+

CN119334356B - 一种基于无人机传输数据的位置建立方法及系统 - Google Patents

一种基于无人机传输数据的位置建立方法及系统 Download PDF

Info

Publication number
CN119334356B
CN119334356B CN202411854741.6A CN202411854741A CN119334356B CN 119334356 B CN119334356 B CN 119334356B CN 202411854741 A CN202411854741 A CN 202411854741A CN 119334356 B CN119334356 B CN 119334356B
Authority
CN
China
Prior art keywords
digital twin
representing
sample
twin model
transmission data
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
Application number
CN202411854741.6A
Other languages
English (en)
Other versions
CN119334356A (zh
Inventor
刘宏才
周舟
张文波
陈虹旭
赵国海
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.)
Anhui Zhihui Yunzhou Technology Co ltd
Original Assignee
Beijing Smart Yunzhou Technology 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 Beijing Smart Yunzhou Technology Co ltd filed Critical Beijing Smart Yunzhou Technology Co ltd
Priority to CN202411854741.6A priority Critical patent/CN119334356B/zh
Publication of CN119334356A publication Critical patent/CN119334356A/zh
Application granted granted Critical
Publication of CN119334356B publication Critical patent/CN119334356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于无人机传输数据的位置建立方法及系统。其中，通过无人机采集实际系统的目标传输数据；基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；根据所述目标区域的位置信息在所述实际系统中建立目标区域。本申请提供的技术方案能够提升所建立数字孪生模型的精度以及目标区域位置建立的准确度。

Description

一种基于无人机传输数据的位置建立方法及系统
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及一种基于无人机传输数据的位置建立方法及系统。
背景技术
数字孪生是一种通过数字化手段将现实世界中的物理系统或过程映射到虚拟环境中的技术。它基于物理系统的数据、模型和算法，构建了一个与实际系统相对应的虚拟“孪生体”，实现了对实际系统的仿真、监测和预测。数字孪生技术可以帮助实现实时监测、预测分析、智能决策等功能，广泛应用于工业、航空航天、医疗等领域。
目前，针对无人机传输数据进行目标区域位置建立的常见方案包括使用GPS（全球定位系统）或其他定位技术获取无人机位置信息，并通过传感器采集目标区域的数据。然后，这些数据可以结合地图数据或先前建立的地图模型（即数字孪生模型），并进一步通过算法进行分析和处理，从而确定目标区域的位置信息。
然而，这种方法可能受到环境干扰、数据不准确或传感器精度限制等因素的影响，导致所建立的地图模型存储精度差、目标区域的位置建立的精度不高或存在误差的问题。
发明内容
本申请实施例提供一种基于无人机传输数据的位置建立方法及系统，用以解决现有技术中所建立数字孪生模型的精度差以及目标区域位置建立的准确度低的问题。
第一方面，本申请实施例中提供了一种基于无人机传输数据的位置建立方法，包括：
通过无人机采集实际系统的目标传输数据，所述目标传输数据包括但不限于目标区域的尺寸、形状、材料、结构；
基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
根据所述目标区域的位置信息在所述实际系统中建立目标区域。
可选地，基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，包括：
获取实际系统中的所有区域对应的传输数据，传输数据包括但不限于实际系统中所有区域的尺寸、形状、材料属性、结构信息；
基于所述实际系统中的所有区域对应的传输数据建立物理模型，并利用利用数值方法或计算机辅助工程（CAE）软件将物理模型转化为数字模型，再基于所述实际系统的物理模型和数字模型，建立虚拟系统的数字孪生模型。
可选地，在所述对所述数字孪生模型进行验证之前，还包括：
将所采集的实际系统中的所有区域对应的传输数据进行时间节点标定，并按照时间顺序组织成原始时间序列数据集；
将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放等数据增强处理，得到一系列新的序列，以构建目标时间序列数据集；
对于每个新序列，根据时间步长将其划分为多个子序列；
将每个子序列作为一个样本，并将其加入到目标时间序列数据集中，直至获取到满足条件的新序列和子序列，以完成目标时间序列数据集的构建。
可选地，对所述数字孪生模型进行验证，包括：
对所述目标时间序列数据集进行验证，以评估所述数字孪生模型的综合得分。
可选地，所述对所述目标时间序列数据集进行验证，以评估所述数字孪生模型的综合得分，包括：
将所述目标时间序列数据集划分为若干子序列，每个子序列作为验证集，其余子序列作为训练集；
通过公式：，根据所述训练集的历史误差计算平均绝对缩放误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引，表示滞后期；
通过公式：，根据所述训练集的历史误差计算对称平均绝对百分比误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引；
通过公式：，将所述训练集划分为不同类别，并确定出在不同的时间序列分类中样本数量的平衡精度；
其中，表示类别数，表示类别中正确分类的样本数量，表示类别中错误分类的样本数量，表示非类别中正确分类的样本数量，表示非类别中错误分类的样本数量；
通过公式：，将所述训练集划分为不同类别，并确定出随机分类中样本数量的影响程度；
其中，表示观测的分类准确率，表示随机分类的分类准确率；
通过公式组：，根据所述平均绝对缩放误差、所述对称平均绝对百分比误差、所述不同的时间序列分类中样本数量的平衡精度以及所述随机分类中样本数量的影响程度，评估所述数字孪生模型的综合得分；
其中，为回归系数，为误差项，为评估得分，x1为所述平均绝对缩放误差、x2为所述对称平均绝对百分比误差、x3为所述不同的时间序列分类中样本数量的平衡精度、x4为所述随机分类中样本数量的影响程度。
可选地，所述将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放等数据增强处理，得到一系列新的序列，包括：
对于每个样本，随机生成一个旋转角度，将原始时间序列数据集中的每个序列沿着中心点旋转该角度，得到新的序列；其中，旋转角度可以在一定范围内随机生成，旋转后的样本可以表示为：
；
其中，表示旋转前样本的坐标，表示旋转后样本的坐标，表示随机生成的旋转角度；
对于每个样本，随机生成一个平移向量，将原始时间序列数据集中的每个序列沿着该向量平移，得到新的序列；其中，平移向量可以在一定范围内随机生成，平移后的样本可以表示为：
；
其中，表示平移前样本的坐标，表示平移后样本的坐标，表示随机生成的平移向量；
对于每个样本，随机生成一个缩放因子，将原始时间序列数据集中的每个序列沿着中心点进行缩放，得到新的序列；其中，缩放因子可以在预设范围内随机生成，缩放后的样本可以表示为：
；
其中，表示缩放前样本的坐标，表示缩放后样本的坐标，表示随机生成的缩放因子。
可选地，还包括：
设置实时监测装置，及时获取无人机的实际位置信息，并与所述数字孪生模型的预测结果进行比较，以调整所述数字孪生模型的参数和算法，所述调整所述数字孪生模型的参数和算法的过程至少包括：调整模型超参数、增加样本量、对样本异常值进行处理。
