CN117456726B - 基于人工智能算法模型的异常停车识别方法 - Google Patents
基于人工智能算法模型的异常停车识别方法 Download PDFInfo
- Publication number
- CN117456726B CN117456726B CN202311289018.3A CN202311289018A CN117456726B CN 117456726 B CN117456726 B CN 117456726B CN 202311289018 A CN202311289018 A CN 202311289018A CN 117456726 B CN117456726 B CN 117456726B
- Authority
- CN
- China
- Prior art keywords
- data
- parking
- abnormal
- abnormal parking
- neural network
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 107
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 241000533950 Leucojum Species 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000005111 flow chemistry technique Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000002203 pretreatment Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06V10/80—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
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/02—Detecting movement of traffic to be counted or controlled using treadles built into the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能算法模型的异常停车识别方法，涉及人工智能领域，首先通过360°高清摄像机、图像传感器和地磁传感器采集停车现场数据，然后通过GPU服务器对停车现场数据进行去噪、转换和增强，然后特征提取和跨模态融合，然后通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，并通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应，最后对异常停车进行响应和管理；本发明能够通过人工智能算法模型实现对异常停车行为的准确识别和及时响应，自动化、智能化程度高。
Description
技术领域
本发明涉及人工智能领域，且更具体地涉及一种基于人工智能算法模型的异常停车识别方法。
背景技术
随着城市化进程的加快和车辆保有量的增加，道路交通拥堵已经成为很多城市面临的严重问题，停车问题已经成为城市交通管理中的一个重要挑战。非法停车、违规停车等行为不仅妨碍了正常交通秩序，还给城市交通管理带来了很大的困扰，辆长时间停在紧急通道、消防通道或人行道上，会阻碍车辆和行人的通行，甚至妨碍紧急救援车辆的及时到达。
传统的停车违规检测方法主要依赖于人工巡逻和监控摄像头录像回放等方式，这种方式存在效率低下、准确性不高以及无法实时处理等问题。随着人工智能技术的迅速发展，基于人工智能算法模型的异常停车识别方法变得更加可行。
但是，现有的基于人工智能算法模型的异常停车识别方法获取到的标注数据往往相对较少，且可能存在噪声和不平衡问题，会影响模型的准确性和鲁棒性；并且由于停车场环境可能会受到天气、光照等因素的影响，当前基于人工智能算法模型的异常停车识别方法对环境变化较为敏感，可能会导致误报或漏报情况发生。
因此，本发明公开了一种基于人工智能算法模型的异常停车识别方法，能够多模态数据采集、数据预处理与增强、跨模态特征融合、优化的识别算法模型以及异常停车特征记忆与管理，可以提高异常停车识别的准确性和效率，并为停车管理提供科学决策支持。
发明内容
针对现有技术的不足，本发明公开了一种基于人工智能算法模型的异常停车识别方法，能够通过人工智能算法模型实现对异常停车行为的准确识别和及时响应；采用360°高清摄像机、图像传感器和地磁传感器等多种传感器对停车现场进行数据采集，提供更全面准确的数据基础；通过GPU服务器对采集到的停车现场数据进行去噪、转换和增强预处理操作，提高数据质量和准确性；利用自监督视觉表征学习和多任务视觉表征学习方法提取多模态特征，并通过BP神经网络进行跨模态特征融合，增强对异常停车行为的感知能力；通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，提高异常停车识别效果；通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征等进行存储，方便后续快速响应相似情况；自动化、智能化程度高。
