CN116824861A - 基于城市大脑平台多维数据的共享单车调度方法和系统 - Google Patents
基于城市大脑平台多维数据的共享单车调度方法和系统 Download PDFInfo
- Publication number
- CN116824861A CN116824861A CN202311074468.0A CN202311074468A CN116824861A CN 116824861 A CN116824861 A CN 116824861A CN 202311074468 A CN202311074468 A CN 202311074468A CN 116824861 A CN116824861 A CN 116824861A
- Authority
- CN
- China
- Prior art keywords
- shared bicycle
- scheduling
- scheduled
- data
- analysis
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims description 113
- 239000013598 vector Substances 0.000 claims description 62
- 238000000605 extraction Methods 0.000 claims description 35
- 238000003032 molecular docking Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000007306 turnover Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000009466 transformation Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000004083 survival 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
-
- 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
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于城市大脑平台多维数据的共享单车调度方法和系统，通过城市大脑平台将目标区域整体态势图划分为多个待调度分析区域，然后在城市管理数据的支持下，对各个区域的共享单车的站点进行调度，进而解决整个城市的共享单车总体调度问题，避免了人工巡查成本较高，效率低的问题，并且，通过各个待调度分析区域的共享单车的特征数据进行分析，通过分析的特征向量继而由智能预测算法对各个待调度分析区域的共享单车供需问题进行实时预测，通过预测结果预测出待优化调度的区域，从而对该区域的共享单车进行有效的调控，实现共享单车智能化调度。
Description
技术领域
本发明属于城市大数据处理技术领域，具体涉及基于城市大脑平台多维数据的共享单车调度方法和系统。
背景技术
随着社会的进步，共享经济逐渐兴起，共享单车更是受到了人们的青睐，据交通运输部不完全统计，截至2022年7月，全国共享单车累计投放超1600万辆，虽然共享单车作为自行车出行模式的创新应用，凭借其环保节能、灵活方便的优势异军突起，已成为城市发展和公共出行中的重要指标，但是，由于短时间内共享单车数量大规模的增长，在共享单车出行高峰时段，经常出现无车可借、无地可停的现象，并且此类又严重影响城市交通和市容以及共享单车生存和发展；而对于提升城市治理现代化水平已经成为国家的明确要求和共识，现有的城市治理手段中对于共享单车的调度存在以下问题：
目前共享单车用户需求调度主要通过人工巡查和站点视频监控相结合的方式来进行；
（1）人工巡查成本较高，效率低；共享单车规模庞大覆盖面广，不通过城市管理数据的支持，而仅凭借人工经验对共享单车的站点进行调度，难以解决整个城市的共享单车总体调度问题。
（2）对于站点视频监控，随着网点数量的逐渐增多，视频监控无法实时了解每一个网点的情况，而现有共享单车的调度则是通过调度员来进行人工调度的，整体的调度过程主要凭借调度员本身的经验来确定，因此对于站点的共享单车数量无法进行有效的调控，很容易出现借车难、还车难的问题。
发明内容
针对上述现有技术的不足，本申请提供基于城市大脑平台多维数据的共享单车调度方法及系统。
第一方面本申请提出了基于城市大脑平台多维数据的共享单车调度方法，包括以下步骤：
确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
基于所述道路网络信息为所述待调度分析区域构建无向图；
通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域，包括：
将所有共享单车站点作为划区域数据集，从划区域数据集中随机选取任一共享单车站点作为区域中心点，根据包含共享单车站点的行政区域数量依次选出对应个数的区域中心点构建区域中心点集；
针对划区域数据集中的每个共享单车站点，根据每个共享单车站点到各个区域中心的时空影响距离，将所有共享单车站点划分到对应区域中心点的行政区域中，从而完成区域和站点的划分，得到对应的待调度分析区域；
输出划分出的待调度分析区域以及其中的所有站点。
在一些实施例中，所述基于所述道路网络信息为所述待调度分析区域构建无向图，包括：
将划分出的每个所述待调度分析区域创建为一个节点；
若两个待调度分析区域之间的所述共享单车站点同置于一条道路上，则创建为一条边；
根据创建的所有节点和边构建无向图，V表示节点的集合，E表示边的集合。
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征分析步骤：
