CN116976702A - 基于大场景gis轻量化引擎的城市数字孪生平台及方法 - Google Patents
基于大场景gis轻量化引擎的城市数字孪生平台及方法 Download PDFInfo
- Publication number
- CN116976702A CN116976702A CN202310958737.3A CN202310958737A CN116976702A CN 116976702 A CN116976702 A CN 116976702A CN 202310958737 A CN202310958737 A CN 202310958737A CN 116976702 A CN116976702 A CN 116976702A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time sequence
- vector
- scale
- feature vector
- 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 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000013439 planning Methods 0.000 claims abstract description 15
- 238000013079 data visualisation Methods 0.000 claims abstract description 11
- 238000013523 data management Methods 0.000 claims abstract description 10
- 238000009877 rendering Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 165
- 238000004458 analytical method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 11
- 238000007726 management method Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于大场景GIS轻量化引擎的城市数字孪生平台及方法,其处理大规模城市的地理数据,并进行数据管理和渲染;基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;基于所述数字孪生模型对城市数据进行处理和分析;实时监测所述大规模城市的各项数据并进行实时预测;以及,提供数据可视化和分析工具以帮助用户进行决策和规划。这样,可以获取城市的各种指标和趋势,帮助用户了解城市的运行状态和发展趋势。
Description
技术领域
本申请涉及智能化城市数字孪生技术领域,并且更具体地,涉及一种基于大场景GIS轻量化引擎的城市数字孪生平台及方法。
背景技术
城市数字孪生是指利用数字技术和物理空间数据,构建城市的虚拟模型,实现城市的实时监测、动态仿真和智能决策。
城市数字孪生平台是支撑城市数字孪生的核心技术,需要具备高效的数据采集、处理、存储、分析和展示能力。然而,目前的城市数字孪生平台面临着数据量巨大、复杂度高、性能低下等挑战,难以满足城市管理和服务的需求。因此,期待一种优化的城市数字孪生平台。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大场景GIS轻量化引擎的城市数字孪生平台及方法,其处理大规模城市的地理数据,并进行数据管理和渲染;基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;基于所述数字孪生模型对城市数据进行处理和分析;实时监测所述大规模城市的各项数据并进行实时预测;以及,提供数据可视化和分析工具以帮助用户进行决策和规划。这样,可以获取城市的各种指标和趋势,帮助用户了解城市的运行状态和发展趋势。
第一方面,提供了一种基于大场景GIS轻量化引擎的城市数字孪生平台,其包括:
大场景GIS轻量化引擎,用于处理大规模城市的地理数据,并进行数据管理和渲染;
数字孪生模型,用于基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;
大数据分析模块,用于基于所述数字孪生模型对城市数据进行处理和分析;
实时监测模块,用于实时监测所述大规模城市的各项数据并进行实时预测;以及
决策支持模块,用于提供数据可视化和分析工具以帮助用户进行决策和规划。
第二方面,提供了一种基于大场景GIS轻量化引擎的城市数字孪生方法,其包括:
处理大规模城市的地理数据,并进行数据管理和渲染;
基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;
基于所述数字孪生模型对城市数据进行处理和分析;
实时监测所述大规模城市的各项数据并进行实时预测;以及
提供数据可视化和分析工具以帮助用户进行决策和规划。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台的框图。
图2为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台中所述实时监测模块的框图。
图3为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生方法的流程图。
图4为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生方法的架构示意图。
图5为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,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。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解,城市数字孪生是一种基于先进技术(如大数据、人工智能、物联网等)构建的城市虚拟模型,能够准确地反映城市的地理特征、建筑物、交通网络等信息。是城市的一个数字化副本,可以提供对城市的全面了解和深入分析。城市数字孪生的构建过程涉及多个模块和技术,包括大场景GIS轻量化引擎、数字孪生模型构建、大数据分析模块、实时监测模块和决策支持模块等。
大场景GIS轻量化引擎是城市数字孪生的核心引擎,能够处理大规模城市的地理数据,并实现高效的数据管理和渲染。通过该引擎,可以处理城市的地形、建筑、道路、水系等各种要素,并提供高度真实的可视化效果。数字孪生模型构建模块利用大场景GIS轻量化引擎构建城市的数字孪生模型,包括城市的地理特征、建筑物、交通网络等信息,能够准确地反映城市的现状和变化,并提供多维度的数据分析和可视化展示。
大数据分析模块可以处理和分析大量的城市数据,包括人口统计数据、交通数据、环境数据等。通过数据分析,可以获取城市的各种指标和趋势,帮助用户了解城市的运行状态和发展趋势。实时监测模块可以实时监测城市的各种数据,并进行实时模拟和预测。例如,可以监测交通流量,进行交通拥堵的模拟和预测,以便优化交通管理和规划。
决策支持模块提供数据可视化和分析工具,帮助用户进行决策和规划。通过可视化展示城市数据和模拟结果,用户可以更好地理解城市的情况,做出科学的决策。城市数字孪生是一个综合利用先进技术构建的城市虚拟模型,可以为城市管理者、规划师和决策者提供全面的城市数据和分析工具,帮助他们更好地理解和管理城市,提高城市的可持续发展和生活质量。
进一步地,城市数字孪生平台可以整合各种数据源,包括地理信息、人口统计、交通流量、环境监测等多种数据,形成全面的城市数据集,这些数据可以帮助城市管理者和决策者更好地理解城市的现状和问题,为决策提供科学依据。通过数字孪生模型构建,城市数字孪生平台可以准确地反映城市的地理特征、建筑物、交通网络等信息。这样的模拟可以帮助城市管理者进行各种情景分析和预测,评估政策和规划的效果,优化城市运行和发展。
城市数字孪生平台提供数据可视化和分析工具,帮助用户进行决策和规划,通过对城市数据的分析和挖掘,可以发现潜在的问题和机遇,制定更科学的政策和规划方案,提高决策的准确性和效率。城市数字孪生平台可以监测城市的各种数据,并进行实时模拟和预测。这有助于发现城市发展中的问题和风险,及时采取措施进行调整和改进,推动城市的可持续发展。同时,数字孪生平台还可以评估不同政策和规划对城市可持续性的影响,指导城市的长远发展。
城市数字孪生平台的必要性在于提供全面的城市数据、实现精细化的城市模拟、支持智能决策和规划,以及推动城市的可持续发展,以帮助城市管理者更好地理解和管理城市,提高城市的运行效率和生活质量。
在本申请的一个实施例中,图1为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台的框图。如图1所示,一种基于大场景GIS轻量化引擎的城市数字孪生平台,包括:大场景GIS轻量化引擎110,用于处理大规模城市的地理数据,并进行数据管理和渲染;数字孪生模型120,用于基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;大数据分析模块130,用于基于所述数字孪生模型对城市数据进行处理和分析;实时监测模块140,用于实时监测所述大规模城市的各项数据并进行实时预测;以及,决策支持模块150,用于提供数据可视化和分析工具以帮助用户进行决策和规划。
其中,所述大场景GIS轻量化引擎能够处理大规模城市的地理数据,并实现高效的数据管理和渲染。也就是,它可以处理城市的地形、建筑、道路、水系等各种要素,并提供高度真实的可视化效果。所述数字孪生模型构建的所述大规模城市的数字孪生模型是城市的虚拟副本,可以准确地反映城市的地理特征、建筑物、交通网络等信息。所述大数据分析模块可以处理和分析大量的城市数据,包括人口统计数据、交通数据、环境数据等。通过数据分析,可以获取城市的各种指标和趋势,帮助用户了解城市的运行状态和发展趋势。所述实时监测模块可以实时监测城市的各种数据,并进行实时模拟和预测,例如,可以监测交通流量,进行交通拥堵的模拟和预测,以便优化交通管理和规划。所述决策支持模块提供数据可视化和分析工具,帮助用户进行决策和规划。通过可视化展示城市数据和模拟结果,用户可以更好地理解城市的情况,做出科学的决策。基于大场景GIS轻量化引擎的城市数字孪生平台可以为城市管理者、规划师和决策者提供全面的城市数据和分析工具,帮助他们更好地理解和管理城市,提高城市的可持续发展和生活质量。
特别地,交通流量的预测是城市管理的重要一环。实现准确的交通流量预测可以了解道路的使用情况和交通拥堵程度,为交通管理部门优化交通信号灯的控制、为驾驶员和市民选择出行路线提供重要的数据来源。然而,目前存在的一些交通流量的预测方法无法考虑复杂的交通动态和非线性效应。也就是,传统方法往往基于简化的假设,无法充分考虑交通系统的复杂性和非线性效应,导致预测结果与实际情况存在一定差异。因此,期待一种优化的方案。
对此,本申请的技术构思为基于多个时间点的交通流量值,并结合智能算法来实现短时交通流量的预测值。具体来说,考虑到交通流量通常会在一天内、一周内或一年内呈现出明显的周期性变化。通过分析交通流量在时间维度上的变化,捕捉时序变化规律和波动特征,以此来实现短时交通流量的预测值。
图2为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台中所述实时监测模块的框图,如图2所示,所述实时监测模块140,包括:交通流量获取单元141,用于获取被监控道路段在预定时间段内多个预定时间点的交通流量值;多尺度分析单元142,用于对所述多个预定时间点的交通流量值进行多尺度分析以得到交通流量多尺度多维度特征向量;以及,短时交通流量预测单元143,用于基于所述交通流量多尺度多维度特征向量,预测短时交通流量。
其中,在所述交通流量获取单元141中,在获取交通流量值时,选择合适的监测方法和设备,例如使用传感器、摄像头或移动设备等。同时,确保数据的准确性和实时性,以便后续的分析和预测。通过获取交通流量值,可以了解道路的交通状况和拥堵情况。这对于交通管理部门和决策者来说非常重要,可以帮助他们及时采取措施来优化交通流动,减少拥堵,提高道路的通行效率。
在所述多尺度分析单元142中,在进行多尺度分析时,选择合适的分析方法和模型,以适应不同的时间尺度和空间尺度。同时,考虑交通流量的变化规律,例如日常周期性变化、季节性变化和特殊事件引起的变化等。通过多尺度分析,可以获得交通流量的多维度特征向量,如平均流量、峰值流量、流量波动性等。这些特征向量可以提供更全面的交通信息,帮助决策者更好地理解交通状况,制定相应的交通管理策略和规划措施。
在所述短时交通流量预测单元143中,在进行短时交通流量预测时,考虑多种因素,如历史交通数据、天气状况、特殊事件等。同时,选择合适的预测模型和算法,以提高预测的准确性和可靠性。通过短时交通流量预测,可以提前预知未来一段时间内的交通状况,帮助交通管理部门和驾驶员做出相应的决策。例如,可以调整交通信号灯的配时方案,优化交通流动;或者提前选择合适的出行路线,避开拥堵区域,节省时间和燃料消耗。
实时监测模块中的交通流量获取单元、多尺度分析单元和短时交通流量预测单元都具有重要的功能和作用,可以提供准确的交通数据和分析结果,为交通管理和决策提供有益的支持,帮助提高交通运行效率和道路通行质量。
具体地,所述交通流量获取单元141,用于获取被监控道路段在预定时间段内多个预定时间点的交通流量值。基于此,在本申请的技术方案中,首先,获取被监控道路段在预定时间段内多个预定时间点的交通流量值。
应可以理解,获取多个时间点的交通流量值可以提供丰富的历史数据,作为短时交通流量预测的基础,这些数据可以用于建立预测模型,分析交通流量的变化趋势和规律,从而更准确地预测未来的交通流量。
通过获取多个时间点的交通流量值,可以进行多尺度分析,提取交通流量的多维度特征。这些特征可以包括平均流量、峰值流量、流量波动性等,用于描述交通流量的变化情况,这些特征可以作为预测模型的输入,帮助提高短时交通流量的预测准确性。
通过对多个时间点的交通流量值进行分析,可以识别出交通流量的趋势和周期性变化,这些趋势信息可以用于预测未来的交通流量,例如根据历史数据中的相似时间段的流量变化,推测未来相似时间段的流量趋势。
获取实时的交通流量值可以不断更新预测模型,使得预测结果更加准确和实用。通过实时监测交通流量,可以及时发现交通拥堵或异常情况,并及时调整预测模型,提供更准确的短时交通流量预测结果。
获取被监控道路段在预定时间段内多个预定时间点的交通流量值对最后的短时交通流量预测起到了数据基础、特征提取、趋势分析和实时更新的作用,有助于提高预测的准确性和实用性。
具体地,所述多尺度分析单元142,用于对所述多个预定时间点的交通流量值进行多尺度分析以得到交通流量多尺度多维度特征向量。所述多尺度分析单元142,包括:时序分析子单元,用于对所述多个预定时间点的交通流量值进行数据结构化和时序分析以得到交通流量时序特征向量和交通流量时序波动特征向量;以及,向量融合子单元,用于融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述交通流量多尺度多维度特征向量。
其中,首先,通过对交通流量值进行数据结构化,可以将原始数据转化为更具有可解释性和可分析性的形式,有助于对交通流量进行更深入的分析和理解。然后,通过时序分析,可以提取交通流量的时序特征,例如周期性变化、高峰时段等。这些特征对于预测短时交通流量非常重要,可以帮助交通管理部门和驾驶员做出相应的决策。除了时序特征,时序波动特征也是交通流量分析的重要指标。通过分析交通流量的波动情况,可以了解交通拥堵的程度和变化趋势,从而采取相应的措施进行交通调控。最后,将时序特征和时序波动特征进行融合,可以得到更全面、更准确的交通流量特征向量,交通流量特征向量能够提供更多信息,有助于提高交通流量预测的准确性和可靠性。
接着,对所述多个预定时间点的交通流量值进行数据结构化和时序分析分析以得到交通流量时序特征向量和交通流量时序波动特征向量。
在本申请的一个具体示例中,对所述多个预定时间点的交通流量值进行数据结构化和时序分析分析以得到交通流量时序特征向量和交通流量时序波动特征向量的编码过程,包括:先将所述多个预定时间点的交通流量值按照时间维度排列为交通流量时序输入向量;随后,计算所述交通流量时序输入向量中每相邻两个位置之间的比值以得到交通流量时序波动输入向量;再将所述交通流量时序输入向量和所述交通流量时序波动输入向量通过基于一维卷积层的时序特征提取器以得到交通流量时序特征向量和交通流量时序波动特征向量。
在本申请的一个实施例中,所述时序分析子单元,包括:向量排列二级子单元,用于将所述多个预定时间点的交通流量值按照时间维度排列为交通流量时序输入向量;比值计算二级子单元,用于计算所述交通流量时序输入向量中每相邻两个位置之间的比值以得到交通流量时序波动输入向量;以及,时序特征提取二级子单元,用于分别对所述交通流量时序输入向量和所述交通流量时序波动输入向量进行时序特征提取以得到所述交通流量时序特征向量和所述交通流量时序波动特征向量。
其中,计算所述交通流量时序输入向量中每相邻两个位置之间的比值可以将原始的绝对数据转变为相对变化的数据,使得整体的数据更加稳定,可以减少噪声和异常值对预测结果的影响,同时,也更反映趋势信息。
在本申请的一个实施例中,所述时序特征提取二级子单元,用于:将所述交通流量时序输入向量和所述交通流量时序波动输入向量通过基于一维卷积层的时序特征提取器以得到所述交通流量时序特征向量和所述交通流量时序波动特征向量。
其中,基于一维卷积层的时序特征提取器可以有效地捕捉交通流量数据中的时序特征。卷积层能够通过滑动窗口的方式对输入数据进行局部特征提取,从而识别出交通流量的时序模式和趋势,有助于提取出交通流量的重要特征,为后续的分析和预测提供有用的信息。通过时序特征提取器,可以将原始的交通流量时序数据转换为具有较低维度的特征向量,这样可以减少数据的冗余性和复杂性,提高计算效率,并且方便后续的特征融合和模型训练。
时序波动是交通流量分析中的重要指标之一,反映了交通流量的变化情况和波动程度。通过基于一维卷积层的时序特征提取器,可以有效地提取出交通流量的波动特征,帮助分析交通拥堵的情况和变化趋势。通过得到交通流量的时序特征向量和时序波动特征向量,可以建立预测模型,预测未来短时段内的交通流量。这样的预测结果可以帮助交通管理部门和驾驶员做出相应的决策,优化交通流动和提高道路通行质量。
然后,基于高斯密度图来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到交通流量多尺度多维度特征向量。
其中,所述向量融合子单元,用于:基于高斯密度图来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述交通流量多尺度多维度特征向量。
进一步地,所述向量融合子单元,包括:高斯密度图融合二级子单元,用于使用高斯密度图以如下公式来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述融合高斯密度图;其中,所述公式为:
其中,μ表示所述交通流量时序特征向量和所述交通流量时序波动特征向量之间的按位置均值向量,且σ的每个位置的值表示所述交通流量时序特征向量和所述交通流量时序波动特征向量中各个位置的特征值之间的方差;高斯离散化二级子单元,用于对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述融合高斯密度图中各个位置的高斯分布降维为一维的特征向量;二维排列二级子单元,用于将所述各个位置的一维的特征向量进行二维排列以生成交通流量多尺度多维度特征矩阵;感知因数计算二级子单元,用于计算所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量之间的可转移特征的量化的可转移性感知因数;加权二级子单元,用于以所述可转移性感知因数来作为权重分别计算所述交通流量时序特征向量和所述交通流量时序波动特征向量的按位置加权和向量作为所述交通流量时序特征向量和所述交通流量时序波动特征向量的所述融合高斯密度图的优化均值向量;优化融合二级子单元,用于利用所述优化均值向量,计算所述交通流量时序特征向量和所述交通流量时序波动特征向量之间的优化融合高斯密度图;以及,多尺度多维度特征生成二级子单元,用于对所述优化融合高斯密度图进行高斯离散化处理和二维排列处理以得到所述交通流量多尺度多维度特征向量。
应可以理解,高斯密度图是一种常用的概率密度估计方法,用于描述随机变量的分布情况,基于高斯函数(也称为正态分布)来建模数据的分布。高斯密度图的特点是具有钟形曲线的形状,中心点处的概率密度最大,随着距离中心点的增加,概率密度逐渐减小。高斯密度图可以用于可视化数据的分布情况,并提供了对数据集的概率分布进行建模的能力。
在交通流量分析中,可以使用高斯密度图来融合交通流量的时序特征向量和时序波动特征向量。通过将这些特征向量映射到高斯密度图上,可以得到交通流量在不同尺度和维度上的分布情况。融合后的多尺度多维度特征向量可以提供更全面的交通流量信息,包括不同时间尺度上的趋势、周期性和异常情况等。这些特征向量可以用于交通流量预测、交通调控和交通规划等应用中,提供更准确和全面的决策支持。
特别地,在本申请的技术方案中,所述交通流量时序特征向量和所述交通流量时序波动特征向量分别表达交通流量值的绝对量的局部时域关联语义特征和交通流量值的相对量的局部时域关联语义特征,因此,考虑到源数据差异经由所述基于一维卷积神经网络模型的时序编码器的局部关联特征提取而放大,所述交通流量时序特征向量和所述交通流量时序波动特征向量会有比较显著的特征分布差异,这样,在基于高斯密度图来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到交通流量多尺度多维度特征矩阵时,所述交通流量时序特征向量和所述交通流量时序波动特征向量也会具有到所述交通流量多尺度多维度特征矩阵的跨语义分布差异的特征分布域转移差异,从而影响了所述交通流量多尺度多维度特征矩阵的表达效果。
基于此,本申请的申请人对于所述交通流量时序特征向量,例如记为V1和所述交通流量时序波动特征向量,例如记为V2,以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量,例如记为Vc,计算其可转移特征的量化的可转移性感知因数:以如下优化公式计算所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量之间的可转移特征的量化的可转移性感知因数;其中,所述优化公式为:
其中,V1为所述交通流量时序特征向量,V2为所述交通流量时序波动特征向量,Vc为所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量,fi是所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量中的其中一个特征向量的第i个位置的特征值,log为以2为底的对数函数,且α是加权超参数,w1和w2是所述可转移性感知因数。
这里,所述可转移特征的量化的可转移性感知因数通过域转移下的不确定性度量来分别估计特征空间域到分类目标域的域不确定性,且由于该域不确定性估计可以用于标识已经在域间转移的特征表示,因此通过以该因数来作为权重分别计算所述交通流量时序特征向量和所述交通流量时序波动特征向量的按位置加权和向量作为所述交通流量时序特征向量和所述交通流量时序波动特征向量的融合高斯密度图的均值向量,就可以通过特征空间域到分类目标域的跨域对齐来鉴别特征映射是否在域间有效转移,从而量化地感知所述交通流量时序特征向量和所述交通流量时序波动特征向量中的可转移特征的可转移性,以实现域间自适应的特征交互式融合,从而提升了所述交通流量多尺度多维度特征矩阵的表达效果。
具体地,所述短时交通流量预测单元143,用于:将所述交通流量多尺度多维度特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示短时交通流量的预测值。
再将所述交通流量多尺度多维度特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示短时交通流量的预测值。通过解码器,可以将多尺度多维度特征向量转换回原始的交通流量数值,解码器可以是一个逆向的神经网络结构,用于将特征向量映射回原始的交通流量数值。
利用解码器进行解码回归的好处是可以还原特征向量中所包含的交通流量信息,并得到对应的预测值,这些预测值可以用于短时交通流量的预测,帮助交通管理部门和决策者做出准确的交通调控和规划决策。
综上,基于本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台100被阐明,基于大场景GIS轻量化引擎的城市数字孪生平台可以为城市管理者、规划师和决策者提供全面的城市数据和分析工具,帮助他们更好地理解和管理城市,提高城市的可持续发展和生活质量。
在本申请的一个实施例中,图3为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生方法的流程图。如图3所示,根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生方法200,包括:210,处理大规模城市的地理数据,并进行数据管理和渲染;220,基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;230,基于所述数字孪生模型对城市数据进行处理和分析;240,实时监测所述大规模城市的各项数据并进行实时预测;以及,250,提供数据可视化和分析工具以帮助用户进行决策和规划。
图4为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生方法的架构示意图,如图4所示,所述实时监测模块,包括:交通流量获取单元,用于获取被监控道路段在预定时间段内多个预定时间点的交通流量值;多尺度分析单元,用于对所述多个预定时间点的交通流量值进行多尺度分析以得到交通流量多尺度多维度特征向量;以及,短时交通流量预测单元,用于基于所述交通流量多尺度多维度特征向量,预测短时交通流量。
这里,本领域技术人员可以理解,上述基于大场景GIS轻量化引擎的城市数字孪生方法中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于大场景GIS轻量化引擎的城市数字孪生平台的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的基于大场景GIS轻量化引擎的城市数字孪生平台的场景示意图。如图5所示,在该应用场景中,首先,获取被监控道路段(例如,如图5中所示意的M)在预定时间段内多个预定时间点的交通流量值(例如,如图5中所示意的C);然后,将获取的交通流量值输入至部署有基于大场景GIS轻量化引擎的城市数字孪生算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于大场景GIS轻量化引擎的城市数字孪生算法对所述交通流量值进行处理,以预测短时交通流量。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端设备不仅包括那些要素,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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,包括:
大场景GIS轻量化引擎,用于处理大规模城市的地理数据,并进行数据管理和渲染;
数字孪生模型,用于基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;
大数据分析模块,用于基于所述数字孪生模型对城市数据进行处理和分析;
实时监测模块,用于实时监测所述大规模城市的各项数据并进行实时预测;以及
决策支持模块,用于提供数据可视化和分析工具以帮助用户进行决策和规划。
2.根据权利要求1所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述实时监测模块,包括:
交通流量获取单元,用于获取被监控道路段在预定时间段内多个预定时间点的交通流量值;
多尺度分析单元,用于对所述多个预定时间点的交通流量值进行多尺度分析以得到交通流量多尺度多维度特征向量;以及
短时交通流量预测单元,用于基于所述交通流量多尺度多维度特征向量,预测短时交通流量。
3.根据权利要求2所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述多尺度分析单元,包括:
时序分析子单元,用于对所述多个预定时间点的交通流量值进行数据结构化和时序分析以得到交通流量时序特征向量和交通流量时序波动特征向量;以及
向量融合子单元,用于融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述交通流量多尺度多维度特征向量。
4.根据权利要求3所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述时序分析子单元,包括:
向量排列二级子单元,用于将所述多个预定时间点的交通流量值按照时间维度排列为交通流量时序输入向量;
比值计算二级子单元,用于计算所述交通流量时序输入向量中每相邻两个位置之间的比值以得到交通流量时序波动输入向量;以及
时序特征提取二级子单元,用于分别对所述交通流量时序输入向量和所述交通流量时序波动输入向量进行时序特征提取以得到所述交通流量时序特征向量和所述交通流量时序波动特征向量。
5.根据权利要求4所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述时序特征提取二级子单元,用于:
将所述交通流量时序输入向量和所述交通流量时序波动输入向量通过基于一维卷积层的时序特征提取器以得到所述交通流量时序特征向量和所述交通流量时序波动特征向量。
6.根据权利要求5所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述向量融合子单元,用于:
基于高斯密度图来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述交通流量多尺度多维度特征向量。
7.根据权利要求6所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述向量融合子单元,包括:
高斯密度图融合二级子单元,用于使用高斯密度图以如下公式来融合所述交通流量时序特征向量和所述交通流量时序波动特征向量以得到所述融合高斯密度图;
其中,所述公式为:
其中,μ表示所述交通流量时序特征向量和所述交通流量时序波动特征向量之间的按位置均值向量,且σ的每个位置的值表示所述交通流量时序特征向量和所述交通流量时序波动特征向量中各个位置的特征值之间的方差;
高斯离散化二级子单元,用于对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化处理以将所述融合高斯密度图中各个位置的高斯分布降维为一维的特征向量;
二维排列二级子单元,用于将所述各个位置的一维的特征向量进行二维排列以生成交通流量多尺度多维度特征矩阵;
感知因数计算二级子单元,用于计算所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量之间的可转移特征的量化的可转移性感知因数;
加权二级子单元,用于以所述可转移性感知因数来作为权重分别计算所述交通流量时序特征向量和所述交通流量时序波动特征向量的按位置加权和向量作为所述交通流量时序特征向量和所述交通流量时序波动特征向量的所述融合高斯密度图的优化均值向量;
优化融合二级子单元,用于利用所述优化均值向量,计算所述交通流量时序特征向量和所述交通流量时序波动特征向量之间的优化融合高斯密度图;以及
多尺度多维度特征生成二级子单元,用于对所述优化融合高斯密度图进行高斯离散化处理和二维排列处理以得到所述交通流量多尺度多维度特征向量。
8.根据权利要求7所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述感知因数计算二级子单元,用于:以如下优化公式计算所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量之间的可转移特征的量化的可转移性感知因数;
其中,所述优化公式为:
其中,V1为所述交通流量时序特征向量,V2为所述交通流量时序波动特征向量,Vc为所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量,fi是所述交通流量时序特征向量和所述交通流量时序波动特征向量以及所述交通流量多尺度多维度特征矩阵展开得到的交通流量多尺度多维度特征向量中的其中一个特征向量的第i个位置的特征值,log为以2为底的对数函数,且α是加权超参数,w1和w2是所述可转移性感知因数。
9.根据权利要求8所述的基于大场景GIS轻量化引擎的城市数字孪生平台,其特征在于,所述短时交通流量预测单元,用于:
将所述交通流量多尺度多维度特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示短时交通流量的预测值。
10.一种基于大场景GIS轻量化引擎的城市数字孪生方法,其特征在于,包括:
处理大规模城市的地理数据,并进行数据管理和渲染;
基于所述大场景GIS轻量化引擎采集的GIS数据和其他数据源,构建所述大规模城市的数字孪生模型;
基于所述数字孪生模型对城市数据进行处理和分析;
实时监测所述大规模城市的各项数据并进行实时预测;以及
提供数据可视化和分析工具以帮助用户进行决策和规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958737.3A CN116976702A (zh) | 2023-07-31 | 2023-07-31 | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958737.3A CN116976702A (zh) | 2023-07-31 | 2023-07-31 | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976702A true CN116976702A (zh) | 2023-10-31 |
Family
ID=88484608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310958737.3A Pending CN116976702A (zh) | 2023-07-31 | 2023-07-31 | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976702A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523869A (zh) * | 2023-12-22 | 2024-02-06 | 河北思禾电子商务有限公司 | 基于车流量的交通信号灯智能控制系统及方法 |
CN118097056A (zh) * | 2024-04-29 | 2024-05-28 | 南京信大卫星应用研究院有限公司 | 一种基于数字孪生的城市规划构建方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
KR102297468B1 (ko) * | 2020-11-30 | 2021-09-03 | 서울시립대학교 산학협력단 | 디지털 트윈 모델링 장치 및 이를 이용한 모델링 방법 |
CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策系统及方法 |
CN114692419A (zh) * | 2022-04-08 | 2022-07-01 | 北京交通大学 | 一种城市轨道交通系统数字孪生建模方法及其系统 |
CN115545390A (zh) * | 2022-07-12 | 2022-12-30 | 沨呵智慧科技(上海)有限公司 | 一种基于实践的数字孪生城市建设系统 |
CN116415990A (zh) * | 2023-06-09 | 2023-07-11 | 吉贝克信息技术(北京)有限公司 | 一种基于云计算的自助数据分析方法、系统及存储介质 |
-
2023
- 2023-07-31 CN CN202310958737.3A patent/CN116976702A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
KR102297468B1 (ko) * | 2020-11-30 | 2021-09-03 | 서울시립대학교 산학협력단 | 디지털 트윈 모델링 장치 및 이를 이용한 모델링 방법 |
CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策系统及方法 |
CN114692419A (zh) * | 2022-04-08 | 2022-07-01 | 北京交通大学 | 一种城市轨道交通系统数字孪生建模方法及其系统 |
CN115545390A (zh) * | 2022-07-12 | 2022-12-30 | 沨呵智慧科技(上海)有限公司 | 一种基于实践的数字孪生城市建设系统 |
CN116415990A (zh) * | 2023-06-09 | 2023-07-11 | 吉贝克信息技术(北京)有限公司 | 一种基于云计算的自助数据分析方法、系统及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523869A (zh) * | 2023-12-22 | 2024-02-06 | 河北思禾电子商务有限公司 | 基于车流量的交通信号灯智能控制系统及方法 |
CN118097056A (zh) * | 2024-04-29 | 2024-05-28 | 南京信大卫星应用研究院有限公司 | 一种基于数字孪生的城市规划构建方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
Corcoran et al. | Predicting the geo-temporal variations of crime and disorder | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
CN113204718A (zh) | 一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法 | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN112801340B (zh) | 一种基于多层级城市信息单元画像的人群密度预测方法 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN115578852A (zh) | 一种基于dstgcn的交通预测方法 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
Deng et al. | The pulse of urban transport: Exploring the co-evolving pattern for spatio-temporal forecasting | |
CN115545758A (zh) | 城市服务设施自适应增量选址的方法和系统 | |
Crosby et al. | Embedding road networks and travel time into distance metrics for urban modelling | |
Grêt-Regamey et al. | Planning from a future vision: inverse modeling in spatial planning | |
Padmanaban | Integrating of urban growth modelling and utility management system using spatio temporal data mining | |
Yang et al. | A big-data-based urban flood defense decision support system | |
KR20210128823A (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Hudson | Urban Characterisation; Expanding Applications for, and New Approaches to Building Attribute Data Capture | |
KR102445142B1 (ko) | 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치 | |
CN114912169B (zh) | 基于多源信息融合的工业建筑供热自主优化调控方法 | |
Ragapriya et al. | Machine Learning Based House Price Prediction Using Modified Extreme Boosting | |
CN112650949B (zh) | 基于多源特征融合协同过滤的区域poi需求识别方法 | |
Wu et al. | Hierarchical Bayesian network based incremental model for flood prediction | |
Li | Prediction of rural tourism suitability based on multi-dimensional evaluation model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |