JP6873519B1 - 軌跡予測方法及びシステム - Google Patents
軌跡予測方法及びシステム Download PDFInfo
- Publication number
- JP6873519B1 JP6873519B1 JP2020112893A JP2020112893A JP6873519B1 JP 6873519 B1 JP6873519 B1 JP 6873519B1 JP 2020112893 A JP2020112893 A JP 2020112893A JP 2020112893 A JP2020112893 A JP 2020112893A JP 6873519 B1 JP6873519 B1 JP 6873519B1
- Authority
- JP
- Japan
- Prior art keywords
- locus
- sub
- prediction
- grid
- trajectory
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 12
- 238000007781 pre-processing Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002459 sustained effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】一実施例による軌跡予測方法は、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶LSTMネットワークに入力するステップと、前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含む。前記LSTMネットワークは、履歴軌跡データに基づいて事前トレーニングして得られる。
【選択図】図5
Description
予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶LSTMネットワークに入力するステップと、
前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、
中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、
選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含み、
前記LSTMネットワークは、履歴軌跡データに基づいて事前トレーニングして得られるものである。
得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングするステップと、
フィルタリングして得られた最適推定シーケンスを前記軌跡の最終予測結果とするステップと、をさらに含む。
トレーニングセット内の任意の2つの軌跡セグメントに対して、この2つの軌跡セグメントの時間、空間状態に基づいて、この2つの軌跡セグメントの間の時空間状態距離を算出するステップと、
算出した軌跡セグメントの間の時空間状態距離に基づいて、軌跡セグメントをクラスタリングするステップと、を含む。
前記グリッドエンコーディングモジュールは、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングした後に出力し、前記LSTMネットワークに入力し、
前記予測モジュールは、前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする。
は現在の入力xtと前時点の出力ht-1に基づいて計算され、ftの各次元の値は(0,1)の範囲内にあり、次に前時点のCt-1にftベクトルをビット単位で乗算すると、ftの値が0に近い次元では、情報は忘れられ、ftの値が1に近い次元では、情報は保持される。
ステップS301:軌跡データを前処理する。
具体的には、移動対象は地理空間内を移動し、その位置が経時的に連続的に変化し、m個の離散的な位置点と関連する補助情報から構成される順序付けされたシーケンスは、軌跡として定義され、つまり、式6に示すように、軌跡(trajectory)は、多次元空間内の順序付けられた点集合である。
と呼ばれる。
各々の軌跡から抽出される一番目のサブ軌跡シーケンスにおけるサブ軌跡フラグ点seq_flagは軌跡全体の軌跡フラグ点Trj_flagとされる。
図7及び図8からわかるように、最初は、従来のブルートフォースLSTM軌跡予測アルゴリズムのRSME値が大きく、このとき、LSTMネットワークの学習程度は低く、予測軌跡誤差が大きく、一方、本明細書の実施例で提案されるILSTM軌跡予測アルゴリズムとILSTM−KF軌跡アルゴリズムのRSEM値は、従来のブルートフォースLSTM軌跡予測アルゴリズムのRSMEよりも大幅に低くなっている。LSTMネットワークトレーニングのラウンド数が増えるに伴い、従来のブルートフォースLSTMアルゴリズムのRSEM値は徐々に減少し、徐々に安定しているが、従来のブルートフォースLSTMアルゴリズムの予測誤差は、ILSTM及びILSTM−KFの予測誤差よりも大幅に高いことが分かった。
Claims (9)
- 軌跡予測方法であって、
予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングし、長期短期記憶LSTMネットワークに入力するステップと、
前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップと、
前記候補セットに含まれる前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択するステップと、
選択された中で確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップと、を含み、
前記LSTMネットワークは、履歴軌跡データに基づいて事前トレーニングして得られるものである、ことを特徴とする軌跡予測方法。 - 前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとする前記ステップの後、
前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とするステップをさらに含む、ことを特徴とする請求項1に記載の軌跡予測方法。 - 前記予測対象軌跡の長さがnであり、サブ軌跡の抽出間隔がstep=1であり、抽出したサブ軌跡の長さがkであり、抽出したサブ軌跡の数がn-kである、ことを特徴とする請求項1に記載の軌跡予測方法。
- 前記n-k 個のサブ軌跡を前記LSTMネットワークで予測して、n-k個の予測軌跡座標を得た後、
得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングするステップと、
フィルタリングして得られた最適推定シーケンスを軌跡の最終予測結果とするステップと、をさらに含む、ことを特徴とする請求項3に記載の軌跡予測方法。 - 軌跡予測システムであって、
グリッドエンコーディングモジュールと、履歴軌跡データに基づいて事前トレーニングして得られるLSTMネットワークと、予測モジュールと、を備え、
前記グリッドエンコーディングモジュールは、予測対象軌跡のうち所定長さのサブ軌跡をグリッド化してエンコーディングした後に出力し、前記LSTMネットワークに入力し、
前記予測モジュールは、前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとし、前記候補セットに含まれる前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドを前記候補セットから選択し、選択された中で確率値の最も高いグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする、ことを特徴とする軌跡予測システム。 - 前記予測モジュールは、さらに、前記LSTMネットワークから出力された最初のtop_N個の確率値に対応するグリッドを予測結果の候補セットとするステップの後、前記グリッドの中心座標から前記サブ軌跡のフラグ点の座標までのユークリッド距離が上限しきい値と下限しきい値の間にあるグリッドが前記候補セットに存在しない場合、前記サブ軌跡のフラグ点を含むグリッドの中心座標を前記サブ軌跡の軌跡予測結果とする、ことを特徴とする請求項5に記載の軌跡予測システム。
- 前記予測対象軌跡の長さがnであり、サブ軌跡の抽出間隔がstep=1であり、抽出したサブ軌跡の長さがkであり、抽出したサブ軌跡の数がn-kであり、
前記予測モジュールは、さらに、前記n-k個のサブ軌跡を前記LSTMネットワークで予測して、n-k個の予測軌跡座標を得た後、得られたn-k個の予測軌跡座標からなるシーケンスをカルマンフィルタリングし、フィルタリングして得られた最適推定シーケンスを軌跡の最終予測結果とする、ことを特徴とする請求項5に記載の軌跡予測システム。 - 履歴軌跡データに基づいて前記LSTMネットワークをトレーニングするトレーニングモジュールをさらに備える、ことを特徴とする請求項5〜7のいずれか1項に記載の軌跡予測システム。
- 電子機器であって、
メモリ、プロセッサ、及び、メモリに記憶されプロセッサにおいて実行可能なコンピュータプログラムを備え、前記プロセッサは、前記プログラムを実行するときに請求項1〜4のいずれか1項に記載の軌跡予測方法を実現する電子機器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330626.4A CN111401531A (zh) | 2020-04-24 | 2020-04-24 | 轨迹预测方法和系统 |
CN202010330626.4 | 2020-04-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6873519B1 true JP6873519B1 (ja) | 2021-05-19 |
JP2021174496A JP2021174496A (ja) | 2021-11-01 |
Family
ID=71429778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020112893A Active JP6873519B1 (ja) | 2020-04-24 | 2020-06-30 | 軌跡予測方法及びシステム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6873519B1 (ja) |
CN (1) | CN111401531A (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
CN114819068A (zh) * | 2022-04-11 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种混合型目标航迹预测方法及系统 |
CN115047894A (zh) * | 2022-04-14 | 2022-09-13 | 中国民用航空总局第二研究所 | 一种无人机轨迹测算方法、电子设备及存储介质 |
CN115131393A (zh) * | 2021-08-16 | 2022-09-30 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN115374879A (zh) * | 2022-09-19 | 2022-11-22 | 南京航空航天大学 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
CN115759033A (zh) * | 2022-11-21 | 2023-03-07 | 厦门海兰寰宇海洋信息科技有限公司 | 一种轨迹数据的处理方法、装置及设备 |
CN116050278A (zh) * | 2023-02-17 | 2023-05-02 | 中国兵器装备集团自动化研究所有限公司 | 一种目标轨迹预测方法、装置、设备及存储介质 |
CN116562487A (zh) * | 2023-05-30 | 2023-08-08 | 武汉大学 | 顾及路口时空关联与历史出行语义的移动目的地预测方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
CN112132346B (zh) * | 2020-09-24 | 2024-04-19 | 中国科学院空天信息创新研究院 | 一种基于船舶类型的船舶航行轨迹预测方法 |
CN112215429A (zh) * | 2020-10-20 | 2021-01-12 | 清华大学 | 基于历史轨迹的轨迹预测方法及装置 |
CN114462293B (zh) * | 2021-10-27 | 2023-10-13 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种高超声速目标中长期轨迹预测方法 |
CN114822028B (zh) * | 2022-04-25 | 2023-10-10 | 北京宏瓴科技发展有限公司 | 一种车辆行驶轨迹的矫正方法、装置和计算机设备 |
CN118446695B (zh) * | 2024-07-08 | 2024-09-13 | 湖南工程学院 | 基于区块链的电子商务交易保障系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260795B (zh) * | 2015-10-13 | 2019-05-03 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
JP6521835B2 (ja) * | 2015-10-27 | 2019-05-29 | 日本電信電話株式会社 | 移動経路予測装置、移動経路予測方法、及び移動経路予測プログラム |
EP3566106B1 (en) * | 2017-03-20 | 2024-03-06 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
JP6838241B2 (ja) * | 2017-06-01 | 2021-03-03 | 日立Astemo株式会社 | 移動体挙動予測装置 |
CN109029446B (zh) * | 2018-06-22 | 2020-11-20 | 北京邮电大学 | 一种行人位置预测方法、装置及设备 |
JP2020004043A (ja) * | 2018-06-27 | 2020-01-09 | Tis株式会社 | 文書作成支援システム、文書作成支援方法、及びそのプログラム |
CN109409499B (zh) * | 2018-09-20 | 2022-03-15 | 北京航空航天大学 | 一种基于深度学习和卡尔曼滤波修正的轨迹恢复方法 |
CN109583151B (zh) * | 2019-02-20 | 2023-07-21 | 阿波罗智能技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
-
2020
- 2020-04-24 CN CN202010330626.4A patent/CN111401531A/zh active Pending
- 2020-06-30 JP JP2020112893A patent/JP6873519B1/ja active Active
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN113269363B (zh) * | 2021-05-31 | 2023-06-30 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN115131393A (zh) * | 2021-08-16 | 2022-09-30 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN115131393B (zh) * | 2021-08-16 | 2024-04-23 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN114048889A (zh) * | 2021-10-08 | 2022-02-15 | 天津大学 | 基于长短期记忆网络的飞行器轨迹预测的方法 |
CN114819068A (zh) * | 2022-04-11 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种混合型目标航迹预测方法及系统 |
CN115047894B (zh) * | 2022-04-14 | 2023-09-15 | 中国民用航空总局第二研究所 | 一种无人机轨迹测算方法、电子设备及存储介质 |
CN115047894A (zh) * | 2022-04-14 | 2022-09-13 | 中国民用航空总局第二研究所 | 一种无人机轨迹测算方法、电子设备及存储介质 |
CN115374879A (zh) * | 2022-09-19 | 2022-11-22 | 南京航空航天大学 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
CN115374879B (zh) * | 2022-09-19 | 2024-02-09 | 南京航空航天大学 | 基于深度学习与历史经验数据的桌面冰壶轨迹预测方法 |
CN115759033A (zh) * | 2022-11-21 | 2023-03-07 | 厦门海兰寰宇海洋信息科技有限公司 | 一种轨迹数据的处理方法、装置及设备 |
CN116050278A (zh) * | 2023-02-17 | 2023-05-02 | 中国兵器装备集团自动化研究所有限公司 | 一种目标轨迹预测方法、装置、设备及存储介质 |
CN116562487A (zh) * | 2023-05-30 | 2023-08-08 | 武汉大学 | 顾及路口时空关联与历史出行语义的移动目的地预测方法 |
CN116562487B (zh) * | 2023-05-30 | 2024-05-28 | 武汉大学 | 顾及路口时空关联与历史出行语义的移动目的地预测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021174496A (ja) | 2021-11-01 |
CN111401531A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6873519B1 (ja) | 軌跡予測方法及びシステム | |
CN112561148B (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
WO2022062543A1 (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN113191550B (zh) | 地图匹配方法及装置 | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
CN118097293A (zh) | 基于残差图卷积网络和自注意力的小样本数据分类方法及系统 | |
JP2002157571A (ja) | 問題解決器、及び記憶媒体 | |
CN117593877A (zh) | 一种基于集成图卷积神经网络的短时交通流预测方法 | |
CN115169431B (zh) | 一种雷暴识别方法及系统 | |
CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
CN113723006B (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN115391745A (zh) | 一种基于概率匹配平均法的降水预报订正方法及系统 | |
CN112885367B (zh) | 基频获取方法、装置、计算机设备和存储介质 | |
CN111611531B (zh) | 人员关系分析方法、装置及电子设备 | |
CN114664104A (zh) | 一种路网匹配方法和装置 | |
CN109612467B (zh) | 轨迹简化方法、系统及轨迹可视化系统 | |
CN113222276A (zh) | 覆冰情况预测方法、装置、计算机设备和存储介质 | |
CN114646313A (zh) | 一种用户轨迹定位方法、电子设备及计算机存储介质 | |
CN117647855B (zh) | 一种基于序列长度的短临降水预报方法、装置及设备 | |
CN117744884B (zh) | 水库水流量预测模型的构建方法和水库水流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200630 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200630 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200708 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210205 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20210210 |
|
TRDD | Decision of grant or rejection written | ||
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210211 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210413 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210414 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6873519 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |