对比交通数据集的第一上下文拥堵表征信息和目标流式交通数据集的第二上下文拥堵表征信息确定的。集间关联信息为基于对比交通数据集的第一集内关联信息和目标流式交通数据集的第二集内关联信息确定得到。
步骤S140,基于一个或多个第二目标解析粒度的表征向量和一个或多个第一目标解析粒度的关联信息,得到目标流式交通数据集的路段拥堵解析信息。
路段拥堵解析信息是对目标交通区域中的每一个交通路段的拥堵情况进行分析得到的预测结果,例如拥堵情况通过拥堵程度表示,例如可以通过标签进行表示,例如1、2、3、4,分别对应极度拥堵、轻度拥堵、不拥堵、较畅通。
步骤150,基于路段拥堵解析信息得到目标交通区域的数字孪生体展示信息,并将数字孪生体展示信息发送至至少一个展示终端进行展示。
数字孪生体展示信息即展示在展示终端上的信息,其展示的内容和实际解析得到的拥堵信息对应,对于不同交通路段对应的拥堵信息,采取事先确定的对应关系进行表示,例如极度拥堵路段,赋予该路段对应的线条为紫色,轻度拥堵路段,赋予红色,畅通路段,赋予绿色等等,当然,还可以为不同的路段对应的线条赋予不同的形状,例如粗细、实线、虚线等。具体不做限定。可以理解,事先建立有交通网路与数字孪生模型的对应关系,数字孪生模型中包含实体线路对应的线路图,在获知对应的实体交通线路的拥堵信息后,在数字孪生模型中对应的交通线路,进行对应上述举例的展示,完成智能交通的孪生信息展示,可视化程度高。
上述步骤中,目标流式交通数据集为待进行拥堵分析得到拥堵解析信息的数据集,对比交通数据集用于对目标流式交通数据集的路段拥堵解析信息提供参考和引导,目标流式交通数据集可以包括一个或多个交通路段,每个交通路段对应相应的拥堵信息(例如拥堵程度,可以事先划分拥堵程度进行匹配)。那么,目标流式交通数据集的拥堵信息(例如分配的不同的程度标签)可以包括一个或多个。对于目标流式交通数据集中涵盖的每个拥堵信息,可以存在与拥堵信息对应的一个或多个对比交通数据集,与拥堵信息对应的对比交通数据集包括与拥堵信息对应的交通路段,对比交通数据集是历史已解析得到拥堵解析信息的交通数据集。也就是说,基于目标流式交通数据集包括的拥堵信息,确定与目标流式交通数据集对应的对比交通数据集。对比交通数据集的个数可以为一个或多个,还包含与对比交通数据集对应的数字孪生数据集,数字孪生数据集是对比交通数据集的路段拥堵解析信息对应的数字孪生信息,即进行孪生展示的信息,如基于不同的色彩、线条类型等形式对对应拥堵程度进行展示。
其中,需要进行说明的是,上下文拥堵表征信息表示与交通数据集本身关联的拥堵信息,或称其为自关联拥堵信息;牵涉性拥堵表征信息表示不同交通数据集之间的拥堵信息,牵涉性拥堵表征信息用于表征目标流式交通数据集和对比交通数据集间的拥堵关联关系。第一上下文拥堵表征信息表示与对比交通数据集本身相关的拥堵信息,第二上下文拥堵表征信息表示与目标流式交通数据集本身相关的拥堵信息。目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息是基于第一上下文拥堵表征信息和第二上下文拥堵表征信息确定的。集内关联信息表示交通数据集本身的关联信息,集间关联信息表示不同交通数据集之间的关联信息,集间关联信息用于帮助对比交通数据集对目标流式交通数据集的局部拥堵信息匹配。本申请实施例中,第一集内关联信息表示对比交通数据集本身的关联信息;第二集内关联信息表示目标流式交通数据集本身的关联信息;目标流式交通数据集和对比交通数据集之间的集间关联信息是基于第一集内关联信息和第二集内关联信息确定得到。因为集间关联信息为基于目标流式交通数据集的第一集内关联信息确定得到,也就是整合了目标流式交通数据集本身的集内关联信息,所以目标流式交通数据集和对比交通数据集之间的集间关联信息更精确,这样能有效降低目标流式交通数据集和对比交通数据集之间的拥堵类型间的区别。
本申请实施例中,对目标流式交通数据集、对比交通数据集和数字孪生数据集进行表征向量抽取(得到的表征向量为一个特征向量,该特征向量的维数不做限定),以完成特征挖掘,获得一个或多个解析粒度的与目标流式交通数据集对应的目标表征向量、一个或多个解析粒度的与对比交通数据集对应的对比表征向量和一个或多个解析粒度的与数字孪生数据集对应的孪生表征向量。
本申请实施例中,可以基于路段拥堵解析网络的表征向量抽取算子对目标流式交通数据集、对比交通数据集和数字孪生数据集进行处理,得到一个或多个解析粒度的目标表征向量、一个或多个解析粒度的对比表征向量和一个或多个解析粒度的孪生表征向量。表征向量抽取算子可以为深度神经网络,例如CNN(如ResNet)、RNN、LSTM或Transformer。
本申请实施例中,表征向量抽取算子可以包括第一表征向量抽取分支算子、第二表征向量抽取分支算子和第三表征向量抽取分支算子。第一表征向量抽取分支算子用于抽取对比交通数据集的表征向量;第二表征向量抽取分支算子用于抽取目标流式交通数据集的表征向量;第三表征向量抽取分支算子用于抽取数字孪生数据集的表征向量。第一表征向量抽取分支算子包括一个或多个依次连接的第一表征向量抽取单元;第二表征向量抽取分支算子包括一个或多个依次连接的第二表征向量抽取单元;第三表征向量抽取分支算子包括一个或多个依次连接的第三表征向量抽取单元。第一表征向量抽取分支算子、第二表征向量抽取分支算子和第三表征向量抽取分支算子的组成架构可以相同。交通数据集逐一通过一个或多个依次连接的表征向量抽取单元,经过一个表征向量抽取单元获取的与交通数据集表征向量对应的表征向量集合(即特征图)的大小逐一降低。每一表征向量抽取单元完成对与表征向量抽取单元对应的解析粒度的表征向量的降维。本申请实施例中,基于第一表征向量抽取分支算子对对比交通数据集进行处理,得到一个或多个解析粒度的对比表征向量,基于第二表征向量抽取分支算子对目标流式交通数据集进行处理,得到一个或多个解析粒度的目标表征向量,基于第三表征向量抽取分支算子对数字孪生数据集进行处理,得到一个或多个解析粒度的孪生表征向量。
本申请实施例中,第一目标解析粒度是一个或多个解析粒度中的部分解析粒度或所有解析粒度,第二目标解析粒度是一个或多个解析粒度中的部分解析粒度或所有解析粒度,第一目标解析粒度与第二目标解析粒度可以是一致的。
本申请实施例中,基于一个或多个解析粒度的表征向量,获得一个或多个第一目标解析粒度的关联信息具体可以包括:基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息。其他实施方式中,基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的集间关联信息。其他实施方式中,基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息和一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的集间关联信息。
本申请实施例中,基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息,具体可以包括:基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集的第二上下文拥堵表征信息和一个或多个第一目标解析粒度的对比交通数据集的第一上下文拥堵表征信息。基于一个或多个第一目标解析粒度的第一上下文拥堵表征信息和一个或多个第一目标解析粒度的第二上下文拥堵表征信息,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息。第一上下文拥堵表征信息包括第一上下文拥堵表征向量,第二上下文拥堵表征信息包括第二上下文拥堵表征向量,牵涉性拥堵表征信息包括牵涉性拥堵表征向量。
本申请实施例中,基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的集间关联信息,包括:基于一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的目标流式交通数据集的第二集内关联信息和一个或多个第一目标解析粒度的第一集内关联信息。基于一个或多个第一目标解析粒度的第一集内关联信息和一个或多个第一目标解析粒度的第二集内关联信息,得到一个或多个第一目标解析粒度的目标流式交通数据集和对比交通数据集之间的集间关联信息,第一集内关联信息包括第一集内关联向量,第二集内关联信息包括第二集内关联向量,集间关联信息包括集间关联向量。
本申请实施例中,基于transformer中的encoder(编码器)对一个或多个第二目标解析粒度的表征向量和一个或多个第一目标解析粒度的关联信息进行处理编码,得到目标流式交通数据集的路段拥堵解析信息。本申请实施例中,采用整合目标流式交通数据集的一个或多个解析粒度的表征向量和对比交通数据集的一个或多个解析粒度的表征向量,得到对比交通数据集的第一上下文拥堵表征信息和目标流式交通数据集的第二上下文拥堵表征信息,基于此,得到更精准的可表示跨越上下文对应关系的牵涉性拥堵表征信息,帮助整合对比交通数据集的拥堵信息,以得到更精准的拥堵信息匹配关系,这样能让交通数据集中的各路段拥堵情况各自解析得更精确。进一步地,集间关联信息的确定整合了目标流式交通数据集本身的集内关联信息,那么,目标流式交通数据集和对比交通数据集之间的集间关联信息更加精确,能降低目标流式交通数据集和对比交通数据集之间的拥堵信息类别件的区别,以此增加交通数据集各路段拥堵信息的区分确定。再者,因为关联信息是一个或多个第一目标解析粒度的关联信息,所以能基于对比交通数据集的多解析粒度牵涉性拥堵表征信息和集间关联信息来指示目标流式交通数据集的路段拥堵解析信息。