收集每辆共享单车在起点位置的起点位置坐标和终点位置坐标；
收集每辆共享单车每次运行开始的起始时间和终止时间；
将所述起点位置坐标、所述终点位置坐标、所述起始时间及所述终止时间建立运行数据集；
将所述运行数据集进行数据清洗，排除冗余数据，保留有效数据；
将获取的有效数据进行借还车次数特征分析、时空特征分析和周转率特征分析，并在分析后得到次数特征数据、时空特征数据和周转率特征数据；
将次数特征数据、时空特征数据和周转率特征数据打包整合为运行特征数据。
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征提取步骤：
构建特征向量提取模型，所述特征向量提取模型包括输入层、卷积层、归一化层、池化层和全连接层；
所述输入层的输出端通过信息传递通道与所述卷积层的输入端连接；所述卷积层的输出端通过信息传递通道与所述归一化层的输入端连接；所述归一化层的输出端通过信息传递通道与所述池化层的输入端连接；所述池化层的输出端通过信息传递通道全连接层的输入端连接；
将所述运行特征数据作为输入传输到输入层，最终通过所述全连接层进行特征提取后得到特征向量。
在一些实施例中，通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签，包括：
获取所述调度识别信息中的调度路径和调度数量，调度路径指待调度分析区域之间调度共享单车的路线，调度数量指待调度分析区域之间每次调度的共享单车数量；
根据所述调度识别信息确定最优调度路线和最佳共享单车调度数量；
所述调度预测标签包括调度标准预测标签和待调度预测标签，将最优调度路线和最佳共享单车调度数量添加调度标准预测标签，将调度路径和调度数量添加待调度预测标签。
在一些实施例中，基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度，包括：
将提取后的特征向量以及添加调度预测标签后的调度识别信息作为无向图的节点集上的数据集进行表示：
构造带有图卷积运算的智能预测模型：
根据数据集和智能预测模型构造分类预测的交叉熵损失函数；
对所述智能预测模型进行优化，将数据集输入到优化后的智能预测模型进行智能预测，从所述待调度分析区域中判断出待优化调度的区域。
第二方面本申请提出基于城市大脑平台多维数据的共享单车调度系统，包括目标区域整体态势图构建模块、区域划分模块、无向图构建模块、特征向量提取模块、标签设置模块和分析调度模块；
所述目标区域整体态势图构建模块，用于确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
所述区域划分模块，用于通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
所述无向图构建模块，用于基于所述道路网络信息为所述待调度分析区域构建无向图；
所述特征向量提取模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
所述标签设置模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
所述分析调度模块，用于基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
第三方面本申请提出一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现上述方法的步骤。
第四方面本申请提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果：
（1）通过城市大脑平台将目标区域整体态势图划分为多个待调度分析区域，然后在城市管理数据的支持下，对各个区域的共享单车的站点进行调度，进而解决整个城市的共享单车总体调度问题，避免了人工巡查成本较高，效率低的问题。
（2）通过各个待调度分析区域的共享单车的特征数据进行分析，通过分析的特征向量继而由智能预测算法对各个待调度分析区域的共享单车供需问题进行实时预测，通过预测结果预测出待优化调度的区域，从而对该区域的共享单车进行有效的调控，实现共享单车智能化调度。
附图说明
图1为本发明的总体流程图。
图2为本发明的系统原理框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制；相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面本申请提出了基于城市大脑平台多维数据的共享单车调度方法，包括以下步骤：
S100：确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
城市大脑平台为城市数据获取终端，通过与通过互联网、政务外网、视频专网等多网融合，全面汇聚物联设备数据，实现城市运行监测信息全面感知，通过城市大脑平台与互联网的谷歌地图/百度地图进行数据对接，获取对应目标治理地区的地图信息和道路网络信息形成目标区域整体态势图。
S200：通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域，包括：
将所有共享单车站点作为划区域数据集，从划区域数据集中随机选取任一共享单车站点作为区域中心点，根据包含共享单车站点的行政区域数量依次选出对应个数的区域中心点构建区域中心点集；
构建区域中心点集的步骤为：
设共享单车站点xi与任一区域中心点C1的欧式距离，用表示；然后再计算共享单车站点xi被选为下一个区域中心点的概率/> ；；
其中，i表示共享单车站点总数，k是坐标参数维度，和/>分别表示共享单车站点xi与区域中心点C1的第k维数据；
按照每一个共享单车站点xi的的大小确定每一个共享单车站点的轮盘面积，再使用轮盘法选取下一个区域中心点，通过选取的区域中心点的经纬度数据确定该区域中心点对应的行政区域，通过选取完成的所有区域中心点构建区域中心点集；
针对划区域数据集中的每个共享单车站点，根据每个共享单车站点到各个区域中心的时空影响距离，将所有共享单车站点划分到对应区域中心点的行政区域中，从而完成区域和站点的划分，得到对应的待调度分析区域；
两个共享单车站点之间的时空影响距离由共享单车站点之间的平均路线时间和共享单车站点之间的欧氏距离的归一化结果表示：；；
其中，和/>分别代表两个区域中的任一共享单车站点之间的路程时间和欧氏距离，Db和Da分别是所有共享单车站点间的最小欧式距离和最大欧氏距离，Tb和Ta分别是所有共享单车站点间的平均线路最小路程时间和平均线路最大路程时间，共享单车站点xi到哪个区域中心点的时空影响距离最小，就将共享单车站点xi划分到对应区域中心点的行政区域中。
输出划分出的待调度分析区域以及其中的所有站点。
根据划分出的行政区域和各自行政区域包含的共享单车站点表示待调度分析区域和对应的站点，从而完成待调度分析区域的划分。
S300：基于所述道路网络信息为所述待调度分析区域构建无向图；
在一些实施例中，所述基于所述道路网络信息为所述待调度分析区域构建无向图，包括：
将划分出的每个所述待调度分析区域创建为一个节点；
若两个待调度分析区域之间的所述共享单车站点同置于一条道路上，则创建为一条边；
根据创建的所有节点和边构建无向图，V表示节点的集合，E表示边的集合。
S400：通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征分析步骤：
收集每辆共享单车在起点位置的起点位置坐标和终点位置坐标；
收集每辆共享单车每次运行开始的起始时间和终止时间；
将所述起点位置坐标、所述终点位置坐标、所述起始时间及所述终止时间建立运行数据集；
将所述运行数据集进行数据清洗，排除冗余数据，保留有效数据；
其中，设定有效数据和无效数据的临界值，包括对于出行距离和使用时间进行分析，设定出行距离在1km以上为有效数据，根据起点位置坐标和终点位置坐标计算每辆共享单车的出行距离，当出行距离小于临界值则判定为无效数据，对于使用时间，确定用车时间临界值为5分钟，根据每次运行开始的起始时间和终止时间提取出使用时间，并判断使用时间是否高于5分钟，若高于5分钟为有效数据，低于5分钟为无效数据，同时设定的单车的最高使用时间为24小时，判断使用时间是否大于24小时，若大于24小时则判断为异常还车数据，同样作为无效数据进行处理，据此排除其中的无效数据，增加数据的处理效率。
将获取的有效数据进行借还车次数特征分析、时空特征分析和周转率特征分析，并在分析后得到次数特征数据、时空特征数据和周转率特征数据；
将次数特征数据、时空特征数据和周转率特征数据打包整合为运行特征数据。
在一些实施例中，所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征提取步骤：
构建特征向量提取模型，所述特征向量提取模型包括输入层、卷积层、归一化层、池化层和全连接层；
所述输入层的输出端通过信息传递通道与所述卷积层的输入端连接；所述卷积层的输出端通过信息传递通道与所述归一化层的输入端连接；所述归一化层的输出端通过信息传递通道与所述池化层的输入端连接；所述池化层的输出端通过信息传递通道全连接层的输入端连接；
将所述次数特征数据、时空特征数据和周转率特征数据作为输入传输到输入层，最终通过所述全连接层进行特征提取后得到特征向量。
其中，卷积层的卷积核个数分别为25个，全连接层神经元数目分别为64个，输入层的输入数据是预处理后的次数特征数据、时空特征数据和周转率特征数据，卷积层由步长为1，25个尺寸为3×3的卷积核组成，无激活函数。归一化层由25个通道组成，每个通道的尺寸为3×3，载有ReLU函数。池化层由25个尺寸为2×2的池化核组成，无激活函数，全连接层由64个节点组成，载有ReLU函数，输入层的有效数据经卷积层进行特征提取后，卷积层输出的特征数据被传递至归一化层进行特征标准化，进而被传递至池化层进行特征压缩和信息过滤，池化层压缩和过滤后的输出数据经全连接层特征提取后的得到特征向量。
S500：通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
在一些实施例中，通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签，包括：
获取所述调度识别信息中的调度路径和调度数量，调度路径指待调度分析区域之间调度共享单车的路线，调度数量指待调度分析区域之间每次调度的共享单车数量；
根据所述调度识别信息确定最优调度路线和最佳共享单车调度数量；
根据城市大脑平台与互联网的谷歌地图/百度地图进行数据对接，获取各个调度路线的交通指数，其中交通指数交通拥堵指数，是综合反映道路网络畅通或拥堵的概念性指数值，主要是根据道路流量及其道路等级进行的权重计算，取值范围为1-10，数值越高表明交通拥堵状况越严重，选取交通拥堵指数最低的所属调度线路为最优调度路线；
根据控制变量法调整每条调度路径中的共享单车的调度数量，得到共享单车的最佳共享单车调度数量，确定出共享单车的最佳调度策略，使各共享单车站点的共享单车数量稳定在初始状态；因为各共享单车站点的调度时间一般不变，所以通过改变调度数量调整最佳调度策略；最佳调度策略的评判标准为：各个共享单车站点的共享单车数量稳定在初始状态，即不会发生共享单车淤积或共享单车存在需求缺口的情况，这也是最佳共享单车调度数量；
所述调度预测标签包括调度标准预测标签和待调度预测标签，将最优调度路线和最佳共享单车调度数量添加调度标准预测标签，将调度路径和调度数量添加待调度预测标签。
S600：基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