本发明采用以下技术方案：
一种基于人工智能算法模型的异常停车识别方法，包括以下步骤：
步骤一、多模态停车信息采集，通过360°高清摄像机、图像传感器和地磁传感器采集停车现场数据，所述360°高清摄像机检测到车辆进入停车现场时，控制中心通过高速无线通讯网络触发图像传感器和地磁传感器同步采集停车现场数据，并通过定时器连续触发数据采集操作，以确保采集数据的完整性；
步骤二、多模态停车信息预处理，通过GPU服务器对停车现场数据进行去噪、转换和增强，以提高数据分析的准确性；
步骤三、特征提取和跨模态融合，通过自监督视觉表征学习方法和多任务视觉表征学习方法提取停车现场数据的多模态特征，并通过BP神经网络进行跨模态特征融合，以增强对异常停车行为的感知能力；
步骤四、异常停车识别，通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，以提高异常停车识别效果；
步骤五、记忆异常停车特征，通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应；
步骤六、异常停车响应和管理，当识别出异常停车行为时，通过警报器、短信、邮件和App推送将异常停车信息告知车主和管理人员，并采用可视化管理平台对异常停车趋势进行统计，以优化停车管理措施。
作为本发明进一步的技术方案，所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
作为本发明进一步的技术方案，所述GPU服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
在公式(1)中，A分别表示采集的停车现场数据，表示第v个非数值型停车现场数据，v≥1，o表示非数值型数据，表示第l个非数值型停车现场数据，l≥1，r表示非数值型数据，对停车现场数据进行平滑处理表示为：
在公式(2)中，PX表示停车现场数据的滤波数值，为非数值型停车现场数据邻域的第i个更新参数，1≤p≤v，为数值型停车现场数据邻域的第j个更新参数，1≤q≤l，根据停车现场数据的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻停车现场数据的状态参数，Fk+1表示停车现场数据的增强变换矩阵，Gk+1表示更新输入的停车现场数据，通过滤波迭代处理离散过程，停车现场数据增益的计算公式为：
在公式(4)中，Kgk+1表示k时刻停车现场数据增益，Z′表示停车现场数据状态量的测量值，R表示滤波偏差。
作为本发明进一步的技术方案，所述停车现场数据的多模态特征集合为W，多模态融合后的输出特征指标数据为H＝{1,2,...,N}，Dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，Dc为不同数据传感器数据之间的距离，采集停车现场数据多模态特征的局部特征量ρ输出函数公式为：
在公式(5)中，ρ为采集停车现场数据多模态特征的局部特征量，δ表示不同传感器数据之间的关系因子，Dij<Dc，所述BP神经网络通过修正网络权值和阈值降低梯度方向误差提高数据融合能力，在数据处理过程中，所述BP神经网络启动sigmoid激活函数作为隐含层激励函数，神经网络模型中的各神经元权重系数迭代方程公式为：
在公式(6)中，Wi(γ+1)表示BP神经网络中的第i个数据特征网络权值，Mi为第i个数据特征网络，γ为BP神经网络中的阈值，αi为BP神经网络中的第i个数据特征输入节点，βi为BP神经网络中的第i个数据特征隐含节点，εi为BP神经网络中的第i个数据特征输出节点，τ为BP神经网络中的加权因子；融合后的多模态特征的误差公式为：
在公式(7)中，μ为BP神经网络中的步长，BP神经网络输入层中特征参数不同，维度不同，ω为BP神经网络的维度，I＝{I1,I2,...,In}为BP神经网络输入层的神经元，n为神经元的个数，经过数据融合后的数据特征为：
在公式(8)中，Y为经过一次数据融合后的数据特征。
作为本发明进一步的技术方案，所述异常停车识别算法模型包括输入层、数据层、模型层、算法层、优化层和输出层，所述异常停车识别算法模型的工作包括以下步骤：
步骤1、数据输入，将融合后的特征进行格式转换，并通过输入层输入至异常停车识别算法模型，形成原始特征向量；
步骤2、确定计算目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证异常停车识别过程的合理性和有效性；
步骤3、处理原始特征向量，通过集成深度卷积神经网络和循环神经网络对特征向量进行处理，以提取全局特征和局部特征，所述模型层根据计算规模、目标函数、约束条件、变量范围、全局特征和局部特征建立异常停车识别算法模型，并通过历史数据对模型进行训练和优化，提高模型的准确率和鲁棒性；
步骤6、识别异常停车类型和行为，所述算法层采用异常停车识别算法模型进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述异常停车识别算法模型通过维护计算节点的邻居列表优化计算速度；
步骤7、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤8、结果输出，通过输出层对计算结果进行输出。
作为本发明进一步的技术方案，所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
作为本发明进一步的技术方案，所述可视化管理平台基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述可视化管理平台采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。积极有益效果：
本发明公开了一种基于人工智能算法模型的异常停车识别方法，能够通过人工智能算法模型实现对异常停车行为的准确识别和及时响应；采用360°高清摄像机、图像传感器和地磁传感器等多种传感器对停车现场进行数据采集，提供更全面准确的数据基础；通过GPU服务器对采集到的停车现场数据进行去噪、转换和增强预处理操作，提高数据质量和准确性；利用自监督视觉表征学习和多任务视觉表征学习方法提取多模态特征，并通过BP神经网络进行跨模态特征融合，增强对异常停车行为的感知能力；通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，提高异常停车识别效果；通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征等进行存储，方便后续快速响应相似情况；自动化、智能化程度高。
附图说明
图1为本发明一种基于人工智能算法模型的异常停车识别方法的整体流程示意图；
图2为本发明一种基于人工智能算法模型的异常停车识别方法中异常停车识别算法模型示意图；
图3为本发明一种基于人工智能算法模型的异常停车识别方法中跨模态特征融合的模型架构；
图4为本发明一种基于人工智能算法模型的异常停车识别方法中异常停车识别的电路示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于人工智能算法模型的异常停车识别方法，包括以下步骤：
步骤一、多模态停车信息采集，通过360°高清摄像机、图像传感器和地磁传感器采集停车现场数据，所述360°高清摄像机检测到车辆进入停车现场时，控制中心通过高速无线通讯网络触发图像传感器和地磁传感器同步采集停车现场数据，并通过定时器连续触发数据采集操作，以确保采集数据的完整性；
步骤二、多模态停车信息预处理，通过GPU服务器对停车现场数据进行去噪、转换和增强，以提高数据分析的准确性；
步骤三、特征提取和跨模态融合，通过自监督视觉表征学习方法和多任务视觉表征学习方法提取停车现场数据的多模态特征，并通过BP神经网络进行跨模态特征融合，以增强对异常停车行为的感知能力；
步骤四、异常停车识别，通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，以提高异常停车识别效果；
步骤五、记忆异常停车特征，通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应；
步骤六、异常停车响应和管理，当识别出异常停车行为时，通过警报器、短信、邮件和App推送将异常停车信息告知车主和管理人员，并采用可视化管理平台对异常停车趋势进行统计，以优化停车管理措施。
在上述实施例中，所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
在具体实施例中，控制中心、图像传感器、地磁传感器和高速无线通讯网络设备需要进行正确的配置和连接。控制中心通过高速无线通讯网络与图像传感器和地磁传感器进行通信。首先，需要在控制中心上安装相应的网络通讯模块或者使用支持无线通讯的硬件设备。然后，通过设置参数和配置，确保控制中心能够与图像传感器和地磁传感器建立有效的通信连接。为了实现同步采集停车现场数据，需要设计一个触发机制。当360°高清摄像机检测到车辆进入停车现场时，控制中心可以发送触发信号给图像传感器和地磁传感器，指示它们同时进行数据采集操作。触发信号可以通过高速无线通讯网络发送，确保信号的快速传输和准确触发。在接收到触发信号后，图像传感器和地磁传感器开始进行数据采集操作。图像传感器可以拍摄停车现场的高清图像，并将图像数据传输给控制中心。地磁传感器可以检测车辆的停车状态，并将相应的数据发送给控制中心。控制中心接收和记录这些数据，确保采集到完整的停车现场信息。由于图像传感器和地磁传感器都受控制中心的触发信号同步采集数据，所以它们采集到的数据是相互对应和同步的。这样就可以在后续的数据处理和分析过程中，更准确地关联和利用这些多模态的停车现场数据。
在上述实施例中，所述GPU服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
在公式(1)中，A分别表示采集的停车现场数据，表示第v个非数值型停车现场数据，v≥1，o表示非数值型数据，表示第l个非数值型停车现场数据，l≥1，r表示非数值型数据，对停车现场数据进行平滑处理表示为：
在公式(2)中，PX表示停车现场数据的滤波数值，为非数值型停车现场数据邻域的第i个更新参数，1≤p≤v，为数值型停车现场数据邻域的第j个更新参数，1≤q≤l，根据停车现场数据的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻停车现场数据的状态参数，Fk+1表示停车现场数据的增强变换矩阵，Gk+1表示更新输入的停车现场数据，通过滤波迭代处理离散过程，停车现场数据增益的计算公式为：
在公式(4)中，Kgk+1表示k时刻停车现场数据增益，Z′表示停车现场数据状态量的测量值，R表示滤波偏差。
在具体实施例中，通过对停车现场数据进行去噪、转换和增强，可以提高数据的质量和可用性，为后续的数据分析和应用提供更好的基础。利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，效果如表1所示。
表1预处理效果统计
如表1所示，利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，实验内容分别为20min内处理相似复杂程度数据对比预处理信息总量和处理8100MB的相似复杂程度数据对比预处理时间，并对本预处理方法和对比方法A、B处理准确度进行统计，分别将实验结果记录在表1内，对比发现本预处理方法的处理数据总量、处理速度和处理准确度远大于对比方法A、B，证明经过改进和优化，本算法在预处理数据方面具有较好的应用效果和实用价值。
在上述实施例中，所述停车现场数据的多模态特征集合为W，多模态融合后的输出特征指标数据为H＝{1,2,...,N}，Dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，Dc为不同数据传感器数据之间的距离，采集停车现场数据多模态特征的局部特征量ρ输出函数公式为：
在公式(5)中，ρ为采集停车现场数据多模态特征的局部特征量，δ表示不同传感器数据之间的关系因子，Dij<Dc，所述BP神经网络通过修正网络权值和阈值降低梯度方向误差提高数据融合能力，在数据处理过程中，所述BP神经网络启动sigmoid激活函数作为隐含层激励函数，神经网络模型中的各神经元权重系数迭代方程公式为：
在公式(6)中，Wi(γ+1)表示BP神经网络中的第i个数据特征网络权值，Mi为第i个数据特征网络，γ为BP神经网络中的阈值，αi为BP神经网络中的第i个数据特征输入节点，βi为BP神经网络中的第i个数据特征隐含节点，εi为BP神经网络中的第i个数据特征输出节点，τ为BP神经网络中的加权因子；融合后的多模态特征的误差公式为：
在公式(7)中，μ为BP神经网络中的步长，BP神经网络输入层中特征参数不同，维度不同，ω为BP神经网络的维度，I＝{I1,I2,...,In}为BP神经网络输入层的神经元，n为神经元的个数，经过数据融合后的数据特征为：
在公式(8)中，Y为经过一次数据融合后的数据特征。
在具体实施例中，在本次模拟仿真软件选用matlab 7.0，对跨模态数据特征融合进行验证，假设将跨模态数据特征分为10组，分别通过本方法和对比方法进行数据采集对比，所选择的样本信息如表2所示。
表2采样数据信息表
通过表2可以看到，在相同的时间量，采用本方法和对比方法进行对比分析时，本研究的方法融合特征量较多，证明本方法的可用性，通过Matlab模拟仿真，在具体试验时，BP神经网络的层数为4层，输出误差精度阈值设置为0.1，可以得出本研究方法的拟合结果。
在上述实施例中，所述异常停车识别算法模型包括输入层、数据层、模型层、算法层、优化层和输出层，所述异常停车识别算法模型的工作包括以下步骤：
步骤1、数据输入，将融合后的特征进行格式转换，并通过输入层输入至异常停车识别算法模型，形成原始特征向量；
步骤2、确定计算目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证异常停车识别过程的合理性和有效性；
步骤3、处理原始特征向量，通过集成深度卷积神经网络和循环神经网络对特征向量进行处理，以提取全局特征和局部特征，所述模型层根据计算规模、目标函数、约束条件、变量范围、全局特征和局部特征建立异常停车识别算法模型，并通过历史数据对模型进行训练和优化，提高模型的准确率和鲁棒性；
步骤6、识别异常停车类型和行为，所述算法层采用异常停车识别算法模型进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述异常停车识别算法模型通过维护计算节点的邻居列表优化计算速度；
步骤7、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤8、结果输出，通过输出层对计算结果进行输出。
在具体实施例中，卷积层上一层的输出作为这一层的输入，输入的信息与该层的卷积核进行卷积操作，可表示为：
式(9)中表示识别模型的卷积层的输出，表示识别模型卷积核的输入，表示输入的信息，*表示卷积操作，表示识别模型卷积层的偏置。通过公式(9)能够将信息融入卷积模型进行卷积操作。
识别模型的卷积操作完成后，卷积后接批标准化处理和激活函数，可表示为：
式(10)中BN表示信息批标准化处理，relu表示识别模型的激活函数，W表示识别模型的卷积模块，加入的激活函数为网络中的非线性单元，使识别模型引入非线性特征能够表示更加复杂的情况，通过公式(10)能够有效地激活识别模型，使函数处于积极计算状态。
在对数据信息进行识别时，通常要实现大批量数据信息分析，在输入批量数据信息时，模型中不同卷积层之间往往存在一定的联系，其关系式如公式(11)所示。
在公式(11)中，zin、zout表示算法层的输入和输出的信息，γ、β表示卷积模型的调整因子，z～表示识别模型中上一层卷积输出，μb表示识别模型的权重系数，表示样本数据的特征值，c表示算法层常数，公式(11)表示了通过调整因子控制识别模型卷积层输出的信息特征分布，并通过反向传播不断更新调整因子，从而获取最适合识别模型的数据分布。
经过CNN模型输出后，为了进一步提高数据信息分析能力，在CNN模型中融入LSTM模块，LSTM模块中记忆门决定了输出的信息和上层输出的信息哪些信息被保留，通过该方式，能够有效地过滤未计算的数据信息，供用户进一步处理。LSTM模块中记忆门函数模型可以表示为：
公式(12)中，σ、tanh表示记忆门的激活函数，Wi、Wc表示识别模型中的权重矩阵，bt、bc表示LSTM模块的偏移量，ht-1,xt表示输入的信息，Ct表示新的状态候选向量，通过门之后更新LSTM模块的状态，选择遗忘和保留一些台区信息，进而实现计算数据信息的不断更新，使得数据信息源源不断地输入与计算，形成数据流，提高了数据分析与计算能力。
不断输入的新状态数据信息包含了丢弃的上一时刻传递的信息和输入信号中获取的信息，通过数学模型可表示为：
公式(13)中ft表示遗忘门对数据信息的输出，Ct-1表示对数据信息处理时遗忘门上一时刻状态信息，it表示记忆门对数据信息的输出，表示新的候选向量，更新完模块的状态向量后，通过输出门输出当前时刻对应的输出信息，将上个时刻传递的状态信息和输出信号和输入信号整合在一起。
采用MATLAB对算法的有效性进行验证，自适应参数选择方式设置迭代次数10次，得到问题的优解。数据分析效果如表3所示
表3数据分析效果
在上述实施例中，所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
在具体实施例中，确保Snowflake云端数据仓库的正确配置，并创建相应的数据表和列以存储异常停车事件、时间戳、位置信息、图像特征和地磁特征等相关数据。根据具体需求，为每个数据项选择合适的数据类型和索引，以提高数据的查询效率。为了快速响应相似情况的发生，可以使用访问计数器来记录缓存信息项被调用的次数。在Snowflake云端数据仓库中，可以为每个缓存信息项设置一个访问计数器字段，并在每次调用时进行自增操作。这样可以实时记录每个缓存信息项的调用次数。为了定期清理不常用的缓存信息项，可以设置定时器来触发清除操作。可以根据具体需求，设置定时器的时间间隔，例如每天、每周或者每月触发一次。定时器触发后，执行清除操作的代码将会检查缓存信息项的访问计数器，并根据LRU最近最少使用缓存策略进行清除。LRU缓存策略是根据缓存信息项的调用次数和调用时间进行优先级排序的策略。根据访问计数器的记录，可以将缓存信息项按照被调用的次数由大至小排序，并按照倒序的方式进行清除。这样可以确保常用的缓存信息项得到保留，提高后续调用的速度和效率。
在上述实施例中，所述可视化管理平台基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述可视化管理平台采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
在具体实施例中，通过ETL工具提供了可视化的界面，使用户能够定义和配置各个步骤，例如选择源数据、执行转换操作(如清洗、规范化、聚合等)、设置目标数据库等。通过ETL工具，可以将来自不同来源的数据进行整合，建立关联性模型，并将其用于后续的多维度数据关联分析。
在停车场或相关区域安装警报器，当识别出异常停车行为时，警报器可以发出声音或闪光灯等信号，提醒周围的人员注意，并引起他们的关注。通过短信平台或第三方服务商，将异常停车信息以短信的形式发送给车主和管理人员。可以使用API接口来实现与短信平台的对接，将识别到的异常停车信息发送给指定的手机号码。通过电子邮件系统，将异常停车信息以邮件的形式发送给相关人员。可以设置特定的邮箱地址作为接收邮箱，并编写邮件模板来包含详细的异常停车信息。需要注意确保邮件服务器设置正确，并且确保邮件发送成功。当识别出异常停车行为时，在App中触发推送通知功能，将异常停车信息即时推送给用户。需要使用相应的移动开发框架和推送服务来实现这一功能。ETL(抽取、转换、加载)工具可以帮助提取和整合来自不同数据源的数据，并将其加载到目标数据库或数据仓库中。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (6)
1.一种基于人工智能算法模型的异常停车识别方法，其特征在于：包括以下步骤：
步骤一、多模态停车信息采集，通过360°高清摄像机、图像传感器和地磁传感器采集停车现场数据，所述360°高清摄像机检测到车辆进入停车现场时，控制中心通过高速无线通讯网络触发图像传感器和地磁传感器同步采集停车现场数据，并通过定时器连续触发数据采集操作，以确保采集数据的完整性；
步骤二、多模态停车信息预处理，通过GPU服务器对停车现场数据进行去噪、转换和增强，以提高数据分析的准确性；
步骤三、特征提取和跨模态融合，通过自监督视觉表征学习方法和多任务视觉表征学习方法提取停车现场数据的多模态特征，并通过BP神经网络进行跨模态特征融合，以增强对异常停车行为的感知能力；
步骤四、异常停车识别，通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，以提高异常停车识别效果；
步骤五、记忆异常停车特征，通过Snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应；
步骤六、异常停车响应和管理，当识别出异常停车行为时，通过警报器、短信、邮件和App推送将异常停车信息告知车主和管理人员，并采用可视化管理平台对异常停车趋势进行统计，以优化停车管理措施；
所述GPU服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
在公式(1)中，A分别表示采集的停车现场数据，表示第v个非数值型停车现场数据，v≥1，o表示非数值型数据，表示第l个非数值型停车现场数据，l≥1，r表示非数值型数据，对停车现场数据进行平滑处理表示为：
在公式(2)中，PX表示停车现场数据的滤波数值，为非数值型停车现场数据邻域的第i个更新参数，1≤p≤v，为数值型停车现场数据邻域的第j个更新参数，1≤q≤l，根据停车现场数据的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻停车现场数据的状态参数，Fk+1表示停车现场数据的增强变换矩阵，Gk+1表示更新输入的停车现场数据，通过滤波迭代处理离散过程，停车现场数据增益的计算公式为：
在公式(4)中，Kgk+1表示k时刻停车现场数据增益，Z′表示停车现场数据状态量的测量值，R表示滤波偏差。
2.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
3.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述停车现场数据的多模态特征集合为W，多模态融合后的输出特征指标数据为H＝{1,2,...,N}，Dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，Dc为不同数据传感器数据之间的距离，采集停车现场数据多模态特征的局部特征量ρ输出函数公式为：
在公式(5)中，ρ为采集停车现场数据多模态特征的局部特征量，δ表示不同传感器数据之间的关系因子，Dij<Dc，所述BP神经网络通过修正网络权值和阈值降低梯度方向误差提高数据融合能力，在数据处理过程中，所述BP神经网络启动sigmoid激活函数作为隐含层激励函数，神经网络模型中的各神经元权重系数迭代方程公式为：
在公式(6)中，Wi(γ+1)表示BP神经网络中的第i个数据特征网络权值，Mi为第i个数据特征网络，γ为BP神经网络中的阈值，αi为BP神经网络中的第i个数据特征输入节点，βi为BP神经网络中的第i个数据特征隐含节点，εi为BP神经网络中的第i个数据特征输出节点，τ为BP神经网络中的加权因子；融合后的多模态特征的误差公式为：
在公式(7)中，μ为BP神经网络中的步长，BP神经网络输入层中特征参数不同，维度不同，ω为BP神经网络的维度，I＝{I1,I2,...,In}为BP神经网络输入层的神经元，n为神经元的个数，经过数据融合后的数据特征为：
在公式(8)中，Y为经过一次数据融合后的数据特征。
4.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述异常停车识别算法模型包括输入层、数据层、模型层、算法层、优化层和输出层，所述异常停车识别算法模型的工作包括以下步骤：
步骤1、数据输入，将融合后的特征进行格式转换，并通过输入层输入至异常停车识别算法模型，形成原始特征向量；
步骤2、确定计算目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证异常停车识别过程的合理性和有效性；
步骤3、处理原始特征向量，通过集成深度卷积神经网络和循环神经网络对特征向量进行处理，以提取全局特征和局部特征，所述模型层根据计算规模、目标函数、约束条件、变量范围、全局特征和局部特征建立异常停车识别算法模型，并通过历史数据对模型进行训练和优化，提高模型的准确率和鲁棒性；
步骤6、识别异常停车类型和行为，所述算法层采用异常停车识别算法模型进行迭代计算、参数修正以及计算结果和真实值比较，并根据目标函数和计算节点分布情况获取计算节点的邻居列表，所述异常停车识别算法模型通过维护计算节点的邻居列表优化计算速度；
步骤7、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；
步骤8、结果输出，通过输出层对计算结果进行输出。
5.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
6.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述可视化管理平台基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述可视化管理平台采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289018.3A CN117456726B (zh) | 2023-09-28 | 2023-09-28 | 基于人工智能算法模型的异常停车识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289018.3A CN117456726B (zh) | 2023-09-28 | 2023-09-28 | 基于人工智能算法模型的异常停车识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117456726A CN117456726A (zh) | 2024-01-26 |
| CN117456726B true CN117456726B (zh) | 2024-10-11 |
Family
ID=89593786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311289018.3A Active CN117456726B (zh) | 2023-09-28 | 2023-09-28 | 基于人工智能算法模型的异常停车识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456726B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014404A (zh) * | 2024-04-08 | 2024-05-10 | 绿城科技产业服务集团有限公司 | 基于停车场系统的智能优化方法及系统 |
| CN118135800B (zh) * | 2024-05-06 | 2024-07-09 | 东揽(南京)智能科技有限公司 | 基于深度学习的异常交通事件精准识别告警方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107526845A (zh) * | 2017-09-26 | 2017-12-29 | 上海喜泊客信息技术有限公司 | 停车场库手持终端、停车场库管理系统及方法 |
| CN116645646A (zh) * | 2023-05-29 | 2023-08-25 | 智慧互通科技股份有限公司 | 一种用于停车异常检测预警方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945566A (zh) * | 2017-11-17 | 2018-04-20 | 张慧 | 基于多目标跟踪与深度学习的路边停车管理系统及方法 |
| CN109917479A (zh) * | 2019-04-09 | 2019-06-21 | 同方威视技术股份有限公司 | 车辆检查方法、装置、系统和计算机可读存储介质 |
| CN114241395A (zh) * | 2021-12-27 | 2022-03-25 | 超级视线科技有限公司 | 基于泊位号码的路侧停车泊位异常识别方法及装置 |
| KR20230100368A (ko) * | 2021-12-28 | 2023-07-05 | 에스케이플래닛 주식회사 | 주차 경고를 제공하기 위한 서비스 제공 시스템 및 방법, 그리고 이를 위한 서비스 제공 장치 및 컴퓨터 프로그램이 기록된 비휘발성 기록매체 |
| CN116597660A (zh) * | 2023-03-15 | 2023-08-15 | 西安电子科技大学 | 基于地磁传感器的公路异常停车检测方法 |
-
2023
- 2023-09-28 CN CN202311289018.3A patent/CN117456726B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107526845A (zh) * | 2017-09-26 | 2017-12-29 | 上海喜泊客信息技术有限公司 | 停车场库手持终端、停车场库管理系统及方法 |
| CN116645646A (zh) * | 2023-05-29 | 2023-08-25 | 智慧互通科技股份有限公司 | 一种用于停车异常检测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117456726A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117456726B (zh) | 基于人工智能算法模型的异常停车识别方法 | |
| US11503057B2 (en) | Intrusion detection method and system for internet of vehicles based on spark and combined deep learning | |
| CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
| CN111462484A (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
| CN107220633A (zh) | 一种智能移动执法系统及方法 | |
| CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
| Khan et al. | Short-term traffic prediction using deep learning long short-term memory: Taxonomy, applications, challenges, and future trends | |
| CN112562330A (zh) | 评估道路运行指数的方法和装置、电子设备、存储介质 | |
| CN110909195A (zh) | 基于区块链的图片标注方法、装置及存储介质、服务器 | |
| CN111125290A (zh) | 一种基于河长制的智能巡河方法、装置及存储介质 | |
| CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
| CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
| CN116089875A (zh) | 融合多源时空数据的交通流量预测方法、装置及存储介质 | |
| CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
| CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| CN111583215A (zh) | 损伤图像智能定损方法、装置、电子设备及存储介质 | |
| CN116992993A (zh) | 一种交通流量预测模型建立方法、装置和设备 | |
| CN114898139A (zh) | 驻留地块分类方法及装置、设备及存储介质 | |
| CN115171214A (zh) | 基于fcos目标检测的工地异常行为检测方法及系统 | |
| CN113902987A (zh) | 群体智能的对象检测方法、存储介质和处理器 | |
| CN110348338A (zh) | 基于深度学习的驾驶员辅助驾驶后视镜及包含其的系统 | |
| CN116150699B (zh) | 基于深度学习的交通流预测方法、装置、设备及介质 | |
| CN117391456B (zh) | 基于人工智能的村社管理方法及服务平台系统 | |
| CN102116621B (zh) | 跨感测器间的物体追踪方法与系统 | |
| CN118711142A (zh) | 集成深度学习的非机动车行为实时监控方法及系统 |
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 |