本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息时,步骤S130中,可以基于一个或多个背景context建模对一个或多个解析粒度的表征向量进行处理,得到一个或多个第一目标解析粒度的牵涉性拥堵表征信息。本申请实施例中,对于一个或多个目标解析粒度中的每个目标解析粒度,设置与目标解析粒度对应的对比转换模块(Context Transformer,简称CT模块),以基于一个或多个解析粒度的表征向量确定和目标解析粒度对应的牵涉性拥堵表征信息。
本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息时,步骤S130中,对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与第一目标解析粒度对应的对比表征向量和孪生表征向量,得到和第一目标解析粒度对应的第一上下文拥堵表征信息。基于与第一目标解析粒度对应的目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵表征信息。基于与第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与第一目标解析粒度对应的牵涉性拥堵表征信息。
本申请实施例中,对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,对与第一目标解析粒度对应的对比表征向量和孪生表征向量进行处理,得到第一上下文拥堵表征信息,对与第一目标解析粒度对应的目标表征向量进行处理,获得第二上下文拥堵表征信息,对与第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息进行处理,获得牵涉性拥堵表征信息。第一上下文拥堵表征信息包括第一上下文拥堵表征向量,第二上下文拥堵表征信息包括第二上下文拥堵表征向量,牵涉性拥堵表征信息包括牵涉性拥堵表征向量。
本申请实施例中,基于与第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与第一目标解析粒度对应的第一上下文拥堵表征信息,包括:
依据第一内部权重聚焦机制(Self-attention),基于与第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与第一目标解析粒度对应的过渡向量Inter vector1;基于与第一目标解析粒度对应的过渡向量Inter vector1和孪生表征向量,得到与第一目标解析粒度对应的第一上下文拥堵表征信息。内部权重聚焦机制通过为不同的信息分配对应的重要性权重,以进行高价值信息的聚焦。
本申请实施例中,依据第一内部权重聚焦机制确定第一内部权重聚焦网络。第一内部权重聚焦网络包括第一联合映射模块(多头注意力模块),基于第一内部权重聚焦网络对与第一目标解析粒度对应的对比表征向量和孪生表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector1,过渡向量即处于中间处理流程的向量。
本申请实施例中,在确定与第一目标解析粒度对应的过渡向量Inter vector1后,基于第一多层感知器对与第一目标解析粒度对应的过渡向量Inter vector1和孪生表征向量进行处理,得到与第一目标解析粒度对应的第一上下文拥堵表征信息。
本申请实施例中,将与第一目标解析粒度对应的过渡向量Inter vector1和孪生表征向量进行整合(如相加或拼接),得到第一整合向量。基于第一多层感知器对与第一目标解析粒度对应的第一整合向量进行处理,获得与第一目标解析粒度对应的第一上下文拥堵表征信息。
本申请实施例中,基于与第一目标解析粒度对应的目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵表征信息,具体包括:
依据第二内部权重聚焦机制,基于与第一目标解析粒度对应的目标表征向量,得到与第一目标解析粒度对应的过渡向量Inter vector2;基于与第一目标解析粒度对应的过渡向量Inter vector2和目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵表征信息。
本申请实施例中,依据第二内部权重聚焦机制确定第二内部权重聚焦网络,第二内部权重聚焦网络包括第二联合映射模块。基于第二内部权重聚焦网络对与第一目标解析粒度对应的目标表征向量进行处理,获得与第一目标解析粒度对应的过渡向量Intervector2。本申请实施例中,在确定与第一目标解析粒度对应的过渡向量Inter vector2后,基于第二多层感知器对与第一目标解析粒度对应的过渡向量Inter vector2和目标表征向量进行处理,得到与第一目标解析粒度对应的第二上下文拥堵表征信息。
本申请实施例中,将与第一目标解析粒度对应的过渡向量Inter vector2和目标表征向量进行整合(如相加或拼接),得到第二整合向量。基于第二多层感知器对与第一目标解析粒度对应的第二整合向量,得到与第一目标解析粒度对应的第二上下文拥堵表征信息。
本申请实施例中,基于与第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与第一目标解析粒度对应的牵涉性拥堵表征信息,包括:
依据第三内部权重聚焦机制,基于与第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与第一目标解析粒度对应的过渡向量Inter vector3;基于与第一目标解析粒度对应的第一上下文拥堵表征信息和过渡向量Inter vector3,得到与第一目标解析粒度对应的牵涉性拥堵表征信息。
本申请实施例中,依据第三内部权重聚焦机制确定第三内部权重聚焦网络。第三内部权重聚焦网络包括第三联合映射模块,基于第三内部权重聚焦网络对与第一目标解析粒度对应的第一上下文拥堵表征信息、第二上下文拥堵表征信息和对比表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector3。本申请实施例中,在确定与第一目标解析粒度对应的过渡向量Inter vector3后,基于第三多层感知器处理与第一目标解析粒度对应的过渡向量Inter vector3和第一上下文拥堵表征信息,得到与第一目标解析粒度对应的牵涉性拥堵表征信息。
本申请实施例中,将与第一目标解析粒度对应的过渡向量Inter vector3和第一上下文拥堵表征信息进行整合,得到第三整合向量。基于第三多层感知器对与第一目标解析粒度对应的第三整合向量进行处理,得到与第一目标解析粒度对应的牵涉性拥堵表征信息。
本申请实施例中,CT模块包括第一联合映射模块、第一多层感知器、第二联合映射模块、第二多层感知器、第三联合映射模块和第三多层感知器。
本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的集间关联信息时,步骤S130中,基于一个或多个关联模块(基础架构仍为transformer)对一个或多个解析粒度的表征向量进行处理,得到一个或多个第一目标解析粒度的集间关联信息。
本申请实施例中,对于一个或多个目标解析粒度中的每个目标解析粒度,包含与该目标解析粒度对应的关联模块。关联模块用于基于一个或多个解析粒度的表征向量确定与目标解析粒度对应的集间关联信息。本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的集间关联信息时,步骤S130包括:
对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与第一目标解析粒度对应的第一集内关联信息;基于与第一目标解析粒度对应的目标表征向量,得到与第一目标解析粒度对应的第二集内关联信息;基于与第一目标解析粒度对应的对比表征向量和目标表征向量,得到与第一目标解析粒度对的过渡集间关联信息;基于与第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与第一目标解析粒度对应的集间关联信息。
本申请实施例中,对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,对与第一目标解析粒度对应的对比表征向量和孪生表征向量进行处理,获得第一集内关联信息;对与第一目标解析粒度对应的目标表征向量进行处理,得到第二上下文拥堵表征信息;对与第一目标解析粒度对应的对比表征向量和目标表征向量进行处理,得到过渡集间关联信息;对与第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息进行处理,得到集间关联信息。第一集内关联信息包括第一集内关联向量,第二集内关联信息包括第二集内关联向量,过渡集间关联信息包括中间集间关联向量,集间关联信息包括集间关联向量。
本申请实施例中,基于与第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与第一目标解析粒度对应的第一集内关联信息,包括:
对与第一目标解析粒度对应的对比表征向量和孪生表征向量进行数量积计算,得到与第一目标解析粒度对应的过渡向量Inter vector4;对与第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理,得到与第一目标解析粒度对应的第一集内关联信息。
本申请实施例中,对与第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理,得到与第一目标解析粒度对应的第一集内关联信息,包括:对与第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理(例如全连接处理),得到与第一目标解析粒度对应的过渡向量Inter vector7;对与第一目标解析粒度对应的过渡向量Intervector4进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Inter vector8;对与第一目标解析粒度对应的过渡向量Inter vector7和过渡向量Inter vector8进行连接,得到与第一目标解析粒度对应的第一集内关联信息。对与第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Intervector7和过渡向量Inter vector8,是基于不同的全连接模块进行的,如基于FC(全连接模块)1得到过渡向量Inter vector7,基于FC(全连接模块)2得到过渡向量Inter vector8。
本申请实施例中,基于与第一目标解析粒度对应的目标表征向量,得到与第一目标解析粒度对应的第二集内关联信息,包括:对与第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的第二集内关联信息。
本申请实施例中,对与第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Inter vector9;对与第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Intervector10。对与第一目标解析粒度对应的过渡向量Inter vector9和过渡向量Intervector10进行连接,得到与第一目标解析粒度对应的第二集内关联信息。比如,基于FC3对与第一目标解析粒度对应的目标表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector9;基于FC4对与第一目标解析粒度对应的目标表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector10。
本申请实施例中,基于与第一目标解析粒度对应的对比表征向量和目标表征向量,得到与第一目标解析粒度对的过渡集间关联信息,可以包括:对与第一目标解析粒度对应的对比表征向量和目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的过渡集间关联信息。
本申请实施例中,对与第一目标解析粒度对应的对比表征向量进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Inter vector11,对与第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的过渡向量Intervector12,对与第一目标解析粒度对应的过渡向量Inter vector11和过渡向量Intervector12进行连接,得到与第一目标解析粒度对应的过渡集间关联信息。比如,基于FC5对与第一目标解析粒度对应的对比表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector11,基于FC6对与第一目标解析粒度对应的目标表征向量进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector12。
本申请实施例中,基于与第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与第一目标解析粒度对应的集间关联信息,包括:依据第四内部权重聚焦机制,基于与第一目标解析粒度对应的第一集内关联信息和过渡集间关联信息,得到与第一目标解析粒度对应的过渡向量Inter vector5;基于与第一目标解析粒度对应的第二集内关联信息和过渡向量Inter vector5,得到与第一目标解析粒度对应的集间关联信息。
本申请实施例中,依据第四内部权重聚焦机制确定第四内部权重聚焦网络。第四内部权重聚焦网络包括第四联合映射模块,基于第四内部权重聚焦网络对与第一目标解析粒度对应的第一集内关联信息和过渡集间关联信息进行处理,得到与第一目标解析粒度对应的过渡向量Inter vector5。
本申请实施例中,在确定与第一目标解析粒度对应的过渡向量Inter vector5后,基于第四多层感知器对与第一目标解析粒度对应的过渡向量Inter vector5和第二集内关联信息进行处理,得到与第一目标解析粒度对应的集间关联信息。
本申请实施例中,将与第一目标解析粒度对应的过渡向量Inter vector5和第二集内关联信息进行整合,得到第四整合向量。利用第四多层感知器处理与第一目标解析粒度对应的第四整合向量,得到与第一目标解析粒度对应的集间关联信息。
本申请实施例中,关联模块可以包括FC1、FC2、FC3、FC4、FC5、FC6、第四联合映射模块和第四多层感知器。
本申请实施例中,基于一个或多个第二目标解析粒度的表征向量和一个或多个第一目标解析粒度的关联信息,得到目标流式交通数据集的路段拥堵解析信息,包括:基于一个或多个第一目标解析粒度的关联信息,得到过渡向量Inter vector6;基于过渡向量Inter vector6和一个或多个第二目标解析粒度的目标表征向量,得到目标流式交通数据集的路段拥堵解析信息。
本申请实施例中,在确定关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息时,基于路段拥堵解析网络的Decoder(解码器)中和一个或多个目标解析粒度对应的一个或多个解码模块对一个或多个第一目标解析粒度的牵涉性拥堵表征信息进行处理解码,得到过渡向量Inter vector6。基于Decoder中与一个或多个第二目标解析粒度对应的一个或多个解码模块对过渡向量Inter vector6和一个或多个第二目标解析粒度的目标表征向量进行处理解码,得到目标流式交通数据集的路段拥堵解析信息。Decoder包括一个或多个依次连接的解码模块,每个解码模块用于对与解码模块对应的解析粒度的表征向量进行升维。
本申请实施例中,一个或多个解析粒度包括Q个解析粒度,一个或多个第一目标解析粒度可以包括P个第一目标解析粒度。一个或多个第二目标解析粒度可以包括R个第二目标解析粒度。其中,1<Q,1≤P≤Q,R=Q-P。
本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息以及目标流式交通数据集和所述对比交通数据集之间的集间关联信息中的一项时,基于一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6,包括:当S≤x<Q时,对与第x个第一目标解析粒度对应的关联信息进行线性提炼处理(例如进行卷积计算),得到与第x个第一目标解析粒度对应的第一初始过渡向量;对与第x个第一目标解析粒度对应的第一初始过渡向量和与第y个第一目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与第x个第一目标解析粒度对应的第一目标过渡向量,其中,y=x+1;将与第S个第一目标解析粒度对应的第一目标过渡向量确定为过渡向量Inter vector6,其中,S=R+1。
本申请实施例中,若x=Q时,对与第e个第一目标解析粒度对应的关联信息进行线性提炼处理,得到与第e个第一目标解析粒度对应的第一目标过渡向量。比如,基于与第e个第一目标解析粒度对应的第一线性提炼算子(如卷积算子)对与第e个第一目标解析粒度对应的关联信息进行处理,得到与第e个第一目标解析粒度对应的第一目标过渡向量。
本申请实施例中,若S≤x<Q时,基于与第x个第一目标解析粒度对应的第一线性提炼算子处理与第x个第一目标解析粒度对应的关联信息,得到与第x个第一目标解析粒度对应的第一初始过渡向量。
本申请实施例中,基于过渡向量Inter vector6和一个或多个第二目标解析粒度的目标表征向量,得到目标流式交通数据集的路段拥堵解析信息,包括:
在u=R时,对与第R个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与第R个第二目标解析粒度对应的第一初始过渡向量;对过渡向量Inter vector6和与第R个第二目标解析粒度对应的第一初始过渡向量进行数量积计算,得到与第R个第二目标解析粒度对应的第一目标过渡向量;在1≤u<R时,对与第u个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与第u个第二目标解析粒度对应的第一初始过渡向量;对与第u个第二目标解析粒度对应的第一初始过渡向量和与第v个第二目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与第u个第二目标解析粒度对应的第一目标过渡向量;基于与第u个第二目标解析粒度对应的第一目标过渡向量,确定目标流式交通数据集的路段拥堵解析信息。
本申请实施例中,在u=R时,基于与第R个第二目标解析粒度对应的第一线性提炼算子对与第R个第二目标解析粒度对应的目标表征向量进行处理,得到与第R个第二目标解析粒度对应的第一初始过渡向量。
本申请实施例中,在1≤u<R时,基于与第u个第二目标解析粒度对应的第一线性提炼算子对与第u个第二目标解析粒度对应的目标表征向量进行处理,得到与第u个第二目标解析粒度对应的第一初始过渡向量。
本申请实施例中,对与第u个第二目标解析粒度对应的第一目标过渡向量进行线性提炼处理,得到目标流式交通数据集的路段拥堵解析信息。
本申请实施例中,与后f个解析粒度的表征向量的特征图的较小,则对后f个解析粒度的表征向量进行处理获得与后f个解析粒度分别对应的关联信息,这样能较少数据量。同时令后f个解析粒度的表征向量包括高维信息(高维关联和高维拥堵释义信息),使得交通数据集不同拥堵程度的识别更精准。另外,与前R个解析粒度的表征向量的特征图较大,则表征向量的信息量更浅,但是细节更多,帮助交通数据集不同拥堵程度的识别更精准。
本申请实施例中,一个或多个解析粒度包括f个解析粒度,一个或多个第一目标解析粒度包括e个第一目标解析粒度,一个或多个第二目标解析粒度包括g个第二目标解析粒度。其中,1<f,1≤e<f,g=f-e。
本申请实施例中,在关联信息包括目标流式交通数据集和对比交通数据集之间的牵涉性拥堵表征信息以及目标流式交通数据集和对比交通数据集之间的集间关联信息时,基于一个或多个第一目标解析粒度的关联信息,得到过渡向量Inter vector6,包括:当h≤a<f时,对与第a个第一目标解析粒度对应的牵涉性拥堵表征信息和集间关联信息进行数量积计算,得到与第a个第一目标解析粒度对应的第二初始过渡向量,其中,h=g+1;对与第a个第一目标解析粒度对应的第二初始过渡向量进行线性提炼处理,得到与第a个第一目标解析粒度对应的第三初始过渡向量;对与第a个第一目标解析粒度对应的第三初始过渡向量和与第b个第一目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与第a个第一目标解析粒度对应的第二目标过渡向量;将与第h个第一目标解析粒度对应的第二目标过渡向量确定为过渡向量Inter vector6,其中,b=a+1。
本申请实施例中,在a=f时,对与第f个第一目标解析粒度对应的牵涉性拥堵表征信息和集间关联信息进行数量积计算,得到与第f个第一目标解析粒度对应的第二初始过渡向量,对与第f个第一目标解析粒度对应的第二初始过渡向量进行线性提炼处理,得到与第f个第一目标解析粒度对应的第二目标过渡向量。比如,基于与第f个第一目标解析粒度对应的第二线性提炼算子处理与第f个第一目标解析粒度对应的第二初始过渡向量,得到与第f个第一目标解析粒度对应的第二目标过渡向量。
本申请实施例中,当h≤a<f时,基于与第a个第一目标解析粒度对应的第二线性提炼算子处理与第a个第一目标解析粒度对应的第二初始过渡向量,得到与第a个第一目标解析粒度对应的第三初始过渡向量。
本申请实施例中,基于过渡向量Inter vector6和一个或多个第二目标解析粒度的目标表征向量,得到目标流式交通数据集的路段拥堵解析信息,包括:
在d=g时,对与第g个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与第g个第二目标解析粒度对应的第二初始过渡向量;对过渡向量Inter vector6和与第g个第二目标解析粒度对应的第二初始过渡向量进行数量积计算,得到与第g个第二目标解析粒度对应的第二目标过渡向量;在1≤d<g时,对与第d个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与第d个第二目标解析粒度对应的第二初始过渡向量;对与第d个第二目标解析粒度对应的第二初始过渡向量和与第o个第二目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与第d个第二目标解析粒度对应的第二目标过渡向量,其中,o=d+1;基于与第u个第二目标解析粒度对应的第二目标过渡向量,确定目标流式交通数据集的路段拥堵解析信息。
本申请实施例中,在d=g时,基于与第g个第二目标解析粒度对应的第二线性提炼算子处理与第g个第二目标解析粒度对应的目标表征向量,得到与第g个第二目标解析粒度对应的第二初始过渡向量。
本申请实施例中,在1≤d<g时,基于与第d个第二目标解析粒度对应的第二线性提炼算子处理与第d个第二目标解析粒度对应的目标表征向量,得到与第d个第二目标解析粒度对应的第二初始过渡向量。
本申请实施例中,对与第u个第二目标解析粒度对应的第二目标过渡向量进行线性提炼处理,得到目标流式交通数据集的路段拥堵解析信息。
为了便于理解,请参照图2,是本申请实施例提供的路段拥堵解析的过程示意图,路段拥堵解析网络包括两个对比转换模块(分别为对比转换模块1和对比转换模块2)、Encoder1、Encoder2、Encoder3和Decoder。Encoder1和Encoder2结构一致,均包括四个解析粒度的表征向量抽取模块,分别对应第一粒度、第二粒度、第三粒度、第四粒度,Encoder3包括4个卷积层,不同卷积层的解析粒度不同,Decoder包括4个卷积层,不同卷积层的解析粒度不同。各个编码器和解码器的原理请参照上述描述。
以上内容提到路段拥堵解析网络,本申请实施例还提供了一种路段拥堵解析网络的调试过程,具体可以包括以下步骤:
步骤S210,基于目标流式交通训练数据集、对比交通训练数据集和与对比交通训练数据集对应的数字孪生训练数据集,得到一个或多个解析粒度的训练表征向量。
其中,训练表征向量包括目标流式交通训练数据集的训练目标表征向量、对比交通训练数据集的训练对比表征向量和数字孪生训练数据集的训练孪生表征向量。
步骤S220,基于一个或多个解析粒度的训练表征向量,得到一个或多个第一目标解析粒度的训练关联信息。训练关联信息包括目标流式交通训练数据集和对比交通训练数据集之间的牵涉性训练拥堵表征信息和/或目标流式交通训练数据集和对比交通训练数据集之间的集间训练关联信息。
目标流式交通训练数据集和对比交通训练数据集之间的牵涉性训练拥堵表征信息是基于对比交通训练数据集的第一上下文拥堵训练表征信息和目标流式交通训练数据集的第二上下文拥堵训练表征信息确定的。目标流式交通训练数据集和对比交通训练数据集之间的集间训练关联信息是基于对比交通训练数据集的第一集内训练关联信息和目标流式交通训练数据集的第二集内训练关联信息确定的。
步骤S230,基于一个或多个第二目标解析粒度的训练表征向量和,一个或多个第一目标解析粒度的训练关联信息,得到目标流式交通训练数据集的预估路段拥堵解析信息。
步骤S240,基于目标流式交通训练数据集的实际路段拥堵解析信息和预估路段拥堵解析信息调试路段拥堵解析网络,得到调试好的路段拥堵解析网络。
本申请实施例中,目标流式交通训练数据集表示待进行交通数据集各路段拥堵信息分析识别的交通数据集。对比交通训练数据集用于对目标流式交通训练数据集的路段拥堵解析信息提供参考和引导,目标流式交通训练数据集包括一个或多个交通路段。每个交通路段对应与交通路段对应的拥堵信息。那么,目标流式交通训练数据集的拥堵信息包括一个或多个。对于目标流式交通训练数据集包括的每个拥堵信息,可以存在与拥堵信息对应的一个或多个对比交通训练数据集。与拥堵信息对应的对比交通训练数据集包括与拥堵信息对应的交通路段。换言之,可以基于目标流式交通训练数据集包括的拥堵信息,确定与目标流式交通训练数据集对应的对比交通训练数据集。对比交通训练数据集的数量可以包括多个。包括与对比交通训练数据集对应的数字孪生训练数据集,数字孪生训练数据集表示对比交通训练数据集的实际路段拥堵解析信息。
本申请实施例中,路段拥堵解析网络可以包括表征向量抽取算子、一个或多个对比转换模块和一个或多个关联模块和Decoder。表征向量抽取算子可以包括Encoder。
本申请实施例中,可以调用误差算法,基于实际路段拥堵解析信息和预估路段拥堵解析信息,得到解析结果,基于解析结果调整路段拥堵解析网络的网络参数,在网络收敛时停止。