在一些实施例中，基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度，包括：
将提取后的特征向量以及添加调度预测标签后的调度识别信息作为无向图的节点集上的数据集进行表示：
构造带有图卷积运算的智能预测模型：
根据数据集和智能预测模型构造分类预测的交叉熵损失函数；
对所述智能预测模型进行优化，将数据集输入到优化后的智能预测模型进行智能预测，从所述待调度分析区域中判断出待优化调度的区域。
将提取后的特征向量以及添加调度预测标签后的调度识别信息作为无向图的节点集上的数据集进行表示：
其中，n=|V|表示无向图上的节点总数；
表示无向图第i个节点上的特征向量的观测；
表示无向图第i个节点上的层级，用one-hot向量表示：如果待调度分析区域属于待优化调度的区域，则/>，否则/>；
i表示待调度分析区域总数，j表示待调度分析区域类别， p表示特征向量维度数，c表示观测标签数量，表示无向图上有调度标准预测标签的待调度分析区域的节点构成的集合，/>表示无向图上有待调度预测标签的待调度分析区域的节点构成的集合。
构造带有图卷积运算的智能预测模型步骤：
1、构造无向图上归一化的拉普拉斯矩阵；
其中,I表示单位矩阵，D表示无向图的度矩阵，其是一个对角矩阵，第i个对角元的值等于和节点i连边的个数，A表示无向图的邻接矩阵，其第ij个元素定义为：若，则，若/>，则/>；
2：对所述拉普拉斯矩阵进行谱分解；
其中，表示L的n个特征根；
表示L的n个特征根为对角元的对角矩阵；
表示对应的n个特征向量；
表示对应的n个特征向量组成的矩阵；
3：构造带有图卷积运算的 NNBernNet 的智能分类模型：
其中，表示第i个节点上的特征向量的观测；
表示第i个节点上的输出向量，用于预测该节点的层级；softmax表示向量的softmax变换；/>表示K阶的伯恩斯坦多项式；/>表示待估计的卷积核参数，/>表示带有q=64个隐藏单元的隐藏层的多层感知器。
其中，向量的softmax变换为：
的定义如下：/>
是ｐ×ｑ的从输入层到隐藏层的特征变换未知参数矩阵；
是ｑｘｃ的隐藏层到输出层的特征变换未知参数矩阵；
表示非线性激活函数；
根据数据集和智能预测模型构造分类预测的交叉熵损失函数；
其中，由智能分类模型进行计算。
对所述智能预测模型进行优化，得到优化后的智能预测模型；
根据所述损失函数，使用优化算法训练智能预测模型中卷积核参数和线性特征变换层的参数/>和/>；
采用深度学习框架进行训练，得到参数估计和线性特征变换层的参数矩阵估计/>和/>；
根据参数估计和参数矩阵估计得到优化后的智能预测模型：
其中，。
将数据集输入到最终的智能预测模型进行智能分类，预测到无向图中i∈yU上有异常标签观测值的工艺流程节点，以及无向图中i∈yL上有待调度预测标签的待调度分析区域的节点，从而判断出待调度优化的区域。
根据以上的智能预测模型，可以预测到无向图中i∈yU上待调度预测标签的待调度分析区域的节点，以及无向图中i∈yL上有调度标准预测标签的待调度分析区域的节点，从而判断出待调度优化的区域和正常调度策略的区域。
第二方面本申请提出基于城市大脑平台多维数据的共享单车调度系统，包括目标区域整体态势图构建模块、区域划分模块、无向图构建模块、特征向量提取模块、标签设置模块和分析调度模块；
所述目标区域整体态势图构建模块，用于确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
所述区域划分模块，用于通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
所述无向图构建模块，用于基于所述道路网络信息为所述待调度分析区域构建无向图；
所述特征向量提取模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
所述标签设置模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
所述分析调度模块，用于基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
第三方面本申请提出一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现上述方法的步骤。
第四方面本申请提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。
以上仅是本发明优选的实施方式，需指出的是，对于本领域技术人员在不脱离本技术方案的前提下，作出的若干变形和改进的技术方案应同样视为落入本权利要求书要求保护的范围。
Claims (10)
1.基于城市大脑平台多维数据的共享单车调度方法，其特征在于：包括以下步骤：
确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
基于所述道路网络信息为所述待调度分析区域构建无向图；
通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
2.根据权利要求1所述的方法，其特征在于：所述通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域，包括：
将所有共享单车站点作为划区域数据集，从划区域数据集中随机选取任一共享单车站点作为区域中心点，根据包含共享单车站点的行政区域数量依次选出对应个数的区域中心点构建区域中心点集；
针对划区域数据集中的每个共享单车站点，根据每个共享单车站点到各个区域中心的时空影响距离，将所有共享单车站点划分到对应区域中心点的行政区域中，从而完成区域和站点的划分，得到对应的待调度分析区域；
输出划分出的待调度分析区域以及其中的所有站点。
3.根据权利要求2所述的方法，其特征在于：所述基于所述道路网络信息为所述待调度分析区域构建无向图，包括：
