CN116579460A - 信息预测方法、装置、计算机设备和存储介质 - Google Patents
信息预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116579460A CN116579460A CN202310365544.7A CN202310365544A CN116579460A CN 116579460 A CN116579460 A CN 116579460A CN 202310365544 A CN202310365544 A CN 202310365544A CN 116579460 A CN116579460 A CN 116579460A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- information
- time
- model
- 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 66
- 238000005406 washing Methods 0.000 claims abstract description 265
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 71
- 238000001514 detection method Methods 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种信息预测方法、装置、计算机设备、存储介质和计算机程序产品,涉及人工智能技术领域。所述方法包括:获取目标区域内的目标图像和当前的洗车场景信息;将目标图像和洗车场景信息输入至预先训练的等待时间预测模型;等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;通过车辆识别子模型,识别目标图像,得到当前等待洗车的车辆的车型信息和数量信息;根据车型洗车时间预测子模型、洗车场景信息和车型信息,确定各车型对应的预测洗车时间;基于当前等待洗车的车辆的车型信息和数量信息、以及各车型对应的预测洗车时间,确定等待时间预测信息。采用本方法能够为洗车用户提供洗车排队的时间预测。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种信息预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
交通是人们“衣食住行”中“行”的重要平台,汽车是这个平台中重要的个体,汽车给人们的生活带来了诸多便捷。随着汽车数量的增加,人们对于洗车的需求也随之加大。因此,容易出现多辆汽车排队洗车的情况。
对于洗车用户来说,他们非常看重洗车的效率,包括洗车时间和排队时间。然而,洗车的排队时间往往极具不确定性和随机性。这就容易造成排队时间长的洗车点仍有大量洗车用户前往排队,排队时间短的洗车点反而洗车用户很少的现象。这样不仅会造成洗车资源的浪费,还会使得洗车用户在排队上浪费大量的时间,洗车的效率低下。
因此,亟需一种信息预测方法,为洗车用户提供洗车排队的时间预测,帮助其合理规划行程。
发明内容
基于此,有必要针对上述技术问题,提供一种能够为洗车用户提供洗车排队的时间预测的信息预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种信息预测方法。所述方法包括:
获取目标区域内的目标图像和当前的洗车场景信息;
将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;
通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;
根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;
基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。
在其中一个实施例中,所述车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,所述通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息包括:
通过所述目标检测模块,对所述目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息;
根据所述位置注意力模块和所述初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息;
通过所述预测分类模块和所述注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。
在其中一个实施例中,所述车辆识别子模型的训练过程包括:
获取正样本训练子集和负样本训练子集;所述正样本训练子集包括正样本和所述正样本对应的车型样本信息和数量样本信息;所述负样本训练子集包括负样本和所述负样本对应的车型样本信息和数量样本信息;所述正样本包含车辆,所述负样本不包含车辆;
按照预设的样本比例,基于所述正样本训练子集和所述负样本训练子集,构建车辆识别训练数据集;
通过所述车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。
在其中一个实施例中,所述方法还包括:
当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集;所述历史洗车数据集包括各历史车辆对应的历史洗车数据;
在各历史车辆中选取目标车辆,基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差;
在所述目标误差不满足预设收敛条件的情况下,根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行所述根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数步骤,直至所述目标误差满足预设收敛条件。
在其中一个实施例中,所述历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息、以及历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间;所述前排车辆为在历史车辆等待洗车时,排在所述历史车辆前面也在等待洗车的车辆;所述基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差包括:
根据所述目标车辆对应的历史等待时间和历史等待时间预测信息,计算所述目标车辆对应的第一误差;
