-
公开(公告)号：CN110503032B
公开(公告)日：2021-08-31
申请号：CN201910775022.8
申请日：2019-08-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于监控摄像头轨迹数据的个体重要场所探测方法，包括：步骤1，根据个体监控摄像头轨迹数据所记录的摄像头时间序列和地理位置信息，提取出能代表个体停留一段时间的地理区域，并将该地理区域抽象为个体的停留点；步骤2，根据个体的停留点的地理位置进行空间聚类，将停留点抽象为停留区域，并计算停留区域的特征值；步骤3，基于停留区域的特征值计算停留区域对应的马氏距离，对停留区域对应的马氏距离进行异常值判断，并将判断为异常值的停留区域作为个体的重要场所；步骤4，按照个体在不同重要场所活动的时间段特点，对个体的每个重要场所进行分类。本发明提供的个体重要场所探测方法能提高个体重要场所探测的精度。
-
公开(公告)号：CN110515961A
公开(公告)日：2019-11-29
申请号：CN201910804309.9
申请日：2019-08-28
Applicant: 中南大学
IPC: G06F16/23 , G06F16/29 , G06F16/951 , G06F16/9537
Abstract: 本发明公开了一种基于时空大数据的基础地理信息更新需求评价方法，利用网络爬虫程序提取更新区域的地名地址信息，得到更新区域的新增地名地址数据量a和更新区域的属性内容变化较大的地名地址数据量b；获取更新区域的道路地址元素，基于路名提取的道路信息变化获取道路变化情况c；根据人口活动热度获取更新区域人口密集度数据d；根据城市规划图及区域发展状况获取更新区域所处城市等级信息e；通过城市规划图，提取不同城市功能区的地理空间范围得到该更新地区的城市功能区等级信息f；根据所得到的单位更新区域内的地名地址数据变化情况、道路变化情况以及区域更新对人类活动影响情况，通过公式求取单位更新区域的更新需求得分ω。
-
公开(公告)号：CN103869367A
公开(公告)日：2014-06-18
申请号：CN201410113795.7
申请日：2014-03-25
Applicant: 中南大学
IPC: G01V1/30
Abstract: 本发明涉及一种基于共享密度的地震事件时空聚集模式提取方法。本发明根据时空窗口k邻近关系，识别时空共享邻近地震事件，进而依据时空共享邻近关系，估计时空共享密度，最后依据时空共享邻近关系将高密度地震事件聚集成簇。优点如下：不需要用户设定地震事件时空聚集模式的数目与形态，同时可以提取不同密度的地震事件时空聚集模式，可以从空间和时间耦合的视角发现地震事件的动态演变规律，将地震事件的时空聚集模式可视化表达。
-
公开(公告)号：CN119719832A
公开(公告)日：2025-03-28
申请号：CN202510216690.2
申请日：2025-02-26
Applicant: 中南大学 , 中国科学院空天信息创新研究院
IPC: G06F18/23213 , G06F18/22 , G06F123/02
Abstract: 本申请涉及运动模式识别技术领域，提供了一种基于移动目标轨迹的运动模式挖掘方法及相关设备。该方法包括：基于所有轨迹数据获取每个移动目标对的距离变化序列；根据所有距离变化序列计算汇聚率和分离率，并根据汇聚率和分离率从所有移动目标中确定出多个汇聚移动目标和多个分离移动目标；根据在当前时刻的轨迹数据，对汇聚移动目标进行聚类，得到多个汇聚聚类簇，并根据在第1个时刻的轨迹数据，对分离移动目标进行聚类，得到多个分离聚类簇；将每个汇聚聚类簇中所有移动目标在时间段内的运动作为一汇聚模式，将每个分离聚类簇中所有移动目标在时间段内的运动作为一分离模式。本申请的方法能够提高运动模式挖掘的泛用性和可靠性。
-
公开(公告)号：CN119600608A
公开(公告)日：2025-03-11
申请号：CN202510145729.6
申请日：2025-02-10
Abstract: 本申请适用于三维建模技术领域，提供了一种城市建筑物的语义实景三维建模方法，包括：根据城市的OSM数据构建城市内各建筑物的三维模型；基于路网数据确定多个街景图像采样位置，并在每个街景图像采样位置采集多个方向的街景图像数据；获取街景图像数据的建筑物特征描述信息和文本信息集合，根据建筑物特征描述信息、文本信息集合和预定义的建筑物功能描述字典确定街景图像数据对应的建筑物功能类型；根据确定出的建筑物功能类型和街景图像采样位置，为城市内各建筑物的三维模型赋值语义描述信息，得到城市内各建筑物的语义实景三维模型。本申请能构建具备语义描述信息的建筑物三维模型，使得建筑物三维模型能满足智能城市应用的高精度需求。
-
Patent Agency Ranking
公开(公告)号：CN117893383A
公开(公告)日：2024-04-16
申请号：CN202410289290.X
申请日：2024-03-14
IPC: G06Q50/26 , G06F18/214 , G06F18/21 , G06F18/22 , G06F18/2321 , G06F18/20
Abstract: 本申请适用于时空大数据挖掘技术领域，提供了一种城市功能区域识别方法、系统、终端设备及介质，包括：采集POI数据，将POI数据划分到空间单元中；构建Delaunay三角网，进行长边约束后，构建空间单元段落；针对每个空间单元向量表征段落，提取空间单元向量表征段落中的有效广义单词，基于设计的用于增强有效广义单词的表征向量和空间单元段落表征向量之间相似性的学习函数，学习空间单元向量段落的表征向量，得到每个空间单元的功能表征；基于功能表征相似度对于空间单元进行K‑means聚类，分别计算每个聚类簇的平均密度比和类型比例，并以此对研究城市的功能区域进行识别。本申请能够提高城市功能区域识别的准确性。
-
公开(公告)号：CN117191004B
公开(公告)日：2024-03-19
申请号：CN202311461668.1
申请日：2023-11-06
Applicant: 中南大学
IPC: G01C21/00
Abstract: 本发明实施例中提供了一种融合众源轨迹数据的户外三维步行导航路网地图生成方法，属于导航技术领域，具体包括：获取目标区域内的行人户外步行轨迹数据；利用核密度估计算法生成步行轨迹数据的多级密度栅格图像；基于数学形态学细化算子提取道路骨架线；矢量化道路骨架线得到初始路网数据；将初始路网数据与步行轨迹数据进行匹配，去除虚假道路；对初次匹配处理后的初始路网数据进行拓扑优化和交叉口细化得到二维步行路网；将目标区域划分为细粒度的格网；计算格网内的高程估计值；将二维步行路网的节点与对应格网内的高程估计值进行叠加，生成三维步行导航路网地图数据。通过本发明的方案，提高了行人导航的适应性和精准度。
-
公开(公告)号：CN117271959A
公开(公告)日：2023-12-22
申请号：CN202311550749.9
申请日：2023-11-21
Applicant: 中南大学
Abstract: 本申请适用于空气检测技术领域，提供了一种PM2.5浓度预测结果的不确定性评估方法及设备，该PM2.5浓度预测结果的不确定性评估方法包括：将目标区域划分为多个网格区域，并构建无向图；根据每个网格区域的路网状态、兴趣点分布状态、气象属性、轨迹属性和PM2.5浓度，获取目标区域的属性矩阵；基于无向图和属性矩阵，获取最终潜在特征矩阵；对最终潜在特征矩阵进行计算得到所有网格区域的最优PM2.5浓度预测结果；基于最终潜在特征矩阵，获取网格区域的最优PM2.5浓度预测结果的不确定值。本申请的PM2.5浓度预测结果的不确定性评估方法能够解决PM2.5浓度预测结果的可靠性与稳健性存疑的问题。
-
公开(公告)号：CN110503032A
公开(公告)日：2019-11-26
申请号：CN201910775022.8
申请日：2019-08-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于监控摄像头轨迹数据的个体重要场所探测方法，包括：步骤1，根据个体监控摄像头轨迹数据所记录的摄像头时间序列和地理位置信息，提取出能代表个体停留一段时间的地理区域，并将该地理区域抽象为个体的停留点；步骤2，根据个体的停留点的地理位置进行空间聚类，将停留点抽象为停留区域，并计算停留区域的特征值；步骤3，基于停留区域的特征值计算停留区域对应的马氏距离，对停留区域对应的马氏距离进行异常值判断，并将判断为异常值的停留区域作为个体的重要场所；步骤4，按照个体在不同重要场所活动的时间段特点，对个体的每个重要场所进行分类。本发明提供的个体重要场所探测方法能提高个体重要场所探测的精度。
-
公开(公告)号：CN109376969A
公开(公告)日：2019-02-22
申请号：CN201811536641.3
申请日：2018-12-14
Applicant: 中南大学
CPC classification number: G06Q10/04 , G06K9/6256 , G06N3/0454 , G06Q50/26
Abstract: 本发明公开了一种基于深度学习的城市人口精细化分布的动态预测方法，包括：1、在研究所需尺度下，将研究区域进行网格化处理，构建样本集，并划分相应的训练集和测试集；2、构建城市人口分布预测模型，根据历史数据对所述预测模型进行训练；3、将前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，预测得到未来某一时刻的城市人口分布状态；该预测模型能够对城市格网划分的各区域进行同时预测；卷积长短期记忆网络通过卷积结构提取空间特征，通过长短期记忆网络结构获取时间特征，算法底层把卷积神经网络与长短期记忆网络相结合，学习人口分布变化的高维度时空特征，有效融合时间维度空间维度，从而提高预测精度。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.056 seconds)