将划分出的每个所述待调度分析区域创建为一个节点；
若两个待调度分析区域之间的所述共享单车站点同置于一条道路上，则创建为一条边；
根据创建的所有节点和边构建无向图，V表示节点的集合，E表示边的集合。
4.根据权利要求1所述的方法，其特征在于：所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征分析步骤：
收集每辆共享单车在起点位置的起点位置坐标和终点位置坐标；
收集每辆共享单车每次运行开始的起始时间和终止时间；
将所述起点位置坐标、所述终点位置坐标、所述起始时间及所述终止时间建立运行数据集；
将所述运行数据集进行数据清洗，排除冗余数据，保留有效数据；
将获取的有效数据进行借还车次数特征分析、时空特征分析和周转率特征分析，并在分析后得到次数特征数据、时空特征数据和周转率特征数据；
将次数特征数据、时空特征数据和周转率特征数据打包整合为运行特征数据。
5.根据权利要求4所述的方法，其特征在于：所述通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量，包括特征提取步骤：
构建特征向量提取模型，所述特征向量提取模型包括输入层、卷积层、归一化层、池化层和全连接层；
所述输入层的输出端通过信息传递通道与所述卷积层的输入端连接；所述卷积层的输出端通过信息传递通道与所述归一化层的输入端连接；所述归一化层的输出端通过信息传递通道与所述池化层的输入端连接；所述池化层的输出端通过信息传递通道全连接层的输入端连接；
将所述运行特征数据作为输入传输到输入层，最终通过所述全连接层进行特征提取后得到特征向量。
6.根据权利要求5所述的方法，其特征在于：通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签，包括：
获取所述调度识别信息中的调度路径和调度数量，调度路径指待调度分析区域之间调度共享单车的路线，调度数量指待调度分析区域之间每次调度的共享单车数量；
根据所述调度识别信息确定最优调度路线和最佳共享单车调度数量；
所述调度预测标签包括调度标准预测标签和待调度预测标签，将最优调度路线和最佳共享单车调度数量添加调度标准预测标签，将调度路径和调度数量添加待调度预测标签。
7.根据权利要求6所述的方法，其特征在于：基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度，包括：
将提取后的特征向量以及添加调度预测标签后的调度识别信息作为无向图的节点集上的数据集进行表示：
构造带有图卷积运算的智能预测模型：
根据数据集和智能预测模型构造分类预测的交叉熵损失函数；
对所述智能预测模型进行优化，将数据集输入到优化后的智能预测模型进行智能预测，从所述待调度分析区域中判断出待优化调度的区域。
8.基于城市大脑平台多维数据的共享单车调度系统，其特征在于：包括目标区域整体态势图构建模块、区域划分模块、无向图构建模块、特征向量提取模块、标签设置模块和分析调度模块；
所述目标区域整体态势图构建模块，用于确定目标治理地区，通过城市大脑平台对接所述目标治理地区的地图信息和道路网络信息形成目标区域整体态势图；
所述区域划分模块，用于通过城市大脑平台对接共享单车运营商获取目标治理地区的共享单车站点位置数据，通过所述共享单车站点位置数据将目标区域整体态势图划分为至少两个包含共享单车站点的待调度分析区域；
所述无向图构建模块，用于基于所述道路网络信息为所述待调度分析区域构建无向图；
所述特征向量提取模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的共享单车运行数据，对所述共享单车运行数据进行预处理后通过特征向量提取模型进行特征提取，得到共享单车特征向量；
所述标签设置模块，用于通过城市大脑平台对接共享单车运营商获取所述待调度分析区域的调度识别信息，基于共享单车的自然流动情况为所述调度识别信息添加调度预测标签；
所述分析调度模块，用于基于所述无向图、共享单车特征向量和带有调度预测标签的调度识别信息为所述待调度分析区域的共享单车需求进行预测，根据预测结果为所述待调度分析区域的共享单车进行调度。
9.一种电子设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现如权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311074468.0A CN116824861B (zh) | 2023-08-24 | 2023-08-24 | 基于城市大脑平台多维数据的共享单车调度方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311074468.0A CN116824861B (zh) | 2023-08-24 | 2023-08-24 | 基于城市大脑平台多维数据的共享单车调度方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824861A true CN116824861A (zh) | 2023-09-29 |
| CN116824861B CN116824861B (zh) | 2023-12-05 |
Family
ID=88120523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311074468.0A Active CN116824861B (zh) | 2023-08-24 | 2023-08-24 | 基于城市大脑平台多维数据的共享单车调度方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824861B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171578A (zh) * | 2023-11-03 | 2023-12-05 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
| CN117875518A (zh) * | 2024-03-06 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN107730876A (zh) * | 2017-10-21 | 2018-02-23 | 淮阴工学院 | 一种城市共享单车关键调度点数量和位置确定方法 |
| CN109242371A (zh) * | 2018-11-21 | 2019-01-18 | 云南昆船电子设备有限公司 | 一种共享单车定位、信息识别的方法及调度系统 |
| CN109446588A (zh) * | 2018-09-30 | 2019-03-08 | 中国地质大学（武汉） | 一种基于随机Petri网模型的共享单车分析调度方法 |
| CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
| CN111191899A (zh) * | 2019-12-23 | 2020-05-22 | 华南理工大学 | 一种基于区域划分并行遗传算法的车辆调度方法 |
| CN111598481A (zh) * | 2020-05-26 | 2020-08-28 | 山东交通学院 | 共享单车流动系统、基于子区划分的自动调度系统及方法 |
| WO2021029822A1 (en) * | 2019-08-13 | 2021-02-18 | Hitachi, Ltd. | System and method for dispatching vehicles technical field |
| CN112418556A (zh) * | 2020-12-10 | 2021-02-26 | 华东交通大学 | 一种基于互联网共享平台下的网格化服务体系 |
| CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
| CN113326993A (zh) * | 2021-04-20 | 2021-08-31 | 西南财经大学 | 一种基于深度强化学习的共享自行车调度方法 |
| CN114021883A (zh) * | 2021-09-28 | 2022-02-08 | 淮阴工学院 | 一种高峰时期地铁接驳共享单车的调度方法 |
| CN114971251A (zh) * | 2022-05-17 | 2022-08-30 | 南京逸刻畅行科技有限公司 | 一种基于深度强化学习的共享电动汽车调度方法 |
| CN115511319A (zh) * | 2022-09-29 | 2022-12-23 | 中国农业银行股份有限公司 | 共享单车调度方法、装置、电子设备及存储介质 |
| CN115759639A (zh) * | 2022-11-21 | 2023-03-07 | 华东理工大学 | 基于小样本增量学习的非租还高发期共享单车调度方法 |
| CN115936240A (zh) * | 2022-12-23 | 2023-04-07 | 暨南大学 | 共享单车需求预测与投放调度方法 |
| CN116307558A (zh) * | 2023-03-08 | 2023-06-23 | 西北大学 | 一种基于智能调度行为的共享单车系统投放规模计算方法 |
-
2023
- 2023-08-24 CN CN202311074468.0A patent/CN116824861B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
| CN107730876A (zh) * | 2017-10-21 | 2018-02-23 | 淮阴工学院 | 一种城市共享单车关键调度点数量和位置确定方法 |
| CN109446588A (zh) * | 2018-09-30 | 2019-03-08 | 中国地质大学（武汉） | 一种基于随机Petri网模型的共享单车分析调度方法 |
| CN109242371A (zh) * | 2018-11-21 | 2019-01-18 | 云南昆船电子设备有限公司 | 一种共享单车定位、信息识别的方法及调度系统 |
| CN109583491A (zh) * | 2018-11-23 | 2019-04-05 | 温州职业技术学院 | 一种共享单车智能调度方法 |
| WO2021029822A1 (en) * | 2019-08-13 | 2021-02-18 | Hitachi, Ltd. | System and method for dispatching vehicles technical field |
| CN111191899A (zh) * | 2019-12-23 | 2020-05-22 | 华南理工大学 | 一种基于区域划分并行遗传算法的车辆调度方法 |
| CN111598481A (zh) * | 2020-05-26 | 2020-08-28 | 山东交通学院 | 共享单车流动系统、基于子区划分的自动调度系统及方法 |
| CN112418556A (zh) * | 2020-12-10 | 2021-02-26 | 华东交通大学 | 一种基于互联网共享平台下的网格化服务体系 |
| CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
| CN113326993A (zh) * | 2021-04-20 | 2021-08-31 | 西南财经大学 | 一种基于深度强化学习的共享自行车调度方法 |
| CN114021883A (zh) * | 2021-09-28 | 2022-02-08 | 淮阴工学院 | 一种高峰时期地铁接驳共享单车的调度方法 |
| CN114971251A (zh) * | 2022-05-17 | 2022-08-30 | 南京逸刻畅行科技有限公司 | 一种基于深度强化学习的共享电动汽车调度方法 |
| CN115511319A (zh) * | 2022-09-29 | 2022-12-23 | 中国农业银行股份有限公司 | 共享单车调度方法、装置、电子设备及存储介质 |
| CN115759639A (zh) * | 2022-11-21 | 2023-03-07 | 华东理工大学 | 基于小样本增量学习的非租还高发期共享单车调度方法 |
| CN115936240A (zh) * | 2022-12-23 | 2023-04-07 | 暨南大学 | 共享单车需求预测与投放调度方法 |
| CN116307558A (zh) * | 2023-03-08 | 2023-06-23 | 西北大学 | 一种基于智能调度行为的共享单车系统投放规模计算方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171578A (zh) * | 2023-11-03 | 2023-12-05 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
| CN117171578B (zh) * | 2023-11-03 | 2024-02-06 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
| CN117875518A (zh) * | 2024-03-06 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824861B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
| CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
| CN108596727B (zh) | 一种共享单车的管理与决策方法 | |
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| Pamucar et al. | Prioritization of unmanned aerial vehicles in transportation systems using the integrated stratified fuzzy rough decision-making approach with the hamacher operator | |
| CN108764192B (zh) | 一种面向平安城市视频监控应用的多示例多标签学习方法 | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| Ma et al. | Public transportation big data mining and analysis | |
| Li | Predicting short-term traffic flow in urban based on multivariate linear regression model | |
| CN113469425A (zh) | 深度交通拥堵预测方法 | |
| CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
| CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
| CN109409563A (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
| Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| CN115985132A (zh) | 一种基于图神经网络的路边停车可用性预测方法 | |
| Yang et al. | Vehicle information influence degree screening method based on GEP optimized RBF neural network | |
| CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
| CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
| CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
| CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
| CN114418009A (zh) | 基于图注意力网络的分类方法、装置、设备和存储介质 | |
| Xiong | Data Acquisition and Mining Algorithm of Car Networking under Big Data Background. | |
| CN110717383B (zh) | 遥感检测方法、装置和系统 | |
| Ruilin et al. | Implementation of a Filter Algorithm for Processing Decentralized Car2X Data on a Backend |
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 |