根据所述目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算所述目标车辆对应的第二误差;
根据所述第一误差、所述第一误差对应的第一权重、所述第二误差和所述第二误差对应的第二权重,加权计算所述目标车辆对应的目标误差。
在其中一个实施例中,所述方法还包括:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重;
根据预设的第一权重和第二权重的关系、以及所述本次选取的目标车辆的第二误差对应的第二权重,计算所述本次选取的目标车辆的第一误差对应的第一权重。
在其中一个实施例中,所述根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重包括:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定所述上一次选取的目标车辆的目标梯度;
根据预设的学习率、所述上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。
在其中一个实施例中,所述获取目标区域内的目标图像和当前的洗车场景信息包括:
获取目标区域内的目标图像;
获取当前时间,将所述当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询所述开始等待时间对应的特殊日信息;
检测当前时间所述目标区域内的目标天气,并将所述目标天气、所述开始等待时间和所述开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
第二方面,本申请还提供了一种信息预测装置。所述装置包括:
第一获取模块,用于获取目标区域内的目标图像和当前的洗车场景信息;
输入模块,用于将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;
识别模块,用于通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;
第一确定模块,用于根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;
第二确定模块,用于基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。
在其中一个实施例中,所述车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,所述识别模块,具体用于:
通过所述目标检测模块,对所述目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息;
根据所述位置注意力模块和所述初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息;
通过所述预测分类模块和所述注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取正样本训练子集和负样本训练子集;所述正样本训练子集包括正样本和所述正样本对应的车型样本信息和数量样本信息;所述负样本训练子集包括负样本和所述负样本对应的车型样本信息和数量样本信息;所述正样本包含车辆,所述负样本不包含车辆;
构建模块,用于按照预设的样本比例,基于所述正样本训练子集和所述负样本训练子集,构建车辆识别训练数据集;
训练模块,用于通过所述车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。
在其中一个实施例中,所述装置还包括:
第三获取模块,用于当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集;所述历史洗车数据集包括各历史车辆对应的历史洗车数据;
第一计算模块,用于在各历史车辆中选取目标车辆,基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差;
更新模块,用于在所述目标误差不满足预设收敛条件的情况下,根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行所述根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数步骤,直至所述目标误差满足预设收敛条件。
在其中一个实施例中,所述历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息、以及历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间;所述前排车辆为在历史车辆等待洗车时,排在所述历史车辆前面也在等待洗车的车辆;所述第一计算模块,具体用于:
根据所述目标车辆对应的历史等待时间和历史等待时间预测信息,计算所述目标车辆对应的第一误差;
根据所述目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算所述目标车辆对应的第二误差;
根据所述第一误差、所述第一误差对应的第一权重、所述第二误差和所述第二误差对应的第二权重,加权计算所述目标车辆对应的目标误差。
在其中一个实施例中,所述装置还包括:
第三确定模块,用于根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重;
第二计算模块,用于根据预设的第一权重和第二权重的关系、以及所述本次选取的目标车辆的第二误差对应的第二权重,计算所述本次选取的目标车辆的第一误差对应的第一权重。
在其中一个实施例中,所述第三确定模块,具体用于:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定所述上一次选取的目标车辆的目标梯度;
根据预设的学习率、所述上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。
在其中一个实施例中,所述第一获取模块,具体用于:
获取目标区域内的目标图像;
获取当前时间,将所述当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询所述开始等待时间对应的特殊日信息;
检测当前时间所述目标区域内的目标天气,并将所述目标天气、所述开始等待时间和所述开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述信息预测方法、装置、计算机设备、存储介质和计算机程序产品,获取目标区域内的目标图像和当前的洗车场景信息;将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。这样,将目标区域内的目标图像和当前的洗车场景信息输入至预先训练的等待时间预测模型,通过车辆识别子模型和目标区域内的目标图像,对目标区域内的等待洗车的车辆的车型和数量进行识别,再通过车型洗车时间预测子模型和当前的洗车场景信息,对当前的洗车场景下的各车型对应的洗车时间进行预测,再基于得到的车辆的车型和数量、以及各车型对应的预测洗车时间,确定等待时间预测信息,能够为洗车用户提供洗车排队的时间预测,帮助洗车用户选择洗车点,帮助其合理规划行程,不仅能够避免洗车用户在排队等待上浪费大量时间,提高洗车效率,也能够将洗车用户的洗车需求均衡到各洗车点,避免洗车资源的浪费,提高洗车资源的利用率。
附图说明
图1为一个实施例中信息预测方法的流程示意图;
图2为一个实施例中识别目标图像步骤的流程示意图;
图3为一个实施例中车辆识别子模型的训练过程的流程示意图;
图4为另一个实施例中信息预测方法的流程示意图;
图5为一个实施例中计算目标车辆对应的目标误差的流程示意图;
图6为另一个实施例中信息预测方法的流程示意图;
图7为一个实施例中确定第二权重步骤的流程示意图;
图8为一个实施例中获取目标区域内的目标图像和当前的洗车场景信息步骤的流程示意图;
图9为一个实施例中信息预测装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种信息预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101,获取目标区域内的目标图像和当前的洗车场景信息。
在本申请实施例中,终端通过图像采集设备,获取目标区域内的目标图像。然后,终端根据当前时间,获取当前的洗车场景信息。其中,目标区域为等待洗车的车辆排队的区域,即洗车的等待区域。洗车店可以包括一个或多个洗车点。目标区域可以为目标洗车点的等待洗车的车辆排队的区域。目标洗车点可以为洗车用户选择洗车的洗车点。目标图像为目标区域的图像。目标图像可以为一张或多张图像。洗车场景信息可以包括但不限于:天气信息、开始等待时间和特殊日信息。天气信息用于表示开始等待时间的天气状况。例如,天气信息为晴、多云或中雨等。开始等待时间为开始等待洗车的时间,也可以为开始排队等待的时间。例如,开始等待时间可以为车辆进入洗车店的时间,也可以为车辆进入洗车点的等待区域的时间。特殊日信息用于表示开始等待时间的日期是否为特殊日,还可以表示开始等待时间的日期是什么特殊日。特殊日包括但不限于节假日。
步骤102,将目标图像和洗车场景信息输入至预先训练的等待时间预测模型。
其中,等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型。
在本申请实施例中,终端将目标图像和洗车场景信息输入至预先训练的等待时间预测模型。其中,等待时间预测模型用于预测洗车的等待时间。等待时间预测模型可以为神经网络模型。车辆识别子模型用于识别车辆,还可以用于识别车辆的车型和数量。车型洗车时间预测子模型用于预测不同的洗车场景下,各车型的车辆对应的洗车时间。车辆识别子模型可以为长短期记忆网络(Long Short Term Memory,LSTM)模型。
步骤103,通过车辆识别子模型,识别目标图像,得到当前等待洗车的车辆的车型信息和数量信息。
在本申请实施例中,终端通过车辆识别子模型,识别目标图像,得到当前等待洗车的车辆的车型信息和数量信息。其中,车型信息用于表示等待洗车的车辆的车型。数量信息用于表示等待洗车的车辆的数量,还可以表示各车型的等待洗车的车辆对应的数量。
步骤104,根据车型洗车时间预测子模型、洗车场景信息和车型信息,确定各车型对应的预测洗车时间。
在本申请实施例中,终端将洗车场景信息和车型信息输入车型洗车时间预测子模型,得到各车型对应的预测洗车时间。
步骤105,基于当前等待洗车的车辆的车型信息和数量信息、以及各车型对应的预测洗车时间,确定等待时间预测信息。
在本申请实施例中,终端基于当前等待洗车的车辆的车型信息和数量信息、以及各车型对应的预测洗车时间,确定等待时间预测信息。
在一个示例中,针对每一个车型,终端将该车型对应的预测洗车时间和当前等待洗车的车辆为该车型的数量,得到该车型的总洗车时间。然后,终端将各车型的总洗车时间相加,得到等待时间预测信息。
上述信息预测方法中,获取目标区域内的目标图像和当前的洗车场景信息;将目标图像和洗车场景信息输入至预先训练的等待时间预测模型;等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;通过车辆识别子模型,识别目标图像,得到当前等待洗车的车辆的车型信息和数量信息;根据车型洗车时间预测子模型、洗车场景信息和车型信息,确定各车型对应的预测洗车时间;基于当前等待洗车的车辆的车型信息和数量信息、以及各车型对应的预测洗车时间,确定等待时间预测信息。这样,将目标区域内的目标图像和当前的洗车场景信息输入至预先训练的等待时间预测模型,通过车辆识别子模型和目标区域内的目标图像,对目标区域内的等待洗车的车辆的车型和数量进行识别,再通过车型洗车时间预测子模型和当前的洗车场景信息,对当前的洗车场景下的各车型对应的洗车时间进行预测,再基于得到的车辆的车型和数量、以及各车型对应的预测洗车时间,确定等待时间预测信息,能够为洗车用户提供洗车排队的时间预测,帮助洗车用户选择洗车点,帮助其合理规划行程,不仅能够避免洗车用户在排队等待上浪费大量时间,提高洗车效率,也能够将洗车用户的洗车需求均衡到各洗车点,避免洗车资源的浪费,提高洗车资源的利用率。
在一个实施例中,车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,如图2所示,通过车辆识别子模型,识别目标图像,得到当前等待洗车的车辆的车型信息和数量信息的具体过程包括以下步骤:
步骤201,通过目标检测模块,对目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息。
在本申请实施例中,终端通过目标检测模块,对目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息。其中,目标检测模块为对目标图像进行目标检测的模型,可以为yolov5模型。初始检测特征信息表示初始检测到的目标图像的特征。初始检测特征信息可以为矩阵。
步骤202,根据位置注意力模块和初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息。
在本申请实施例中,终端将初始检测特征信息输入至位置注意力模块,得到当前等待洗车的车辆的注意力特征信息。具体的,终端通过位置注意力模块,计算初始检测特征信息的矩阵中每一个像素与其他像素的相似性。然后,终端通过位置注意力模块,将得到各相似性叠加到初始检测特征信息的矩阵中,得到当前等待洗车的车辆的注意力特征信息。其中,位置注意力模块为即插即用的,它的输入和输出是大小和维度都相同的矩阵。注意力特征信息与初始检测特征信息可以为大小和维度都相同的矩阵。
