CN117575485B - 一种基于可视化的智慧调度方法、系统及存储介质 - Google Patents
一种基于可视化的智慧调度方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117575485B CN117575485B CN202410043915.4A CN202410043915A CN117575485B CN 117575485 B CN117575485 B CN 117575485B CN 202410043915 A CN202410043915 A CN 202410043915A CN 117575485 B CN117575485 B CN 117575485B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- training
- residual material
- sequence feature
- residual
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012800 visualization Methods 0.000 title claims description 36
- 239000000463 material Substances 0.000 claims abstract description 488
- 230000008859 change Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 163
- 238000012549 training Methods 0.000 claims description 136
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 25
- 230000006870 function Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 14
- 239000000047 product Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种基于可视化的智慧调度方法、系统及存储介质。其基于可视化的智慧调度方法通过获取安保物料存放区多个位置在预定时间周期内多天的剩余物料量,并将其转化为时序图像,可以直观地展示物料的变化趋势和状态,并且,还在后端利用图像处理和深度学习技术来进行各个位置剩余物料量时序图像的协同分析,以此来综合利用安保物料存放区多个位置的剩余物料时序协同变化趋势和状态来进行各位置物料需求的自动判断评估,并进行屏幕显示。这样,有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
Description
技术领域
本申请涉及智能化调度领域,且更为具体地,涉及一种基于可视化的智慧调度方法、系统及存储介质。
背景技术
随着数字化安防的发展,用于存放安保器材或保安用品等物料的安保物料存放区的数量和规模不断增加,物料的调度和管理成为安保物料存放区运营的重要环节。然而,传统的物料调度方案主要依靠管理人员的经验和现场观察来判断物料的使用情况和需求,然后根据经验进行调度决策。这种方式需要大量的时间和人力资源,效率较低,尤其是在大规模安保物料存放区或多个安保物料存放区同时进行时,难以及时准确地掌握物料的使用情况和需求。并且,这种主观性较强的方法容易受到个人经验和主观判断的影响,导致调度决策的不准确性和不一致性,容易出现物料浪费或缺乏的问题。
此外,传统调度方法往往缺乏对物料使用情况的全面数据支持和分析。管理人员通常只能根据有限的观察和经验进行判断,无法获得详细的物料使用数据和趋势分析,难以做出科学、精确的调度决策。同时,由于传统调度方法的不准确性和延迟性,往往会导致物料的浪费或缺乏问题。具体来说,如果物料的调度不及时或不准确,可能会导致过多的物料采购和储存,造成资源的浪费;或者因为物料的缺乏而导致安防进度延误和成本增加,存在安全隐患。
因此,期望一种基于可视化的智慧调度方案。
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可视化的智慧调度方法、系统及存储介质。其有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
根据本申请的一个方面,提供了一种基于可视化的智慧调度方法,其包括:
获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;
将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;
将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;
在屏幕显示所述多个剩余物料时序图像;
通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;
通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;
对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及
基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示。
根据本申请的另一个方面,提供了一种基于可视化的智慧调度系统,其包括:
剩余物料量获取模块,用于获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;
向量化模块,用于将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;
转化模块,用于将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;
图像显示模块,用于在屏幕显示所述多个剩余物料时序图像;
局部时序特征提取模块,用于通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;
全局时序特征提取模块,用于通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;
查询关联编码模块,用于对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及
显示判断模块,用于基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示。
根据本申请的另一个方面,提供了一种存储介质,其上存储有计算机程序指令,所述计算机程序指令在计算机中执行时,令所述计算机执行前述的方法。
与现有技术相比,本申请提供的基于可视化的智慧调度方法、系统及存储介质,其基于可视化的智慧调度方法通过获取安保物料存放区多个位置在预定时间周期内多天的剩余物料量,并将其转化为时序图像,可以直观地展示物料的变化趋势和状态,并且,还在后端利用图像处理和深度学习技术来进行各个位置剩余物料量时序图像的协同分析,以此来综合利用安保物料存放区多个位置的剩余物料时序协同变化趋势和状态来进行各位置物料需求的自动判断评估,并进行屏幕显示。这样,有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的基于可视化的智慧调度方法的流程图。
图2为根据本申请实施例的基于可视化的智慧调度方法的架构示意图。
图3为根据本申请实施例的基于可视化的智慧调度方法的子步骤S170的流程图。
图4为根据本申请实施例的基于可视化的智慧调度方法的子步骤S180的流程图。
图5为根据本申请实施例的基于可视化的智慧调度系统的框图。
图6为根据本申请实施例的基于可视化的智慧调度方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
在本申请的技术方案中,为了提高物料调度的智能化水平,提出了一种基于可视化的智慧调度方法。基于可视化的智慧调度方法通过获取安保物料存放区多个位置在预定时间周期内多天的剩余物料量,并将其转化为时序图像,可以直观地展示物料的变化趋势和状态。并且,还在后端利用图像处理和深度学习技术来进行各个位置剩余物料量时序图像的协同分析,以此来综合利用安保物料存放区多个位置的剩余物料时序协同变化趋势和状态来进行各位置物料需求的自动判断评估,并进行屏幕显示。这样,有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
图1为根据本申请实施例的基于可视化的智慧调度方法的流程图。图2为根据本申请实施例的基于可视化的智慧调度方法的架构示意图。如图1和图2所示,根据本申请实施例的基于可视化的智慧调度方法,包括步骤:S110,获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;S120,将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;S130,将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;S140,在屏幕显示所述多个剩余物料时序图像;S150,通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;S160,通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;S170,对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及,S180,基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示。
具体地,在本申请的技术方案中,首先,获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量。接着,考虑到由于所述被监测安保物料存放区的多个位置的剩余物料量在时间维度上都具有着时序的动态变化规律,也就是说,所述被监测安保物料存放区的每个位置在预定时间周期内多天的剩余物料量之间具有着时序的关联关系。因此,在本申请的技术方案中,需要将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量,以此来分别整合所述被监测安保物料存放区的各个位置的剩余物料量在时序上的分布信息。
然后,为了更直观地展示剩余物料的时序变化趋势和状态,将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像,并在屏幕显示所述多个剩余物料时序图像。应可以理解,通过将所述各个剩余物料时序输入向量转化为时序图像,可以将物料的时序信息转化为可视化的形式,使管理人员能够一目了然地观察和理解物料的变化情况。也就是说,由于图像具有直观性和易于理解的特点,通过可视化表示,管理人员可以更准确地判断物料的使用情况、变化趋势以及是否需要补充。此外,将所述各个剩余物料时序输入向量转化为时序图像还可以便于后续利用图像处理和分析的技术手段,提取物料时序图像中的特征信息,进一步进行数据分析和模式识别。例如,可以利用卷积神经网络等方法提取图像中的时序特征,帮助识别和预测物料的状态和需求。
进一步地,在物料调度的场景中,每个所述剩余物料时序图像代表了物料在不同位置的剩余量时序变化分布和趋势。因此,在本申请的技术方案中,进一步再将所述多个剩余物料时序图像分别通过基于卷积层的物料变化时序特征提取器中进行特征挖掘,以提取出所述各个剩余物料时序图像中关于安保物料存放区的各个位置的剩余物料量在预定时间周期内的时序分布特征信息,从而得到多个剩余物料时序特征向量。
接着,考虑到所述安保物料存放区的各个位置的剩余物料量在预定时间周期内的时序分布信息之间具有着基于安保物料存放区整体的关联关系。因此,为了能够对于所述安保物料存放区的各个位置的剩余物料量时序协同关联分布特征进行捕捉刻画,在本申请的技术方案中,进一步将所述多个剩余物料时序图像通过基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器中进行特征挖掘,以提取出所述安保物料存放区的各个位置剩余物料量的时序分布信息之间的物料全局时序关联特征信息,从而得到物料全局时序特征图。
相应地,所述深度神经网络模型为三维卷积神经网络模型。值得一提的是,三维卷积神经网络(3D Convolutional Neural Network)是一种用于处理三维数据的深度学习模型。与传统的二维卷积神经网络(2D Convolutional Neural Network)相比,三维卷积神经网络能够处理具有时间维度的数据。在三维卷积神经网络中,卷积操作不仅在空间维度上进行,还在时间维度上进行。它通过在三个方向上同时滑动卷积核来提取特征,从而捕捉数据中的空间和时间关系。这使得三维卷积神经网络能够有效地处理具有时序性的数据,并从中提取出时空特征。三维卷积神经网络通常由多个卷积层、池化层和全连接层组成。卷积层负责提取特征,池化层用于降低特征图的维度,全连接层用于将提取的特征映射到具体的类别或进行回归预测。三维卷积神经网络在许多领域都有广泛的应用,其能够从时空数据中学习到丰富的特征表示,提高对复杂数据的理解和分析能力。
继而,再沿着通道维度对所述物料全局时序特征图进行全局池化以得到物料全局时序特征矩阵,通过这样的方式,能够将所述物料全局时序特征图降维为所述物料全局时序特征矩阵,以便于后续的安保物料存放区对应位置的物料剩余量时序监测,并且还能够降低计算量,防止过拟合,提高分类的准确性。
然后,以所述各个剩余物料时序特征向量作为查询特征向量,计算其与所述物料全局时序特征矩阵之间的乘积,以此来将所述安保物料存放区的各个位置在预定周期内的剩余物料量时序分布特征映射到所述安保物料存放区的多个位置剩余物料量时序协同特征的高维空间中,从而得到查询剩余物料时序特征向量。
相应地,如图3所示,对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征,包括:S171,沿着通道维度对所述物料全局时序特征图进行全局池化以得到物料全局时序特征矩阵;以及,S172,以所述各个剩余物料时序特征向量作为查询特征向量,计算其与所述物料全局时序特征矩阵之间的乘积以得到查询剩余物料时序特征向量作为所述查询剩余物料时序特征。应可以理解,在步骤S171中,对物料全局时序特征图进行全局池化,全局池化是一种操作,它通过对特征图在通道维度上进行池化操作,将每个通道上的特征值进行聚合,这个操作可以将物料全局时序特征图的维度从三维降低到二维。在步骤S172中,将各个剩余物料时序特征向量作为查询特征向量,并计算它们与物料全局时序特征矩阵之间的乘积,这个乘积操作可以用来衡量查询特征向量与物料全局时序特征矩阵之间的相关性或相似度,通过计算乘积,可以得到查询剩余物料时序特征向量,这些向量可以用作查询剩余物料时序特征的表示。综合来说,步骤S171通过全局池化操作将物料全局时序特征图降维,得到物料全局时序特征矩阵,步骤S172则通过计算查询特征向量与物料全局时序特征矩阵之间的乘积,得到查询剩余物料时序特征向量。这些步骤的目的是为了提取和表示查询剩余物料时序特征,以便后续的分析、比较或其他处理。
进一步地,将所述查询剩余物料时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测安保物料存放区的对应位置的物料是否需要补充。也就是说,以基于所述安保物料存放区的多个位置剩余物料量时序协同特征信息为基础背景下的有关于所述各个位置的剩余物料量时序特征分布信息来进行分类处理,从而对于被监测安保物料存放区的对应位置的物料是否需要补充进行评估判断,并在所述屏幕显示所述分类结果。这样,有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
相应地,如图4所示,基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示,包括:S181,将所述查询剩余物料时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测安保物料存放区的对应位置的物料是否需要补充;以及,S182,在所述屏幕显示所述分类结果。
更具体地,在步骤S181中,将所述查询剩余物料时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测安保物料存放区的对应位置的物料是否需要补充,包括:使用所述分类器的全连接层对所述查询剩余物料时序特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括被监测安保物料存放区的对应位置的物料需要补充第一标签),以及,被监测安保物料存放区的对应位置的物料不需要补充(第二标签),其中,所述分类器通过软最大值函数来确定所述查询剩余物料时序特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监测安保物料存放区的对应位置的物料是否需要补充”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监测安保物料存放区的对应位置的物料是否需要补充的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监测安保物料存放区的对应位置的物料是否需要补充”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的基于可视化的智慧调度方法,其还包括训练步骤:用于对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和所述分类器进行训练。应可以理解,所述的基于可视化的智慧调度方法中的训练步骤有以下用途:1.向量-图像转化模块的训练:该模块用于将输入的向量数据转化为图像表示。通过训练该模块,可以学习到将向量数据映射到图像空间的有效方式。这种转化可以提取出向量数据中的空间关系和结构信息,使得后续的图像处理和分析更加方便和高效。2.基于卷积层的物料变化时序特征提取器的训练:该特征提取器用于从输入的图像序列中提取出物料变化的时序特征。通过训练该模块,可以学习到适合于物料变化检测的卷积层权重和滤波器。这样,该模块可以自动地从图像序列中提取出物料变化的关键信息,为后续的调度决策提供有用的线索。3.基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器的训练:该特征提取器用于从整个安保物料存放区的图像序列中提取出全局的物料时序特征。通过训练该模块,可以学习到适合于安保物料存放区全局物料时序特征提取的三维卷积神经网络模型。这样,该模块可以捕捉到安保物料存放区中各个区域的物料变化情况,并将其整合成全局的时序特征表示,为智能调度决策提供更全面的信息。4.分类器的训练:分类器用于根据提取的特征对安保物料存放区进行调度决策,如判断某个区域是否需要物料补充或调度工人进行作业等。通过训练分类器,可以使其能够根据输入的特征准确地进行分类和判断,提高智慧调度系统的准确性和效果。综合来说,训练步骤在基于可视化的智慧调度方法中的作用是通过机器学习的方式,使得各个模块能够从输入的数据中学习到有效的特征表示和决策规则,提高智慧调度系统的性能和效果。
更具体地,所述训练步骤,包括:获取训练数据,所述训练数据包括被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量,以及,所述被监测安保物料存放区的对应位置的物料是否需要补充的真实值;将所述被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量分别按照时间维度排列为输入向量以得到多个训练剩余物料时序输入向量;将所述多个训练剩余物料时序输入向量分别通过所述向量-图像转化模块以得到多个训练剩余物料时序图像;将所述多个训练剩余物料时序图像分别通过所述基于卷积层的物料变化时序特征提取器以得到多个训练剩余物料时序特征向量;将所述多个训练剩余物料时序图像通过所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器以得到训练物料全局时序特征图;沿着通道维度对所述训练物料全局时序特征图进行全局池化以得到训练物料全局时序特征矩阵;以所述各个训练剩余物料时序特征向量作为查询特征向量,计算其与所述训练物料全局时序特征矩阵之间的乘积以得到训练查询剩余物料时序特征向量;将所述训练查询剩余物料时序特征向量通过所述分类器以得到分类损失函数值;计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;以及,基于所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值和所述分类损失函数值的加权和,基于所述分类损失函数值并通过梯度下降的方向传播来对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和所述分类器进行训练。
特别地,在本申请的技术方案中,每个训练剩余物料时序特征向量可以表达所述被监测工地的相应位置的剩余物料量在全局时域下的细分时域内-细分时域间时序关联特征,并且,所述训练物料全局时序特征矩阵可以表达所述被监测工地的多个位置平均关联的剩余物料量在全局时域下的细分时域内-细分时域间时序关联特征,由此,在以所述各个训练剩余物料时序特征向量作为查询特征向量,计算其与所述训练物料全局时序特征矩阵之间的乘积时,每个训练查询剩余物料时序特征向量就可以同时表达剩余物料量在全局空间位置下的局部-全局位置关联特征,以及剩余物料量在全局时域下的细分时域内-细分时域间时序关联特征,从而提升了所述训练查询剩余物料时序特征向量跨空间位置维度和时域空间维度的时序关联特征表达效果,但是,这也会导致所述训练查询剩余物料时序特征向量相对于所述训练剩余物料时序特征向量在整体特征分布维度上的特征群密度表示具有差异,这样,在模型整体训练时,剩余物料量的空间关联与时序关联之间会存在迭代不均衡,影响模型的整体训练效率。
因此,本申请考虑提升所述训练查询剩余物料时序特征向量相对于所述训练剩余物料时序特征向量的特征群密度表示一致性,从而进一步引入了针对所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数。
在本申请的一个实施例中,计算所述训练查询剩余物料时序特征向量和所述训练
剩余物料时序特征向量的损失函数值,包括:如下损失函数值计算公式计算所述训练查
询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;
其中,所述损失函数值计算公式:
其中,是所述训练查询剩余物料时序特征向量,是所述训练查询剩余物料时
序特征向量的第个位置的特征值,是所述训练剩余物料时序特征向量,是所述训练
剩余物料时序特征向量的第个位置的特征值,是特征向量的长度,且表示向量的二范
数的平方,表示向量的按位置相减,表示所述训练查询剩余物料时序特征向量和所
述训练剩余物料时序特征向量的损失函数值。
这里,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量之间的特征群密度表示一致性优化,以提升模型的整体训练效率。这样,能够综合利用安保物料存放区多个位置的剩余物料时序协同变化趋势和状态来进行各位置物料需求的自动判断评估,并进行屏幕显示。这样,有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
综上,基于本申请实施例的基于可视化的智慧调度方法被阐明,其有助于管理人员更准确地了解物料的使用情况,及时发现问题和需求,并做出相应的调度决策。
图5为根据本申请实施例的基于可视化的智慧调度系统100的框图。如图5所示,根据本申请实施例的基于可视化的智慧调度系统100,包括:剩余物料量获取模块110,用于获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;向量化模块120,用于将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;转化模块130,用于将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;图像显示模块140,用于在屏幕显示所述多个剩余物料时序图像;局部时序特征提取模块150,用于通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;全局时序特征提取模块160,用于通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;查询关联编码模块170,用于对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及,显示判断模块180,用于基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示。
在一个示例中,在上述基于可视化的智慧调度系统100中,所述深度神经网络模型为三维卷积神经网络模型。
这里,本领域技术人员可以理解,上述基于可视化的智慧调度系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的基于可视化的智慧调度方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于可视化的智慧调度系统100可以实现在各种无线终端中,例如具有基于可视化的智慧调度算法的服务器等。在一个示例中,根据本申请实施例的基于可视化的智慧调度系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于可视化的智慧调度系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于可视化的智慧调度系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于可视化的智慧调度系统100与该无线终端也可以是分立的设备,并且该基于可视化的智慧调度系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于可视化的智慧调度方法的应用场景图。如图6所示,在该应用场景中,首先,获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量(例如,图6中所示意的D),然后,将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量输入至部署有基于可视化的智慧调度算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述基于可视化的智慧调度算法对所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量进行处理以得到用于表示被监测安保物料存放区的对应位置的物料是否需要补充的分类结果。
根据本申请的另一方面,还提供了一种存储介质,其上存储有计算机程序指令,所述计算机程序指令在计算机中执行时,令所述计算机执行如前任一项的所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (7)
1.一种基于可视化的智慧调度方法,其特征在于,包括:
获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;
将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;
将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;
在屏幕显示所述多个剩余物料时序图像;
通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;
通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;
对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及
基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示;
所述方法还包括训练步骤:用于对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和分类器进行训练;
所述训练步骤,包括:
获取训练数据,所述训练数据包括被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量,以及,所述被监测安保物料存放区的对应位置的物料是否需要补充的真实值;
将所述被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量分别按照时间维度排列为输入向量以得到多个训练剩余物料时序输入向量;
将所述多个训练剩余物料时序输入向量分别通过所述向量-图像转化模块以得到多个训练剩余物料时序图像;
将所述多个训练剩余物料时序图像分别通过所述基于卷积层的物料变化时序特征提取器以得到多个训练剩余物料时序特征向量;
将所述多个训练剩余物料时序图像通过所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器以得到训练物料全局时序特征图;
沿着通道维度对所述训练物料全局时序特征图进行全局池化以得到训练物料全局时序特征矩阵;
以各个训练剩余物料时序特征向量作为查询特征向量,计算其与所述训练物料全局时序特征矩阵之间的乘积以得到训练查询剩余物料时序特征向量;
将所述训练查询剩余物料时序特征向量通过所述分类器以得到分类损失函数值;
计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;以及
基于所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值和所述分类损失函数值的加权和,并通过梯度下降的方向传播来对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和所述分类器进行训练;
计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值,包括:以如下损失函数值计算公式计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;
其中,所述损失函数值计算公式:
其中,V1是所述训练查询剩余物料时序特征向量,v1i是所述训练查询剩余物料时序特征向量的第i个位置的特征值,V2是所述训练剩余物料时序特征向量,v2i是所述训练剩余物料时序特征向量的第i个位置的特征值,L是特征向量的长度,且表示向量的二范数的平方,/>表示向量的按位置相减,/>表示所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值。
2.根据权利要求1所述的基于可视化的智慧调度方法,其特征在于,所述深度神经网络模型为三维卷积神经网络模型。
3.根据权利要求2所述的基于可视化的智慧调度方法,其特征在于,对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征,包括:
沿着通道维度对所述物料全局时序特征图进行全局池化以得到物料全局时序特征矩阵;以及
以所述各个剩余物料时序特征向量作为查询特征向量,计算其与所述物料全局时序特征矩阵之间的乘积以得到查询剩余物料时序特征向量作为所述查询剩余物料时序特征。
4.根据权利要求3所述的基于可视化的智慧调度方法,其特征在于,基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示,包括:
将所述查询剩余物料时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测安保物料存放区的对应位置的物料是否需要补充;以及
在所述屏幕显示所述分类结果。
5.一种基于可视化的智慧调度系统,其特征在于,包括:
剩余物料量获取模块,用于获取被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量;
向量化模块,用于将所述被监测安保物料存放区的多个位置在预定时间周期内多天的剩余物料量分别按照时间维度排列为输入向量以得到多个剩余物料时序输入向量;
转化模块,用于将所述多个剩余物料时序输入向量分别通过向量-图像转化模块以得到多个剩余物料时序图像;
图像显示模块,用于在屏幕显示所述多个剩余物料时序图像;
局部时序特征提取模块,用于通过基于卷积层的物料变化时序特征提取器分别对所述多个剩余物料时序图像进行时序特征提取以得到多个剩余物料时序特征向量;
全局时序特征提取模块,用于通过基于深度神经网络模型的安保物料存放区全局物料时序特征提取器对所述多个剩余物料时序图像进行物料全局时序特征提取以得到物料全局时序特征图;
查询关联编码模块,用于对所述多个剩余物料时序特征向量和所述物料全局时序特征图进行查询关联编码以得到多个查询剩余物料时序特征;以及
显示判断模块,用于基于所述多个查询剩余物料时序特征,确定被监测安保物料存放区的对应位置的物料是否需要补充并进行屏幕显示;
所述系统还包括训练步骤:用于对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和分类器进行训练;
所述训练步骤,包括:
获取训练数据,所述训练数据包括被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量,以及,所述被监测安保物料存放区的对应位置的物料是否需要补充的真实值;
将所述被监测安保物料存放区的多个位置在预定时间周期内多天的训练剩余物料量分别按照时间维度排列为输入向量以得到多个训练剩余物料时序输入向量;
将所述多个训练剩余物料时序输入向量分别通过所述向量-图像转化模块以得到多个训练剩余物料时序图像;
将所述多个训练剩余物料时序图像分别通过所述基于卷积层的物料变化时序特征提取器以得到多个训练剩余物料时序特征向量;
将所述多个训练剩余物料时序图像通过所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器以得到训练物料全局时序特征图;
沿着通道维度对所述训练物料全局时序特征图进行全局池化以得到训练物料全局时序特征矩阵;
以各个训练剩余物料时序特征向量作为查询特征向量,计算其与所述训练物料全局时序特征矩阵之间的乘积以得到训练查询剩余物料时序特征向量;
将所述训练查询剩余物料时序特征向量通过所述分类器以得到分类损失函数值;
计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;以及
基于所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值和所述分类损失函数值的加权和,并通过梯度下降的方向传播来对所述向量-图像转化模块、所述基于卷积层的物料变化时序特征提取器、所述基于三维卷积神经网络模型的安保物料存放区全局物料时序特征提取器和所述分类器进行训练;
以如下损失函数值计算公式计算所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值;
其中,所述损失函数值计算公式:
其中,V1是所述训练查询剩余物料时序特征向量,v1i是所述训练查询剩余物料时序特征向量的第i个位置的特征值,V2是所述训练剩余物料时序特征向量,v2i是所述训练剩余物料时序特征向量的第i个位置的特征值,L是特征向量的长度,且表示向量的二范数的平方,/>表示向量的按位置相减,/>表示所述训练查询剩余物料时序特征向量和所述训练剩余物料时序特征向量的损失函数值。
6.根据权利要求5所述的基于可视化的智慧调度系统,其特征在于,所述深度神经网络模型为三维卷积神经网络模型。
7.一种存储介质,其上存储有计算机程序指令,所述计算机程序指令在计算机中执行时,令所述计算机执行权利要求1-4中任一项的所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043915.4A CN117575485B (zh) | 2024-01-12 | 2024-01-12 | 一种基于可视化的智慧调度方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410043915.4A CN117575485B (zh) | 2024-01-12 | 2024-01-12 | 一种基于可视化的智慧调度方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575485A CN117575485A (zh) | 2024-02-20 |
CN117575485B true CN117575485B (zh) | 2024-05-03 |
Family
ID=89895818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410043915.4A Active CN117575485B (zh) | 2024-01-12 | 2024-01-12 | 一种基于可视化的智慧调度方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575485B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276305A (zh) * | 2019-06-25 | 2019-09-24 | 广州众聚智能科技有限公司 | 一种动态商品识别方法 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其系统 |
CN116523711A (zh) * | 2023-06-05 | 2023-08-01 | 杭州科技职业技术学院 | 基于人工智能的教育监管系统及其方法 |
CN116736703A (zh) * | 2023-05-24 | 2023-09-12 | 湖南省三联环保科技有限公司 | 污水处理的智能监测系统及其方法 |
CN116794115A (zh) * | 2023-05-30 | 2023-09-22 | 恩迈智能数字医疗(嘉兴)有限公司 | 基于多元掺杂导电聚合物的气敏传感器电极及制作方法 |
CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
CN117113262A (zh) * | 2023-10-23 | 2023-11-24 | 北京中科网芯科技有限公司 | 网络流量识别方法及其系统 |
CN117132135A (zh) * | 2023-10-23 | 2023-11-28 | 陕西天润科技股份有限公司 | 基于数字孪生的城市信息化管理系统及方法 |
CN117345440A (zh) * | 2023-10-30 | 2024-01-05 | 浙江浙能迈领环境科技有限公司 | 低碳燃料供应设备及控制方法 |
-
2024
- 2024-01-12 CN CN202410043915.4A patent/CN117575485B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276305A (zh) * | 2019-06-25 | 2019-09-24 | 广州众聚智能科技有限公司 | 一种动态商品识别方法 |
CN115909260A (zh) * | 2022-09-28 | 2023-04-04 | 华能伊敏煤电有限责任公司 | 基于机器视觉的作业场所入侵预警方法及其系统 |
CN116736703A (zh) * | 2023-05-24 | 2023-09-12 | 湖南省三联环保科技有限公司 | 污水处理的智能监测系统及其方法 |
CN116794115A (zh) * | 2023-05-30 | 2023-09-22 | 恩迈智能数字医疗(嘉兴)有限公司 | 基于多元掺杂导电聚合物的气敏传感器电极及制作方法 |
CN116523711A (zh) * | 2023-06-05 | 2023-08-01 | 杭州科技职业技术学院 | 基于人工智能的教育监管系统及其方法 |
CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
CN117113262A (zh) * | 2023-10-23 | 2023-11-24 | 北京中科网芯科技有限公司 | 网络流量识别方法及其系统 |
CN117132135A (zh) * | 2023-10-23 | 2023-11-28 | 陕西天润科技股份有限公司 | 基于数字孪生的城市信息化管理系统及方法 |
CN117345440A (zh) * | 2023-10-30 | 2024-01-05 | 浙江浙能迈领环境科技有限公司 | 低碳燃料供应设备及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117575485A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018121690A1 (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
Chen et al. | Applying Machine Learning Algorithm to Optimize Personalized Education Recommendation System | |
CN114219562A (zh) | 模型的训练方法、企业信用评估方法和装置、设备、介质 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
CN117635219B (zh) | 金属矿山生产大数据智能分析系统及方法 | |
CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其系统 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 | |
CN116523711A (zh) | 基于人工智能的教育监管系统及其方法 | |
CN113849464A (zh) | 信息处理方法和设备 | |
CEYLAN et al. | Siamese Inception Time Network for Remaining Useful Life Estimation | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
CN117911949B (zh) | 一种风险智能评估方法及系统 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 |
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 |