CN117150698A - 基于数字孪生的智慧城市网格对象构建方法与系统 - Google Patents
基于数字孪生的智慧城市网格对象构建方法与系统 Download PDFInfo
- Publication number
- CN117150698A CN117150698A CN202311439611.1A CN202311439611A CN117150698A CN 117150698 A CN117150698 A CN 117150698A CN 202311439611 A CN202311439611 A CN 202311439611A CN 117150698 A CN117150698 A CN 117150698A
- Authority
- CN
- China
- Prior art keywords
- image
- description
- grid object
- object cluster
- digital
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 242
- 238000013507 mapping Methods 0.000 claims abstract description 229
- 238000005065 mining Methods 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 67
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 95
- 238000000605 extraction Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 238000013439 planning Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及人工智能技术领域,提供一种基于数字孪生的智慧城市网格对象构建方法与系统,基于联动调试优化所得数字城市区域映射图像的图像描述挖掘网络,然后利用图像描述挖掘网络分别挖掘拟分析数字城市区域映射图像和先验网格对象集群标识的参考数字城市区域映射图像的网格对象集群标识描述向量,结合不同网格对象集群标识描述向量的比较分析结果,确定拟分析数字城市区域映射图像的网格对象集群标识;从而准确、高效地确定拟分析数字城市区域映射图像的网格对象集群标识,以便为数字孪生网格对象的构建提供可信基础。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于数字孪生的智慧城市网格对象构建方法与系统。
背景技术
数字孪生是指通过数字化技术创建的物理实体(例如产品、系统、过程或城市)的虚拟副本。它是将现实世界与虚拟世界相结合的概念,旨在模拟和分析真实实体的行为、性能和状态。数字孪生使用传感器数据、物理模型、仿真和数据分析等技术,将实时或历史数据与虚拟模型进行交互,从而生成对真实实体的精确模拟。这种模拟可以用于监测、诊断、优化和预测真实实体的运行情况。数字孪生在各个领域都有广泛应用。例如,在制造业中,数字孪生可以帮助优化生产流程、预测设备故障并提高效率。在城市规划中,数字孪生可以模拟城市的交通流量、能源消耗和环境影响,以支持决策制定和规划。
以城市规划为例,智慧城市网格对象构建技术是数字孪生的其中一个应用方面,智慧城市网格对象构建技术是一种将城市划分为网格单元,并在每个单元中构建对象和功能的技术。它利用地理信息系统(GIS)和无线传感器网络等技术,将城市空间分割成规则的网格,每个网格单元包含各种物理和虚拟对象,如建筑物、道路、公共设施、环境传感器等。该技术可以实现对城市的精细化管理和监控,提供实时数据和决策支持。通过在每个网格单元中布置传感器和物联网设备,可以收集和分析各种城市数据,如交通流量、空气质量、能源使用情况等,从而帮助城市管理者优化资源分配、改善基础设施运行效率,并提供更好的公共服务。
智慧城市网格对象构建技术还能够支持各种应用,例如交通管理、环境保护、紧急响应和城市规划等。通过对城市进行细粒度的划分和建模,可以更好地理解城市的运行和发展趋势,为城市的可持续发展和居民的生活质量提供支持。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于数字孪生的智慧城市网格对象构建方法与系统。
第一方面,本发明实施例提供了一种基于数字孪生的智慧城市网格对象构建方法,应用于数字孪生处理系统,所述方法包括:
获取拟分析数字城市区域映射图像和最少两个不同网格对象集群标识的参考数字城市区域映射图像;
根据图像描述挖掘网络对所述拟分析数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到拟分析网格对象集群标识描述向量;其中,所述图像描述挖掘网络基于数字城市区域映射图像积极示例集以及数字城市区域映射图像消极示例集对非初始化神经网络进行联动调试优化所得;所述数字城市区域映射图像积极示例集中数字城市区域映射图像积极示例对应相同网格对象集群标识描述向量注释;所述数字城市区域映射图像消极示例集中数字城市区域映射图像消极示例的网格对象集群标识描述向量注释不同于所述数字城市区域映射图像积极示例集;
基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量;
依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量;
将目标参考数字城市区域映射图像对应的网格对象集群标识确定为所述拟分析数字城市区域映射图像的网格对象集群标识,所述目标参考数字城市区域映射图像为所述目标参考网格对象集群标识描述向量对应的参考数字城市区域映射图像;所述拟分析数字城市区域映射图像的网格对象集群标识用于实现数字孪生网格对象的构建。
可选的,所述基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:
将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识;
确定每个参考数字城市区域映射图像对应的参考目标要素;所述参考目标要素包括所述参考数字城市区域映射图像对应的建筑物、道路中的至少一个;
将每个参考目标要素加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第二参考图像描述知识;
基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
可选的,所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:
确定所述第一参考图像描述知识的第一特征偏置系数以及所述第二参考图像描述知识的第二特征偏置系数;
确定每个第一参考图像描述知识与所述第一特征偏置系数的加权结果,得到第一网格对象集群标识描述向量;
确定每个第二参考图像描述知识与所述第二特征偏置系数的加权结果,得到第二网格对象集群标识描述向量;
将每个参考数字城市区域映射图像对应的第一网格对象集群标识描述向量与第二网格对象集群标识描述向量的均值化结果,作为每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
可选的,每种网格对象集群标识的参考数字城市区域映射图像为最少两个,所述将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识,包括:基于同一网格对象集群标识的最少两个参考数字城市区域映射图像,生成参考数字城市区域映射图像集;将每个参考数字城市区域映射图像集加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像集对应的第一参考图像描述知识集;根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识;
