CN117854008A - 基于数字孪生的智慧运动场馆管理系统 - Google Patents
基于数字孪生的智慧运动场馆管理系统 Download PDFInfo
- Publication number
- CN117854008A CN117854008A CN202410062022.4A CN202410062022A CN117854008A CN 117854008 A CN117854008 A CN 117854008A CN 202410062022 A CN202410062022 A CN 202410062022A CN 117854008 A CN117854008 A CN 117854008A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- people flow
- semantic feature
- sequence
- traffic
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 208
- 230000004927 fusion Effects 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 30
- 230000008859 change Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000000034 method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012300 Sequence Analysis Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能管理领域，其具体地公开了一种基于数字孪生的智慧运动场馆管理系统，其通过实时采集运动场馆内的人流量值，并在后端引入数据处理和分析算法来进行所述人流量值的时序分析，以此根据运动场馆内的人流量的局部和全局的时序分布和变化趋势来判断场馆拥挤程度，并在屏幕上进行可视化显示，通过这样的方式，能够让运营者和用户直观地了解运动场馆的实时状态和历史趋势，从而提高场馆的安全性和服务质量，提升用户体验和满意度，进而有助于提升运动场馆的透明度和信任度。
Description
技术领域
本申请涉及智能管理领域，且更为具体地，涉及一种基于数字孪生的智慧运动场馆管理系统。
背景技术
随着人们对健康和体育活动的关注度增加，运动场馆的使用量也在不断增加。运动场馆是专门用于进行体育运动、健身和娱乐活动的场所，如体育馆、健身房、游泳池、篮球场等。运动场馆通常能够提供各种设施和服务，以满足人们进行运动和娱乐的需求。为了能够有效地组织和管理场馆的运营，提供安全、舒适和高质量的服务来满足用户的需求，并确保场馆的可持续发展，需要进行运动场馆的有效管理。特别是在高峰时段内，人流量过大可能导致拥挤、安全隐患和服务质量下降等问题，这时确保运动场馆的有效管理至关重要。
然而，传统的运动场馆管理系统通常依赖于人工记录和统计场馆内的人流量情况，而人流量的高峰时段可能导致拥挤和安全隐患，人工的管理方式难以进行实时监测和预测人流量的变化，无法准确识别和预测潜在的安全风险，如人员拥挤、紧急情况等，导致安全问题的发生和处理不及时。并且，人工处理的方式效率较低，难以满足实际的运动场馆应用需求，也难以进行有效的运营管理和优化。
因此，期望一种优化的智慧运动场馆管理系统。
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数字孪生的智慧运动场馆管理系统，其通过实时采集运动场馆内的人流量值，并在后端引入数据处理和分析算法来进行所述人流量值的时序分析，以此根据运动场馆内的人流量的局部和全局的时序分布和变化趋势来判断场馆拥挤程度，并在屏幕上进行可视化显示，通过这样的方式，能够让运营者和用户直观地了解运动场馆的实时状态和历史趋势，从而提高场馆的安全性和服务质量，提升用户体验和满意度，进而有助于提升运动场馆的透明度和信任度。
根据本申请的一个方面，提供了一种基于数字孪生的智慧运动场馆管理系统，其包括：人流量数据采集模块，用于获取预定时间段内多个预定时间点的人流量值；人流量时序排列模块，用于将所述多个预定时间点的人流量值按照时间维度排列为人流量时序输入向量；人流量局部时序特征分析模块，用于对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列；人流量局部时序波动语义编码模块，用于对所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量进行人流量时序波动语义关联分析以得到人流量时序波动语义特征向量；人流量时序多维度语义融合模块，用于将所述人流量局部时序语义特征向量的序列和所述人流量时序波动语义特征向量进行特征融合以得到人流量时序多维度语义特征；拥挤程度检测显示模块，用于基于所述人流量时序多维度语义特征，确定拥挤等级标签，并在屏幕进行显示。
与现有技术相比，本申请提供的一种基于数字孪生的智慧运动场馆管理系统，其通过实时采集运动场馆内的人流量值，并在后端引入数据处理和分析算法来进行所述人流量值的时序分析，以此根据运动场馆内的人流量的局部和全局的时序分布和变化趋势来判断场馆拥挤程度，并在屏幕上进行可视化显示，通过这样的方式，能够让运营者和用户直观地了解运动场馆的实时状态和历史趋势，从而提高场馆的安全性和服务质量，提升用户体验和满意度，进而有助于提升运动场馆的透明度和信任度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统的框图。
图2为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统的架构示意图。
图3为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中人流量局部时序特征分析模块的框图。
图4为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中人流量时序多维度语义融合模块的框图。
图5为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中拥挤程度检测显示模块的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
数字孪生是一种利用物理模型、传感器数据和分析工具来构建复杂系统的虚拟模型的技术，以实现对实体系统的实时监测、分析和优化。在智慧运动场馆管理系统中，数字孪生可以通过收集和分析场馆内的传感器数据、预定信息和历史数据等，建立对场馆运行状态和人流量的模型，并进行实时更新和预测。数字孪生在智慧运动场馆管理系统中的应用，可以提高场馆的安全性、效率和用户体验。
基于此，在本申请的技术方案中，提出了一种基于数字孪生的智慧运动场馆管理系统，其能够根据人流量的时序分布来进行人流量危险预警和显示，以便于更好地辅助现场人员进行人流量疏导和管理，以避免不必要的风险发生。具体地，本申请的技术构思为通过实时采集运动场馆内的人流量值，并在后端引入数据处理和分析算法来进行所述人流量值的时序分析，以此根据运动场馆内的人流量的局部和全局的时序分布和变化趋势来判断场馆拥挤程度，并在屏幕上进行可视化显示，以便于让运营者和用户能够直观地了解运动场馆的实时状态和历史趋势，提升运动场馆的透明度和信任度。这样，能够实现对运动场馆内人流量的实时监测、预测和管理，提高场馆的安全性和服务质量，并提升用户体验和满意度。
图1为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统的框图。图2为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统的架构示意图。如图1和图2所示，根据本申请实施例的基于数字孪生的智慧运动场馆管理系统100，包括：人流量数据采集模块110，用于获取预定时间段内多个预定时间点的人流量值；人流量时序排列模块120，用于将所述多个预定时间点的人流量值按照时间维度排列为人流量时序输入向量；人流量局部时序特征分析模块130，用于对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列；人流量局部时序波动语义编码模块140，用于对所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量进行人流量时序波动语义关联分析以得到人流量时序波动语义特征向量；人流量时序多维度语义融合模块150，用于将所述人流量局部时序语义特征向量的序列和所述人流量时序波动语义特征向量进行特征融合以得到人流量时序多维度语义特征；以及，拥挤程度检测显示模块160，用于基于所述人流量时序多维度语义特征，确定拥挤等级标签，并在屏幕进行显示。
在本申请实施例中，所述人流量数据采集模块110，用于获取预定时间段内多个预定时间点的人流量值。特别地，在本申请的技术方案中，通过获取所述多个预定时间点的人流量值可以帮助了解运动场馆内在特定时间范围内的人流量情况。相应地，在本申请的一个具体示例中，可以通过安装在运动场馆的入口处的传感器、摄像头或其他监测设备来实时监测人流量数据。这样，能够便于观察到人流量的变化趋势、高峰时段和低谷时段，从而更好地安排资源、制定管理策略和提供服务。
在本申请实施例中，所述人流量时序排列模块120，用于将所述多个预定时间点的人流量值按照时间维度排列为人流量时序输入向量。应可以理解，考虑到所述人流量值在时间维度上具有着时序的动态变化规律，也就是说，所述多个预定时间点的人流量值在时间维度上具有着时序的关联关系。因此，为了能够便于后续对于场馆内的人流量分布和时序变化情况进行分析，需要将所述多个预定时间点的人流量值分别按照时间维度排列为人流量时序输入向量，以此来整合所述人流量值在时间维度上的时序分布信息。
在本申请实施例中，所述人流量局部时序特征分析模块130，用于对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列。应可以理解，考虑到人流量值通常具有一定的时序特征，例如运动场馆中每天的早晚高峰期，也就是说，在不同时间点之间可能存在一定的关联性。因此，为了能够捕捉人流量值在不同时间段的时序特征，以便后续对人流量值变化模式和趋势进行更好地分析和预测。在本申请的技术方案中，进一步对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列。
图3为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中人流量局部时序特征分析模块的框图。具体地，在本申请实施例中，如图3所示，所述人流量局部时序特征分析模块130，包括：向量切分单元131，用于对所述人流量时序输入向量进行向量切分以得到人流量局部时序输入向量的序列；向量-图像域转换单元132，用于将所述人流量局部时序输入向量的序列通过向量-图像转换器以得到人流量局部时序图像的序列；以及，人流量局部时序语义特征提取单元133，用于通过基于深度神经网络模型的人流量时序特征提取器分别对所述人流量局部时序图像的序列进行特征提取以得到所述人流量局部时序语义特征向量的序列。
具体地，所述向量切分单元131，用于对所述人流量时序输入向量进行向量切分以得到人流量局部时序输入向量的序列。应可以理解，考虑到人流量在运动场馆中通常呈现出一定的时序性，而所述人流量值在时间维度上存在着波动性和不确定性，也就是说，在不同的时间段内，人流量的分布和变化趋势可能会有所不同。因此，为了能够挖掘出不同时间周期内的人流量时序变化特征，以便于对于运动场馆内的人流量变化情况和趋势进行充分和准确地分析，在本申请的技术方案中，进一步对所述人流量时序输入向量进行向量切分以得到人流量局部时序输入向量的序列。通过将整个所述人流量时序输入向量切分为各个局部时序窗口，可以更加细致地观察和分析人流量的时序变化趋势和分布情况，为后续的分析和决策提供更准确的数据基础。
具体地，所述向量-图像域转换单元132，用于将所述人流量局部时序输入向量的序列通过向量-图像转换器以得到人流量局部时序图像的序列。相应地，考虑到相比于简单的时序向量表示来说，时序图像数据可以提供更多的信息，包括人流量的时序变化关系、波动情况和趋势变化等。因此，在本申请的技术方案中，进一步将所述人流量局部时序输入向量的序列通过向量-图像转换器以得到人流量局部时序图像的序列，这样的转换可以更直观地展示人流量的时序特征，从而更好地捕捉和分析运动场馆内的人流量时序变化趋势和分布情况。也就是说，通过将所述人流量局部时序输入向量的序列转化为图像的形式，能够便于提取出人流量局部时序图像中关于人流量的时序关键特征，这些特征可以包括人流量的变化趋势、周期性变化和局部突增和突减等信息，有助于更准确地分析和预测运动场馆内的人流量变化。并且，这样的处理方式还能够便于在屏幕上直观地显示人流量的动态变化情况。
值得注意的是，向量-图像转换器是一种技术或算法，用于将向量数据转换为图像表示。在计算机视觉和图像处理领域，图像通常以像素点的形式表示，而向量是一种数学对象，由多个数值组成。向量-图像转换器可以将向量数据转换为图像，以便进行图像生成、图像重建、图像压缩等任务。具体地，向量-图像转换器的实现方法可以有多种。其中一种常见的方法是使用生成对抗网络（GANs）。GANs由生成器和判别器两个部分组成，生成器负责将输入的向量转换为图像，而判别器则负责判断生成的图像是否真实。通过对生成器和判别器进行对抗训练，可以逐渐优化生成器的能力，使其能够生成逼真的图像。另一种方法是使用自动编码器（Autoencoder）。自动编码器是一种神经网络结构，可以将输入数据压缩为低维向量表示，然后再将低维向量解码为原始数据。通过训练自动编码器，可以学习到输入向量与图像之间的映射关系，从而实现向量到图像的转换。应可以理解，向量-图像转换器在许多应用中都有用武之地。例如，可以将文本向量转换为图像以生成与文本相关的图像描述，或者将音频向量转换为图像以实现音频可视化。此外，向量-图像转换器还可以用于图像压缩和重建、图像风格迁移等任务。
具体地，所述人流量局部时序语义特征提取单元133，用于通过基于深度神经网络模型的人流量时序特征提取器分别对所述人流量局部时序图像的序列进行特征提取以得到所述人流量局部时序语义特征向量的序列。更具体地，所述深度神经网络模型为卷积神经网络模型。应可以理解，将所述人流量局部时序图像的序列通过基于卷积神经网络模型的人流量时序特征提取器中进行特征挖掘，可以分别提取出所述人流量局部时序图像的序列中的各个人流量局部时序图像中有关于场馆内的人流量局部时序分布和变化特征信息，从而得到人流量局部时序语义特征向量的序列。
值得注意的是，卷积神经网络模型是一种深度学习模型，特别适用于处理具有网格结构的数据，如图像、语音和文本等。它的设计灵感来源于生物学中视觉皮层的工作原理。具体地，CNN通过使用卷积层（Convolutional Layer）和池化层（Pooling Layer）来自动学习输入数据的特征表示。卷积层通过应用一系列滤波器（也称为卷积核）来提取输入数据的局部特征，每个滤波器都与输入数据的一部分进行卷积操作，从而生成特征图。池化层则用于降低特征图的空间尺寸，同时保留主要特征。通过多个卷积层和池化层的堆叠，CNN能够逐渐提取更高级别的特征。另外，在卷积层和池化层之后，通常会连接全连接层（FullyConnected Layer）来进行分类或回归等任务。全连接层将前面提取的特征展平为一维向量，并通过一系列全连接的神经元进行处理。CNN的优点在于它能够自动学习输入数据的特征表示，并且在处理具有网格结构的数据时表现出色。它在计算机视觉领域广泛应用，如图像分类、目标检测、图像分割等任务上取得了很多重要的突破。此外，CNN也可以用于其他领域，如自然语言处理和音频处理等。
特别地，在本申请另一个可实现的实施例中，对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列，可通过以下步骤实现。1.从数据集中获取每小时的人流量数据，对数据进行归一化处理，将人流量值缩放到一个合适的范围，例如0到1之间。2.选择一个合适的窗口大小，用于定义局部时序的范围。例如，可以选择窗口大小为6，表示每次考虑过去6个小时的人流量数据。3.从第一个小时开始，以步长为1滑动窗口，提取每个窗口内的人流量数据作为局部时序特征，对于每个窗口，将窗口内的人流量数据按时间顺序组成一个局部时序特征向量并重复上述步骤，直到遍历完整个数据集。4.将每个窗口提取得到的局部时序特征向量按时间顺序组成一个特征向量序列，这样就得到了人流量的局部时序语义特征向量的序列。5.可以使用得到的局部时序特征向量序列进行进一步的分析或建模任务，例如聚类、预测、异常检测等。
在本申请实施例中，所述人流量局部时序波动语义编码模块140，用于对所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量进行人流量时序波动语义关联分析以得到人流量时序波动语义特征向量。应可以理解，所述人流量局部时序语义特征向量的序列中的各个人流量局部时序语义特征向量过来反映了不同时间段内的人流量分布和变化情况，每个特征向量代表一个特定时间段的人流量分布特征和变化趋势特征信息。并且，还考虑到所述运动场馆内的人流量的时序波动特征和趋势通常体现在相关度的变化上。当人流量呈现出明显的波动或趋势时，相邻向量之间的相关度可能会有所变化。例如，在高峰时段，人流量可能呈现出较高的相关度，而在低谷时段，相关度可能较低。因此，为了能够更为充分和准确地进行所述运动场馆内的拥挤程度检测，在本申请的技术方案中，进一步对所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量进行人流量时序波动语义关联分析以得到人流量时序波动语义特征向量。
具体地，所述人流量局部时序波动语义编码模块，用于：计算所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量之间的相关度以得到由多个相关度组成的所述人流量时序波动语义特征向量。也就是，通过计算相关度并将其组合成所述人流量时序波动语义特征向量，可以更好地描述场馆内的人流量时序波动特征。这些特征向量可以用于分析和预测人流量的趋势、周期性和异常情况。例如，可以通过观察相关度的变化来检测人流量的高峰和低谷，或者识别异常的人流量波动，如突发事件引起的异常情况。
更具体地，在本申请实施例中，所述人流量局部时序波动语义编码模块，用于：以如下相关度公式计算所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量之间的相关度以得到由多个相关度组成的所述人流量时序波动语义特征向量；其中，所述相关度公式为：其中，/>和/>分别为所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量，/>和/>为两种不同的线性变换，/>为所述人流量时序波动语义特征向量中的各个相关度。
在本申请实施例中，所述人流量时序多维度语义融合模块150，用于将所述人流量局部时序语义特征向量的序列和所述人流量时序波动语义特征向量进行特征融合以得到人流量时序多维度语义特征。应可以理解，所述人流量局部时序语义特征向量的序列通常是基于时间序列数据的历史信息和趋势进行提取，从而捕捉到人流量的时序模式和周期性变化。而所述人流量时序波动语义特征向量通常用于捕捉人流量的波动、趋势和不稳定性，更侧重于描述人流量数据的波动和变化趋势。因此，在本申请的技术方案中，进一步将所述人流量局部时序语义特征向量的序列和所述人流量时序波动语义特征向量进行特征融合以得到人流量时序多维度语义特征，使得到的多维度语义特征能够更全面地描述人流量数据的时序模式、波动特性，从而提高后续对人流量变化的预测和分析准确性。
图4为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中人流量时序多维度语义融合模块的框图。具体地，在本申请实施例中，如图4所示，所述人流量时序多维度语义融合模块150，包括：人流量局部时序特征聚合单元151，用于将所述人流量局部时序语义特征向量的序列进行拼接以得到人流量全时域语义特征向量；以及，人流量时序多维度语义特征融合单元152，用于融合所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量以得到人流量时序多维度语义特征向量作为所述人流量时序多维度语义特征。
具体地，所述人流量局部时序特征聚合单元151，用于将所述人流量局部时序语义特征向量的序列进行拼接以得到人流量全时域语义特征向量。也就是，将所述人流量局部时序语义特征向量的序列进行拼接以得到人流量全时域语义特征向量，以此来整合所述运动场馆内的人流量局部时序特征来得到人流量的全时域语义特征信息。
具体地，所述人流量时序多维度语义特征融合单元152，用于融合所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量以得到人流量时序多维度语义特征向量作为所述人流量时序多维度语义特征。应可以理解，由于所述人流量时序波动语义特征向量反映了人流量在不同的时间段间的整体波动情况和趋势，它通过计算相邻向量之间的相关度来捕捉人流量的时序波动特征，其可以揭示人流量的周期性、高峰和低谷等时序变化。所述人流量全时域语义特征向量则是对整个时间段内的人流量进行综合描述的特征向量，它包含了人流量的整体特征，如平均值、方差、分布等，从而能够提供关于人流量的整体趋势和分布情况的信息。因此，为了能够综合考虑人流量的时序波动和整体特征，以提供更全面的人流量信息，在本申请的技术方案中，进一步融合所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量以得到人流量时序多维度语义特征向量。
在本申请实施例中，所述拥挤程度检测显示模块160，用于基于所述人流量时序多维度语义特征，确定拥挤等级标签，并在屏幕进行显示。相应地，人流量时序多维度语义特征是对人流量数据多方面特征的综合描述，包含了人流量整体信息和时序波动信息。所述拥挤等级标签是对人流量情况的一种量化描述。因此，在本申请的技术方案中，通过对人流量时序多维度语义特征进行分析和处理，可以确定不同时间点或区域的拥挤等级，如低、中、高等级，以便更直观地理解人流量的情况。进一步地，将所述拥挤等级标签在屏幕进行显示，也就是，在监控屏幕上实时显示当前各个区域或时间点的拥挤等级，人们能够迅速了解当前的拥挤程度，安保人员可以进行人流疏导和安全管理，从而提高了人员流动的效率和安全性。
图5为根据本申请实施例的基于数字孪生的智慧运动场馆管理系统中拥挤程度检测显示模块的框图。具体地，在本申请实施例中，如图5所示，所述拥挤程度检测显示模块160，包括：特征分布优化单元161，用于对所述人流量时序多维度语义特征向量进行特征分布优化以得到优化人流量时序多维度语义特征向量；拥挤等级判定单元162，用于将所述优化人流量时序多维度语义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拥挤等级标签；以及，屏幕显示单元163，用于在屏幕显示所述人流量局部时序图像的序列和所述分类结果。
具体地，所述特征分布优化单元161，用于对所述人流量时序多维度语义特征向量进行特征分布优化以得到优化人流量时序多维度语义特征向量。特别地，在上述技术方案中，所述人流量局部时序语义特征向量的序列中的每个人流量局部时序语义特征向量表达所述人流量值在全局时域经由向量切分确定的局部时域下，进一步通过向量-图像转换确定的局部时域下的细分时域的细分时域内-细分时域间时序关联特征，由此，所述人流量时序波动语义特征向量用于表达相邻局部时域间时序关联相关性特征，而所述人流量全时域语义特征向量表达全局时域下的细分时域内-细分时域间时序关联特征，这样，在融合所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量时，考虑到所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量之间的时序关联特征表达尺度差异可能导致的特征对应稀疏性，因此期望基于所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量各自的特征表达显著性和关键性来进行融合特征向量校正，从而提升所述人流量时序多维度语义特征向量的表达效果。基于此，本申请的申请人对于所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量进行优化以得到对应性融合校正特征向量。
更具体地，所述特征分布优化单元161，包括：对应性融合校正子单元，用于对所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量进行优化以得到对应性融合校正特征向量；以及，校正特征融合优化子单元，用于将所述对应性融合校正特征向量与所述人流量时序多维度语义特征向量进行融合以得到所述优化人流量时序多维度语义特征向量。
更具体地，所述特征分布优化单元，包括：对应性融合校正子单元，用于对所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量进行优化以得到对应性融合校正特征向量；以及，校正特征融合优化子单元，用于将所述对应性融合校正特征向量与所述人流量时序多维度语义特征向量进行融合以得到所述优化人流量时序多维度语义特征向量。
更具体地，在本申请实施例中，所述对应性融合校正子单元，用于：以如下优化公式对所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量进行优化以得到所述对应性融合校正特征向量；其中，所述优化公式为：其中，/>流量时序波动语义特征向量，/>表示所述人流量全时域语义特征向量，/>表示特征向量的逐位置开方，/>和分别表示特征向量/>和/>最大特征值的倒数，/>和/>是权重超参数，/>表示所述对应性融合校正特征向量，/>表示向量的按位置减法，/>表示向量的按位置点乘。
这里，通过所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量/>的各个特征值的开方值来获得特征值集合的预分割的局部组，并从其中回归所述人流量时序波动语义特征向量/>和所述人流量全时域语义特征向量/>的关键最大值特征，这样，可以基于最远点采样的思想来提升特征值的按位置显著性分布，从而通过具有显著分布的关键特征来进行特征向量间的稀疏对应性控制，以实现对应性融合校正特征向量对于所述人流量时序波动语义特征向量/>和所述人流量全时域语义特征向量/>的原始流形几何的还原。这样，再将所述对应性融合校正特征向量/>与所述人流量时序多维度语义特征向量融合，就可以提升所述人流量时序多维度语义特征向量的表达效果，从而提升所述人流量时序多维度语义特征向量通过分类器得到的分类结果的准确性。这样，能够根据运动场馆内的人流量的时序分布和变化趋势来判断运动场馆的拥挤程度，并在屏幕上进行可视化显示，以便于让运营者和用户能够直观地了解运动场馆的实时状态和历史趋势，从而提升运动场馆的透明度和信任度，通过这样的方式，能够实现对运动场馆内人流量的实时监测、预测和管理，提高场馆的安全性和服务质量，并提升用户体验和满意度。
具体地，所述拥挤等级判定单元162，用于将所述优化人流量时序多维度语义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拥挤等级标签。具体地，在本申请的技术方案中，所述分类器的标签为运动场馆内的拥挤等级标签。因此，在得到所述分类结果后，可以基于所述分类结果来判断场馆拥挤程度，这有利于帮助管理人员和访客更直观地了解当前场所的拥挤情况，从而采取相应的措施来管理人流量。
更具体地，在本申请的实施例中，所述拥挤等级判定单元，用于：使用所述多标签分类器以如下分类公式对所述优化人流量时序多维度语义特征向量进行处理以生成所述分类结果；其中，所述分类公式为：其中/>为所述分类结果的输出结果矩阵，/>为所述优化人流量时序多维度语义特征向量，和/>分别为第/> 个分类对应的权重和偏置向量，/>表示向量的指数运算，所述向量的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
具体地，所述屏幕显示单元163，用于在屏幕显示所述人流量局部时序图像的序列和所述分类结果。应可以理解，在得到所述分类结果后，可以基于所述分类结果来判断场馆拥挤程度，并在屏幕显示所述人流量局部时序图像的序列和所述分类结果，以便于让运营者和用户能够直观地了解运动场馆的实时状态和历史趋势，提升运动场馆的透明度和信任度。
特别地，在本申请另一个可实现的实施例中，在屏幕显示所述人流量局部时序图像的序列和所述分类结果，可通过一下步骤实现。首先，根据人流量局部时序图像的序列和分类结果，使用相应的数据可视化工具生成对应的图表或图像。具体地，对于人流量局部时序图像的序列，可以使用折线图、热力图或其他时序图表来展示不同时间点或区域的人流量情况；对于分类结果，可以使用颜色编码、标签或其他符号来表示不同的拥挤等级，例如绿色表示低拥挤、黄色表示中等拥挤、红色表示高拥挤等。然后，可以通过编程实现数据可视化图表的实时更新。这可以通过定时更新数据并重新绘制图表，或者使用支持实时数据更新的库和技术来实现。最后，生成的数据可视化图表可以在屏幕上显示。这些屏幕可以是监控屏幕、电子显示屏、移动设备屏幕等，以便相关人员能够随时随地查看人流量情况。应可以理解，将人流量局部时序图像的序列和分类结果以直观的方式呈现在屏幕上。这种方式可以实现实时监测和交互式操作，为相关人员提供及时的人流量信息和决策支持。
综上，基于本申请实施例的基于数字孪生的智慧运动场馆管理系统100被阐明，其通过实时采集运动场馆内的人流量值，并在后端引入数据处理和分析算法来进行所述人流量值的时序分析，以此根据运动场馆内的人流量的局部和全局的时序分布和变化趋势来判断场馆拥挤程度，并在屏幕上进行可视化显示，通过这样的方式，能够让运营者和用户直观地了解运动场馆的实时状态和历史趋势，从而提高场馆的安全性和服务质量，提升用户体验和满意度，进而有助于提升运动场馆的透明度和信任度。
以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的。并且也不限于所公开的各实现，在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员未说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各个实理方式。
Claims (9)
1.一种基于数字孪生的智慧运动场馆管理系统，其特征在于，包括：人流量数据采集模块，用于获取预定时间段内多个预定时间点的人流量值；人流量时序排列模块，用于将所述多个预定时间点的人流量值按照时间维度排列为人流量时序输入向量；人流量局部时序特征分析模块，用于对所述人流量时序输入向量进行局部时序特征分析以得到人流量局部时序语义特征向量的序列；人流量局部时序波动语义编码模块，用于对所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量进行人流量时序波动语义关联分析以得到人流量时序波动语义特征向量；人流量时序多维度语义融合模块，用于将所述人流量局部时序语义特征向量的序列和所述人流量时序波动语义特征向量进行特征融合以得到人流量时序多维度语义特征；拥挤程度检测显示模块，用于基于所述人流量时序多维度语义特征，确定拥挤等级标签，并在屏幕进行显示。
2.根据权利要求1所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述人流量局部时序特征分析模块，包括：向量切分单元，用于对所述人流量时序输入向量进行向量切分以得到人流量局部时序输入向量的序列；向量-图像域转换单元，用于将所述人流量局部时序输入向量的序列通过向量-图像转换器以得到人流量局部时序图像的序列；人流量局部时序语义特征提取单元，用于通过基于深度神经网络模型的人流量时序特征提取器分别对所述人流量局部时序图像的序列进行特征提取以得到所述人流量局部时序语义特征向量的序列。
3.根据权利要求2所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述人流量局部时序波动语义编码模块，用于：计算所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量之间的相关度以得到由多个相关度组成的所述人流量时序波动语义特征向量。
5.根据权利要求4所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述人流量局部时序波动语义编码模块，用于：以如下相关度公式计算所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量之间的相关度以得到由多个相关度组成的所述人流量时序波动语义特征向量；其中，所述相关度公式为：其中，/>和/>分别为所述人流量局部时序语义特征向量的序列中任意两个相邻的人流量局部时序语义特征向量，/>和/>为两种不同的线性变换，为所述人流量时序波动语义特征向量中的各个相关度。
6.根据权利要求5所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述人流量时序多维度语义融合模块，包括：人流量局部时序特征聚合单元，用于将所述人流量局部时序语义特征向量的序列进行拼接以得到人流量全时域语义特征向量；人流量时序多维度语义特征融合单元，用于融合所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量以得到人流量时序多维度语义特征向量作为所述人流量时序多维度语义特征。
7.根据权利要求6所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述拥挤程度检测显示模块，包括：征分布优化单元，用于对所述人流量时序多维度语义特征向量进行特征分布优化以得到优化人流量时序多维度语义特征向量；拥挤等级判定单元，用于将所述优化人流量时序多维度语义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拥挤等级标签；屏幕显示单元，用于在屏幕显示所述人流量局部时序图像的序列和所述分类结果。
8.根据权利要求7所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述特征分布优化单元，包括：对应性融合校正子单元，用于对所述人流量时序波动语义特征向量和所述人流量全时域语义特征向量进行优化以得到对应性融合校正特征向量；校正特征融合优化子单元，用于将所述对应性融合校正特征向量与所述人流量时序多维度语义特征向量进行融合以得到所述优化人流量时序多维度语义特征向量。
9.根据权利要求8所述的基于数字孪生的智慧运动场馆管理系统，其特征在于，所述拥挤等级判定单元，用于：使用所述多标签分类器以如下分类公式对所述优化人流量时序多维度语义特征向量进行处理以生成所述分类结果；其中，所述分类公式为：其中/>为所述分类结果的输出结果矩阵，/>为所述优化人流量时序多维度语义特征向量，/>和/>分别为第/> 个分类对应的权重和偏置向量，/>表示向量的指数运算，所述向量的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062022.4A CN117854008B (zh) | 2024-01-16 | 2024-01-16 | 基于数字孪生的智慧运动场馆管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062022.4A CN117854008B (zh) | 2024-01-16 | 2024-01-16 | 基于数字孪生的智慧运动场馆管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854008A true CN117854008A (zh) | 2024-04-09 |
| CN117854008B CN117854008B (zh) | 2024-07-19 |
Family
ID=90532487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410062022.4A Active CN117854008B (zh) | 2024-01-16 | 2024-01-16 | 基于数字孪生的智慧运动场馆管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854008B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118250126A (zh) * | 2024-05-23 | 2024-06-25 | 深圳市丛文安全电子有限公司 | 基于物联网的智能网关系统 |
| CN118396795A (zh) * | 2024-05-08 | 2024-07-26 | 广州智威智能科技有限公司 | 一种融合大模型的校园生活记录方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104540168A (zh) * | 2014-12-30 | 2015-04-22 | 杭州华为数字技术有限公司 | 一种测量人群拥挤度的方法、装置与系统 |
| CN104835147A (zh) * | 2015-04-15 | 2015-08-12 | 中国科学院上海微系统与信息技术研究所 | 基于三维深度图数据的密集人流量实时检测方法 |
| CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
| KR20210030183A (ko) * | 2019-09-09 | 2021-03-17 | 최성호 | 드론을 이용한 행사장 관리 시스템 |
| WO2021220877A1 (ja) * | 2020-04-28 | 2021-11-04 | 株式会社バカン | 空席管理システム、空席管理サーバ、および空席管理方法 |
| EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
| CN115204701A (zh) * | 2022-07-23 | 2022-10-18 | 广东中测标准技术有限公司 | 体育场馆的消防风险防控方法、系统、设备和存储介质 |
| CN115865988A (zh) * | 2023-02-21 | 2023-03-28 | 武汉理工大学三亚科教创新园 | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 |
| CN116071710A (zh) * | 2023-04-06 | 2023-05-05 | 南京运享通信息科技有限公司 | 一种基于智慧体育场馆监控视频的客流量统计方法 |
| CN116311041A (zh) * | 2023-02-22 | 2023-06-23 | 厦门路桥信息股份有限公司 | 一种智慧场馆的区域兴趣度评估方法、介质及装置 |
| US11785161B1 (en) * | 2016-06-20 | 2023-10-10 | Pipbin, Inc. | System for user accessibility of tagged curated augmented reality content |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
| JP2023168641A (ja) * | 2022-05-14 | 2023-11-27 | サクラインターナショナル株式会社 | 展示会場等の大規模施設における、館内作業者の位置情報を含む入退館情報の把握が可能な入退館者管理システム及びその方法 |
| 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 |
-
2024
- 2024-01-16 CN CN202410062022.4A patent/CN117854008B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104540168A (zh) * | 2014-12-30 | 2015-04-22 | 杭州华为数字技术有限公司 | 一种测量人群拥挤度的方法、装置与系统 |
| CN104835147A (zh) * | 2015-04-15 | 2015-08-12 | 中国科学院上海微系统与信息技术研究所 | 基于三维深度图数据的密集人流量实时检测方法 |
| US11785161B1 (en) * | 2016-06-20 | 2023-10-10 | Pipbin, Inc. | System for user accessibility of tagged curated augmented reality content |
| CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
| KR20210030183A (ko) * | 2019-09-09 | 2021-03-17 | 최성호 | 드론을 이용한 행사장 관리 시스템 |
| WO2021220877A1 (ja) * | 2020-04-28 | 2021-11-04 | 株式会社バカン | 空席管理システム、空席管理サーバ、および空席管理方法 |
| EP3978949A2 (en) * | 2020-10-02 | 2022-04-06 | Origin Wireless, Inc. | System and method for wireless motion monitoring |
| WO2023207437A1 (zh) * | 2022-04-28 | 2023-11-02 | 长安大学 | 一种基于动态轨迹流的场景流数字孪生方法及系统 |
| JP2023168641A (ja) * | 2022-05-14 | 2023-11-27 | サクラインターナショナル株式会社 | 展示会場等の大規模施設における、館内作業者の位置情報を含む入退館情報の把握が可能な入退館者管理システム及びその方法 |
| CN115204701A (zh) * | 2022-07-23 | 2022-10-18 | 广东中测标准技术有限公司 | 体育场馆的消防风险防控方法、系统、设备和存储介质 |
| CN115865988A (zh) * | 2023-02-21 | 2023-03-28 | 武汉理工大学三亚科教创新园 | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 |
| CN116311041A (zh) * | 2023-02-22 | 2023-06-23 | 厦门路桥信息股份有限公司 | 一种智慧场馆的区域兴趣度评估方法、介质及装置 |
| CN116071710A (zh) * | 2023-04-06 | 2023-05-05 | 南京运享通信息科技有限公司 | 一种基于智慧体育场馆监控视频的客流量统计方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 吴涛;曹菲菲;吴悦明;秦绪忠;及召建;: "智慧体育场馆的建设与运营", 智能建筑, no. 02, 6 February 2020 (2020-02-06) * |
| 李海影;李国;: "大型体育场馆室内环境质量模糊综合评价模型", 武汉体育学院学报, no. 02, 15 February 2017 (2017-02-15) * |
| 李玉臻;刘家豪;李海航;汪箭;: "大型体育馆消防性能化设计中安全疏散时间的分析和研究", 火灾科学, no. 03, 15 July 2013 (2013-07-15) * |
| 陈元欣;方曙光;王健;: "我国综合性大型体育赛事场馆设施建设的双重困境", 上海体育学院学报, no. 04, 15 July 2007 (2007-07-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118396795A (zh) * | 2024-05-08 | 2024-07-26 | 广州智威智能科技有限公司 | 一种融合大模型的校园生活记录方法 |
| CN118250126A (zh) * | 2024-05-23 | 2024-06-25 | 深圳市丛文安全电子有限公司 | 基于物联网的智能网关系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854008B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
| CN117854008B (zh) | 基于数字孪生的智慧运动场馆管理系统 | |
| CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
| CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
| WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
| CN111340288A (zh) | 一种顾及时空关联性的城市空气质量时序预测方法 | |
| CN118098603B (zh) | 用于eicu的重症监护临床信息系统及方法 | |
| CN111210415B (zh) | 一种帕金森患者面部表情低迷的检测方法 | |
| CN111444844A (zh) | 一种基于变分自编码器的液基细胞人工智能检测方法 | |
| CN116258241A (zh) | 一种基于时空关联的监管环境风险预测方法及系统 | |
| CN117132135A (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
| CN117671396A (zh) | 施工进度的智能监控预警系统及方法 | |
| CN118193658B (zh) | 一种基于多源数据融合的地理信息分析方法及系统 | |
| CN113936175A (zh) | 一种识别视频中的事件的方法及系统 | |
| CN117454301B (zh) | 一种用于展示核聚变试验跟踪pv值变化的方法及系统 | |
| CN117932544B (zh) | 基于多源传感器数据融合的预测方法、装置和存储介质 | |
| CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
| CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| Wang et al. | Infrared and visible image fusion based on Laplacian pyramid and generative adversarial network. | |
| CN114912354A (zh) | 一种预测蚊媒传染病风险的方法、装置及介质 | |
| CN116887487B (zh) | 灯珠的智能控制方法及其系统 | |
| CN117726081B (zh) | 基于多模态ai大模型的cim智能决策方法及系统 | |
| CN117524400B (zh) | 患者数据可视化管理系统及方法 | |
| CN118503893B (zh) | 基于时空特征表示差异的时序数据的异常检测方法和装置 | |
| CN117911949B (zh) | 一种风险智能评估方法及系统 |
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 |