本申请实施例中,在训练关联信息包括目标流式交通训练数据集和对比交通训练数据集之间的牵涉性训练拥堵表征信息时,步骤S220包括:对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一上下文拥堵训练表征信息;基于与第一目标解析粒度对应的训练目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵训练表征信息;基于与第一目标解析粒度对应的训练对比表征向量、第一上下文拥堵训练表征信息和第二上下文拥堵训练表征信息,得到与第一目标解析粒度对应的牵涉性训练拥堵表征信息。
本申请实施例中,基于与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一上下文拥堵训练表征信息,包括:依据第一内部权重聚焦机制,基于与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一过渡训练向量。基于与第一目标解析粒度对应的第一过渡训练向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一上下文拥堵训练表征信息。
本申请实施例中,基于与第一目标解析粒度对应的训练目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵训练表征信息,可以包括:依据第二内部权重聚焦机制,基于与第一目标解析粒度对应的训练目标表征向量,得到与第一目标解析粒度对应的第二过渡训练向量。基于与第一目标解析粒度对应的第二过渡训练向量和训练目标表征向量,得到与第一目标解析粒度对应的第二上下文拥堵训练表征信息。
本申请实施例中,基于与第一目标解析粒度对应的训练对比表征向量、第一上下文拥堵训练表征信息和第二上下文拥堵训练表征信息,得到与第一目标解析粒度对应的牵涉性训练拥堵表征信息,包括:依据第三内部权重聚焦机制,基于与第一目标解析粒度对应的训练对比表征向量、第一上下文拥堵训练表征信息和第二上下文拥堵训练表征信息,得到与第一目标解析粒度对应的第三过渡训练向量;基于与第一目标解析粒度对应的第一上下文拥堵表征信息和第三过渡训练向量,得到与第一目标解析粒度对应的牵涉性训练拥堵表征信息。
本申请实施例中,在训练关联信息包括目标流式交通训练数据集和对比交通训练数据集之间的集间训练关联信息时,步骤S220可以包括:对于一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一集内训练关联信息;基于与第一目标解析粒度对应的训练目标表征向量,得到与第一目标解析粒度对应的第二集内训练关联信息;基于与第一目标解析粒度对应的训练对比表征向量和训练目标表征向量,得到与第一目标解析粒度对的中间集间训练关联信息;基于与第一目标解析粒度对应的第一集内训练关联信息、第二集内训练关联信息和中间集间训练关联信息,得到与第一目标解析粒度对应的集间训练关联信息。
本申请实施例中,基于与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量,得到与第一目标解析粒度对应的第一集内训练关联信息,包括:对与第一目标解析粒度对应的训练对比表征向量和训练孪生表征向量进行数量积计算,得到与第一目标解析粒度对应的第四过渡训练向量;对与第一目标解析粒度对应的第四过渡训练向量进行分类映射处理,得到与第一目标解析粒度对应的第一集内训练关联信息。
本申请实施例中,基于与第一目标解析粒度对应的训练目标表征向量,得到与第一目标解析粒度对应的第二集内训练关联信息,可以包括:对与第一目标解析粒度对应的训练目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的第二集内训练关联信息。
本申请实施例中,基于与第一目标解析粒度对应的训练对比表征向量和训练目标表征向量,得到与第一目标解析粒度对的中间集间训练关联信息,可以包括:对与第一目标解析粒度对应的训练对比表征向量和训练目标表征向量进行分类映射处理,得到与第一目标解析粒度对应的中间集间训练关联信息。
本申请实施例中,基于与第一目标解析粒度对应的第一集内训练关联信息、第二集内训练关联信息和中间集间训练关联信息,得到与第一目标解析粒度对应的集间训练关联信息,可以包括:基于第四内部权重聚焦机制,基于与第一目标解析粒度对应的第一集内训练关联信息和中间集间训练关联信息,得到与第一目标解析粒度对应的第五过渡训练向量;基于与第一目标解析粒度对应的第二集内训练关联信息和第五过渡训练向量,得到与第一目标解析粒度对应的集间训练关联信息。
本申请实施例中,步骤S230可以包括:基于一个或多个第一目标解析粒度的训练关联信息,得到第六过渡训练向量;基于第六过渡训练向量和一个或多个第二目标解析粒度的训练目标表征向量,得到目标流式交通训练数据集的预估路段拥堵解析信息。
本申请实施例中,一个或多个解析粒度包括Q个解析粒度,一个或多个第一目标解析粒度包括P个第一目标解析粒度,一个或多个第二目标解析粒度包括R个第二目标解析粒度。其中,1<Q,1≤P<Q,R=Q-P。
本申请实施例中,在训练关联信息包括目标流式交通训练数据集和对比交通训练数据集之间的牵涉性训练拥堵表征信息以及目标流式交通训练数据集和对比交通训练数据集之间的集间训练关联信息中的一项时,基于一个或多个第一目标解析粒度的训练关联信息,得到第六过渡训练向量,可以包括:在S≤x<Q时,对与第x个第一目标解析粒度对应的训练关联信息进行线性提炼处理,得到与第x个第一目标解析粒度对应的第一初始过渡训练向量;对与第x个第一目标解析粒度对应的第一初始过渡训练向量和与第y个第一目标解析粒度对应的第一目标过渡训练向量进行数量积计算,得到与第x个第一目标解析粒度对应的第一目标过渡训练向量;将与第S个第一目标解析粒度对应的第一目标过渡训练向量确定为第六过渡训练向量,S=R+1。
本申请实施例中,基于第六过渡训练向量和一个或多个第二目标解析粒度的训练目标表征向量,得到目标流式交通训练数据集的预估路段拥堵解析信息,可以包括:在u=R时,对与第R个第二目标解析粒度对应的训练目标表征向量进行线性提炼处理,得到与第R个第二目标解析粒度对应的第一初始过渡训练向量;对第六过渡训练向量和与第R个第二目标解析粒度对应的第一初始过渡训练向量进行数量积计算,得到与第R个第二目标解析粒度对应的第一目标过渡训练向量;在1≤u<R时,对与第u个第二目标解析粒度对应的训练目标表征向量进行线性提炼处理,得到与第u个第二目标解析粒度对应的第一初始过渡训练向量;对与第u个第二目标解析粒度对应的第一初始过渡训练向量和与第v个第二目标解析粒度对应的第一目标过渡训练向量进行数量积计算,得到与第u个第二目标解析粒度对应的第一目标过渡训练向量。基于与第u个第二目标解析粒度对应的第一目标过渡训练向量,确定目标流式交通训练数据集的预估路段拥堵解析信息。
本申请实施例中,一个或多个解析粒度包括f个解析粒度。一个或多个第一目标解析粒度包括e个第一目标解析粒度。一个或多个第二目标解析粒度包括g个第二目标解析粒度。其中,1<f,1≤e<f,g=f+1。
本申请实施例中,在训练关联信息包括目标流式交通训练数据集和对比交通训练数据集之间的牵涉性训练拥堵表征信息以及目标流式交通训练数据集和对比交通训练数据集之间的集间训练关联信息时,基于一个或多个第一目标解析粒度的训练关联信息,得到第六过渡训练向量,包括:在h≤a<f时,对与第a个第一目标解析粒度对应的牵涉性训练拥堵表征信息和集间训练关联信息进行数量积计算,得到与第a个第一目标解析粒度对应的第二初始过渡训练向量;对与第a个第一目标解析粒度对应的第二初始过渡训练向量进行线性提炼处理,得到与第a个第一目标解析粒度对应的第三初始过渡训练向量;对与第a个第一目标解析粒度对应的第三初始过渡训练向量和与第b个第一目标解析粒度对应的第二目标过渡训练向量进行数量积计算,得到与第a个第一目标解析粒度对应的第二目标过渡训练向量;将与第h个第一目标解析粒度对应的第二目标过渡训练向量确定为过渡向量Inter vector6,其中h=g+1。
本申请实施例中,基于第六过渡训练向量和一个或多个第二目标解析粒度的训练目标表征向量,得到目标流式交通训练数据集的预估路段拥堵解析信息,可以包括:在d=g时,对与第g个第二目标解析粒度对应的训练目标表征向量进行线性提炼处理,得到与第g个第二目标解析粒度对应的第二初始过渡训练向量。对第六过渡训练向量和与第g个第二目标解析粒度对应的第二初始过渡训练向量进行数量积计算,得到与第g个第二目标解析粒度对应的第二目标过渡训练向量。在1≤d<g时,对与第d个第二目标解析粒度对应的训练目标表征向量进行线性提炼处理,得到与第d个第二目标解析粒度对应的第二初始过渡训练向量。对与第d个第二目标解析粒度对应的第二初始过渡训练向量和与第o个第二目标解析粒度对应的第二目标过渡训练向量进行数量积计算,得到与第d个第二目标解析粒度对应的第二目标过渡训练向量。基于与第u个第二目标解析粒度对应的第二目标过渡训练向量,确定目标流式交通训练数据集的预估路段拥堵解析信息,其中,o=d+1。
基于前述的实施例,本申请实施例提供一种智能公交信息展示装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CentralProcessing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(DigitalSignal Processor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图3为本申请实施例提供的一种智能公交信息展示装置的组成结构示意图,如图3所示,智能公交信息展示装置200包括:
数据获取模块210,用于获取目标交通区域的目标流式交通数据集;
特征挖掘模块220,用于基于所述目标流式交通数据集、对比交通数据集和与所述对比交通数据集对应的数字孪生数据集,得到一个或多个解析粒度的表征向量,其中,所述表征向量包括所述目标流式交通数据集的目标表征向量、所述对比交通数据集的对比表征向量和所述数字孪生数据集的孪生表征向量;
关联确定模块230,用于基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息,其中,所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息和/或所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息,所述牵涉性拥堵表征信息是基于所述对比交通数据集的第一上下文拥堵表征信息和所述目标流式交通数据集的第二上下文拥堵表征信息确定的,所述集间关联信息为基于所述对比交通数据集的第一集内关联信息和所述目标流式交通数据集的第二集内关联信息确定得到;
拥堵解析模块240,用于用于基于一个或多个第二目标解析粒度的表征向量和所述一个或多个第一目标解析粒度的关联信息,得到所述目标流式交通数据集的路段拥堵解析信息;
孪生展示模块250,用于基于所述路段拥堵解析信息得到所述目标交通区域的数字孪生体展示信息,并将所述数字孪生体展示信息发送至所述至少一个展示终端进行展示。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的基于数字孪生的智能公交信息展示方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种展示设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图4为本申请实施例提供的一种展示设备的硬件实体示意图,如图4所示,该展示设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及模型训练设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的基于数字孪生的智能公交信息展示方法的步骤。处理器1001通常控制展示设备1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的基于数字孪生的智能公交信息展示方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于数字孪生的智能公交信息展示方法,其特征在于,应用于展示设备,所述展示设备与至少一个展示终端通信连接,所述方法包括:
获取目标交通区域的目标流式交通数据集;
基于所述目标流式交通数据集、对比交通数据集和与所述对比交通数据集对应的数字孪生数据集,得到一个或多个解析粒度的表征向量,其中,所述表征向量包括所述目标流式交通数据集的目标表征向量、所述对比交通数据集的对比表征向量和所述数字孪生数据集的孪生表征向量;
基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息;其中,所述解析粒度表示对数据分析的尺度,所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息和/或所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息,所述牵涉性拥堵表征信息是基于所述对比交通数据集的第一上下文拥堵表征信息和所述目标流式交通数据集的第二上下文拥堵表征信息确定的,所述集间关联信息为基于所述对比交通数据集的第一集内关联信息和所述目标流式交通数据集的第二集内关联信息确定得到,所述第一上下文拥堵表征信息表示与所述对比交通数据集本身相关的拥堵信息,所述第二上下文拥堵表征信息表示与所述目标流式交通数据集本身相关的拥堵信息,所述牵涉性拥堵表征信息用于表征所述目标流式交通数据集和所述对比交通数据集间的拥堵关联关系,所述集间关联信息表示不同交通数据集之间的关联信息,所述第一集内关联信息表示所述对比交通数据集本身的关联信息,所述第二集内关联信息表示所述目标流式交通数据集本身的关联信息;
基于一个或多个第二目标解析粒度的表征向量和所述一个或多个第一目标解析粒度的关联信息,得到所述目标流式交通数据集的路段拥堵解析信息;
基于所述路段拥堵解析信息得到所述目标交通区域的数字孪生体展示信息,并将所述数字孪生体展示信息发送至所述至少一个展示终端进行展示。
2.如权利要求1所述的方法,其特征在于,当所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息时,所述基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息,包括:
对于所述一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息;
基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息;
基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息。
3.如权利要求2所述的方法,其特征在于,所述基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息,包括:
依据第一内部权重聚焦机制,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的过渡向量Inter vector1;
基于与所述第一目标解析粒度对应的过渡向量Inter vector1和孪生表征向量,得到与所述第一目标解析粒度对应的第一上下文拥堵表征信息;
其中,所述基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息,包括:
依据第二内部权重聚焦机制,基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的过渡向量Inter vector2;
基于与所述第一目标解析粒度对应的过渡向量Inter vector2和目标表征向量,得到与所述第一目标解析粒度对应的第二上下文拥堵表征信息;
所述基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息,包括:
依据第三内部权重聚焦机制,基于与所述第一目标解析粒度对应的对比表征向量、第一上下文拥堵表征信息和第二上下文拥堵表征信息,得到与所述第一目标解析粒度对应的过渡向量Inter vector3;
基于与所述第一目标解析粒度对应的第一上下文拥堵表征信息和过渡向量Intervector3,得到与所述第一目标解析粒度对应的牵涉性拥堵表征信息;
在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息时,所述基于所述一个或多个解析粒度的表征向量,得到一个或多个第一目标解析粒度的关联信息,包括:
对于所述一个或多个第一目标解析粒度中的每个第一目标解析粒度,基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一集内关联信息;
基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二集内关联信息;
基于与所述第一目标解析粒度对应的对比表征向量和目标表征向量,得到与所述第一目标解析粒度对的过渡集间关联信息;
基于与所述第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的集间关联信息。
4.如权利要求3所述的方法,其特征在于,所述基于与所述第一目标解析粒度对应的对比表征向量和孪生表征向量,得到与所述第一目标解析粒度对应的第一集内关联信息,包括:
对与所述第一目标解析粒度对应的对比表征向量和孪生表征向量进行数量积计算,得到与所述第一目标解析粒度对应的过渡向量Inter vector4;
对与所述第一目标解析粒度对应的过渡向量Inter vector4进行分类映射处理,得到与所述第一目标解析粒度对应的第一集内关联信息;
所述基于与所述第一目标解析粒度对应的目标表征向量,得到与所述第一目标解析粒度对应的第二集内关联信息,包括:
对与所述第一目标解析粒度对应的目标表征向量进行分类映射处理,得到与所述第一目标解析粒度对应的第二集内关联信息;
所述基于与所述第一目标解析粒度对应的对比表征向量和目标表征向量,得到与所述第一目标解析粒度对的过渡集间关联信息,包括:
对与所述第一目标解析粒度对应的对比表征向量和目标表征向量进行分类映射处理,得到与所述第一目标解析粒度对应的过渡集间关联信息;
所述基于与所述第一目标解析粒度对应的第一集内关联信息、第二集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的集间关联信息,包括:
基于第四内部权重聚焦机制,基于与所述第一目标解析粒度对应的第一集内关联信息和过渡集间关联信息,得到与所述第一目标解析粒度对应的过渡向量Inter vector5;
基于与所述第一目标解析粒度对应的第二集内关联信息和过渡向量Inter vector5,得到与所述第一目标解析粒度对应的集间关联信息。
5.如权利要求1所述的方法,其特征在于,所述基于一个或多个第二目标解析粒度的表征向量和所述一个或多个第一目标解析粒度的关联信息,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Inter vector6;
基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Intervector6,得到所述目标流式交通数据集的路段拥堵解析信息。
6.如权利要求5所述的方法,其特征在于,所述一个或多个解析粒度包括Q个解析粒度,所述一个或多个第一目标解析粒度包括P个第一目标解析粒度,所述一个或多个第二目标解析粒度包括R个第二目标解析粒度,1<Q,1≤P<Q,R=Q-P;
其中,在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息或所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息中时,所述基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6,包括:
在S≤x<Q时,对与第x个第一目标解析粒度对应的关联信息进行线性提炼处理,得到与所述第x个第一目标解析粒度对应的第一初始过渡向量,其中,S=R+1;
对与所述第x个第一目标解析粒度对应的第一初始过渡向量和与第y个第一目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与所述第x个第一目标解析粒度对应的第一目标过渡向量,其中,y=x+1;
将与第S个第一目标解析粒度对应的第一目标过渡向量确定为所述过渡向量Intervector6。
7.如权利要求6所述的方法,其特征在于,所述基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Inter vector6,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
当u=R时,对与第R个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第R个第二目标解析粒度对应的第一初始过渡向量;
对与所述第R个第二目标解析粒度对应的第一初始过渡向量和所述过渡向量Intervector6进行数量积计算,得到与所述第R个第二目标解析粒度对应的第一目标过渡向量;
当1≤u<R时,对与第u个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第u个第二目标解析粒度对应的第一初始过渡向量;
对与所述第u个第二目标解析粒度对应的第一第一初始过渡向量和与第v个第二目标解析粒度对应的第一目标过渡向量进行数量积计算,得到与所述第u个第二目标解析粒度对应的第一目标过渡向量,其中,v=u+1;
基于与第u个第二目标解析粒度对应的第一目标过渡向量,确定所述目标流式交通数据集的路段拥堵解析信息。
8.如权利要求5所述的方法,其特征在于,所述一个或多个解析粒度包括f个解析粒度,所述一个或多个第一目标解析粒度包括e个第一目标解析粒度,所述一个或多个第二目标解析粒度包括g个第二目标解析粒度,1<f,1≤e<f,g=f-e;
在所述关联信息包括所述目标流式交通数据集和所述对比交通数据集之间的牵涉性拥堵表征信息以及所述目标流式交通数据集和所述对比交通数据集之间的集间关联信息时,所述基于所述一个或多个第一目标解析粒度的关联信息,得到过渡向量Intervector6,包括:
当h≤a<f时,对与第a个第一目标解析粒度对应的牵涉性拥堵表征信息和集间关联信息进行数量积计算,得到与所述第a个第一目标解析粒度对应的第二初始过渡向量,其中,h=g+1;
对与所述第a个第一目标解析粒度对应的第二初始过渡向量进行线性提炼处理,得到与所述第a个第一目标解析粒度对应的第三初始过渡向量;
对与所述第a个第一目标解析粒度对应的第三初始过渡向量和与第b个第一目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与所述第a个第一目标解析粒度对应的第二目标过渡向量,其中,b=a+1;
将与第h个第一目标解析粒度对应的第二目标过渡向量确定为所述过渡向量Intervector6。
9.如权利要求8所述的方法,其特征在于,所述基于所述一个或多个第二目标解析粒度的目标表征向量和所述过渡向量Inter vector6,得到所述目标流式交通数据集的路段拥堵解析信息,包括:
在d=g时,对与第g个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第g个第二目标解析粒度对应的第二初始过渡向量;
对与所述第g个第二目标解析粒度对应的第二初始过渡向量和所述过渡向量Intervector6进行数量积计算,得到与所述第g个第二目标解析粒度对应的第二目标过渡向量;
当1≤d<g时,对与第d个第二目标解析粒度对应的目标表征向量进行线性提炼处理,得到与所述第d个第二目标解析粒度对应的第二初始过渡向量;
对与所述第d个第二目标解析粒度对应的第二初始过渡向量和与第o个第二目标解析粒度对应的第二目标过渡向量进行数量积计算,得到与所述第d个第二目标解析粒度对应的第二目标过渡向量,其中,o=d+1;
基于与第u个第二目标解析粒度对应的第二目标过渡向量,确定所述目标流式交通数据集的路段拥堵解析信息。
10.一种展示设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至9任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801207.8A CN116543586B (zh) | 2023-07-03 | 2023-07-03 | 基于数字孪生的智能公交信息展示方法及展示设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801207.8A CN116543586B (zh) | 2023-07-03 | 2023-07-03 | 基于数字孪生的智能公交信息展示方法及展示设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116543586A true CN116543586A (zh) | 2023-08-04 |
CN116543586B CN116543586B (zh) | 2023-09-08 |
Family
ID=87449122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310801207.8A Active CN116543586B (zh) | 2023-07-03 | 2023-07-03 | 基于数字孪生的智能公交信息展示方法及展示设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543586B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200126415A1 (en) * | 2018-10-19 | 2020-04-23 | Toyota Jidosha Kabushiki Kaisha | Digital behavioral twin system for intersection management in connected environments |
CN111091312A (zh) * | 2020-03-25 | 2020-05-01 | 江苏广宇科技产业发展有限公司 | 一种基于bim的智能交通管理与评价系统 |
CN112037543A (zh) * | 2020-09-14 | 2020-12-04 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市交通灯控制方法、装置、设备和介质 |
CN112634110A (zh) * | 2020-12-08 | 2021-04-09 | 浙江安防职业技术学院 | 基于cim技术的数字孪生时空大数据平台 |
CN112991742A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种实时交通数据的可视化仿真方法及系统 |
US11164453B1 (en) * | 2020-08-31 | 2021-11-02 | Grant Stanton Cooper | Traffic signal control system and application therefor |
CN114548512A (zh) * | 2022-01-19 | 2022-05-27 | 福建工程学院 | 一种面向数字孪生的道路运行数据预估方法及装置 |
CN115063978A (zh) * | 2022-07-27 | 2022-09-16 | 武汉微晶石科技股份有限公司 | 一种基于数字孪生的公交到站时间预测方法 |
CN115100850A (zh) * | 2022-04-21 | 2022-09-23 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于深度强化学习的混合交通流控制方法、介质及设备 |
US11475766B1 (en) * | 2021-04-16 | 2022-10-18 | Hayden Ai Technologies, Inc. | Systems and methods for user reporting of traffic violations using a mobile application |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN115687709A (zh) * | 2022-10-16 | 2023-02-03 | 威海北洋电气集团股份有限公司 | 基于交通数据降维重构及多维分析的交通动态管控方法 |
CN116301464A (zh) * | 2023-03-30 | 2023-06-23 | 北京万集科技股份有限公司 | 展示道路数字孪生信息的方法、装置及终端设备 |
-
2023
- 2023-07-03 CN CN202310801207.8A patent/CN116543586B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200126415A1 (en) * | 2018-10-19 | 2020-04-23 | Toyota Jidosha Kabushiki Kaisha | Digital behavioral twin system for intersection management in connected environments |
CN111091312A (zh) * | 2020-03-25 | 2020-05-01 | 江苏广宇科技产业发展有限公司 | 一种基于bim的智能交通管理与评价系统 |
US11164453B1 (en) * | 2020-08-31 | 2021-11-02 | Grant Stanton Cooper | Traffic signal control system and application therefor |
CN112037543A (zh) * | 2020-09-14 | 2020-12-04 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的城市交通灯控制方法、装置、设备和介质 |
CN112634110A (zh) * | 2020-12-08 | 2021-04-09 | 浙江安防职业技术学院 | 基于cim技术的数字孪生时空大数据平台 |
US11475766B1 (en) * | 2021-04-16 | 2022-10-18 | Hayden Ai Technologies, Inc. | Systems and methods for user reporting of traffic violations using a mobile application |
CN112991742A (zh) * | 2021-04-21 | 2021-06-18 | 四川见山科技有限责任公司 | 一种实时交通数据的可视化仿真方法及系统 |
CN114548512A (zh) * | 2022-01-19 | 2022-05-27 | 福建工程学院 | 一种面向数字孪生的道路运行数据预估方法及装置 |
CN115100850A (zh) * | 2022-04-21 | 2022-09-23 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于深度强化学习的混合交通流控制方法、介质及设备 |
CN115063978A (zh) * | 2022-07-27 | 2022-09-16 | 武汉微晶石科技股份有限公司 | 一种基于数字孪生的公交到站时间预测方法 |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN115687709A (zh) * | 2022-10-16 | 2023-02-03 | 威海北洋电气集团股份有限公司 | 基于交通数据降维重构及多维分析的交通动态管控方法 |
CN116301464A (zh) * | 2023-03-30 | 2023-06-23 | 北京万集科技股份有限公司 | 展示道路数字孪生信息的方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
王宇;: "林拥军 大数据助力精准施策科学防疫", 交通建设与管理, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116543586B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846534B1 (en) | Systems and methods for augmented reality navigation | |
WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
CN111709343A (zh) | 一种点云检测方法、装置、计算机设备和存储介质 | |
CN111126514A (zh) | 图像多标签分类方法、装置、设备及介质 | |
CN112634296A (zh) | 门机制引导边缘信息蒸馏的rgb-d图像语义分割方法及终端 | |
CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
CN113256007B (zh) | 一种面向多模态的新产品销量预测方法及装置 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN116681957B (zh) | 一种基于人工智能的图像识别方法及计算机设备 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN115131634A (zh) | 图像识别方法、装置、设备、存储介质及计算机程序产品 | |
CN112712005A (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
CN112101114A (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
CN116543586B (zh) | 基于数字孪生的智能公交信息展示方法及展示设备 | |
CN115713750B (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
CN115393616A (zh) | 目标跟踪方法、装置、设备以及存储介质 | |
CN114881096A (zh) | 多标签的类均衡方法及其装置 | |
CN114332798A (zh) | 网约车环境信息的处理方法及相关装置 | |
CN113591543A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113139561A (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
CN112434591B (zh) | 车道线确定方法、装置 | |
WO2022205158A1 (zh) | 图像样本的处理方法和装置以及数据处理方法和装置 | |
CN117292345A (zh) | 目标对象的检测方法、装置、设备和存储介质 | |
CN114299480A (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
CN118196474A (zh) | 图像缺陷分类方法及装置、存储介质、计算设备 |
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 |