步骤203,通过预测分类模块和注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。
在本申请实施例中,终端通过预测分类模块和注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。具体的,终端将注意力特征信息输入至预测分类模块。然后,终端通过预测分类模块,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。其中,预测分类模块用于对当前等待洗车的车辆的车型和数量进行预测,可以为预测分类器。
上述信息预测方法中,车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,通过目标检测模块,对目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息;再根据位置注意力模块和初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息;再通过预测分类模块和注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。这样,在目标检测模块后加上位置注意力模块,在对目标图像进行车辆初始检测后,再通过位置注意力模块,将初始检测特征信息转换成注意力特征信息,使模型更加关注图像中的重点区域,能够提升车辆识别的精度和准确性,进而提高等待时间预测信息的准确性。
在一个实施例中,如图3所示,车辆识别子模型的训练过程包括以下步骤:
步骤301,获取正样本训练子集和负样本训练子集。
其中,正样本训练子集包括正样本和正样本对应的车型样本信息和数量样本信息。负样本训练子集包括负样本和负样本对应的车型样本信息和数量样本信息。正样本包含车辆,负样本不包含车辆。
在本申请实施例中,终端获取包含车辆的正样本和不包含车辆的负样本。然后,终端将正样本和正样本对应的车型样本信息和数量样本信息,构成正样本训练子集。同时,终端将负样本和负样本对应的车型样本信息和数量样本信息,构成负样本训练子集。其中,正样本和负样本均可以为图片。
步骤302,按照预设的样本比例,基于正样本训练子集和负样本训练子集,构建车辆识别训练数据集。
在本申请实施例中,终端按照预设的样本比例,在正样本训练子集和负样本训练子集中,确定目标样本。然后,终端将各目标样本,构成车辆识别训练数据集。其中,样本比例为正样本数量和负样本数量之间的比例。样本比例可以为正样本数量:负样本数量=1:1。车辆识别训练数据集为用于训练车辆识别子模型的数据集。车辆识别训练数据集包括多个目标样本。
步骤303,通过车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。
在本申请实施例中,终端通过车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。其中,目标神经网络可以包括yolov5网络、位置注意力模块和预测分类器。
上述信息预测方法中,获取正样本训练子集和负样本训练子集;再按照预设的样本比例,基于正样本训练子集和负样本训练子集,构建车辆识别训练数据集;通过车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。这样,在训练车辆识别子模型时采用的车辆识别训练数据集不仅包含正样本,还包含负样本,正样本包含车辆,负样本不包含车辆,告诉车辆识别子模型这些“不是你要检测的目标”,能够提高车辆识别子模型的泛化能力,降低误检测率和误识别率,提高车辆识别子模型的车辆识别的精度和准确性,进而提高等待时间预测信息的准确性。
在一个实施例中,如图4所示,信息预测方法还包括以下步骤:
步骤401,当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集。
其中,历史洗车数据集包括各历史车辆对应的历史洗车数据。
在本申请实施例中,当满足预设的更新条件时,终端获取当前时刻之前的预设时间段内的历史洗车数据集。其中,更新条件用于衡量车型洗车时间预测子模型是否开始更新或训练。预设时间段可以为一个自然日,即当前时刻之前的预设时间段内的历史洗车数据集可以为昨天一整天的历史洗车数据集。
在一个示例中,预设时间段为一个自然日。在昨天,终端记录各历史车辆对应的历史洗车数据。当到达更新时间时,终端确定满足预设的更新条件。其中,更新时间可以为每个自然日的一个时间点。例如,更新时间可以为每个自然日的凌晨0点,也可以为每个自然日的凌晨1点。然后,终端从存储设备中,获取各历史车辆对应的历史洗车数据。然后,终端基于各历史车辆对应的历史洗车数据,构建历史洗车数据集。
步骤402,在各历史车辆中选取目标车辆,基于目标车辆对应的历史洗车数据,计算目标车辆对应的目标误差。
在本申请实施例中,终端在各历史车辆中选取目标车辆。然后,终端基于目标车辆对应的历史洗车数据,计算目标车辆对应的目标误差。
在一个示例中,历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息。终端根据目标车辆对应的历史等待时间和历史等待时间预测信息,计算目标车辆对应的目标误差。
在一个示例中,历史洗车数据包括历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间。前排车辆为在历史车辆等待洗车时,排在历史车辆前面也在等待洗车的车辆。终端根据目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算目标车辆对应的目标误差。
步骤403,在目标误差不满足预设收敛条件的情况下,根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数步骤,直至目标误差满足预设收敛条件。
在本申请实施例中,终端判断目标误差是否满足预设收敛条件。在目标误差不满足预设收敛条件的情况下,终端根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数。然后,终端在各历史车辆中重新选取目标车辆。然后,终端返回执行根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数步骤,直至目标误差满足预设收敛条件。在目标误差满足预设收敛条件的情况下,终端停止更新车型洗车时间预测子模型的参数,得到车型洗车时间预测子模型。其中,收敛条件用于衡量车型洗车时间预测子模型是否完成本轮训练。
上述信息预测方法中,当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集;在各历史车辆中选取目标车辆,基于目标车辆对应的历史洗车数据,计算目标车辆对应的目标误差;在目标误差不满足预设收敛条件的情况下,根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行根据各目标车辆对应的目标误差,更新车型洗车时间预测子模型的参数步骤,直至目标误差满足预设收敛条件。这样,在应用等待时间预测模型的过程中,仍对车型洗车时间预测子模型定期进行训练优化,能够提高车型洗车时间预测子模型的预测精度和准确性,进而提高等待时间预测信息的准确性。而且,在应用等待时间预测模型的过程中,定期获取实际应用过程中的历史洗车数据,并根据当前时刻之前的预设时间段内的历史洗车数据,对车型洗车时间预测子模型定期进行训练优化,样本符合实际情况,能够进一步提高车型洗车时间预测子模型的预测精度和准确性。
在一个实施例中,历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息、以及历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间。前排车辆为在历史车辆等待洗车时,排在历史车辆前面也在等待洗车的车辆。如图5所示,基于目标车辆对应的历史洗车数据,计算目标车辆对应的目标误差的具体过程包括以下步骤:
步骤501,根据目标车辆对应的历史等待时间和历史等待时间预测信息,计算目标车辆对应的第一误差。
在本申请实施例中,终端对目标车辆对应的历史等待时间和历史等待时间预测信息作差。然后,终端将得到的这个差,作为目标车辆对应的第一误差。
步骤502,根据目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算目标车辆对应的第二误差。
在本申请实施例中,终端根据目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算目标车辆对应的第二误差。
在一个示例中,针对目标车辆的每一个前排车辆,终端对该前排车辆的车型对应的历史洗车时间和历史预测洗车时间作差,得到该前排车辆的车型洗车时间误差。然后,终端根据各前排车辆的车型洗车时间误差,计算目标车辆对应的第二误差。
在一个示例中,终端将各前排车辆的车型洗车时间误差相加。然后,终端用得到的这个和除以目标车辆的前排车辆的数量,得到目标车辆对应的第二误差。
在一个示例中,终端确定各前排车辆的车型洗车时间误差的中位数。然后,终端将该中位数,作为目标车辆对应的第二误差。
步骤503,根据第一误差、第一误差对应的第一权重、第二误差和第二误差对应的第二权重,加权计算目标车辆对应的目标误差。
在本申请实施例中,终端根据第一误差、第一误差对应的第一权重、第二误差和第二误差对应的第二权重,加权计算目标车辆对应的目标误差。具体的,终端将第一误差和第一误差对应的第一权重相乘。然后,终端将第二误差和第二误差对应的第二权重相乘。然后,终端将得到的两个乘积相加,得到目标车辆对应的目标误差。
上述信息预测方法中,根据目标车辆对应的历史等待时间和历史等待时间预测信息,计算目标车辆对应的第一误差;根据目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算目标车辆对应的第二误差;根据第一误差、第一误差对应的第一权重、第二误差和第二误差对应的第二权重,加权计算目标车辆对应的目标误差。这样,在计算车型洗车时间预测子模型的目标误差时,不仅计算车型洗车时间预测子模型的输出误差,还计算整个等待时间预测模型的输出误差,即将车型洗车时间预测子模型输出的各车型对应的洗车时间作为硬标签,将等待时间预测模型输出的等待时间预测信息作为软标签,通过车辆识别子模型的预测帮助车型洗车时间预测子模型的预测,能够进一步提高车型洗车时间预测子模型的预测精度和准确性,进而提高等待时间预测信息的准确性。
在一个实施例中,如图6所示,信息预测方法还包括以下步骤:
步骤601,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重。
在本申请实施例中,终端根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,计算本次选取的目标车辆的第二误差对应的第二权重。
步骤602,根据预设的第一权重和第二权重的关系、以及本次选取的目标车辆的第二误差对应的第二权重,计算本次选取的目标车辆的第一误差对应的第一权重。
在本申请实施例中,终端根据预设的第一权重和第二权重的关系、以及本次选取的目标车辆的第二误差对应的第二权重,计算本次选取的目标车辆的第一误差对应的第一权重。
在一个示例中,第一权重和第二权重的关系为第一权重和第二权重的和为1。终端用1减去本次选取的目标车辆的第二误差对应的第二权重,得到本次选取的目标车辆的第一误差对应的第一权重。
上述信息预测方法中,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重;再根据预设的第一权重和第二权重的关系、以及本次选取的目标车辆的第二误差对应的第二权重,计算本次选取的目标车辆的第一误差对应的第一权重。这样,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,更新目标车辆的第二误差对应的第二权重,再基于预设的第一权重和第二权重的关系,同步更新目标车辆的第一误差对应的第一权重,实现第一权重和第二权重的实时更新,更加符合实际情况,能够进一步提高车型洗车时间预测子模型的预测精度和准确性,进而提高等待时间预测信息的准确性。
在一个实施例中,如图7所示,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重的具体过程包括以下步骤:
步骤701,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定上一次选取的目标车辆的目标梯度。
在本申请实施例中,终端根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定上一次选取的目标车辆的目标梯度。
在一个示例中,终端求上一次选取的目标车辆对应的目标误差对上一次选取的目标车辆的第二误差对应的第二权重的偏导,得到上一次选取的目标车辆的目标梯度。
步骤702,根据预设的学习率、上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。
在本申请实施例中,终端根据预设的学习率、上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。其中,学习率一般为0.5、0.05和0.01。
在一个示例中,终端将目标梯度和学习率相乘。然后,终端用上一次选取的目标车辆的第二误差对应的第二权重减去得到的乘积。然后,终端将得到的差,作为本次选取的目标车辆的第二误差对应的第二权重。
在一个实施例中,终端计算本次选取的目标车辆的第二误差对应的第二权重,可以表示为:
其中,a2为本次选取的目标车辆的第二误差对应的第二权重,a1为上一次选取的目标车辆的第二误差对应的第二权重,α为学习率,Loss1为上一次选取的目标车辆对应的目标误差,为上一次选取的目标车辆的目标梯度。
上述信息预测方法中,根据上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆对应的目标误差,确定上一次选取的目标车辆的目标梯度;再根据预设的学习率、上一次选取的目标车辆的第二误差对应的第二权重和上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。这样,通过计算上一次选取的目标车辆对应的目标误差对上一次选取的目标车辆的第二误差对应的第二权重的偏导,再根据得到的偏导、预设的学习率和上一次选取的目标车辆的第二误差对应的第二权重,更新目标车辆的第二误差对应的第二权重,实现第二权重的实时更新,更加符合实际情况,能够进一步提高车型洗车时间预测子模型的预测精度和准确性,进而提高等待时间预测信息的准确性。
在一个实施例中,如图8所示,获取目标区域内的目标图像和当前的洗车场景信息的具体过程包括以下步骤:
步骤801,获取目标区域内的目标图像。
在本申请实施例中,终端通过图像采集设备,获取目标区域内的目标图像。其中,图像采集设备可以为摄像头。
步骤802,获取当前时间,将当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询开始等待时间对应的特殊日信息。
在本申请实施例中,当满足预设开始等待条件时,终端从时间显示设备中,获取当前时间。然后,终端将当前时间作为开始等待时间。然后,终端在预设的时间和特殊日的映射关系中,查询开始等待时间对应的特殊日信息。其中,时间显示设备可以为时钟。开始等待条件用于衡量车辆是否开始等待洗车。开始等待条件可以为衡量车辆是否进入洗车店的条件。开始等待条件可以为衡量车辆是否进入洗车点的等待区域的条件。
在一个示例中,终端对车辆进行位置检测,得到该车辆的位置信息。然后,终端根据该从车辆的位置信息和洗车店的位置信息,判断该车辆是否进入该洗车店。当该车辆进入该洗车店时,终端确定满足预设开始等待条件。
在一个示例中,洗车店门口安装有感应装置,该感应装置用于接收进入洗车店的车辆的车辆信息。例如,洗车店门口安装有闸机,闸机包括感应装置。车辆信息可以包括车辆的车牌号。当接收到该感应装置发送的车辆信息时,终端确定该车辆信息对应的车辆进入该洗车店,并确定该车辆信息对应的车辆满足预设开始等待条件。
在一个示例中,当接收到用户发送的等待洗车指令时,终端确定该等待洗车指令对应的车辆进入该洗车店,并确定该等待洗车指令对应的车辆满足预设开始等待条件。
步骤803,检测当前时间目标区域内的目标天气,并将目标天气、开始等待时间和开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
在本申请实施例中,终端通过天气检测装置,检测当前时间目标区域内的目标天气。然后,终端将目标天气、开始等待时间和开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
上述信息预测方法中,获取目标区域内的目标图像;再获取当前时间,将当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询开始等待时间对应的特殊日信息;检测当前时间目标区域内的目标天气,并将目标天气、开始等待时间和开始等待时间对应的特殊日信息,构成当前的洗车场景信息。这样,将开始等待时间、特殊日信息和当前时间目标区域内的目标天气,构成当前的洗车场景信息,并将当前的洗车场景信息作为车型洗车时间预测子模型,充分考虑影响洗车的因素,更加符合实际情况,能够进一步提高车型洗车时间预测子模型的预测精度和准确性,进而提高等待时间预测信息的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信息预测方法的信息预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个信息预测装置实施例中的具体限定可以参见上文中对于信息预测方法的限定,在此不再赘述。
在一个实施例中,如图9示,提供了一种信息预测装置900:第一获取模块910、输入模块920、识别模块930、第一确定模块940和第二确定模块950,其中:
第一获取模块910,用于获取目标区域内的目标图像和当前的洗车场景信息;
输入模块920,用于将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;
识别模块930,用于通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;
第一确定模块940,用于根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;
第二确定模块950,用于基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。
可选的,所述车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,所述识别模块930,具体用于:
通过所述目标检测模块,对所述目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息;
根据所述位置注意力模块和所述初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息;
通过所述预测分类模块和所述注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。
可选的,所述装置900还包括:
第二获取模块,用于获取正样本训练子集和负样本训练子集;所述正样本训练子集包括正样本和所述正样本对应的车型样本信息和数量样本信息;所述负样本训练子集包括负样本和所述负样本对应的车型样本信息和数量样本信息;所述正样本包含车辆,所述负样本不包含车辆;
构建模块,用于按照预设的样本比例,基于所述正样本训练子集和所述负样本训练子集,构建车辆识别训练数据集;
训练模块,用于通过所述车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。
可选的,所述装置900还包括:
第三获取模块,用于当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集;所述历史洗车数据集包括各历史车辆对应的历史洗车数据;
第一计算模块,用于在各历史车辆中选取目标车辆,基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差;
更新模块,用于在所述目标误差不满足预设收敛条件的情况下,根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行所述根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数步骤,直至所述目标误差满足预设收敛条件。
可选的,所述历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息、以及历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间;所述前排车辆为在历史车辆等待洗车时,排在所述历史车辆前面也在等待洗车的车辆;所述第一计算模块,具体用于:
根据所述目标车辆对应的历史等待时间和历史等待时间预测信息,计算所述目标车辆对应的第一误差;
根据所述目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算所述目标车辆对应的第二误差;
根据所述第一误差、所述第一误差对应的第一权重、所述第二误差和所述第二误差对应的第二权重,加权计算所述目标车辆对应的目标误差。
可选的,所述装置900还包括:
第三确定模块,用于根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重;
第二计算模块,用于根据预设的第一权重和第二权重的关系、以及所述本次选取的目标车辆的第二误差对应的第二权重,计算所述本次选取的目标车辆的第一误差对应的第一权重。
可选的,所述第三确定模块,具体用于:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定所述上一次选取的目标车辆的目标梯度;
根据预设的学习率、所述上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。
可选的,所述第一获取模块,具体用于:
获取目标区域内的目标图像;
获取当前时间,将所述当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询所述开始等待时间对应的特殊日信息;
检测当前时间所述目标区域内的目标天气,并将所述目标天气、所述开始等待时间和所述开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
上述信息预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种信息预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种信息预测方法,其特征在于,所述方法包括:
获取目标区域内的目标图像和当前的洗车场景信息;
将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;
通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;
根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;
基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。
2.根据权利要求1所述的方法,其特征在于,所述车辆识别子模型包括目标检测模块、位置注意力模块和预测分类模块,所述通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息包括:
通过所述目标检测模块,对所述目标图像进行车辆检测,得到当前等待洗车的车辆的初始检测特征信息;
根据所述位置注意力模块和所述初始检测特征信息,得到当前等待洗车的车辆的注意力特征信息;
通过所述预测分类模块和所述注意力特征信息,对当前等待洗车的车辆的车型和数量进行预测,得到当前等待洗车的车辆的车型信息和数量信息。
3.根据权利要求1所述的方法,其特征在于,所述车辆识别子模型的训练过程包括:
获取正样本训练子集和负样本训练子集;所述正样本训练子集包括正样本和所述正样本对应的车型样本信息和数量样本信息;所述负样本训练子集包括负样本和所述负样本对应的车型样本信息和数量样本信息;所述正样本包含车辆,所述负样本不包含车辆;
按照预设的样本比例,基于所述正样本训练子集和所述负样本训练子集,构建车辆识别训练数据集;
通过所述车辆识别训练数据集,训练目标神经网络,得到车辆识别子模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当满足预设的更新条件时,获取当前时刻之前的预设时间段内的历史洗车数据集;所述历史洗车数据集包括各历史车辆对应的历史洗车数据;
在各历史车辆中选取目标车辆,基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差;
在所述目标误差不满足预设收敛条件的情况下,根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数,并在各历史车辆中重新选取目标车辆,返回执行所述根据各所述目标车辆对应的目标误差,更新所述车型洗车时间预测子模型的参数步骤,直至所述目标误差满足预设收敛条件。
5.根据权利要求4所述的方法,其特征在于,所述历史洗车数据包括历史车辆对应的历史等待时间和历史等待时间预测信息、以及历史车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间;所述前排车辆为在历史车辆等待洗车时,排在所述历史车辆前面也在等待洗车的车辆;所述基于所述目标车辆对应的历史洗车数据,计算所述目标车辆对应的目标误差包括:
根据所述目标车辆对应的历史等待时间和历史等待时间预测信息,计算所述目标车辆对应的第一误差;
根据所述目标车辆的前排车辆的车型对应的历史洗车时间和历史预测洗车时间,计算所述目标车辆对应的第二误差;
根据所述第一误差、所述第一误差对应的第一权重、所述第二误差和所述第二误差对应的第二权重,加权计算所述目标车辆对应的目标误差。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重;
根据预设的第一权重和第二权重的关系、以及所述本次选取的目标车辆的第二误差对应的第二权重,计算所述本次选取的目标车辆的第一误差对应的第一权重。
7.根据权利要求6所述的方法,其特征在于,所述根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定本次选取的目标车辆的第二误差对应的第二权重包括:
根据上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆对应的目标误差,确定所述上一次选取的目标车辆的目标梯度;
根据预设的学习率、所述上一次选取的目标车辆的第二误差对应的第二权重和所述上一次选取的目标车辆的目标梯度,计算本次选取的目标车辆的第二误差对应的第二权重。
8.根据权利要求1所述的方法,其特征在于,所述获取目标区域内的目标图像和当前的洗车场景信息包括:
获取目标区域内的目标图像;
获取当前时间,将所述当前时间作为开始等待时间,并在预设的时间和特殊日的映射关系中,查询所述开始等待时间对应的特殊日信息;
检测当前时间所述目标区域内的目标天气,并将所述目标天气、所述开始等待时间和所述开始等待时间对应的特殊日信息,构成当前的洗车场景信息。
9.一种信息预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标区域内的目标图像和当前的洗车场景信息;
输入模块,用于将所述目标图像和所述洗车场景信息输入至预先训练的等待时间预测模型;所述等待时间预测模型包括车辆识别子模型和车型洗车时间预测子模型;
识别模块,用于通过所述车辆识别子模型,识别所述目标图像,得到当前等待洗车的车辆的车型信息和数量信息;
第一确定模块,用于根据所述车型洗车时间预测子模型、所述洗车场景信息和所述车型信息,确定各车型对应的预测洗车时间;
第二确定模块,用于基于当前等待洗车的车辆的车型信息和数量信息、以及所述各车型对应的预测洗车时间,确定等待时间预测信息。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310365544.7A CN116579460A (zh) | 2023-04-07 | 2023-04-07 | 信息预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310365544.7A CN116579460A (zh) | 2023-04-07 | 2023-04-07 | 信息预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579460A true CN116579460A (zh) | 2023-08-11 |
Family
ID=87540309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310365544.7A Pending CN116579460A (zh) | 2023-04-07 | 2023-04-07 | 信息预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078361A (zh) * | 2023-10-17 | 2023-11-17 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
-
2023
- 2023-04-07 CN CN202310365544.7A patent/CN116579460A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078361A (zh) * | 2023-10-17 | 2023-11-17 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
CN117078361B (zh) * | 2023-10-17 | 2023-12-26 | 北京北汽鹏龙汽车服务贸易股份有限公司 | 基于用户行为的车辆维修产品组合信息推送方法、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6893564B2 (ja) | ターゲット識別方法、装置、記憶媒体および電子機器 | |
JP2021508123A (ja) | リモートセンシング画像認識方法、装置、記憶媒体及び電子機器 | |
CN111612489B (zh) | 订单量的预测方法、装置及电子设备 | |
CN115017418B (zh) | 基于强化学习的遥感影像推荐系统及方法 | |
JP2023545423A (ja) | 点群分割方法、装置、機器および記憶媒体 | |
CN116579460A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
CN111291715B (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN116310656A (zh) | 训练样本确定方法、装置和计算机设备 | |
WO2023000261A1 (zh) | 一种区域交通的预测方法以及设备 | |
CN114385662A (zh) | 路网更新方法、装置、存储介质及电子设备 | |
CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
CN116630630B (zh) | 语义分割方法、装置、计算机设备及计算机可读存储介质 | |
CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
CN111178370B (zh) | 车辆检索方法及相关装置 | |
CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
JPWO2019159585A1 (ja) | 学習システム、推定システム及び学習済モデル | |
CN117223005A (zh) | 加速器、计算机系统和方法 | |
CN115310672A (zh) | 城市发展预测模型的构建方法、城市发展预测方法及装置 | |
CN117112880A (zh) | 信息推荐、多目标推荐模型训练方法、装置和计算机设备 | |
CN116630629B (zh) | 基于域适应的语义分割方法、装置、设备及存储介质 | |
CN110390291B (zh) | 数据处理方法、装置及电子设备 | |
US20240184784A1 (en) | Apparatus, method and storage medium for database query | |
CN118070958A (zh) | 风险预测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |