CN117893204A - 数据驱动的垃圾回收预测方法、装置及电子设备 - Google Patents

数据驱动的垃圾回收预测方法、装置及电子设备 Download PDF

Info

Publication number
CN117893204A
CN117893204A CN202410303329.9A CN202410303329A CN117893204A CN 117893204 A CN117893204 A CN 117893204A CN 202410303329 A CN202410303329 A CN 202410303329A CN 117893204 A CN117893204 A CN 117893204A
Authority
CN
China
Prior art keywords
garbage collection
garbage
time
fuzzy
points
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
Application number
CN202410303329.9A
Other languages
English (en)
Other versions
CN117893204B (zh
Inventor
徐云
陈亮
吴小清
吴仕奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luzhou Xinglu Environmental Protection Development Co ltd
Original Assignee
Luzhou Xinglu Environmental Protection Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luzhou Xinglu Environmental Protection Development Co ltd filed Critical Luzhou Xinglu Environmental Protection Development Co ltd
Priority to CN202410303329.9A priority Critical patent/CN117893204B/zh
Publication of CN117893204A publication Critical patent/CN117893204A/zh
Application granted granted Critical
Publication of CN117893204B publication Critical patent/CN117893204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/30—Administration of product recycling or disposal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种数据驱动的垃圾回收预测方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；将N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；将h个数据集的数据相互连接，形成第一波；采用离散小波变化对第一波进行分解，再输入至convLSTM模型，得到M个时空相关特征；将M个时空相关特征输入至目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；对模糊值进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量。通过该方式，可以提高回收效率。

Description

数据驱动的垃圾回收预测方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，尤其是一种数据驱动的垃圾回收预测方法、装置及电子设备。
背景技术
随着城市化进程加快，城市垃圾量不断增加，垃圾处理问题日益突出。传统的垃圾回收方式效率低下，难以满足城市居民的需求。
如，现有面向垃圾回收的调度算法主要通过监控获取目标区域的图像信息并结合路径规划算法实现垃圾回收的调度。通过实时监控数据判断该垃圾回收点是否具有回收价值（通常通过垃圾量进行判断）具有时间不确定性，不同垃圾回收点在不同时间段的价值表现不确定，当垃圾回收点被判断为“有价值”时才将其纳入规划节点，这种方式存在效率低、或者清理不及时的问题（只能根据实时数据做局部规划）。
举例来说，当垃圾回收点A和垃圾回收点B垃圾量大，被确定为“有价值”，则会规划垃圾回收点A和垃圾回收点B的路径，但是在垃圾车前往垃圾回收点A和垃圾回收点B的路上，垃圾回收点C的垃圾量也逐渐变大，此时由于垃圾回收点A、垃圾回收点B距离较远会导致垃圾回收点C无法及时被清理，进而使得整个区域回收效率低、或者清理不及时的情况。
发明内容
为解决上述现有技术问题，本发明提供一种数据驱动的垃圾回收预测方法、装置及电子设备。
第一方面，本申请实施例提供一种数据驱动的垃圾回收预测方法，包括：
在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
将所述N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值；
将所述h个数据集的数据相互连接，形成第一波；
采用离散小波变化对所述第一波进行分解，得到M个分解特征；
将所述M个分解特征输入至convLSTM模型，得到M个时空相关特征；其中，每个所述时空相关特征与一种影响因素的模糊函数相对应；
将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；
基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；所述第二垃圾回收重量为预测数据。
在第一方面的一种可选的实施方式中，所述目标回归模型通过如下步骤训练生成，包括：
获取P个时间节点的N个垃圾回收点的P个样本数据集；其中，所述P个样本数据集通过将每个所述垃圾回收点的样本垃圾回收重量各自重构为M个模糊函数后组成；
将所述P个样本数据集相互连接，形成第二波；
采用离散小波变化对所述第二波进行分解，得到M个分解特征；
将该M个分解特征输入至所述convLSTM模型，得到M个时空相关特征；
将前P-I个时间节点对应的时空相关特征作为输入，将后I个时间节点对应的模糊值作为真实值，对所述目标回归模型进行训练，得到所述目标回归模型；其中，I等于n，P-I等于h。
在第一方面的一种可选的实施方式中，所述将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值，包括：
将第一个时空相关特征输入至第一个目标回归模型中，输出第一个影响因素在当前时间节点的后n个时间节点的模糊值；
将第二个时空相关特征输入至第二个目标回归模型中，输出第二个影响因素在当前时间节点的后n个时间节点的模糊值；
以此类推，直至将第M个时空相关特征输入至第M个目标回归模型中，输出第M个影响因素在当前时间节点的后n个时间节点的模糊值。
在第一方面的一种可选的实施方式中，所述影响因素包括：人口密度、区域工业类型、区域经济水平。
在第一方面的一种可选的实施方式中，第N个垃圾回收点的重构后的组成包括：；其中，/>表示第N个垃圾回收点在一个时间节点下的垃圾回收重量；/>表示关于影响因素M的隶属度函数，/>表示影响因素M对应的模糊值。
在第一方面的一种可选的实施方式中，所述方法还包括：
获取第一关系边集合；其中，所述第一关系边集合包括垃圾处理点与各个垃圾回收点的最短路径的集合；
获取第二关系边集合；其中，所述第二关系边集合包括各个垃圾回收点之间的最短路径的集合；
构建以单位时间下最大垃圾量为优化目标的目标函数，并基于所述目标函数输出与第二关系边集合对应的目标路径和目标垃圾回收点；
基于所述目标垃圾回收点以及所述第一关系边集合，确定所述垃圾处理点最短的目标垃圾回收点，并将其确定出发路径。
在第一方面的一种可选的实施方式中，所述获取第一关系边集合，包括：
调用第三方地图接口，标记所述垃圾处理点以及各个垃圾回收点；
根据路径规划，确定所述垃圾处理点与各个垃圾回收点的最短路径，并将每条最短路径作为关系边，生成所述第一关系边集合；
相应的，所述获取第二关系边集合，包括：
调用第三方地图接口，标记各个垃圾回收点；
根据路径规划，确定各个垃圾回收点之间的最短路径，并将每条最短路径作为关系边，生成所述第二关系边集合。
在第一方面的一种可选的实施方式中，所述获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量，包括：
获取在当前时间节点的前h个时间节点的N个垃圾回收点的图像信息；
基于所述图像信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；或；
获取在当前时间节点的前h个时间节点的N个垃圾回收点的垃圾箱重量信息；
基于所述垃圾箱重量信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量。
第二方面，本申请实施例提供一种数据驱动的垃圾回收预测装置，包括：
获取模块，用于在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
重构模块，用于将所述N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值；
处理模块，用于将所述h个数据集的数据相互连接，形成第一波；采用离散小波变化对所述第一波进行分解，得到M个分解特征；将所述M个分解特征输入至convLSTM模型，得到M个时空相关特征；其中，每个所述时空相关特征与一种影响因素的模糊函数相对应；
输出模块，用于将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；
预测模块，用于基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；所述第二垃圾回收重量为预测数据。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。
本发明的有益效果包括：综上，本申请实施例提出了一种数据驱动的垃圾回收预测方法，将前h个时间节点的所有垃圾回收点的垃圾回收重量构建为多个模糊函数组成的形式，随后通过离散小波变换得到垃圾重量波的多个分量，将多个分量送入convLSTM中，以提取时空特征，再利用与模糊函数联动训练得到的目标回归模型以预测模糊值，最后再通过模糊值重构后n个时间节点来预测垃圾回收点重量。即，本申请实施例提供了一种垃圾回收点在未来n个时间节点的重量预测方法。
一来，通过数据重构（如构建为多个模糊函数组成的形式）、离散小波变化、时空特征提取、目标回收模型的预测，进而实现了准确地垃圾回收点垃圾预测。而现有技术中无法直接利用重量值作为预测的输入，因此，本申请实施例将重量巧妙的转换成了影响因素的表征，并利用上述处理过程，以实现对于垃圾回收点的垃圾重量的准确预测。
二来，本申请实施例可以利用前h个时间节点的N个垃圾回收点的垃圾回收重量来预测后n个时间节点的N个垃圾回收点的垃圾回收重量。由于时间的连续性/延续性，使得所预测出的后n个时间节点的N个垃圾回收点的垃圾回收重量更符合当前场景、更符合实际情况，提高了预测的准确性和合理性。
三来，由于本申请实施例能够对后n个时间节点的N个垃圾回收点的垃圾回收重量进行准确地预测，因此，可以直接在后n个时间点，根据N个垃圾回收点的垃圾回收重量进行路径规划。即，由于已经预测好了后n个时间节点的N个垃圾回收点的垃圾回收重量，那么，在此基础上进行路径规划相比于现有技术检测到垃圾量才进行路径规划来说，回收效率更高，且针对垃圾量大的垃圾回收点能够做到清理更加及时。
附图说明
图1为本发明实施例所提供的一种数据驱动的垃圾回收预测方法的步骤流程图；
图2为本发明实施例所提供的另一种数据驱动的垃圾回收预测方法的步骤流程图；
图3为本发明实施例所提供的一种数据驱动的垃圾回收预测装置的模块框图；
图4为本发明实施所提供的一种电子设备的模块框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
发明人在研究中发现，现有面向垃圾回收的调度算法主要通过监控获取目标区域的图像信息并结合路径规划算法实现垃圾回收的调度，但是通过实时监控数据判断该垃圾回收点是否具有回收价值（通常通过垃圾量进行判断）具有时间不确定性，不同垃圾回收点在不同时间段的价值表现不确定，当垃圾回收点被判断为“有价值”时才将其纳入规划节点，这种方式存在效率低、或者清理不及时的问题（只能根据实时数据做局部规划）。
举例来说，当垃圾回收点A和垃圾回收点B垃圾量大，被确定为“有价值”，则会规划垃圾回收点A和垃圾回收点B的路径，但是在垃圾车前往垃圾回收点A和垃圾回收点B的路上，垃圾回收点C的垃圾量也逐渐变大，此时由于垃圾回收点A、垃圾回收点B距离较远会导致垃圾回收点C无法及时被清理，进而使得整个区域回收效率低、或者清理不及时的情况。
鉴于上述问题，本申请提出以下实施例以解决上述技术问题。
请参阅图1，本申请实施例提供一种数据驱动的垃圾回收预测方法，包括：步骤101～步骤107。
步骤101：在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量。
上述的时间节点可以小时为单位，比如，h=4，表示前4个小时的N个垃圾回收点的第一垃圾回收重量。目标区域可以根据城市规划所确定，也可以根据需求进行设定，比如以多个小区所组成的区域范围设定为目标区域。
需要说明的是，每个垃圾回收点各自对应自身的第一垃圾回收重量。
在这里，N和h均为正整数。
示例性的，单位时间获取的N个垃圾回收点的第一垃圾回收重量可以表示为：。
其中，表示一个单位时间获取的所有垃圾回收点的第一垃圾回收重量的集合。表示第一个垃圾回收点的第一垃圾回收重量；/>表示第二个垃圾回收点的第一垃圾回收重量；/>表示第N个垃圾回收点的第一垃圾回收重量。
可以理解的是，前h个时间节点的N个垃圾回收点的第一垃圾回收重量，则可以将每个时间节点的N个垃圾回收点的第一垃圾回收重量相加即可。
步骤102：将N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集。
h个数据集为，在前h个时间节点的每一时间节点下，N个垃圾回收点的第一垃圾回收重量。
其中，每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值。每个数据集中包括该时间节点的N个垃圾回收点的第一垃圾回收重量各自对应的M个模糊函数的组成。
可选地，第N个垃圾回收点的重构后的组成包括：；其中，/>表示第N个垃圾回收点在一个时间节点下的垃圾回收重量；/>表示关于影响因素M的隶属度函数，/>表示影响因素M对应的模糊值。
需要说明的是，上述影响因素为人工分析得到的影响垃圾重量的因素。
于本申请实施例中，影响因素可以包括：人口密度、区域工业类型、区域经济水平。
下面以影响因素为人口密度为例：
则可以具体为：
；
其中，为人口密度，/>为一个常量，/>为垃圾回收点所在区域的面积，/>和/>均为系数，/>和/>为阈值，/>表示映射；low表征人口密度低；midddle表征人口密度中等；high表征人口密度高。其中，/>、/>和/>等数值可以通过统计、或取中位数，或做拟合生成，以使其满足大部分数据。
可见，本申请实施例中，将垃圾回收点的第一垃圾回收重量以模糊函数的形式进行了重构，即，通过各影响因素数据来对重量进行了表征，以便于后续利用这些影响因素数据进行重量的预测。
步骤103：将h个数据集的数据相互连接，形成第一波。
如第一波为。
步骤104：采用离散小波变化对第一波进行分解，得到M个分解特征。
在这里，为设定的M项。
具体的：；其中，/>为第M个分解特征。
步骤105：将M个分解特征输入至convLSTM模型，得到M个时空相关特征。
其中，M个时空相关特征可以表示为。需要说明的是，时空相关特征是指在时空领域内具有相关性的数据特征。时空相关特征可以用来描述在不同时间和不同地点上的数据之间的相互关系。
其中，每个时空相关特征与一种影响因素的模糊函数相对应。
即，本申请实施例中，可以近似为/>的表达，即。换言之，/>是/>的多项式展开或者幂级数展开，在特定条件下/>对展开项的各项乘以系数可以得到近似组合（可以通过拟合或者代值的方法确定）。
步骤106：将M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值。
然后，将M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值。
步骤107：基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；第二垃圾回收重量为预测数据。
最后，再利用预测的模糊值，进行重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量。
综上，本申请实施例提出了一种数据驱动的垃圾回收预测方法，将前h个时间节点的所有垃圾回收点的垃圾回收重量构建为多个模糊函数组成的形式，随后通过离散小波变换得到垃圾重量波的多个分量，将多个分量送入convLSTM中，以提取时空特征，再利用与模糊函数联动训练得到的目标回归模型以预测模糊值，最后再通过模糊值重构后n个时间节点来预测垃圾回收点重量。即，本申请实施例提供了一种垃圾回收点在未来n个时间节点的重量预测方法。
一来，通过数据重构（如构建为多个模糊函数组成的形式）、离散小波变化、时空特征提取、目标回收模型的预测，进而实现了准确地垃圾回收点垃圾预测。而现有技术中无法直接利用重量值作为预测的输入，因此，本申请实施例将重量巧妙的转换成了影响因素的表征，并利用上述处理过程，以实现对于垃圾回收点的垃圾重量的准确预测。
二来，本申请实施例可以利用前h个时间节点的N个垃圾回收点的垃圾回收重量来预测后n个时间节点的N个垃圾回收点的垃圾回收重量。由于时间的连续性/延续性，使得所预测出的后n个时间节点的N个垃圾回收点的垃圾回收重量更符合当前场景、更符合实际情况，提高了预测的准确性和合理性。
三来，由于本申请实施例能够对后n个时间节点的N个垃圾回收点的垃圾回收重量进行准确地预测，因此，可以直接在后n个时间点，根据N个垃圾回收点的垃圾回收重量进行路径规划。即，由于已经预测好了后n个时间节点的N个垃圾回收点的垃圾回收重量，那么，在此基础上进行路径规划相比于现有技术检测到垃圾量才进行路径规划来说，回收效率更高，且针对垃圾量大的垃圾回收点能够做到清理更加及时。
可选地，目标回归模型通过如下步骤训练生成，包括：获取P个时间节点的N个垃圾回收点的P个样本数据集；其中，P个样本数据集通过将每个垃圾回收点的样本垃圾回收重量各自重构为M个模糊函数后组成；将P个样本数据集相互连接，形成第二波；采用离散小波变化对所述第二波进行分解，得到M个分解特征；将该M个分解特征输入至convLSTM模型，得到M个时空相关特征；将前P-I个时间节点对应的时空相关特征作为输入，将后I个时间节点对应的模糊值作为真实值，对目标回归模型进行训练，得到目标回归模型；其中，I等于n，P-I等于h，样本数据集为N个垃圾回收点在同一时间节点的数据集。
需要说的是，训练的部分过程与前述实施例中的部分过程相同，相同部分互相参考即可，本申请实施例不作赘述。
而此处的训练样本为P个时间节点的N个垃圾回收点的P个样本数据集，然后，将P个样本数据集进行拆分，将P-I个时间节点对应的时空相关特征作为输入，将后I个时间节点对应的模糊值作为真实值，对目标回归模型进行训练。由于I等于n，P-I等于h，进而使得训练所生成的目标回归模型能够基于前h个时间节点对应的M个时空相关特征，预测后n个时间节点的模糊值。通过采用P个连续的时间节点的N个垃圾回收点的数据，使得训练样本时间上的关联，且所预测的数据也具有时间的相关性，进而使得后续训练后的模型在预测上更符合当前场景、更符合实际情况，提高了预测的准确性和合理性。
在一种实施例中，上述的目标回归模型可以为一个，即，采用一个目标回归模型来训练，且预测不同的模糊值。此时，输入不同的数据触发模型不同的结构特征以输出不同的模糊值。
在另一实施例中，上述目标回归模型的数量也可以为多个。
可选地，将M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值，包括：将第一个时空相关特征输入至第一个目标回归模型中，输出第一个影响因素在当前时间节点的后n个时间节点的模糊值；将第二个时空相关特征输入至第二个目标回归模型中，输出第二个影响因素在当前时间节点的后n个时间节点的模糊值；以此类推，直至将第M个时空相关特征输入至第M个目标回归模型中，输出第M个影响因素在当前时间节点的后n个时间节点的模糊值。
即，针对不同的影响因素，训练及使用不同的目标回归模型，通过该方式，能够提高每个模糊值的预测准确性。
请参阅图2，可选地，该方法还包括：步骤201～步骤204。
步骤201：获取第一关系边集合；其中，第一关系边集合包括垃圾处理点与各个垃圾回收点的最短路径的集合。
步骤202：获取第二关系边集合；其中，第二关系边集合包括各个垃圾回收点之间的最短路径的集合。
步骤203：构建以单位时间下最大垃圾量为优化目标的目标函数，并基于目标函数输出与第二关系边集合对应的目标路径和目标垃圾回收点。
步骤204：基于目标垃圾回收点以及第一关系边集合，确定垃圾处理点最短的目标垃圾回收点，并将其确定出发路径。
可选地，获取第一关系边集合，包括：调用第三方地图接口，标记垃圾处理点以及各个垃圾回收点；根据路径规划，确定垃圾处理点与各个垃圾回收点的最短路径，并将每条最短路径作为关系边，生成第一关系边集合；
相应的，获取第二关系边集合，包括：调用第三方地图接口，标记各个垃圾回收点；根据路径规划，确定各个垃圾回收点之间的最短路径，并将每条最短路径作为关系边，生成第二关系边集合。
具体的，上述调度的过程可以理解为：获取预测数据，将其作为各垃圾回收点的值；其中，/>表示第N个垃圾回收点的预测重量，通过第三方地图接口获取垃圾处理点到各垃圾回收点的最短路径，将其作为边处理点与垃圾回收点的关系边，生成第一关系边集合/>；其中，/>表示垃圾处理点与第N个垃圾回收点的最短路径，同时获取各垃圾回收点之间最短路径作为垃圾回收点之间的关系边，生成第二关系边集合/>；/>表示第N个垃圾回收点与它最近的垃圾回收点的路径（即最短路径），然后构建以单位时间下最大垃圾量为优化目标的目标函数：
；
其中，表示执行/>，并判断/>是否小于/>，若满足，则输出/>；其中，/>具体表示/>中的实例，即回收点的值；/>为计算时的中间变量表示反解出/>；/>表示当前访问节点与下一节点是否存在关系边，若存在则输出关系边，/>为垃圾车（即垃圾处理点）的平均速度。/>输出的结果为边和节点，即路径和垃圾回收点。最后取这些节点中/>最短的作为处理点出发路径。
可见，本申请实施例采用一种全新的垃圾处理点的调度方式，结合，垃圾处理点与各个垃圾回收点的最短路径、各个垃圾回收点之间的最短路径以及以单位时间下最大垃圾量为优化目标，来确定出调度路径，通过该方式，可以提高路径规划的合理性，有效性，提高垃圾回收效率。
可选地，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量，包括：获取在当前时间节点的前h个时间节点的N个垃圾回收点的图像信息；基于图像信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
或获取在当前时间节点的前h个时间节点的N个垃圾回收点的垃圾箱重量信息；基于垃圾箱重量信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量。
即，本申请实施例提供两种获取垃圾回收点的垃圾回收重量的方式，第一种可以采用图像采集的方式，获取各个垃圾回收点的图像信息，然后对图像信息进行处理，进而识别得到各个垃圾回收点的垃圾回收重量。
第二种可以采用承重的方式，在各个垃圾回收点的垃圾箱的底部设置重量检测装置，进而利用重量检测装置实时地检测各个垃圾回收点的垃圾回收重量。
基于同一发明构思，请参阅图3，本申请实施例提供一种数据驱动的垃圾回收预测装置300，包括：
获取模块301，用于在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
重构模块302，用于将所述N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值；
处理模块303，用于将所述h个数据集的数据相互连接，形成第一波；采用离散小波变化对所述第一波进行分解，得到M个分解特征；将所述M个分解特征输入至convLSTM模型，得到M个时空相关特征；其中，每个所述时空相关特征与一种影响因素的模糊函数相对应；
输出模块304，用于将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；
预测模块305，用于基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；所述第二垃圾回收重量为预测数据。
可选地，装置对应的其他部分可以参考方法实施例中的对应部分，此次不作赘述。
请参阅图4，基于同一发明构思，本申请实施例提供一种应用上述数据驱动的垃圾回收预测方法的电子设备400的模块框体。该电子设备400包括：至少一个处理器401（图4中仅示出一个）、存储器402、存储在存储器402中并可在至少一个处理器401上运行的计算机程序403，处理器401执行计算机程序403时实现前述任意实施例中的数据驱动的垃圾回收预测方法的步骤。
该电子设备400可以是服务器、个人计算机，笔记本电脑等等。
本领域技术人员可以理解，图4仅仅是电子设备400的举例，并不构成对电子设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
所称处理器401可以是中央处理单元（Central Processing Unit，CPU），该处理器401还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402在一些实施例中可以是电子设备400的内部存储单元，例如电子设备400的硬盘或内存。所述存储器402在另一些实施例中也可以是电子设备400的外部存储设备，例如电子设备400上配备的插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器402还可以既包括电子设备400的内部存储单元也包括外部存储设备。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数据驱动的垃圾回收预测方法，其特征在于，包括：
在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
将所述N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值；
将所述h个数据集的数据相互连接，形成第一波；
采用离散小波变化对所述第一波进行分解，得到与M个模糊函数相对应的M个分解特征；
将所述M个分解特征输入至convLSTM模型，得到与M个分解特征相对应的M个时空相关特征；其中，每个所述时空相关特征与一种影响因素的模糊函数相对应；
将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；
基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；所述第二垃圾回收重量为预测数据。
2.根据权利要求1所述的方法，其特征在于，所述目标回归模型通过如下步骤训练生成，包括：
获取P个时间节点的N个垃圾回收点的P个样本数据集；其中，所述P个样本数据集通过将每个所述垃圾回收点的样本垃圾回收重量各自重构为M个模糊函数后组成；
将所述P个样本数据集相互连接，形成第二波；
采用离散小波变化对所述第二波进行分解，得到M个分解特征；
将该M个分解特征输入至所述convLSTM模型，得到M个时空相关特征；
将前P-I个时间节点对应的时空相关特征作为输入，将后I个时间节点对应的模糊值作为真实值，对所述目标回归模型进行训练，得到所述目标回归模型；其中，I等于n，P-I等于h。
3.根据权利要求1所述的方法，其特征在于，所述将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值，包括：
将第一个时空相关特征输入至第一个目标回归模型中，输出第一个影响因素在当前时间节点的后n个时间节点的模糊值；
将第二个时空相关特征输入至第二个目标回归模型中，输出第二个影响因素在当前时间节点的后n个时间节点的模糊值；
以此类推，直至将第M个时空相关特征输入至第M个目标回归模型中，输出第M个影响因素在当前时间节点的后n个时间节点的模糊值。
4.根据权利要求1所述的方法，其特征在于，所述影响因素包括：人口密度、区域工业类型、区域经济水平。
5.根据权利要求1所述的方法，其特征在于，第N个垃圾回收点的重构后的组成包括：；其中，/>表示第N个垃圾回收点在一个时间节点下的垃圾回收重量；/>表示关于影响因素M的隶属度函数，/>表示影响因素M对应的模糊值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第一关系边集合；其中，所述第一关系边集合包括垃圾处理点与各个垃圾回收点的最短路径的集合；
获取第二关系边集合；其中，所述第二关系边集合包括各个垃圾回收点之间的最短路径的集合；
构建以单位时间下最大垃圾量为优化目标的目标函数，并基于所述目标函数输出与第二关系边集合对应的目标路径和目标垃圾回收点；
基于所述目标垃圾回收点以及所述第一关系边集合，确定所述垃圾处理点最短的目标垃圾回收点，并将其确定出发路径。
7.根据权利要求6所述的方法，其特征在于，所述获取第一关系边集合，包括：
调用第三方地图接口，标记所述垃圾处理点以及各个垃圾回收点；
根据路径规划，确定所述垃圾处理点与各个垃圾回收点的最短路径，并将每条最短路径作为关系边，生成所述第一关系边集合；
相应的，所述获取第二关系边集合，包括：
调用第三方地图接口，标记各个垃圾回收点；
根据路径规划，确定各个垃圾回收点之间的最短路径，并将每条最短路径作为关系边，生成所述第二关系边集合。
8.根据权利要求1所述的方法，其特征在于，所述获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量，包括：
获取在当前时间节点的前h个时间节点的N个垃圾回收点的图像信息；
基于所述图像信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；或；
获取在当前时间节点的前h个时间节点的N个垃圾回收点的垃圾箱重量信息；
基于所述垃圾箱重量信息，确定在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量。
9.一种数据驱动的垃圾回收预测装置，其特征在于，包括：
获取模块，用于在目标区域内，获取在当前时间节点的前h个时间节点的N个垃圾回收点的第一垃圾回收重量；
重构模块，用于将所述N个垃圾回收点的第一垃圾回收重量各自重构为M个模糊函数的组成，得到h个数据集；每个模糊函数对应一个影响因素，每个模糊函数包括该影响因素的隶属度函数以及该影响因素的模糊值；
处理模块，用于将所述h个数据集的数据相互连接，形成第一波；采用离散小波变化对所述第一波进行分解，得到M个分解特征；将所述M个分解特征输入至convLSTM模型，得到M个时空相关特征；其中，每个所述时空相关特征与一种影响因素的模糊函数相对应；
输出模块，用于将所述M个时空相关特征输入至训练完成的目标回归模型中，输出每个影响因素在当前时间节点的后n个时间节点的模糊值；
预测模块，用于基于每个影响因素在后n个时间节点的模糊值，进行数据重构，生成在当前时间节点的后n个时间节点的N个垃圾回收点的第二垃圾回收重量；所述第二垃圾回收重量为预测数据。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
CN202410303329.9A 2024-03-18 2024-03-18 数据驱动的垃圾回收预测方法、装置及电子设备 Active CN117893204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410303329.9A CN117893204B (zh) 2024-03-18 2024-03-18 数据驱动的垃圾回收预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410303329.9A CN117893204B (zh) 2024-03-18 2024-03-18 数据驱动的垃圾回收预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN117893204A true CN117893204A (zh) 2024-04-16
CN117893204B CN117893204B (zh) 2024-05-10

Family

ID=90647745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410303329.9A Active CN117893204B (zh) 2024-03-18 2024-03-18 数据驱动的垃圾回收预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117893204B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110180865A (zh) * 2019-05-31 2019-08-30 山东建筑大学 建筑垃圾处理装置及方法
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法
CN113705694A (zh) * 2021-08-31 2021-11-26 中关村科学城城市大脑股份有限公司 一种城市垃圾治理方法及相关设备
CN114169730A (zh) * 2021-11-30 2022-03-11 温州科技职业学院 一种基于机器学习的城市垃圾分类工作的评估方法及系统
US20220144314A1 (en) * 2020-11-11 2022-05-12 Toyota Jidosha Kabushiki Kaisha Control device, unmanned aerial vehicle, and method
CN116205423A (zh) * 2022-10-09 2023-06-02 扬州大学 一种基于粒子群算法的垃圾收运车辆路径多目标优化方法
CN117094534A (zh) * 2023-10-19 2023-11-21 浩博泰德(北京)科技有限公司 一种物联智控方法及系统
CN117456395A (zh) * 2023-12-26 2024-01-26 广州大学 一种基于机器视觉的海陆两域垃圾回收规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110180865A (zh) * 2019-05-31 2019-08-30 山东建筑大学 建筑垃圾处理装置及方法
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法
US20220144314A1 (en) * 2020-11-11 2022-05-12 Toyota Jidosha Kabushiki Kaisha Control device, unmanned aerial vehicle, and method
CN113705694A (zh) * 2021-08-31 2021-11-26 中关村科学城城市大脑股份有限公司 一种城市垃圾治理方法及相关设备
CN114169730A (zh) * 2021-11-30 2022-03-11 温州科技职业学院 一种基于机器学习的城市垃圾分类工作的评估方法及系统
CN116205423A (zh) * 2022-10-09 2023-06-02 扬州大学 一种基于粒子群算法的垃圾收运车辆路径多目标优化方法
CN117094534A (zh) * 2023-10-19 2023-11-21 浩博泰德(北京)科技有限公司 一种物联智控方法及系统
CN117456395A (zh) * 2023-12-26 2024-01-26 广州大学 一种基于机器视觉的海陆两域垃圾回收规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ARUNODAYA R. MISHRA 等: "Assessing the Adaptation of Internet of Things (IoT) Barriers for Smart Cities’ Waste Management Using Fermatean Fuzzy Combined Compromise Solution Approach", 《IEEE ACCESS》, vol. 10, 1 April 2022 (2022-04-01), pages 37109 - 37130 *
XIANGRU CHEN: "Machine learning approach for a circular economy with waste recycling in smart cities", 《ENERGY REPORTS》, vol. 8, 23 February 2022 (2022-02-23), pages 3127 - 3140 *
喻秋梅: "垃圾用地分布部署规划及用地预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, 15 February 2023 (2023-02-15), pages 027 - 3875 *
邢俊明: "生活垃圾分类和减量效果评价", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, 15 March 2020 (2020-03-15), pages 027 - 843 *
陈晓惠: "不确定环境下海上垃圾收集船舶路径优化研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, 15 February 2022 (2022-02-15), pages 010 - 79 *

Also Published As

Publication number Publication date
CN117893204B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
CN108256506B (zh) 一种视频中物体检测方法及装置、计算机存储介质
CN111507521B (zh) 台区电力负荷预测方法及预测装置
CN101489121B (zh) 一种基于视频监控的背景模型初始化和更新方法
CN112001401A (zh) 实例分割网络的训练模型及训练方法，实例分割网络
CN116386649A (zh) 一种基于云边协同的野外鸟类监测系统和方法
CN117671597B (zh) 一种老鼠检测模型的构建方法和老鼠检测方法及装置
CN114548161A (zh) 一种重介分选精煤灰分预测方法、装置、电子设备及介质
CN117893204B (zh) 数据驱动的垃圾回收预测方法、装置及电子设备
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN117951636A (zh) 基于物联网数据融合的土壤污染检测方法、装置及介质
CN117253031A (zh) 一种基于多元复合深度学习的森林火灾监测方法
CN112418020A (zh) 一种基于注意力机制的YOLOv3违法广告牌智能检测方法
CN112330562A (zh) 一种异构遥感图像变换方法及系统
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN116773678A (zh) 地铁铁轨的智能维护方法及其系统
Harnist et al. DEUCE v1. 0: a neural network for probabilistic precipitation nowcasting with aleatoric and epistemic uncertainties
CN116362120A (zh) 一种基于mgcn-gru模型的交通流预测方法及装置
CN115761519A (zh) 指标预测方法、装置、设备、存储介质及程序产品
CN113139072B (zh) 数据标注方法、装置和电子设备
CN112380986B (zh) 抗复杂街道背景干扰的车型检测方法、系统及存储介质
CN113139561B (zh) 一种垃圾分类方法、装置、终端设备及存储介质
Al-Ajlan et al. Image segmentation using minimum cross-entropy thresholding
CN114511822B (zh) 一种根据监控画面预测销售额的日用杂品销售系统
Imran et al. Complexity analysis of vision functions for implementation of wireless smart cameras using system taxonomy
CN117540145A (zh) 基于时频分析和神经网络融合的数据链信号参数估计方法

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