第二方面，本申请实施例提供了一种基于无人机传输数据的位置建立系统，包括：
采集模块，用于通过无人机采集实际系统的目标传输数据，所述目标传输数据包括但不限于目标区域的尺寸、形状、材料、结构；
输入模块，用于基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
验证输出模块，用于对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
建立模块，用于根据所述目标区域的位置信息在所述实际系统中建立目标区域。
第三方面，本申请实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如上述第一方面所述的基于无人机传输数据的位置建立方法。
第四方面，本申请实施例提供了一种计算机存储介质，其特征在于，存储有计算机程序，所述计算程序被计算机执行时，实现如上述第一方面所述的基于无人机传输数据的位置建立方法。
本申请实施例中，通过无人机采集实际系统的目标传输数据；基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；根据所述目标区域的位置信息在所述实际系统中建立目标区域。
这种基于无人机传输数据的位置智能建立方法及系统具有许多有益效果：
实时监测和反馈：通过无人机实时采集实际系统的数据，系统可以实时监测目标区域的状态和变化。这种实时反馈可以帮助及时发现问题或变化，并采取相应的措施。
数字孪生模型预测：利用所建立的数字孪生模型，结合实时传输数据，可以预测目标区域的位置信息。这种预测性能有助于优化系统运行和资源分配，提高整体效率和安全性。
减少人力成本和风险：相比传统的人工巡检或监测方法，使用无人机进行数据采集和系统建模可以大大减少人力投入和操作风险。无人机可以在复杂或危险的环境中工作，避免了人员面临的安全风险。
精准定位和部署：通过数字孪生模型输出的位置信息，可以更精准地定位和部署系统中的目标区域。这有助于优化系统布局和资源配置，提高系统的整体性能和可维护性。
数据驱动的决策：基于实时数据和数字孪生模型的预测结果，决策者可以做出更加数据驱动的决策。这种基于数据的决策可以提高系统的响应速度和智能化水平，使系统更具竞争力和可持续性。
综合来看，基于无人机传输数据的位置智能建立方法及系统结合了数据采集、模型预测和实际应用，带来了实时监测、成本节约、效率提升等多方面的有益效果，推动了智能化和数字化在实际系统中的应用与发展。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种基于无人机传输数据的位置建立方法一个实施例的流程图；
图2为本申请实施例提供的一种基于无人机传输数据的位置建立系统的结构示意图；
图3为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本申请实施例的技术方案在各种实际场景中都具有广泛的应用前景，特别是在以下几个方面：
环境监测与灾害预警：无人机携带传感器飞越森林、山区、河流等地域，实时采集大量环境数据，如气象、地形、水质等。通过数字孪生模型结合实时数据，可以预测地质灾害、洪水等自然灾害，提前进行预警和应对，保障人民生命财产安全。
农业管理与精准农业：利用无人机传输的数据结合数字孪生模型，可以实现对农田的精准监测和管理，包括作物生长情况、土壤湿度、病虫害情况等。农民可以根据预测的信息进行精准施肥、灌溉，提高农作物产量和质量。
城市规划与智慧城市建设：无人机可以飞越城市各个角落，采集城市基础设施、人口密度、交通流量等数据，结合数字孪生模型进行城市规划和智慧城市建设。通过预测城市发展趋势和需求，优化城市布局、交通组织等，提高城市的生活质量和运行效率。
物流与交通管理：利用无人机进行实时监控和数据采集，结合数字孪生模型预测交通拥堵情况、货物运输路线等，优化物流配送方案，提高交通运输效率，减少能源消耗和环境污染。
资源勘探与采矿：通过无人机传输数据和数字孪生模型，可以对矿区、油田等资源进行高效勘探和管理。预测资源分布、开采难度，制定合理的开发方案，提高资源利用效率和经济效益。
综上所述，基于无人机传输数据的位置建立方法及系统在环境监测、农业管理、城市规划、物流管理、资源勘探等领域都有着广泛的应用前景，可以为各行业提供数据支持和智能决策，推动社会经济的可持续发展。
发明人研究发现，目前，针对无人机传输数据进行目标区域位置建立的常见方案包括使用GPS（全球定位系统）或其他定位技术获取无人机位置信息，并通过传感器采集目标区域的数据。然后，这些数据可以结合地图数据或先前建立的地图模型（即数字孪生模型），并进一步通过算法进行分析和处理，从而确定目标区域的位置信息。
然而，这种方法可能受到环境干扰、数据不准确或传感器精度限制等因素的影响，导致所建立的地图模型存储精度差、目标区域的位置建立的精度不高或存在误差的问题。
鉴于此，本申请实施例提供了一种基于无人机传输数据的位置建立方法，该方法通过无人机采集实际系统的目标传输数据；基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；根据所述目标区域的位置信息在所述实际系统中建立目标区域。
本申请提供的技术方案能够提升所建立数字孪生模型的精度以及目标区域位置建立的准确度
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供了一种基于无人机传输数据的位置建立方法一个实施例的流程图，如图1所示，该方法包括：
101、通过无人机采集实际系统的目标传输数据，所述目标传输数据包括但不限于目标区域的尺寸、形状、材料、结构；
在该步骤中，在实际操作中，无人机可以搭载各种传感器，如高清相机、红外相机、雷达等，采集目标区域的各种数据。例如，在农业领域，无人机可以采集农田的土壤湿度、作物生长情况、病虫害情况等数据。在城市规划领域，无人机可以采集城市基础设施的位置、人口密度、交通流量等数据。
102、基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
在该步骤中，基于所采集的实际系统数据，可以利用数学模型和算法建立数字孪生模型。数字孪生模型可以包含实际系统的结构、运动规律、物理特性等方面的信息。例如，在农业领域，数字孪生模型可以包含作物生长的生理特征、环境因素对作物生长的影响等方面的信息。在城市规划领域，数字孪生模型可以包含城市规划的各种参数，如人口密度、交通流量、基础设施等方面的信息。
103、对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
在该步骤中，为了保证数字孪生模型的准确性，需要对其进行验证。验证的过程可以采用实验数据与数字孪生模型预测结果的对比，评估数字孪生模型的精度。例如，在农业领域，可以通过采集实际农田的数据，与数字孪生模型的预测结果进行比较，评估模型的准确性。验证通过后，数字孪生模型可以输出目标区域的位置信息。
104、根据所述目标区域的位置信息在所述实际系统中建立目标区域。
在该步骤中，在数字孪生模型输出目标区域的位置信息后，可以根据这些信息在实际系统中建立目标区域。例如，在农业领域，可以在农田中标记出目标区域，并进行精准的管理和施肥。在城市规划领域，可以根据数字孪生模型的预测结果进行城市规划和交通组织，优化城市布局和交通运行效率。
例如，针对农业领域，实施例可以包括：通过无人机采集农田的土壤湿度、作物生长情况、病虫害情况等数据；基于所采集的农田数据，建立数字孪生模型，并将目标传输数据作为模型输入参数，输入数字孪生模型，以预测目标区域的位置信息；对数字孪生模型进行验证，例如，采集实际农田的数据，与数字孪生模型的预测结果进行比较，评估数字孪生模型的精度；数字孪生模型验证通过后，输出目标区域的位置信息；根据所述目标区域的位置信息在农田中建立目标区域，例如，在农田中标记出目标区域，并进行精准的管理和施肥。
可选地，本申请实施例中，步骤102可具体包括：
1021、获取实际系统中的所有区域对应的传输数据，传输数据包括但不限于实际系统中所有区域的尺寸、形状、材料属性、结构信息；
在该步骤中，通过无人机等手段收集实际系统中所有区域的传输数据。例如，在城市规划领域，可以通过无人机拍摄城市的各种建筑、道路、公园等，获取这些区域的尺寸、形状、材料属性、结构信息等传输数据。
1022、基于所述实际系统中的所有区域对应的传输数据建立物理模型，并利用利用数值方法或计算机辅助工程（CAE）软件将物理模型转化为数字模型，再基于所述实际系统的物理模型和数字模型，建立虚拟系统的数字孪生模型。
在该步骤中，利用所采集到的实际系统的传输数据，可以建立物理模型。物理模型可以包含实际系统的结构、运动规律、物理特性等方面的信息。利用数值方法或CAE软件，将物理模型转化为数字模型，数字模型可以更方便、更精确地进行计算和模拟。然后，基于所述实际系统的物理模型和数字模型，建立虚拟系统的数字孪生模型。数字孪生模型可以包含实际系统的各种参数和属性，如结构、材料、运动规律、物理特性等方面的信息。
例如，在城市规划领域，实施例可以包括：获取城市中所有区域对应的传输数据，包括建筑的尺寸、形状、材料属性、结构信息等；基于所采集的城市数据建立物理模型，并利用CAE软件将物理模型转化为数字模型，再基于所述实际系统的物理模型和数字模型，建立虚拟系统的数字孪生模型；将目标传输数据作为模型输入参数，输入数字孪生模型，以预测目标区域的位置信息。
可选地，本申请实施例中，在步骤103之前，还包括：将所采集的实际系统中的所有区域对应的传输数据进行时间节点标定，并按照时间顺序组织成原始时间序列数据集；将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放等数据增强处理，得到一系列新的序列，以构建目标时间序列数据集；对于每个新序列，根据时间步长将其划分为多个子序列；将每个子序列作为一个样本，并将其加入到目标时间序列数据集中，重复上述步骤，直至得到足够多的新序列和子序列，以完成目标时间序列数据集的构建。
具体地，针对“对于每个新序列，根据时间步长将其划分为多个子序列”的过程，可包括：在每个新序列中随机选择一个起始时间点，并根据时间步长将序列分为多个相邻的子序列。例如，如果时间步长为1小时，每个子序列包含10个时间点，那么可以将每个新序列划分为多个长度为10小时的子序列。
这个实施例主要是针对时间序列数据建立数字孪生模型，通过数据增强和子序列划分等技术，提高模型的泛化能力和鲁棒性。
具体步骤如下：
将所采集的实际系统中的所有区域对应的传输数据进行时间节点标定，并按照时间顺序组织成原始时间序列数据集。
将所采集的数据按照时间顺序组织成原始时间序列数据集，以便后续进行处理。例如，在城市规划领域，可以采集城市的人口密度、交通流量等数据，并按照每小时或每天的时间节点进行标定，组织成原始时间序列数据集。
将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放等数据增强处理，得到一系列新的序列，以构建目标时间序列数据集。
对原始时间序列数据集中的每个序列进行随机旋转、平移和缩放等数据增强处理，以扩充数据集。例如，在城市规划领域，可以对城市交通流量的时间序列数据进行数据增强处理，在每个时间点上随机旋转、平移和缩放，得到一系列新的序列。
对于每个新序列，根据时间步长将其划分为多个子序列。
对于每个新序列，根据时间步长将其划分为多个子序列。例如，如果时间步长为1小时，每个子序列包含10个时间点，那么可以将每个新序列划分为多个长度为10小时的子序列。
将每个子序列作为一个样本，并将其加入到目标时间序列数据集中，重复上述步骤，直至得到足够多的新序列和子序列，以完成目标时间序列数据集的构建。
将每个子序列作为一个样本，并将其加入到目标时间序列数据集中。重复上述步骤，直至得到足够多的新序列和子序列，以完成目标时间序列数据集的构建。这个过程可以通过自动化的方式进行，以提高效率和准确性。
例如，在城市规划领域，实施例可以包括：对于城市交通流量的时间序列数据，根据时间步长将其划分为多个子序列，并将每个子序列作为一个样本，重复上述过程，构建目标时间序列数据集；利用所述目标时间序列数据集训练深度神经网络模型，以实现对目标区域位置的预测；将训练得到的深度神经网络模型与数字孪生模型相结合，构建基于无人机传输数据的位置智能建立系统。
具体步骤如下：
利用目标时间序列数据集训练深度神经网络模型，以实现对目标区域位置的预测。
利用目标时间序列数据集训练深度神经网络模型。深度神经网络模型可以是各种类型的神经网络，如卷积神经网络、循环神经网络等。通过训练，深度神经网络模型可以学习时间序列数据的特征，并将其与目标区域位置进行关联，以实现对目标区域位置的预测。
例如，在城市规划领域，可以利用目标时间序列数据集训练循环神经网络模型，以预测未来某个时间点城市交通流量的情况，并将其与城市道路网络的地理信息相结合，实现对城市交通拥堵情况的预测。
将训练得到的深度神经网络模型与数字孪生模型相结合，构建基于无人机传输数据的位置智能建立系统。
将训练得到的深度神经网络模型与数字孪生模型相结合，构建基于无人机传输数据的位置智能建立系统。数字孪生模型可以为深度神经网络模型提供经验数据和验证数据，以优化模型的预测效果。无人机传输数据可以为模型提供实时的、高质量的数据支持，以保证模型的及时性和准确性。
例如，在城市规划领域，可以构建基于无人机传输数据的城市交通拥堵预测系统，系统将城市交通流量的时间序列数据与城市道路网络的地理信息相结合，利用循环神经网络模型进行预测，并通过无人机传输数据获取实时的、高质量的交通流量数据，以持续地更新和优化模型的预测效果。
可选地，本申请实施例中，“所述将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放等数据增强处理，得到一系列新的序列”的过程可包括：
对于每个样本，随机生成一个旋转角度，将原始时间序列数据集中的每个序列沿着中心点旋转该角度，得到新的序列；其中，旋转角度可以在一定范围内随机生成，例如在[-30,30]的范围内生成一个随机角度，旋转后的样本可以表示为：
；
其中，表示旋转前样本的坐标，表示旋转后样本的坐标，表示随机生成的旋转角度；
对于每个样本，随机生成一个平移向量，将原始时间序列数据集中的每个序列沿着该向量平移，得到新的序列；其中，平移向量可以在一定范围内随机生成，例如在[-10,10]的范围内生成一个随机向量，平移后的样本可以表示为：
；
其中，表示平移前样本的坐标，表示平移后样本的坐标，表示随机生成的平移向量；
对于每个样本，随机生成一个缩放因子，将原始时间序列数据集中的每个序列沿着中心点进行缩放，得到新的序列；其中，缩放因子可以在一定范围内随机生成，例如在[0.8,1.2]的范围内生成一个随机因子，缩放后的样本可以表示为：
；
其中，表示缩放前样本的坐标，表示缩放后样本的坐标，表示随机生成的缩放因子。
可选地，本申请实施例中，步骤103可具体包括：对所述目标时间序列数据集进行验证，以评估所述数字孪生模型的综合得分。
具体包括以下步骤：
1031、将所述目标时间序列数据集划分为若干子序列，每个子序列作为验证集，其余子序列作为训练集；
通过公式：，根据所述训练集的历史误差计算平均绝对缩放误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引，表示滞后期；
在该步骤中，将目标时间序列数据集划分为若干子序列，每个子序列作为验证集，其余子序列作为训练集。利用训练集的历史误差，通过公式计算平均绝对缩放误差，以评估数字孪生模型的预测能力。平均绝对缩放误差反映了数字孪生模型预测值与实际值之间的误差大小。
例如，在城市规划领域，可以将城市交通流量的时间序列数据划分为若干子序列，每个子序列作为验证集，其余子序列作为训练集。利用训练集的历史误差，通过公式计算平均绝对缩放误差，以评估数字孪生模型对未来交通流量的预测能力。
1032、通过公式：，根据所述训练集的历史误差计算对称平均绝对百分比误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引；
在该步骤中，通过公式计算对称平均绝对百分比误差，以评估数字孪生模型的预测能力。对称平均绝对百分比误差反映了数字孪生模型的预测能力是否具有鲁棒性。
例如，在城市规划领域，可以利用对称平均绝对百分比误差评估数字孪生模型对未来交通流量的预测能力。
1033、通过公式：，将所述训练集划分为不同类别，并确定出在不同的时间序列分类中样本数量的平衡精度；
其中，表示类别数，表示类别中正确分类的样本数量，表示类别中错误分类的样本数量，表示非类别中正确分类的样本数量，表示非类别中错误分类的样本数量；
在该步骤中，将训练集划分为不同类别，并根据不同的时间序列分类确定出样本数量的平衡精度，以评估数字孪生模型的预测能力。样本数量的平衡精度反映了数字孪生模型的预测能力是否具有稳定性。
例如，在城市规划领域，可以将城市交通流量的时间序列数据划分为不同类别，并根据不同的时间序列分类确定出样本数量的平衡精度，以评估数字孪生模型对未来交通流量的预测能力。
1034、通过公式：，将所述训练集划分为不同类别，并确定出随机分类中样本数量的影响程度；
其中，表示观测的分类准确率，表示随机分类的分类准确率；
在该步骤中，将训练集随机分类，并根据随机分类的分类准确率，评估数字孪生模型的预测能力。随机分类的分类准确率反映了数字孪生模型的预测能力是否具有鲁棒性。
例如，在城市规划领域，可以将城市交通流量的时间序列数据随机分类，并根据随机分类的分类准确率，评估数字孪生模型对未来交通流量的预测能力。
1035、通过公式组：，根据所述平均绝对缩放误差、所述对称平均绝对百分比误差、所述不同的时间序列分类中样本数量的平衡精度以及所述随机分类中样本数量的影响程度，评估所述数字孪生模型的综合得分；
其中，为回归系数，为误差项，为评估得分，x1为所述平均绝对缩放误差、x2为所述对称平均绝对百分比误差、x3为所述不同的时间序列分类中样本数量的平衡精度、x4为所述随机分类中样本数量的影响程度。
在该步骤中，通过公式组综合评估数字孪生模型的预测能力。综合评估的方法可以是加权平均、层次分析等，以综合考虑各个评估指标之间的关系。
例如，在城市规划领域，可以利用加权平均的方法，将平均绝对缩放误差、对称平均绝对百分比误差、样本数量的平衡精度和随机分类的影响程度等评估指标进行综合评估，以评价数字孪生模型对未来交通流量的预测能力。
可选地，本申请实施例中，该方法还包括：设置实时监测装置，及时获取无人机的实际位置信息，并与所述数字孪生模型的预测结果进行比较，以调整所述数字孪生模型的参数和算法，包括但不限于调整模型超参数、增加样本量、对样本异常值进行处理。
在这个实施例中，该方法还包括设置实时监测装置，及时获取无人机的实际位置信息，并与数字孪生模型的预测结果进行比较，以调整数字孪生模型的参数和算法。
具体步骤如下：设置实时监测装置，及时获取无人机的实际位置信息，并将其与数字孪生模型的预测结果进行比较；根据比较结果，调整数字孪生模型的参数和算法，包括但不限于调整模型超参数、增加样本量、对样本异常值进行处理。
具体步骤如下：设置实时监测装置，及时获取无人机的实际位置信息，并将其与数字孪生模型的预测结果进行比较。设置实时监测装置，及时获取无人机的实际位置信息，并将其与数字孪生模型的预测结果进行比较。实时监测装置可以采用各种各样的传感器，如GPS、惯性导航系统等，以获取无人机的实际位置信息。将无人机的实际位置信息与数字孪生模型的预测结果进行比较，可以及时发现数字孪生模型的误差和不足之处，以便进行调整和优化。
例如，在城市规划领域，可以设置实时监测装置，利用GPS等传感器获取无人机的实时位置信息，并将其与数字孪生模型的预测结果进行比较，以发现数字孪生模型的误差和不足之处。
根据比较结果，调整数字孪生模型的参数和算法。
根据比较结果，调整数字孪生模型的参数和算法。调整的方法可以是修改模型的超参数、增加样本量、对样本异常值进行处理等，以提高数字孪生模型的预测能力和稳定性。
例如，在城市规划领域，可以根据实时监测装置获取的无人机位置信息，发现数字孪生模型对于某些区域的预测误差较大，此时可以通过增加该区域的训练样本数量，或者对异常样本进行处理，以优化数字孪生模型的预测能力。
图2为本申请实施例提供的一种基于无人机传输数据的位置建立系统的结构示意图，如图2所示，该系统包括：
采集模块21，用于通过无人机采集实际系统的目标传输数据，所述目标传输数据包括但不限于目标区域的尺寸、形状、材料、结构；
输入模块22，用于基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
验证输出模块23，用于对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
建立模块24，用于根据所述目标区域的位置信息在所述实际系统中建立目标区域。
图2所述的基于无人机传输数据的位置建立系统可以执行图1所示实施例所述的基于无人机传输数据的位置建立方法，其实现原理和技术效果不再赘述。对于上述实施例中的基于无人机传输数据的位置建立系统其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在一个可能的设计中，图2所示实施例的基于无人机传输数据的位置建立系统可以实现为计算设备，如图3所示，该计算设备可以包括存储组件31以及处理组件32；
所述存储组件31存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理组件32调用执行。
所述处理组件32用于：通过无人机采集实际系统的目标传输数据；基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；根据所述目标区域的位置信息在所述实际系统中建立目标区域。
其中，处理组件32可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
存储组件31被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
当然，计算设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
其中，该计算设备可以为物理设备或者云计算平台提供的弹性计算主机等，此时计算设备即可以是指云服务器，上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
本申请实施例还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时可以实现上述图1所示实施例的基于无人机传输数据的位置建立方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。

Claims (8)

1.一种基于无人机传输数据的位置建立方法，其特征在于，包括：
通过无人机采集实际系统的目标传输数据，所述目标传输数据包括目标区域的尺寸、形状、材料、结构；
基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
根据所述目标区域的位置信息在所述实际系统中建立目标区域
在所述对所述数字孪生模型进行验证之前，还包括：
将所采集的实际系统中的所有区域对应的传输数据进行时间节点标定，并按照时间顺序组织成原始时间序列数据集；
将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放的数据增强处理，得到一系列新的序列，以构建目标时间序列数据集；
对于每个新序列，根据时间步长将其划分为多个子序列；
将每个子序列作为一个样本，并将其加入到目标时间序列数据集中，直至获取到满足条件的新序列和子序列，以完成目标时间序列数据集的构建；
所述将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放的数据增强处理，得到一系列新的序列，包括：
对于每个样本，随机生成一个旋转角度，将原始时间序列数据集中的每个序列沿着中心点旋转该角度，得到新的序列；其中，旋转角度可以在一定范围内随机生成，旋转后的样本可以表示为：
；
其中，表示旋转前样本的坐标，表示旋转后样本的坐标，表示随机生成的旋转角度；
对于每个样本，随机生成一个平移向量，将原始时间序列数据集中的每个序列沿着该向量平移，得到新的序列；其中，平移向量可以在一定范围内随机生成，平移后的样本可以表示为：
；
其中，表示平移前样本的坐标，表示平移后样本的坐标，表示随机生成的平移向量；
对于每个样本，随机生成一个缩放因子，将原始时间序列数据集中的每个序列沿着中心点进行缩放，得到新的序列；其中，缩放因子可以在预设范围内随机生成，缩放后的样本可以表示为：
；
其中，表示缩放前样本的坐标，表示缩放后样本的坐标，表示随机生成的缩放因子。
2.根据权利要求1所述的方法，其特征在于，基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，包括：
获取实际系统中的所有区域对应的传输数据，传输数据包括实际系统中所有区域的尺寸、形状、材料属性、结构信息；
基于所述实际系统中的所有区域对应的传输数据建立物理模型，并利用数值方法或计算机辅助工程软件将物理模型转化为数字模型，再基于所述实际系统的物理模型和数字模型，建立虚拟系统的数字孪生模型。
3.根据权利要求1所述的方法，其特征在于，对所述数字孪生模型进行验证，包括：
对所述目标时间序列数据集进行验证，以评估所述数字孪生模型的综合得分。
4.根据权利要求3所述的方法，其特征在于，所述对所述目标时间序列数据集进行验证，以评估所述数字孪生模型的综合得分，包括：
将所述目标时间序列数据集划分为若干子序列，每个子序列作为验证集，其余子序列作为训练集；
通过公式：，根据所述训练集的历史误差计算平均绝对缩放误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引，表示滞后期；
通过公式：，根据所述训练集的历史误差计算对称平均绝对百分比误差；
其中，h表示预测步长，表示实际值，表示预测值，T表示最后一个训练样本的索引；
通过公式：，将所述训练集划分为不同类别，并确定出在不同的时间序列分类中样本数量的平衡精度；
其中，表示类别数，表示类别中正确分类的样本数量，表示类别中错误分类的样本数量，表示非类别中正确分类的样本数量，表示非类别中错误分类的样本数量；
通过公式：，将所述训练集划分为不同类别，并确定出随机分类中样本数量的影响程度；
其中，Po表示观测的分类准确率，表示随机分类的分类准确率；
通过公式组：，根据所述平均绝对缩放误差、所述对称平均绝对百分比误差、所述不同的时间序列分类中样本数量的平衡精度以及所述随机分类中样本数量的影响程度，评估所述数字孪生模型的综合得分；
其中，为回归系数，为误差项，为评估得分，x1为所述平均绝对缩放误差、x2为所述对称平均绝对百分比误差、x3为所述不同的时间序列分类中样本数量的平衡精度、x4为所述随机分类中样本数量的影响程度。
5.根据权利要求1所述的方法，其特征在于，还包括：
设置实时监测装置，及时获取无人机的实际位置信息，并与所述数字孪生模型的预测结果进行比较，以调整所述数字孪生模型的参数和算法，所述调整所述数字孪生模型的参数和算法的过程至少包括：调整模型超参数、增加样本量、对样本异常值进行处理。
6.一种基于无人机传输数据的位置建立系统，其特征在于，包括：
采集模块，用于通过无人机采集实际系统的目标传输数据，所述目标传输数据包括目标区域的尺寸、形状、材料、结构；
输入模块，用于基于所采集的实际系统中的所有区域对应的传输数据，建立虚拟系统的数字孪生模型，并将所述目标传输数据作为模型输入参数，输入所述数字孪生模型，以预测所述目标区域的位置信息；
验证输出模块，用于对所述数字孪生模型进行验证，并在所述数字孪生模型验证通过后，基于所述数字孪生模型输出所述目标区域的位置信息；
建立模块，用于根据所述目标区域的位置信息在所述实际系统中建立目标区域；
在所述对所述数字孪生模型进行验证之前，还包括：
将所采集的实际系统中的所有区域对应的传输数据进行时间节点标定，并按照时间顺序组织成原始时间序列数据集；
将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放的数据增强处理，得到一系列新的序列，以构建目标时间序列数据集；
对于每个新序列，根据时间步长将其划分为多个子序列；
将每个子序列作为一个样本，并将其加入到目标时间序列数据集中，直至获取到满足条件的新序列和子序列，以完成目标时间序列数据集的构建；
所述将原始时间序列数据集中的每个序列分别进行随机旋转、平移和缩放的数据增强处理，得到一系列新的序列，包括：
对于每个样本，随机生成一个旋转角度，将原始时间序列数据集中的每个序列沿着中心点旋转该角度，得到新的序列；其中，旋转角度可以在一定范围内随机生成，旋转后的样本可以表示为：
；
其中，表示旋转前样本的坐标，表示旋转后样本的坐标，表示随机生成的旋转角度；
对于每个样本，随机生成一个平移向量，将原始时间序列数据集中的每个序列沿着该向量平移，得到新的序列；其中，平移向量可以在一定范围内随机生成，平移后的样本可以表示为：
；
其中，表示平移前样本的坐标，表示平移后样本的坐标，表示随机生成的平移向量；
对于每个样本，随机生成一个缩放因子，将原始时间序列数据集中的每个序列沿着中心点进行缩放，得到新的序列；其中，缩放因子可以在预设范围内随机生成，缩放后的样本可以表示为：
；
其中，表示缩放前样本的坐标，表示缩放后样本的坐标，表示随机生成的缩放因子。
7.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如权利要求1~5任一项所述的基于无人机传输数据的位置建立方法。
8.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被计算机执行时，实现如权利要求1~5任一项所述的基于无人机传输数据的位置建立方法。
CN202411854741.6A 2024-12-17 2024-12-17 一种基于无人机传输数据的位置建立方法及系统 Active CN119334356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411854741.6A CN119334356B (zh) 2024-12-17 2024-12-17 一种基于无人机传输数据的位置建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411854741.6A CN119334356B (zh) 2024-12-17 2024-12-17 一种基于无人机传输数据的位置建立方法及系统

Publications (2)

Publication Number Publication Date
CN119334356A CN119334356A (zh) 2025-01-21
CN119334356B true CN119334356B (zh) 2025-02-28

Family

ID=94273143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411854741.6A Active CN119334356B (zh) 2024-12-17 2024-12-17 一种基于无人机传输数据的位置建立方法及系统

Country Status (1)

Country Link
CN (1) CN119334356B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578416A (zh) * 2022-10-12 2023-01-06 山东大学 一种无人机目标跟踪方法、系统、介质及电子设备
CN117854286A (zh) * 2024-03-08 2024-04-09 山东金宇信息科技集团有限公司 一种基于数字孪生的城市交通规划方法、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230123322A1 (en) * 2021-04-16 2023-04-20 Strong Force Vcn Portfolio 2019, Llc Predictive Model Data Stream Prioritization
CN118094912A (zh) * 2024-02-26 2024-05-28 浪潮云洲工业互联网有限公司 一种基于数字孪生的工厂动态模型构建方法、设备及介质
CN118196662B (zh) * 2024-03-26 2024-12-06 鄂尔多斯市腾远煤炭有限责任公司 一种基于贝叶斯网络算法的煤矿数字孪生模型建立方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578416A (zh) * 2022-10-12 2023-01-06 山东大学 一种无人机目标跟踪方法、系统、介质及电子设备
CN117854286A (zh) * 2024-03-08 2024-04-09 山东金宇信息科技集团有限公司 一种基于数字孪生的城市交通规划方法、设备及介质

Also Published As

Publication number Publication date
CN119334356A (zh) 2025-01-21

Similar Documents

Publication Publication Date Title
Long et al. Unified spatial-temporal neighbor attention network for dynamic traffic prediction
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN114861277B (zh) 一种长时序国土空间功能与结构模拟方法
WO2018214060A1 (zh) 一种城市小尺度空气质量指数预测方法与系统
CN102222313B (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
Zhang et al. Simulation of urban expansion based on cellular automata and maximum entropy model
Turukmane et al. Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques
Ma et al. How China’s linked urban–rural construction land policy impacts rural landscape patterns: A simulation study in Tianjin, China
CN117708551B (zh) 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统
CN115374709B (zh) 一种基于深度森林模型和flus模型的土地分析方法及系统
CN115629160A (zh) 一种基于时空图的空气污染物浓度预测方法及系统
CN110276477A (zh) 一种基于分层贝叶斯网络和增量学习的洪水预报方法
Dayal et al. Deep learning for multi-horizon water levelforecasting in KRS reservoir, India
CN118114201B (zh) 基于多源数据融合和ai的气象质量数据分析方法及系统
CN118535900A (zh) 基于可变面积单元的图神经网络森林火灾风险预测方法
CN118535955A (zh) 塔基边坡滑坡危险预测模型的训练方法、装置和计算机设备
CN119862512A (zh) 基于时空状态增强XGBoost-LSTM的车辆位置预测与异常预警方法、系统、设备及介质
Wang et al. Efficient inference of large-scale air quality using a lightweight ensemble predictor
CN118606628B (zh) 一种基于小型注意力机制的卷积网络的短期降水预测方法及其应用
CN118607967B (zh) 基于大数据分析的生态修复成效监测方法及系统
CN119334356B (zh) 一种基于无人机传输数据的位置建立方法及系统
Mahmoudi et al. Regionalization of rainfall intensity–duration–frequency (IDF) curves with L-moments method using neural gas networks
Haghrahmani Enhancing temperature prediction in the UAE: a process-driven framework for adaptive learning with GRU-CNN hybrid models
Asmael A GIS based weight of evidence for prediction urban growth of Baghdad city by using remote sensing data
CN119090109B (zh) 移动数智巡视路径优化方法、系统和装置

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
CP03 Change of name, title or address

Address after: 230000 Anhui Province Hefei City Gaoxin District Chengxiqiao Community Service Center Wangjiang West Road No. 920 Zhong'an Chuanggu Science and Technology Park Phase II J3 Building 901

Patentee after: Anhui Zhihui Yunzhou Technology Co.,Ltd.

Country or region after: China

Address before: 100085 No.1, Yuannei, Shuangqing Road, Haidian District, Beijing

Patentee before: BEIJING SMART YUNZHOU TECHNOLOGY Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载