CN117935531A - 一种基于多源交通数据的落脚点分析方法以及装置 - Google Patents
一种基于多源交通数据的落脚点分析方法以及装置 Download PDFInfo
- Publication number
- CN117935531A CN117935531A CN202311654089.9A CN202311654089A CN117935531A CN 117935531 A CN117935531 A CN 117935531A CN 202311654089 A CN202311654089 A CN 202311654089A CN 117935531 A CN117935531 A CN 117935531A
- Authority
- CN
- China
- Prior art keywords
- target object
- data
- point
- foothold
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 14
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 4
- 238000012790 confirmation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源交通数据的落脚点分析方法,控制器基于每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息进行预处理并排序,获取目标对象在各个预设时长内交通轨迹点;利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在各个预设时长内的分段落脚点区域中心点;基于各个预设时长内的分段落脚点区域中心点,获取目标对象的落脚点,对各间隔预设时长交通轨迹点进行融合,再利用DBSCAN算法对交通轨迹点进行聚类分析得到目标对象的落脚点,在大量减少人工确认的成本的同时,提高了获取目标对象落脚点的效率。
Description
技术领域
本发明涉计算机技术领域,具体涉及一种基于多源交通数据的落脚点分析方法以及装置。
背景技术
在警察破案过程中,通常需要获取犯罪嫌疑人的落脚点,为了节省大量人员排查成本,可以利用人工智能技术来协助警察办案。传统的人员或者车辆落脚点分析系统主要分为两种:第一种通常利用人脸、车辆识别结合重点区域监测;第二种是利用离线大数据分析以及人工确认和算法调优。
第一种方案依赖业务人员经验,通过当地举报或者已有数据,筛选出一批重点关地点,通过人工监测或者人脸比对,进行长时间监控,最终确定改地点是否为可疑人员落脚点。局限性强,针对业务人员的经验以及专业性依赖极大;且监视性的统计分析,需要占用大量的人工以及机器算力;容错率底,若出现区域首次出现,可能因为误判而导致进度缓慢。
第二种方案在构建数据仓库的情况下,通过样本数据构建算法模型,初步确认算法模型后,进行海量定位数据离线分析,通过得出的算法结果进行人工确认,明确调优方向,修改算法参数。重复该过程,直到离线计算结果符合业务需求为止;本方案直接针对海量定位数据进行离线计算,消耗大量资源,且算法的调优,时间成本较高,试错成本较高。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于多源交通数据的落脚点分析方法,详见下文阐述。
为实现上述目的,本发明提供了以下技术方案:
本发明提供的一种基于多源交通数据的落脚点分析方法,包括实时获取目标对象所驾驶目标车辆的过车数据、所述目标车辆的定位轨迹数据以及所述目标对象的票务信息;基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,获取所述目标对象在各个所述预设时长内交通轨迹点;利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点;基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点。
采用上述基于多源交通数据的落脚点分析方法,控制器基于每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息进行预处理并排序,获取目标对象在各个预设时长内交通轨迹点;利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在各个预设时长内的分段落脚点区域中心点;基于各个预设时长内的分段落脚点区域中心点,获取目标对象的落脚点,对各间隔预设时长交通轨迹点进行融合,再利用DBSCAN算法对交通轨迹点进行聚类分析得到目标对象的落脚点,在大量减少人工确认的成本的同时,提高了获取目标对象落脚点的效率。
作为优选,所述实时获取目标对象所驾驶目标车辆的过车数据,包括以下步骤:从车管所数据库调取所述目标车辆的全面过车数据,所述全面过车数据包括所述目标车辆所经过卡口位置信息、经过卡口时间人脸抓拍特征数据;将所述人脸抓拍特征数据与所述目标对象的人脸特征数据进行匹配,从所述全面过车数据中筛选出所述目标对象获取目标对象所驾驶目标车辆的过车数据。
作为优选,所述基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,包括以下步骤:利用预设滑动窗口来获取每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量;所述交通出行量包括所述目标对象的出行起点、出行终点、出行方式以及出行时间段;对所述交通出行量中各项数据进行清洗并按时间顺序排序,获取有效交通出行量。
作为优选,所述从所述有效交通出行量中解析出每一出行行程中的出行起点以及出行终点;基于所述出行起点以及所述出行终点,获取出行点集。
作为优选,所述利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点,包括以下步骤:利用DBSCAN算法对所述出行点集进行簇类分析,获取第一中心簇点;基于所述第一中心簇点,获取所述目标对象的落脚点区域中心点。
作为优选,所述基于各个所述预设时长内的落脚点区域中心点,获取所述目标对象的落脚点,包括以下步骤:利用DBSCAN算法对N个所述预设时长内的落脚点区域中心点进行聚类分析,获取第二中心簇点;基于所述第二中心簇点,获取所述目标对象的落脚点区域结果。
作为优选,所述利用预设滑动窗口来获取每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量,包括以下步骤:利用第一预设滑动窗口获取第一预设时长内的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量;所述基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点,之前包括以下步骤:利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在第一预设时长内的分段落脚点区域中心点;基于所述分段落脚点区域中心点与所述目标车辆的实际落脚点之间的差异,对所述DBSCAN算法的调优参数进行调整,获取第一DBSCAN算法;利用第一DBSCAN算法对第二预设滑动窗口获取的交通出行量,获取所述目标对象在第二预设时长内的分段落脚点区域中心点;重复以上步骤,直至获取所述目标对象在第N预设时长内的分段落脚点区域中心点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于多源交通数据的落脚点分析的流程示意图;
图2是本发明的轨迹点获取步骤的流程示意图;
图3是本发明的中心点获取步骤的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
参见图1所示,本发明提供了一种基于多源交通数据的落脚点分析方法,包括以下步骤:
S1、实时获取目标对象所驾驶目标车辆的过车数据、目标车辆的定位轨迹数据以及目标对象的票务信息;
其中,所述过车数据是指目标车辆每一出行行程中目标车辆所经过卡口位置信息以及经过卡口时间人脸抓拍特征数据。
获取目标对象所驾驶目标车辆的过车数据的过程包括:从车管所数据库调取所述目标车辆的过车数据,所述过车数据包括目标车辆所经过卡口位置信息、经过卡口时间人脸抓拍特征数据;
将人脸抓拍特征数据与目标对象的人脸特征数据进行匹配,从全面过车数据中筛选出目标对象获取目标对象所驾驶目标车辆的过车数据。
S2、基于每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息进行预处理并排序,获取目标对象在各个预设时长内交通轨迹点;
利用预设滑动窗口来获取每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息,获取目标对象的交通出行量;所述交通出行量包括所述目标对象的出行起点、出行终点、出行方式以及出行时间段;对交通出行量中各项数据进行清洗并按时间顺序排序,获取有效交通出行量。
S3、利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在各个预设时长内的分段落脚点区域中心点;
从有效交通出行量中解析出每一出行行程中的出行起点以及出行终点;基于出行起点以及出行终点,获取出行点集;利用DBSCAN算法对出行点集进行簇类分析,获取第一中心簇点;基于第一中心簇点,获取目标对象的落脚点区域中心点。
S4、基于各个预设时长内的分段落脚点区域中心点,获取目标对象的落脚点。
利用DBSCAN算法对N个预设时长内的落脚点区域中心点进行聚类分析,获取第二中心簇点;基于第二中心簇点,获取目标对象的落脚点区域结果。
采用上述基于多源交通数据的落脚点分析方法,控制器基于每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息进行预处理并排序,获取目标对象在各个预设时长内交通轨迹点;利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在各个预设时长内的分段落脚点区域中心点;基于各个预设时长内的分段落脚点区域中心点,获取目标对象的落脚点,对各间隔预设时长交通轨迹点进行融合,再利用DBSCAN算法对交通轨迹点进行聚类分析得到目标对象的落脚点,在大量减少人工确认的成本的同时,提高了获取目标对象落脚点的效率。
在一申请实施例中,所述基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及票务信息进行预处理并排序,包括以下步骤:
S201、利用预设滑动窗口来获取每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息,获取目标对象的交通出行量;
其中,交通出行量包括目标对象的出行起点、出行终点、出行方式以及出行时间段;预设滑动窗口可以设置为48小时时间窗口,通过该预设滑动窗口获取每间隔48小时获取目标对象的过车数据、定位轨迹数据以及票务信息。
具体地,分别根据过车数据、定位轨迹数据以及票务信息来确定某一段时间内的目标对象的交通出行量,并将同一时间段内的交通出行量进行整合,得到目标对象的全部交通出行量。
S202、对交通出行量中各项数据进行清洗并按时间顺序排序,获取有效交通出行量。
具体的,利用数据中间件清洗全部交通出行量中的空数据、错乱数据、过期数据,获取有效交通出行量。
在本申请实施例中,设置预设滑动窗口可以防止设备数据上传延迟带来的计算错误,进行分钟数据重排序,保障过期窗口和排序窗口一致。
在一申请实施例中,步骤S3包括:
S301、利用DBSCAN算法对出行点集进行簇类分析,获取第一中心簇点;
从有效交通出行量中解析出每一出行行程中的出行起点以及出行终点;基于出行起点以及出行终点,获取出行点集。
DBSCAN通过检查数据集中每点的Eps邻域搜索簇,如果点p的Eps邻域包含的点余MinPts个,则创建一个以p为核心对象的簇;然后,DBSCAN迭代地聚集从这些核心对象直接密度可达的对象,这个过程可能涉及一些密度可达簇的合并;当没有新的点添加到任何簇时,该过程结束。
具体的,利用DBSCAN算法对出行点集进行簇类分析,删除噪点后生成分类簇,并进行GIS区域描边,计算区域中心点,再针对区域中心点进行地址反编码,作为分类簇名称,也是落脚点区域名称。
S302、基于第二中心簇点,获取目标对象的落脚点区域结果。
利用DBSCAN算法对S301获取的各分类簇的区域中心点进行二次簇类分析,获取目标对象的落脚点。
在一申请实施例中,所述利用预设滑动窗口来获取每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量,包括以下步骤:
利用第一预设滑动窗口获取第一预设时长内的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量;
所述基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点,之前包括以下步骤:
利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在第一预设时长内的分段落脚点区域中心点;基于分段落脚点区域中心点与目标车辆的实际落脚点之间的差异,对DBSCAN算法的调优参数进行调整,获取第一DBSCAN算法;利用第一DBSCAN算法对第二预设滑动窗口获取的交通出行量,获取目标对象在第二预设时长内的分段落脚点区域中心点;
重复以上步骤,直至获取目标对象在第N预设时长内的分段落脚点区域中心点。
本申请实施例中通过对聚类算法的不断调优,提高了对落脚点计算的准确性,不需要业务人员进行宏观观察,大量减少人力成本。
在一申请实施例中,提出了一种基于多源交通数据的落脚点分析装置,其特征在于,所述装置包括:
数据获取模块,其用于实时获取目标对象所驾驶目标车辆的过车数据、所述目标车辆的定位轨迹数据以及所述目标对象的票务信息;
轨迹点获取模块,其用于基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,获取所述目标对象在各个所述预设时长内交通轨迹点;
中心点获取模块,其用于利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点;
落脚点获取模块,其用于基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点。
采用上述基于多源交通数据的落脚点分析装置,控制器基于每间隔预设时长获取的过车数据、定位轨迹数据以及票务信息进行预处理并排序,获取目标对象在各个预设时长内交通轨迹点;利用DBSCAN算法对交通轨迹点进行聚类分析,获取目标对象在各个预设时长内的分段落脚点区域中心点;基于各个预设时长内的分段落脚点区域中心点,获取目标对象的落脚点,对各间隔预设时长交通轨迹点进行融合,再利用DBSCAN算法对交通轨迹点进行聚类分析得到目标对象的落脚点,在大量减少人工确认的成本的同时,提高了获取目标对象落脚点的效率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多源交通数据的落脚点分析方法,其特征在于,所述方法包括以下步骤:
实时获取目标对象所驾驶目标车辆的过车数据、所述目标车辆的定位轨迹数据以及所述目标对象的票务信息;
基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,获取所述目标对象在各个所述预设时长内交通轨迹点;
利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点;
基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点。
2.根据权利要求2所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述实时获取目标对象所驾驶目标车辆的过车数据,包括以下步骤:
从车管所数据库调取所述目标车辆的过车数据,所述过车数据包括所述目标车辆所经过卡口位置信息、经过卡口时间人脸抓拍特征数据;
将所述人脸抓拍特征数据与所述目标对象的人脸特征数据进行匹配,从所述全面过车数据中筛选出所述目标对象获取目标对象所驾驶目标车辆的过车数据。
3.根据权利要求2所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,包括以下步骤:
利用预设滑动窗口来获取每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量;所述交通出行量包括所述目标对象的出行起点、出行终点、出行方式以及出行时间段;
对所述交通出行量中各项数据进行清洗并按时间顺序排序,获取有效交通出行量。
4.根据权利要求2所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述方法还包括:
从所述有效交通出行量中解析出每一出行行程中的出行起点以及出行终点;
基于所述出行起点以及所述出行终点,获取出行点集。
5.根据权利要求4所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点,包括以下步骤:
利用DBSCAN算法对所述出行点集进行簇类分析,获取第一中心簇点;
基于所述第一中心簇点,获取所述目标对象的落脚点区域中心点。
6.根据权利要求4所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述基于各个所述预设时长内的落脚点区域中心点,获取所述目标对象的落脚点,包括以下步骤:
利用DBSCAN算法对N个所述预设时长内的落脚点区域中心点进行聚类分析,获取第二中心簇点;
基于所述第二中心簇点,获取所述目标对象的落脚点区域结果。
7.根据权利要求4所述一种基于多源交通数据的落脚点分析方法,其特征在于,所述利用预设滑动窗口来获取每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量,包括以下步骤:
利用第一预设滑动窗口获取第一预设时长内的所述过车数据、所述定位轨迹数据以及所述票务信息,获取所述目标对象的交通出行量;
所述基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点,之前包括以下步骤:
利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在第一预设时长内的分段落脚点区域中心点;
基于所述分段落脚点区域中心点与所述目标车辆的实际落脚点之间的差异,对所述DBSCAN算法的调优参数进行调整,获取第一DBSCAN算法;
利用第一DBSCAN算法对第二预设滑动窗口获取的交通出行量,获取所述目标对象在第二预设时长内的分段落脚点区域中心点;
重复以上步骤,直至获取所述目标对象在第N预设时长内的分段落脚点区域中心点。
8.一种基于多源交通数据的落脚点分析装置,其特征在于,所述装置包括:
数据获取模块,其用于实时获取目标对象所驾驶目标车辆的过车数据、所述目标车辆的定位轨迹数据以及所述目标对象的票务信息;
轨迹点获取模块,其用于基于每间隔预设时长获取的所述过车数据、所述定位轨迹数据以及所述票务信息进行预处理并排序,获取所述目标对象在各个所述预设时长内交通轨迹点;
中心点获取模块,其用于利用DBSCAN算法对所述交通轨迹点进行聚类分析,获取所述目标对象在各个所述预设时长内的分段落脚点区域中心点;
落脚点获取模块,其用于基于各个所述预设时长内的分段落脚点区域中心点,获取所述目标对象的落脚点。
9.一种终端设备,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7任一项所述的方法。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654089.9A CN117935531A (zh) | 2023-12-05 | 2023-12-05 | 一种基于多源交通数据的落脚点分析方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654089.9A CN117935531A (zh) | 2023-12-05 | 2023-12-05 | 一种基于多源交通数据的落脚点分析方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117935531A true CN117935531A (zh) | 2024-04-26 |
Family
ID=90769084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311654089.9A Pending CN117935531A (zh) | 2023-12-05 | 2023-12-05 | 一种基于多源交通数据的落脚点分析方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935531A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846538A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 过车记录处理方法和装置 |
CN112988797A (zh) * | 2021-03-18 | 2021-06-18 | 中睿信数字技术有限公司 | 基于p-stable lsh的时空伴随查询方法 |
CN113723346A (zh) * | 2021-09-09 | 2021-11-30 | 南威软件股份有限公司 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
CN116151493A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 |
-
2023
- 2023-12-05 CN CN202311654089.9A patent/CN117935531A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846538A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 过车记录处理方法和装置 |
CN112988797A (zh) * | 2021-03-18 | 2021-06-18 | 中睿信数字技术有限公司 | 基于p-stable lsh的时空伴随查询方法 |
CN113723346A (zh) * | 2021-09-09 | 2021-11-30 | 南威软件股份有限公司 | 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法 |
CN116151493A (zh) * | 2023-04-24 | 2023-05-23 | 之江实验室 | 基于头部效应和循环神经网络的交通拥堵预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Trend modeling for traffic time series analysis: An integrated study | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
US20120123981A1 (en) | Software to facilitate design, data flow management, data analysis and decision support in structural health monitoring systems | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的系统 | |
CN112462696A (zh) | 一种智能制造车间数字孪生模型构建方法与系统 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN114048870A (zh) | 一种基于日志特征智能挖掘的电力系统异常监测方法 | |
CN109241223B (zh) | 行为行踪识别方法及系统 | |
CN110730100B (zh) | 一种告警信息处理方法、装置及服务器 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
Liu et al. | Data analytics approach for train timetable performance measures using automatic train supervision data | |
CN112164223B (zh) | 基于云平台的智能交通信息处理方法及装置 | |
CN112163060A (zh) | 一种大数据技术处理海量gps数据系统 | |
CN117935531A (zh) | 一种基于多源交通数据的落脚点分析方法以及装置 | |
CN117290407A (zh) | 基于日志的列车制动能力影响分析方法、系统及介质 | |
CN110532122B (zh) | 故障分析方法及系统、电子设备、存储介质 | |
CN117291575A (zh) | 设备检修方法、装置、计算机设备和存储介质 | |
CN117151214A (zh) | 飞机风挡的运维分析方法、装置、设备及介质 | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
CN113449326A (zh) | 一种基于多源异构数据处理的工业大数据分析系统 | |
WO2021060970A1 (en) | System and method for structuring data for predicting trend of employee absenteeism based on incidents | |
Alemazkoor et al. | Efficient collection of connected vehicles data with precision guarantees | |
Arslan et al. | Using spatio-temporal trajectories to monitor construction sites for safety management | |
CN117556187B (zh) | 基于深度学习的云数据修复方法、系统及可读存储介质 |
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 |