所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
可选的,所述根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识之后,所述方法还包括:基于每个第一参考图像描述知识集的参考关键图像描述知识,识别出每个第一参考图像描述知识集中的偏移图像描述知识;从每个第一参考图像描述知识集中过滤掉所述每个第一参考图像描述知识集对应的偏移图像描述知识,得到所述每个第一参考图像描述知识集的第一已调整参考图像描述知识集;确定每个第一已调整参考图像描述知识集对应的已调整参考关键图像描述知识;
所述基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的已调整参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
可选的,所述图像描述挖掘网络的调试方法包括:
获取数字城市区域映射图像调试样例集,所述数字城市区域映射图像调试样例集包括所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集;所述数字城市区域映射图像调试样例集中每个数字城市区域映射图像调试样例皆配置了网格对象集群标识描述向量注释;
依据所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集,对所述非初始化神经网络进行针对网格对象集群标识的图像描述挖掘的联动调试优化;
以改进所述非初始化神经网络的网络算法参量,至所述非初始化神经网络生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对;
将生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对时的网络算法参量所对应的非初始化神经网络,作为所述图像描述挖掘网络。
可选的,所述依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量,包括:
计算所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的特征共性评分,得到每个参考网格对象集群标识描述向量对应的特征共性解析观点;
基于所述每个参考网格对象集群标识描述向量对应的特征共性解析观点,对各个参考网格对象集群标识描述向量进行顺序调整;
根据顺序调整结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。
可选的,所述方法还包括:
根据拟分析数字城市区域映射图像的网格对象集群标识,对所述拟分析数字城市区域映射图像进行网格映射转换,得到所述拟分析数字城市区域映射图像对应的数字空间映射结果
第二方面,本发明还提供了一种数字孪生处理系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
本发明获取拟分析数字城市区域映射图像和最少两个不同网格对象集群标识的参考数字城市区域映射图像;根据图像描述挖掘网络对所述拟分析数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到拟分析网格对象集群标识描述向量;所述图像描述挖掘网络基于数字城市区域映射图像积极示例集以及数字城市区域映射图像消极示例集对非初始化神经网络进行联动调试优化所得;所述数字城市区域映射图像积极示例集中数字城市区域映射图像积极示例对应相同网格对象集群标识描述向量注释;所述数字城市区域映射图像消极示例集中数字城市区域映射图像消极示例的网格对象集群标识描述向量注释不同于所述数字城市区域映射图像积极示例集;基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量;依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量;将目标参考数字城市区域映射图像对应的网格对象集群标识确定为所述拟分析数字城市区域映射图像的网格对象集群标识,所述目标参考数字城市区域映射图像为所述目标参考网格对象集群标识描述向量对应的参考数字城市区域映射图像。
本发明基于联动调试优化所得数字城市区域映射图像的图像描述挖掘网络,然后利用图像描述挖掘网络分别挖掘拟分析数字城市区域映射图像和先验网格对象集群标识的参考数字城市区域映射图像的网格对象集群标识描述向量,结合不同网格对象集群标识描述向量的比较分析结果,确定拟分析数字城市区域映射图像的网格对象集群标识;从而准确、高效地确定拟分析数字城市区域映射图像的网格对象集群标识,以便为数字孪生网格对象的构建提供可信基础。
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,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于数字孪生的智慧城市网格对象构建方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在数字孪生处理系统、计算机设备或者类似的运算装置中执行。以运行在数字孪生处理系统上为例,数字孪生处理系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述数字孪生处理系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述数字孪生处理系统的结构造成限定。例如,数字孪生处理系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于数字孪生的智慧城市网格对象构建方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至数字孪生处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数字孪生处理系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于数字孪生的智慧城市网格对象构建方法的流程示意图,该方法应用于数字孪生处理系统,进一步可以包括步骤110-步骤150。
步骤110、获取拟分析数字城市区域映射图像和最少两个不同网格对象集群标识的参考数字城市区域映射图像。
其中,参考数字城市区域映射图像可以理解为候选的数字城市区域映射图像,用于辅助确定拟分析数字城市区域映射图像的网格对象集群标识。
在这一步骤中,需要获取用于分析的数字城市区域映射图像,并且至少需要两个不同的网格对象集群标识的参考数字城市区域映射图像作为参考。这些参考图像可以帮助确定拟分析数字城市区域映射图像的网格对象集群标识。数字城市区域映射图像是通过地理信息系统(GIS)等技术生成的城市空间分割图,它将城市划分为规则的网格单元。每个网格单元包含各种物理和虚拟对象,如建筑物、道路、公共设施、环境传感器等。这些图像提供了城市的空间布局和结构信息。参考数字城市区域映射图像是作为候选的数字城市区域映射图像,用于辅助确定拟分析数字城市区域映射图像的网格对象集群标识。通过比较分析参考图像和拟分析图像之间的特征和结构,可以找到相似的部分,并确定网格对象集群标识的对应关系。这个步骤的目的是为后续的数字孪生网格对象构建提供基础,通过获取参考图像和拟分析图像的网格对象集群标识,可以在数字孪生中准确地重建城市的空间结构和特征。
步骤120、根据图像描述挖掘网络对所述拟分析数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到拟分析网格对象集群标识描述向量。
其中,所述图像描述挖掘网络(比如特征提取网络)基于数字城市区域映射图像积极示例集以及数字城市区域映射图像消极示例集对非初始化神经网络进行联动调试优化所得。所述数字城市区域映射图像积极示例集中数字城市区域映射图像积极示例对应相同网格对象集群标识描述向量注释。所述数字城市区域映射图像消极示例集中数字城市区域映射图像消极示例的网格对象集群标识描述向量注释不同于所述数字城市区域映射图像积极示例集。
其中,数字城市区域映射图像积极示例可以理解为数字城市区域映射图像正样例,数字城市区域映射图像消极示例可以理解为数字城市区域映射图像负样例。
在这一步骤中,使用图像描述挖掘网络来对拟分析的数字城市区域映射图像进行图像描述挖掘,以获取与网格对象集群标识相关的描述信息。这些描述信息被表示为拟分析网格对象集群标识描述向量。图像描述挖掘网络是一个神经网络模型,它被训练来从数字城市区域映射图像中提取有关网格对象集群标识的特征。这个网络可能包含特征提取器、卷积神经网络或其他用于图像分析的技术。它通过学习数字城市区域映射图像的正样例和负样例来调整自身的参数,以使得描述向量能够准确地反映网格对象集群标识的信息。正样例是具有相同网格对象集群标识的数字城市区域映射图像,而负样例是具有不同网格对象集群标识的数字城市区域映射图像。通过对这些样例进行联合分析和优化,图像描述挖掘网络能够学习到有效的特征表示,将图像转换为描述向量。拟分析网格对象集群标识描述向量是用于描述拟分析数字城市区域映射图像中的网格对象集群标识的向量表示。它捕捉了图像中与网格对象集群标识相关的特征和属性。这些描述向量可以用于后续的比较分析,以确定与之相匹配的目标参考网格对象集群标识描述向量。总而言之,步骤120的目标是通过图像描述挖掘网络提取拟分析数字城市区域映射图像中网格对象集群标识的描述信息,并将其表示为拟分析网格对象集群标识描述向量。这个向量将在后续的步骤中与参考描述向量进行比较,以确定最佳匹配的网格对象集群标识。
步骤130、基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
在这一步骤中,利用之前训练好的图像描述挖掘网络,对至少两个不同网格对象集群标识的参考数字城市区域映射图像进行图像描述挖掘。通过这个过程,可以得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。参考数字城市区域映射图像是作为参考的数字城市区域映射图像,它们具有不同的网格对象集群标识。这些图像可能来自于已经构建好的智慧城市网格对象或者其他来源。通过使用之前训练好的图像描述挖掘网络,可以从每个参考图像中提取与网格对象集群标识相关的描述信息,并将其表示为参考网格对象集群标识描述向量。这些描述向量捕捉了参考图像中各个网格对象集群标识的特征和属性。这个步骤的目的是为后续的比较分析提供参考。通过获取参考图像对应的参考网格对象集群标识描述向量,可以将其作为参考,与拟分析网格对象集群标识描述向量进行比较,以找到匹配的目标参考网格对象集群标识描述向量。总而言之,步骤130利用图像描述挖掘网络对最少两个不同网格对象集群标识的参考数字城市区域映射图像进行描述挖掘,得到每个参考图像对应的参考网格对象集群标识描述向量。这些参考描述向量将在后续的步骤中用于匹配和确定与拟分析网格对象集群标识描述向量相对应的目标参考网格对象集群标识描述向量。
步骤140、依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。
其中,网格对象集群标识描述向量可以理解为针对网格对象集群标识的特征描述,联合分析结果用于实现拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量的比较分析。
在这一步骤中,进行拟分析网格对象集群标识描述向量与参考网格对象集群标识描述向量之间的比较,以确定最佳匹配的目标参考网格对象集群标识。拟分析网格对象集群标识描述向量是在步骤120中提取的,它表示了拟分析数字城市区域映射图像中网格对象集群标识的描述信息。参考网格对象集群标识描述向量是在步骤130中获取的,它对应于每个参考数字城市区域映射图像中的网格对象集群标识。通过计算拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的相似度或距离,可以确定最佳匹配的目标参考网格对象集群标识。常用的计算方法包括欧氏距离、余弦相似度等。相似度高的参考网格对象集群标识描述向量将被视为与拟分析网格对象集群标识描述向量最匹配的目标参考网格对象集群标识。这个目标参考网格对象集群标识可以作为对拟分析数字城市区域映射图像的最佳匹配。通过这一步骤,可以确定数字孪生中拟分析数字城市区域映射图像的目标网格对象集群标识,从而准确地重建城市的空间结构和特征,并进行后续的数字孪生分析、模拟或决策支持。
步骤150、将目标参考数字城市区域映射图像对应的网格对象集群标识确定为所述拟分析数字城市区域映射图像的网格对象集群标识。
其中,所述目标参考数字城市区域映射图像为所述目标参考网格对象集群标识描述向量对应的参考数字城市区域映射图像;所述拟分析数字城市区域映射图像的网格对象集群标识用于实现数字孪生网格对象的构建。
其中,网格对象集群标识包括不同网格对象的子标识集合,通过确定拟分析数字城市区域映射图像的网格对象集群标识,能够在后期进行数字孪生网格对象的构建时提供可信基础。在这一步骤中,利用之前确定的目标参考网格对象集群标识,构建数字孪生模型,以进行进一步的分析、模拟或决策支持。数字孪生模型是一个基于实际城市的虚拟模型,它通过对城市空间结构和特征的准确重建,可以模拟和仿真不同情景下的城市运行、交通流、能源消耗等方面的行为。通过将目标参考网格对象集群标识应用于数字孪生模型中的相应位置和属性,可以实现对城市的精确再现。这包括建筑物、道路、公共设施、环境传感器等网格对象集群的布局、属性和行为。数字孪生模型可以用于多个领域,例如城市规划、智慧交通管理、能源优化、环境监测等。它可以帮助决策者和研究人员评估不同政策、策略或方案对城市发展和运营的影响,并为决策制定提供科学依据。通过将真实城市与数字孪生模型相结合,可以进行虚拟实验和场景模拟,以评估不同决策选项的效果,并为基于数据驱动的决策提供支持。总而言之,步骤150利用确定的目标参考网格对象集群标识构建数字孪生模型,以进行进一步的分析、模拟或决策支持。通过数字孪生模型,可以更好地理解和优化城市系统的运行,并为可持续城市发展提供指导和决策支持。
在一种可能的应用场景下,可以应用数字孪生技术改善城市的交通流管理。首先,收集了城市地理信息系统(GIS)数据、卫星图像和交通传感器数据等多种数据源。利用计算机视觉和图像处理技术,分析这些数据来提取有关道路网络、建筑物和公共设施等重要特征的信息。例如,可以测量道路的宽度、识别道路类型(如高速公路或城市街道),并标记交通繁忙的热点区域。接下来,选择几个不同情景下的参考图像,比如早晚高峰时段、正常交通时段和事故发生时的图像。对于每个参考图像,提取相应的特征信息,例如车辆密度、行驶速度和拥堵程度。将拟分析图像的特征与参考图像的特征进行比较,以确定最佳匹配的参考图像。通过计算相似度或距离,可以找到与当前交通状况最相似的参考图像。一旦确定了最佳匹配的参考图像,基于该图像创建数字孪生模型。该模型精确地重建了道路网络、交通热点区域和其他与交通流相关的特征。利用数字孪生模型,可以进行各种分析和模拟。例如,可以模拟不同交通管理策略的效果,如调整信号灯配时、增加公共交通线路或改善道路基础设施。通过评估这些策略对交通流的影响,可以预测其对交通拥堵、行程时间和环境影响的效果。这样的应用场景使得决策者可以更好地了解交通系统的运行情况,并在制定城市规划和交通政策时有更准确的数据支持。通过数字孪生技术,能够优化交通流管理,提高交通效率,减少拥堵并改善居民的出行体验。
应用本发明实施例,至少具有如下有益效果:
(1)自动化分析:该方案利用图像描述挖掘网络和联合分析结果,实现对数字城市区域映射图像的自动化分析。通过算法和模型的支持,可以减轻人工分析的工作量,提高分析效率;
(2)精确识别:通过比较拟分析网格对象集群标识描述向量与参考网格对象集群标识描述向量的联合分析结果,可以精确识别和确定拟分析数字城市区域映射图像的网格对象集群标识。这有助于准确地构建数字孪生网格对象,为后续应用提供可信基础;
(3)数据驱动决策:通过图像描述挖掘网络分析数字城市区域映射图像的特征,可以从图像中提取有关网格对象集群标识的信息。这些信息可以为城市管理者和规划者提供数据驱动的决策支持,帮助他们了解城市的特征和趋势,优化资源分配和规划城市发展;
(4)提高效率与准确性:利用图像描述挖掘网络和联合分析结果,可以快速且准确地确定数字城市区域映射图像的网格对象集群标识。这有助于提高数字孪生模型的构建效率和准确性,为智慧城市管理和规划提供更好的支持。
总之,本发明实施例通过自动化分析、精确识别、数据驱动决策和提高效率与准确性等方面的优势,可以有效地支持数字城市区域映射图像的网格对象集群标识确定,并为智慧城市的管理和规划提供有益效果。
另外,在实施上述步骤110-步骤150时,通过选择最少两个不同网格对象集群标识的参考数字城市区域映射图像(步骤110),可以避免过度依赖单一参考数据,减少资源浪费;通过图像描述挖掘网络(步骤120),可以针对拟分析数字城市区域映射图像进行快速特征提取和挖掘,提高处理效率;利用数字城市区域映射图像积极示例集和消极示例集(步骤120),可以通过注释不同网格对象集群标识描述向量来增加数据样本的多样性和信息含量,从而提高模型的泛化能力;通过对最少两个不同网格对象集群标识的参考数字城市区域映射图像进行图像描述挖掘(步骤130),得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,从不同角度捕捉和描述城市区域的特征;通过与拟分析网格对象集群标识描述向量的联合分析结果(步骤140),确定与拟分析网格对象集群标识描述向量最匹配的目标参考网格对象集群标识描述向量,提高了匹配的精确度和准确性;将目标参考数字城市区域映射图像对应的网格对象集群标识确定为拟分析数字城市区域映射图像的网格对象集群标识(步骤150),为后续的数字孪生网格对象构建提供可信基础,确保构建过程的准确性和可靠性。综上所述,步骤110-步骤150的整体有益效果包括资源优化、高效分析、数据丰富、多样化特征、精准匹配和可信构建。这些效果有助于提高智慧城市网格对象构建的效率、准确性和可靠性,实现资源的合理利用和优化城市管理。
在一些示例实施例中,步骤130中的所述基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括步骤131-步骤134。
步骤131、将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识。
其中,图像描述知识可以理解为图像特征。
步骤132、确定每个参考数字城市区域映射图像对应的参考目标要素。
其中,所述参考目标要素包括所述参考数字城市区域映射图像对应的建筑物、道路中的至少一个。
步骤133、将每个参考目标要素加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第二参考图像描述知识。
步骤134、基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
在一些示例下,存在两个参考数字城市区域映射图像,一个图像代表了城市的建筑物分布,另一个图像代表了城市的道路网络。首先,将建筑物图像加载到图像描述挖掘网络,得到该图像对应的第一参考图像描述知识。这个图像描述知识可以是通过特征提取等技术从图像中提取的建筑物相关特征。接下来,在步骤132中确定每个参考数字城市区域映射图像对应的参考目标要素。在本例中,选择了建筑物作为参考目标要素。然后,在步骤133中将每个参考目标要素(即建筑物)加载到图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第二参考图像描述知识。这个图像描述知识可以是从建筑物图像中提取的与建筑物形状、大小、位置等相关的特征。最后,在步骤134中,基于每个参考数字城市区域映射图像对应的第一参考图像描述知识和第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。这些描述向量可以包含关于每个网格对象集群标识的特征信息,用于后续与拟分析数字城市区域映射图像进行比较和匹配。
应用上述步骤131-步骤134的有益效果至少包括:
(1)多层次的特征提取:通过加载不同类型的参考数字城市区域映射图像和目标要素,可以在图像描述挖掘网络中进行多层次的特征提取。这有助于获取丰富而全面的图像描述知识,为后续的分析和匹配提供更准确的数据基础;
(2)综合多种特征信息:结合第一参考图像描述知识和第二参考图像描述知识,可以综合利用不同类型的特征信息来描述参考数字城市区域映射图像。这有助于提高描述向量的丰富程度和表达能力,增强匹配和识别的准确性;
(3)提高匹配效率:通过确定参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,可以实现快速且准确的匹配过程。这有助于提高整体系统的效率,减少人工干预和错误;
(4)支持数字孪生网格对象构建:参考网格对象集群标识描述向量的确定为后续数字孪生网格对象的构建提供了基础。通过比较和匹配拟分析数字城市区域映射图像的描述向量和目标参考描述向量,可以确定其网格对象集群标识,并支持数字孪生模型的进一步建立和应用。
在一些优选的设计思路中,步骤134中的所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括步骤1341-步骤1344。
步骤1341、确定所述第一参考图像描述知识的第一特征偏置系数以及所述第二参考图像描述知识的第二特征偏置系数。
步骤1342、确定每个第一参考图像描述知识与所述第一特征偏置系数的加权结果,得到第一网格对象集群标识描述向量。
步骤1343、确定每个第二参考图像描述知识与所述第二特征偏置系数的加权结果,得到第二网格对象集群标识描述向量。
步骤1344、将每个参考数字城市区域映射图像对应的第一网格对象集群标识描述向量与第二网格对象集群标识描述向量的均值化结果,作为每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
其中,特征偏置系数可以是特征权重,加权结果可以是相应参考图像描述知识与相应特征偏置系数的乘积。
在一些示例下,每种网格对象集群标识的参考数字城市区域映射图像为最少两个。基于此,步骤131中的所述将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识,包括步骤1311-步骤1313。
步骤1311、基于同一网格对象集群标识的最少两个参考数字城市区域映射图像,生成参考数字城市区域映射图像集。
步骤1312、将每个参考数字城市区域映射图像集加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像集对应的第一参考图像描述知识集。
步骤1313、根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识。
基于此,步骤134中的所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
在一些示例下,存在两个参考数字城市区域映射图像,其中第一参考图像描述知识表示建筑物的特征,第二参考图像描述知识表示道路的特征。为这两个特征分别确定了特征偏置系数。在步骤1341中,确定了第一参考图像描述知识的第一特征偏置系数和第二参考图像描述知识的第二特征偏置系数。这些特征偏置系数可以作为特征权重,反映了不同特征对于确定网格对象集群标识的重要性。然后,在步骤1342中,将每个第一参考图像描述知识与第一特征偏置系数进行加权,并得到第一网格对象集群标识描述向量。具体而言,对于每个特征,将其描述知识与对应的特征偏置系数相乘,再将所有加权结果汇总形成第一网格对象集群标识描述向量。类似地,在步骤1343中,将每个第二参考图像描述知识与第二特征偏置系数进行加权,并得到第二网格对象集群标识描述向量。最后,在步骤1344中,将第一网格对象集群标识描述向量与第二网格对象集群标识描述向量的均值化结果作为每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。这可以通过计算两个描述向量的平均值来实现。
通过上述步骤1341-步骤1344至少可以达到如下有益效果:
(1)特征权重确定:通过确定特征偏置系数,可以对不同特征的重要性进行量化。这有助于根据实际需求和应用场景,灵活调整特征权重,提高描述向量的准确性和适用性;
(2)加权结果生成:通过将参考图像描述知识与相应特征偏置系数进行加权,可以获得反映各个特征贡献的加权结果。这有助于利用关键特征信息,更好地描述参考数字城市区域映射图像的网格对象集群标识;
(3)描述向量均值化:通过将第一网格对象集群标识描述向量和第二网格对象集群标识描述向量进行均值化,可以综合利用多个特征的信息,并得到更全面、平衡的参考网格对象集群标识描述向量;
(4)提高匹配和识别准确性:通过综合考虑多个特征和其权重,确定参考网格对象集群标识描述向量,可以提供更准确的描述和表示,从而增强对拟分析数字城市区域映射图像中网格对象集群标识的匹配和识别能力。
在一些可选的实施例中,在步骤1313所描述的所述根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识之后,所述方法还包括步骤210-步骤230。
步骤210、基于每个第一参考图像描述知识集的参考关键图像描述知识,识别出每个第一参考图像描述知识集中的偏移图像描述知识。
其中,偏移图像描述知识可以是离群特征。
步骤220、从每个第一参考图像描述知识集中过滤掉所述每个第一参考图像描述知识集对应的偏移图像描述知识,得到所述每个第一参考图像描述知识集的第一已调整参考图像描述知识集。
步骤230、确定每个第一已调整参考图像描述知识集对应的已调整参考关键图像描述知识。
基于此,所述基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的已调整参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
假设有一个参考数字城市区域映射图像集,其中包含多个第一参考图像描述知识的集合。首先,在步骤210中,基于每个第一参考图像描述知识集的参考关键图像描述知识,识别出其中的偏移图像描述知识。偏移图像描述知识可以是那些与其他描述知识有较大差异或离群的特征。例如,如果通过聚类算法将参考图像描述知识集划分为不同的簇,那么属于某个簇的描述知识与其他簇的描述知识相比可能存在较大偏移,被认为是偏移图像描述知识。接着,在步骤220中,从每个第一参考图像描述知识集中过滤掉对应的偏移图像描述知识,得到第一已调整参考图像描述知识集。这样做的目的是去除那些可能引入误差或干扰的偏移特征,从而得到更准确、稳定的描述知识集。最后,在步骤230中,确定每个第一已调整参考图像描述知识集对应的已调整参考关键图像描述知识。这些已调整的参考关键图像描述知识可以作为参考数字城市区域映射图像集的重要特征,用于确定参考网格对象集群标识描述向量。
整体而言,步骤210-步骤230的设计思路通过识别和过滤偏移图像描述知识,得到已调整的参考关键图像描述知识集。这有助于提高描述向量的准确性和稳定性,为后续的参考网格对象集群标识描述向量的确定提供更可靠的特征基础。通过综合利用已调整的参考关键图像描述知识与第二参考图像描述知识,可以更全面地描述和表示参考数字城市区域映射图像集的参考网格对象集群标识,进而提高匹配和识别的准确性。
在一些可选的实施例中,所述图像描述挖掘网络的调试方法包括步骤310-步骤340。
步骤310、获取数字城市区域映射图像调试样例集,所述数字城市区域映射图像调试样例集包括所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集;
其中,所述数字城市区域映射图像调试样例集中每个数字城市区域映射图像调试样例皆配置了网格对象集群标识描述向量注释。
步骤320、依据所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集,对所述非初始化神经网络进行针对网格对象集群标识的图像描述挖掘的联动调试优化。
其中,联动调试优化可以是比对学习调试。
步骤330、以改进所述非初始化神经网络的网络算法参量,至所述非初始化神经网络生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对。
步骤340、将生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对时的网络算法参量所对应的非初始化神经网络,作为所述图像描述挖掘网络。
在上述步骤310-步骤340中,非初始化的网络模型可以是经过预训练的。
首先,在步骤310中,获取数字城市区域映射图像调试样例集。该样例集包含积极示例和消极示例,每个样例都有相应的网格对象集群标识描述向量注释。这些样例提供了用于调试的数据集,其中每个样例都被注释了预期的网格对象集群标识描述向量。接下来,在步骤320中,利用数字城市区域映射图像的积极和消极示例对非初始化神经网络进行联动调试优化。这可以采用比对学习调试的方法,通过比对模型输出与注释的标签之间的差异,对网络进行优化调整,使其能够更准确地生成预期的网格对象集群标识描述向量。然后,在步骤330中,通过改进非初始化神经网络的网络算法参数,将其调整到与数字城市区域映射图像调试样例的网格对象集群标识描述向量注释相匹配。这个过程可以通过调整网络的权重、偏置和其他相关参数来实现,以获得更好的网络输出结果。最后,在步骤340中,将生成的图像描述挖掘网络与数字城市区域映射图像调试样例集的网格对象集群标识描述向量注释相匹配。这意味着在调试优化过程中找到了最佳的网络算法参数配置,使得网络能够准确地产生与预期标签相匹配的网格对象集群标识描述向量。整体而言,步骤310-步骤340提供了一种基于调试样例集的联动优化方法,用于改进非初始化神经网络的图像描述挖掘能力。通过调整网络参数和优化算法,使网络能够生成与目标标签相匹配的描述向量,从而提高图像描述挖掘的准确性和效果。该方法有助于构建更精准、可靠的图像描述挖掘网络,并为后续的应用和分析提供更有效的结果。
假设正在开发一个用于识别城市中的交通标志的图像描述挖掘网络。有一个数字城市区域映射图像调试样例集,其中包括积极示例(包含交通标志)和消极示例(不包含交通标志)。每个样例都有相应的网格对象集群标识描述向量注释。从现有的数据集中获取数字城市区域映射图像调试样例集,其中包括一些具有交通标志的正样例图像和一些没有交通标志的负样例图像。每个样例都附带了预先标注好的网格对象集群标识描述向量注释;采用联动调试优化来对非初始化神经网络进行调试。首先,将训练网络模型,并使用正样例和负样例图像进行训练。然后,在每次训练迭代中,评估模型输出与注释的网格对象集群标识描述向量之间的差异。通过比对学习调试的方法,调整网络权重和参数,以减小差异并提高准确性。这个过程迭代进行,直到网络能够在训练样例上产生与注释相匹配的描述向量;根据调试样例集中每个样例的网格对象集群标识描述向量注释,改进非初始化神经网络的算法参数。通过调整网络结构、激活函数、损失函数等参数来使网络输出更接近注释的标签。例如,可以增加或减少隐藏层的节点数、调整学习率等;当将生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相匹配时,记录此时所使用的网络算法参数配置。这会成为的图像描述挖掘网络的最佳参数配置,其中包括网络结构和其他相关参数。这个训练好的图像描述挖掘网络可以用于后续的交通标志识别任务,并且由于经过调试优化,它能够准确地描述和识别数字城市区域映射图像中的交通标志。总体而言,通过步骤310-步骤340,利用调试样例集对非初始化神经网络进行联动调试优化,改进网络算法参数,并生成了一个可以准确识别交通标志的图像描述挖掘网络。这样的网络能够提供更准确的描述向量,为后续的应用和分析提供更可靠和精确的结果。
在一些可能的实施例中,步骤140中的所述依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量,包括步骤141-步骤143。
步骤141、确定所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的特征共性评分,得到每个参考网格对象集群标识描述向量对应的特征共性解析观点。
步骤142、基于所述每个参考网格对象集群标识描述向量对应的特征共性解析观点,对各个参考网格对象集群标识描述向量进行顺序调整。
步骤143、根据顺序调整结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。
假设正在开发一个智慧城市系统,该系统通过分析网格对象集群标识描述向量来构建城市地图和相关信息。已经收集了一组参考网格对象集群标识描述向量,表示不同区域的特征。现在,有一个新的网格对象集群标识描述向量,想要找到与之最匹配的参考网格对象集群标识描述向量。
首先计算拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的特征共性评分。这个评分可以基于特征相似度、空间关系或其他相关因素来衡量。通过比较拟分析向量和参考向量之间的特征共性评分,可以得到每个参考向量对应的特征共性解析观点,即判断它们是否具有相似的特征或描述。举例来说,如果拟分析向量表示一个城市区域的人口密度高和交通繁忙,而参考向量1表示一个商业中心的特征,参考向量2表示一个居民区的特征,那么特征共性评分可能会高于参考向量2,并低于参考向量1。这样,可以从特征共性解析观点中得出参考向量2与拟分析向量更相关的结论。
其次,根据每个参考网格对象集群标识描述向量对应的特征共性解析观点,对参考向量进行顺序调整。这意味着将参考向量按照其与拟分析向量的相似度或相关性进行排序,将最相关的向量放在前面。继续上面的例子,如果参考向量2与拟分析向量最相关,而参考向量1与拟分析向量不相关,会将参考向量2排在第一位,参考向量1排在第二位。
然后,根据顺序调整的结果,确定与拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。也就是说,选择顺序调整后位于第一位的参考向量作为与拟分析向量最匹配的目标参考向量。在的例子中,参考向量2被确定为与拟分析向量最匹配的目标参考向量。这意味着的智慧城市系统将使用参考向量2所代表的特征来构建该网格对象对应区域的地图和相关信息。
整体而言,通过步骤141-步骤143,通过特征共性评分和顺序调整的过程,确定了与拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。这种联合分析方法可以帮助提高智慧城市系统的地图构建准确性和可靠性,选择最相关的参考向量来表示和解析新的网格对象集群标识描述向量,进而提供更精确和全面的智慧城市信息。
在一些可独立的实施例中,在步骤150所描述的将目标参考数字城市区域映射图像对应的网格对象集群标识确定为所述拟分析数字城市区域映射图像的网格对象集群标识之后,所述方法还包括步骤160。
步骤160、根据拟分析数字城市区域映射图像的网格对象集群标识,对所述拟分析数字城市区域映射图像进行网格映射转换,得到所述拟分析数字城市区域映射图像对应的数字空间映射结果。
当执行步骤160时,网格映射转换的具体操作将根据特定的数字城市区域映射图像和其对应的网格对象集群标识来进行。以下是一个示例:假设有一张数字城市区域映射图像,表示了某座城市的交通情况,包括道路、车辆和交叉口等。该图像已经经过步骤150的处理,得到了网格对象集群标识,将不同类型的交通元素划分为不同的网格对象集群。
在步骤160中,需要将网格对象集群标识转换为数字空间映射结果,即将网格表示形式转换为实际的城市空间表示。具体操作可能包括以下步骤:1)道路映射:对于每个道路网格对象集群,可以根据其位置和形状信息,将其映射为实际的道路段或道路中心线。这可以通过将网格对象集群的几何属性与城市地理数据进行匹配来实现;2)建筑物映射:对于每个建筑物网格对象集群,可以将其映射为实际的建筑物轮廓或建筑物边界。这可以通过将网格对象集群的位置和形状信息与建筑物地理数据进行匹配来实现;3)交叉口映射:对于每个交叉口网格对象集群,可以将其映射为实际的交叉口坐标点或交叉口路口。这可以通过将网格对象集群的位置信息与交通数据或地理数据进行匹配来实现。通过以上操作,可以将拟分析数字城市区域映射图像中的网格对象集群标识转换为对应的数字空间映射结果。这样就得到了更具体、更可解释的城市空间表示,可以用于进一步的分析、规划或决策等应用。
在一些可独立的实施例中,步骤160所描述的所述根据拟分析数字城市区域映射图像的网格对象集群标识,对所述拟分析数字城市区域映射图像进行网格映射转换,得到所述拟分析数字城市区域映射图像对应的数字空间映射结果,包括:
步骤161、根据所述网格对象集群标识获取所述拟分析数字城市区域映射图像的对象时空数据集。
比如,假设正在分析一个数字城市区域映射图像,其中包含道路、建筑物和车辆等对象。根据网格对象集群标识,可以提取与每个网格对象集群相关的对象时空数据集。例如,对于道路网格对象集群,可以获取与该网格对象集群相关的道路通行速度、交通流量等时空数据。
步骤162、对所述对象时空数据集中的多个对象时空数据分别进行空间网格特征提炼和时序网格特征提炼,得到空间网格特征提炼结果序列和时序网格特征提炼结果序列。
比如,对于每个对象时空数据,进行空间网格特征提炼和时序网格特征提炼。假设正在分析道路对象时空数据,空间网格特征提炼可以包括提取道路长度、道路宽度等空间属性;时序网格特征提炼可以包括提取道路拥堵状态、平均车速等时间属性。这样,得到了针对道路对象的空间网格特征提炼结果序列和时序网格特征提炼结果序列。
步骤163、通过第一设定特征优化策略,对所述空间网格特征提炼结果序列进行第一特征优化操作,得到包括有空间网格特征的第一网格特征簇;通过第二设定特征优化策略,对所述时序网格特征提炼结果序列进行第二特征优化操作,得到包括有时序网格特征的第二网格特征簇。
比如,通过第一设定特征优化策略,对空间网格特征提炼结果序列进行第一特征优化操作,得到包括空间网格特征的第一网格特征簇。例如,可以通过聚类算法将相似的道路空间特征归为同一簇。通过第二设定特征优化策略,对时序网格特征提炼结果序列进行第二特征优化操作,得到包括时序网格特征的第二网格特征簇。例如,可以使用时间序列分析方法来识别道路交通流量的周期性和趋势性特征,并将其归为同一簇。
步骤164、基于所述第一网格特征簇和所述第二网格特征簇进行合并处理,得到所述对象时空数据集中与目标网格特征相匹配的联动对象时空数据簇;所述目标网格特征包括空间网格特征和时序网格特征中的至少一种。
比如,基于第一网格特征簇和第二网格特征簇,进行合并处理,得到与目标网格特征相匹配的联动对象时空数据簇。例如,假设的目标是找到道路拥堵程度高且车速较慢的区域,可以通过合并具有该特征的空间网格特征簇和时序网格特征簇,得到符合条件的联动对象时空数据簇。
步骤165、根据所述联动对象时空数据簇确定所述拟分析数字城市区域映射图像对应的数字空间映射结果。
比如,根据联动对象时空数据簇,可以确定拟分析数字城市区域映射图像对应的数字空间映射结果。例如,在的示例中,联动对象时空数据簇可能表示道路拥堵区域,可以将这些区域标识在数字空间映射结果中,以便进一步分析或决策。
通过步骤161-步骤165的操作,从原始的数字城市区域映射图像中提取了关键对象的时空信息,并结合空间网格特征和时序网格特征进行优化和合并处理,得到了与目标网格特征相匹配的联动对象时空数据簇,这使得能够更精确地理解和分析数字城市区域的特征和变化趋势。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的智慧城市网格对象构建方法,其特征在于,应用于数字孪生处理系统,所述方法包括:
获取拟分析数字城市区域映射图像和最少两个不同网格对象集群标识的参考数字城市区域映射图像;
根据图像描述挖掘网络对所述拟分析数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到拟分析网格对象集群标识描述向量;其中,所述图像描述挖掘网络基于数字城市区域映射图像积极示例集以及数字城市区域映射图像消极示例集对非初始化神经网络进行联动调试优化所得;所述数字城市区域映射图像积极示例集中数字城市区域映射图像积极示例对应相同网格对象集群标识描述向量注释;所述数字城市区域映射图像消极示例集中数字城市区域映射图像消极示例的网格对象集群标识描述向量注释不同于所述数字城市区域映射图像积极示例集;
基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量;
依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量;
将目标参考数字城市区域映射图像对应的网格对象集群标识确定为所述拟分析数字城市区域映射图像的网格对象集群标识,所述目标参考数字城市区域映射图像为所述目标参考网格对象集群标识描述向量对应的参考数字城市区域映射图像;所述拟分析数字城市区域映射图像的网格对象集群标识用于实现数字孪生网格对象的构建。
2.如权利要求1所述的方法,其特征在于,所述基于所述图像描述挖掘网络对所述最少两个不同网格对象集群标识的参考数字城市区域映射图像进行针对网格对象集群标识的图像描述挖掘,得到每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:
将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识;
确定每个参考数字城市区域映射图像对应的参考目标要素;所述参考目标要素包括所述参考数字城市区域映射图像对应的建筑物、道路中的至少一个;
将每个参考目标要素加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第二参考图像描述知识;
基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
3.如权利要求2所述的方法,其特征在于,所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:
确定所述第一参考图像描述知识的第一特征偏置系数以及所述第二参考图像描述知识的第二特征偏置系数;
确定每个第一参考图像描述知识与所述第一特征偏置系数的加权结果,得到第一网格对象集群标识描述向量;
确定每个第二参考图像描述知识与所述第二特征偏置系数的加权结果,得到第二网格对象集群标识描述向量;
将每个参考数字城市区域映射图像对应的第一网格对象集群标识描述向量与第二网格对象集群标识描述向量的均值化结果,作为每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量。
4.如权利要求2所述的方法,其特征在于,每种网格对象集群标识的参考数字城市区域映射图像为最少两个,所述将所述最少两个不同网格对象集群标识的参考数字城市区域映射图像加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像对应的第一参考图像描述知识,包括:基于同一网格对象集群标识的最少两个参考数字城市区域映射图像,生成参考数字城市区域映射图像集;将每个参考数字城市区域映射图像集加载至所述图像描述挖掘网络,得到每个参考数字城市区域映射图像集对应的第一参考图像描述知识集;根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识;
所述基于每个参考数字城市区域映射图像对应的第一参考图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
5.如权利要求4所述的方法,其特征在于,所述根据知识归纳策略,确定每个第一参考图像描述知识集的参考关键图像描述知识之后,所述方法还包括:基于每个第一参考图像描述知识集的参考关键图像描述知识,识别出每个第一参考图像描述知识集中的偏移图像描述知识;从每个第一参考图像描述知识集中过滤掉所述每个第一参考图像描述知识集对应的偏移图像描述知识,得到所述每个第一参考图像描述知识集的第一已调整参考图像描述知识集;确定每个第一已调整参考图像描述知识集对应的已调整参考关键图像描述知识;
所述基于每个参考数字城市区域映射图像集对应的参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量,包括:基于每个参考数字城市区域映射图像集对应的已调整参考关键图像描述知识以及第二参考图像描述知识,确定每个参考数字城市区域映射图像集对应的参考网格对象集群标识描述向量。
6.如权利要求1所述的方法,其特征在于,所述图像描述挖掘网络的调试方法包括:
获取数字城市区域映射图像调试样例集,所述数字城市区域映射图像调试样例集包括所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集;所述数字城市区域映射图像调试样例集中每个数字城市区域映射图像调试样例皆配置了网格对象集群标识描述向量注释;
依据所述数字城市区域映射图像积极示例集和所述数字城市区域映射图像消极示例集,对所述非初始化神经网络进行针对网格对象集群标识的图像描述挖掘的联动调试优化;
以改进所述非初始化神经网络的网络算法参量,至所述非初始化神经网络生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对;
将生成的每个数字城市区域映射图像调试样例的网格对象集群标识描述向量注释与配置的网格对象集群标识描述向量注释相配对时的网络算法参量所对应的非初始化神经网络,作为所述图像描述挖掘网络。
7.如权利要求1所述的方法,其特征在于,所述依据所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的联合分析结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量,包括:
计算所述拟分析网格对象集群标识描述向量与每个参考网格对象集群标识描述向量之间的特征共性评分,得到每个参考网格对象集群标识描述向量对应的特征共性解析观点;
基于所述每个参考网格对象集群标识描述向量对应的特征共性解析观点,对各个参考网格对象集群标识描述向量进行顺序调整;
根据顺序调整结果,确定与所述拟分析网格对象集群标识描述向量配对的目标参考网格对象集群标识描述向量。
8.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据拟分析数字城市区域映射图像的网格对象集群标识,对所述拟分析数字城市区域映射图像进行网格映射转换,得到所述拟分析数字城市区域映射图像对应的数字空间映射结果。
9.一种数字孪生处理系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311439611.1A CN117150698B (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的智慧城市网格对象构建方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311439611.1A CN117150698B (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的智慧城市网格对象构建方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150698A true CN117150698A (zh) | 2023-12-01 |
CN117150698B CN117150698B (zh) | 2024-02-23 |
Family
ID=88903249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311439611.1A Active CN117150698B (zh) | 2023-11-01 | 2023-11-01 | 基于数字孪生的智慧城市网格对象构建方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150698B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3291180A1 (en) * | 2016-08-31 | 2018-03-07 | Siemens Aktiengesellschaft | Method for creating a digital twin of a room |
CN111026063A (zh) * | 2019-12-25 | 2020-04-17 | 南方科技大学 | 数字孪生体构建方法、装置、计算机设备及存储介质 |
CN114332510A (zh) * | 2022-01-04 | 2022-04-12 | 安徽大学 | 一种层次化的图像匹配方法 |
CN116402867A (zh) * | 2023-03-28 | 2023-07-07 | 山东浪潮科学研究院有限公司 | 融合sift和ransac的三维重建图像对齐的方法 |
CN116911052A (zh) * | 2023-07-29 | 2023-10-20 | 广州市康雷信息技术有限公司 | 一种基于数字孪生的智慧城市的组件化构建方法 |
-
2023
- 2023-11-01 CN CN202311439611.1A patent/CN117150698B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3291180A1 (en) * | 2016-08-31 | 2018-03-07 | Siemens Aktiengesellschaft | Method for creating a digital twin of a room |
CN111026063A (zh) * | 2019-12-25 | 2020-04-17 | 南方科技大学 | 数字孪生体构建方法、装置、计算机设备及存储介质 |
CN114332510A (zh) * | 2022-01-04 | 2022-04-12 | 安徽大学 | 一种层次化的图像匹配方法 |
CN116402867A (zh) * | 2023-03-28 | 2023-07-07 | 山东浪潮科学研究院有限公司 | 融合sift和ransac的三维重建图像对齐的方法 |
CN116911052A (zh) * | 2023-07-29 | 2023-10-20 | 广州市康雷信息技术有限公司 | 一种基于数字孪生的智慧城市的组件化构建方法 |
Non-Patent Citations (1)
Title |
---|
L. ADREANI 等: "Implementing integrated digital twin modelling and representation into the Snap4City platform for smart city solutions", MULTIMEDIA TOOLS AND APPLICATIONS, pages 1 - 26 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150698B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
Huang et al. | Survey on vehicle map matching techniques | |
CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN114943456B (zh) | 资源的调度方法、装置、电子设备及存储介质 | |
Sampathkumar et al. | Majority voting based hybrid ensemble classification approach for predicting parking availability in smart city based on IoT | |
CN112163446A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
Uslu et al. | Image-based 3D reconstruction and recognition for enhanced highway condition assessment | |
CN110659774B (zh) | 大数据方法驱动的停车需求预测方法 | |
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 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN117150698B (zh) | 基于数字孪生的智慧城市网格对象构建方法与系统 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN111932302A (zh) | 一种区域中业务站点数量的确定方法、装置、设备及系统 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
CN116628078A (zh) | 一种层次化城市空间结构识别方法及系统 | |
CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |