日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

摘要：近年來(lái)，很多人將共享單車(chē)作為短途代步工具，這些單車(chē)會(huì)階段性地聚集在人流密集的交通樞紐，共享單車(chē)立體車(chē)庫(kù)可將這些車(chē)輛收容，減少擁堵，但現(xiàn)階段的共享單車(chē)立體車(chē)庫(kù)車(chē)輛出入庫(kù)速度較慢，調(diào)度不當(dāng)?shù)脑挄?huì)造成用戶等待時(shí)間過(guò)長(zhǎng)。現(xiàn)有的調(diào)度算法主要是為小型車(chē)立體車(chē)庫(kù)設(shè)計(jì)，不適合共享單車(chē)立體車(chē)庫(kù)。共享單車(chē)立體車(chē)庫(kù)的調(diào)度算法需要能夠識(shí)別車(chē)輛類(lèi)型，預(yù)測(cè)下一時(shí)段不同類(lèi)型車(chē)輛的出入庫(kù)情況，在空閑階段調(diào)整車(chē)輛存放位置，保證車(chē)輛能夠快速入庫(kù)、快速出庫(kù)。本文基于深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)共享單車(chē)識(shí)別模型、共享單車(chē)出入庫(kù)預(yù)測(cè)模型，并基于該預(yù)測(cè)模型設(shè)計(jì)結(jié)果，結(jié)合調(diào)度論體系實(shí)現(xiàn)一種共享單車(chē)立體車(chē)庫(kù)調(diào)度策略。通過(guò)實(shí)驗(yàn)驗(yàn)證，本文提出的調(diào)度算法有效地避免了調(diào)度不當(dāng)問(wèn)題，減少了用戶等待時(shí)間。

關(guān)鍵詞：共享單車(chē)立體車(chē)庫(kù)；識(shí)別；預(yù)測(cè)；調(diào)度

Abstract: In recent years, many people use shared bicycles as a short-distance transportation tool, and these bicycles will be gathered in traffic hubs with dense traffics periodically. Stereo Garage for Shared Bicycle (SGSB) can accommodate these bicycles and reduce congestion. However, the speed of entering and leaving the SGSB is slow, therefore, it will be time-consuming of improper dispatch. Basically, the existing scheduling algorithms are mainly designed for Stereo Garage for Car, which is not suitable for SGSB. The scheduling algorithm of SGSB needs to identify the type of bicycles, predict the number of in-out bicycles at the next period, adjust the storage location of bicycles at the idle stage, and ensure that bicycles can enter and leave the garage quickly. Based on deep learning, this paper implements a recognition model and a loading and unloading prediction model of shared bicycles.Besides, a scheduling strategy of SGSB based on the prediction model and the dispatching theory system is also proposed. Experimental results show that the proposed scheduling algorithm avoids the problem of improper scheduling effectively and reduces the waiting time of users.

Key words: Stereo garage for shared bicycle; Recognition; Prediction; Scheduling

1　背景

近年來(lái)共享單車(chē)種類(lèi)和數(shù)量越來(lái)越多，由于租借容易，使用方便，容易找到，很多人將其作為短途代步工具。但隨著人流流動(dòng)，這些共享單車(chē)會(huì)階段性地聚集在人流密集的交通樞紐，如地鐵站、公交站，最終導(dǎo)致大量道路面積被占用，嚴(yán)重時(shí)會(huì)妨礙車(chē)輛行人通行，造成交通擁堵。

共享單車(chē)立體車(chē)庫(kù)可將這些共享單車(chē)收容，減少車(chē)輛占用道路面積。本文所述的共享單車(chē)立體車(chē)庫(kù)為具有如下特征的立體車(chē)庫(kù)：立體車(chē)庫(kù)只有一個(gè)通行口；自行車(chē)出庫(kù)/入庫(kù)操作是串行的，即一輛車(chē)出庫(kù)/入庫(kù)之后才能出庫(kù)/入庫(kù)第二輛；每一個(gè)車(chē)位只能存放一輛自行車(chē)；同一車(chē)位上車(chē)輛的出庫(kù)時(shí)間和入庫(kù)時(shí)間相等；立體車(chē)庫(kù)中，不同車(chē)位上的車(chē)輛出庫(kù)時(shí)間不同；立體車(chē)庫(kù)的容量大。

由于共享單車(chē)立體車(chē)庫(kù)容量大、存放的車(chē)輛類(lèi)型不單一、立體車(chē)庫(kù)中距離通行口遠(yuǎn)的車(chē)位出庫(kù)/入庫(kù)時(shí)間很長(zhǎng)，所以當(dāng)調(diào)度不當(dāng)時(shí)，會(huì)導(dǎo)致共享單車(chē)出庫(kù)/入庫(kù)時(shí)間過(guò)長(zhǎng)，致使用戶長(zhǎng)時(shí)間等待。因此，如何合理地進(jìn)行立體車(chē)庫(kù)內(nèi)的車(chē)位調(diào)度就成為亟待解決的問(wèn)題。

2　相關(guān)工作

目前，現(xiàn)有的立體車(chē)庫(kù)調(diào)度算法大多是為小型車(chē)立體車(chē)庫(kù)設(shè)計(jì)的，主要算法包括基于隊(duì)列的調(diào)度算法、基于窮搜的調(diào)度算法、遺傳算法和蟻群算法^{[1、4、5、8]}。

這些調(diào)度算法并不能直接應(yīng)用于共享單車(chē)立體車(chē)庫(kù)的調(diào)度。和小汽車(chē)立體車(chē)庫(kù)不同，共享單車(chē)立體車(chē)庫(kù)中存放的車(chē)輛屬于多個(gè)類(lèi)別，出庫(kù)時(shí)只需出庫(kù)同一類(lèi)型車(chē)輛中的任意一輛即可。共享單車(chē)的存取會(huì)受到早晚上下班高峰、天氣、節(jié)假日等因素的影響，具有規(guī)律性，調(diào)度算法需要根據(jù)歷史信息預(yù)測(cè)下一時(shí)刻的車(chē)輛出入庫(kù)情況，根據(jù)預(yù)測(cè)結(jié)果調(diào)整立體車(chē)庫(kù)中共享單車(chē)存放位置。因?yàn)橛脩舸嫒牍蚕韱诬?chē)時(shí)輸入的車(chē)輛類(lèi)型很有可能和實(shí)際入庫(kù)的車(chē)輛類(lèi)型不一致，所以，在收集歷史信息時(shí)，算法要能夠根據(jù)車(chē)輛入庫(kù)時(shí)立體車(chē)庫(kù)拍攝的圖片主動(dòng)識(shí)別車(chē)輛類(lèi)型。

綜上所述，必須為共享單車(chē)立體車(chē)庫(kù)設(shè)計(jì)專(zhuān)門(mén)的車(chē)輛出入庫(kù)調(diào)度算法。該算法需要能夠識(shí)別車(chē)輛類(lèi)型，預(yù)測(cè)下一時(shí)段車(chē)輛的出入庫(kù)情況，在空閑階段調(diào)整車(chē)輛存放位置，保證車(chē)輛快速出庫(kù)/入庫(kù)，縮短用戶等待時(shí)間。本文闡述的算法可以滿足以上需求。

3　算法描述

本文提出的調(diào)度算法由三部分組成：調(diào)度策略、共享單車(chē)出入庫(kù)預(yù)測(cè)、共享單車(chē)識(shí)別。其中，調(diào)度策略需要依賴(lài)共享單車(chē)出入庫(kù)預(yù)測(cè)部分提供的預(yù)測(cè)信息，后者又需要依賴(lài)共享單車(chē)識(shí)別部分提供的識(shí)別信息。

3.1　調(diào)度策略描述

建立數(shù)組T，T的大小為共享單車(chē)立體車(chē)庫(kù)中車(chē)位的數(shù)量n。為車(chē)位編號(hào)，按照每個(gè)車(chē)位上車(chē)輛出庫(kù)時(shí)間，由小到大對(duì)車(chē)位進(jìn)行排序，然后將數(shù)組T的下標(biāo)按順序[0,1,…,n-1]分配給排好序的車(chē)位，0號(hào)車(chē)位上車(chē)輛出庫(kù)時(shí)間最短，(n-1)號(hào)車(chē)位上車(chē)輛出庫(kù)時(shí)間最長(zhǎng)。T[i]表示第i號(hào)車(chē)位的狀態(tài)，若i號(hào)車(chē)位上有共享單車(chē)，則T[i]的值為該共享單車(chē)的類(lèi)型，即T[i]=共享單車(chē)類(lèi)型；若i號(hào)車(chē)位上無(wú)車(chē)，則T[i]的值為0，即T[i]=0。

共享單車(chē)立體車(chē)庫(kù)有三種狀態(tài)：出庫(kù)、入庫(kù)、空閑。

當(dāng)出庫(kù)時(shí)，設(shè)出庫(kù)車(chē)輛類(lèi)型為type_i，遍歷數(shù)組T，找到第一個(gè)值為type_i的元素T[m]，將車(chē)位m上的自行車(chē)出庫(kù)，并設(shè)置T[m]=0。

當(dāng)入庫(kù)時(shí)，設(shè)入庫(kù)車(chē)輛類(lèi)型為type_j，遍歷數(shù)組T，找到第一個(gè)值為0的元素T[m]，將自行車(chē)入庫(kù)到m號(hào)車(chē)位，并設(shè)置T[m]=type_j。

當(dāng)空閑時(shí)，調(diào)整立體車(chē)庫(kù)中自行車(chē)的位置。使用共享單車(chē)出入庫(kù)預(yù)測(cè)模塊預(yù)測(cè)下一時(shí)刻每種類(lèi)型車(chē)輛的出入庫(kù)情況bicycle_ini和bicycle_outi。bicycle_ini表示第i種類(lèi)型共享單車(chē)的入庫(kù)量，bicycle_outi表示第i種類(lèi)型共享單車(chē)的出庫(kù)量。將立體車(chē)庫(kù)中的車(chē)位分成兩部分：0到(r-1)號(hào)車(chē)位為首部，r到(n-1)號(hào)車(chē)位為尾部。設(shè)r的粗略值為r_e，r_e的計(jì)算公式如下：

設(shè)為b_r _in為需要調(diào)整的0到(r_e-1)號(hào)車(chē)位中，應(yīng)當(dāng)處于空閑的車(chē)位的個(gè)數(shù)，其計(jì)算公式為：

設(shè)為b_r_outi為需要調(diào)整的0到(r_e-1)號(hào)車(chē)位中，應(yīng)當(dāng)存放的每種共享單車(chē)的個(gè)數(shù)，其計(jì)算公式為：

 設(shè)r的實(shí)際值為rreal，rreal的計(jì)算公式為：

 檢索T[0,…,r_real-1],若空閑車(chē)位小于b_r_in，則檢索T[0,…,r_real-1]中的每種共享單車(chē)的車(chē)輛個(gè)數(shù)，找到個(gè)數(shù)大于對(duì)應(yīng)的b_r_outi的共享單車(chē)類(lèi)型，將下標(biāo)最大的元素對(duì)應(yīng)的車(chē)輛放入T[r_real,…,n -1]中第一個(gè)檢索到的空閑車(chē)位。然后檢索T[0,…, r_real-1]中的每種共享單車(chē)的車(chē)輛個(gè)數(shù)，找到個(gè)數(shù)小于對(duì)應(yīng)的b_r_outi的共享單車(chē)類(lèi)型，從T[r_real,…,n -1]中找到第一個(gè)該類(lèi)型的共享單車(chē)放到T[0,…, r_real-1]中下標(biāo)最大的空閑車(chē)位中。

3.2　共享單車(chē)出入庫(kù)預(yù)測(cè)描述

共享單車(chē)出入庫(kù)預(yù)測(cè)使用深度學(xué)習(xí)技術(shù)，一種共享單車(chē)類(lèi)型建立一個(gè)預(yù)測(cè)模型，設(shè)共享單車(chē)類(lèi)型為m，則需要m個(gè)共享單車(chē)出入庫(kù)預(yù)測(cè)模型，所有預(yù)測(cè)模型采用同一種網(wǎng)絡(luò)結(jié)構(gòu)[2]，具體結(jié)構(gòu)如圖1所示。

 圖1 共享單車(chē)出入庫(kù)預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)

3.3　共享單車(chē)識(shí)別描述

共享單車(chē)識(shí)別使用深度學(xué)習(xí)技術(shù)，由兩個(gè)模型（自行車(chē)檢測(cè)模型和自行車(chē)識(shí)別模型）組成，采用級(jí)聯(lián)方式[3]。自行車(chē)檢測(cè)模型Bicycle_Detect_Net（BDN）用來(lái)檢測(cè)圖像中的自行車(chē)，輸出自行車(chē)在圖像中的坐標(biāo)。自行車(chē)識(shí)別模型 Bicycle_Recognize_Net（BRN）用來(lái)識(shí)別輸入的自行車(chē)屬于哪種共享單車(chē)。整體流程為：輸入圖片到BDN中，根據(jù)輸出坐標(biāo)截取圖片中對(duì)應(yīng)的車(chē)輛，然后將截取出的圖像輸入到BRN中，識(shí)別出自行車(chē)所屬的共享單車(chē)類(lèi)型，如圖2所示。

圖2 共享單車(chē)識(shí)別描述

4　算法實(shí)現(xiàn)

4.1　共享單車(chē)識(shí)別

4.1.1　訓(xùn)練樣本的制作

拍攝各個(gè)種類(lèi)的共享單車(chē)的視頻，拍攝的視頻需要滿足：包含共享單車(chē)各個(gè)角度、不同遠(yuǎn)近、無(wú)干擾物品的僅包含共享單車(chē)的圖片。將視頻按幀拆分成圖片，并剔除相似度高的、有遮擋的或有噪聲的圖片，要求篩選后的每類(lèi)共享單車(chē)的圖片數(shù)量在2000以上^[6]。之后使用標(biāo)注工具，標(biāo)注篩選后的圖片，標(biāo)注需要滿足標(biāo)注框緊貼圖片中共享單車(chē)的邊緣。將標(biāo)注后的圖片按照9:1的比例分為訓(xùn)練集和驗(yàn)證集。

4.1.2　模型的訓(xùn)練

自行車(chē)檢測(cè)模型和自行車(chē)識(shí)別模型分開(kāi)訓(xùn)練。首先訓(xùn)練自行車(chē)檢測(cè)模型，然后訓(xùn)練自行車(chē)識(shí)別模型。當(dāng)增加一個(gè)新類(lèi)型的共享單車(chē)時(shí)，自行車(chē)檢測(cè)模型不需要重新訓(xùn)練，自行車(chē)識(shí)別模型需要重新訓(xùn)練。

4.1.3　模型的使用

輸入圖片到自行車(chē)檢測(cè)模型，得到自行車(chē)在圖片中的坐標(biāo)，截取出自行車(chē)所在的那部分圖像，縮放并填充截圖，得到一個(gè)正方形圖，將該正方形圖輸入到自行車(chē)識(shí)別模型，最后輸出共享單車(chē)的類(lèi)型。

4.2　共享單車(chē)出入庫(kù)預(yù)測(cè)

4.2.1　訓(xùn)練樣本的制作

訓(xùn)練樣本需要從共享單車(chē)立體車(chē)庫(kù)和網(wǎng)絡(luò)實(shí)時(shí)收集數(shù)據(jù)，需要收集的數(shù)據(jù)主要包括車(chē)輛出/入庫(kù)時(shí)間、車(chē)輛類(lèi)型、車(chē)輛位置、天氣信息（陰晴雨雪、溫度、濕度、風(fēng)速、風(fēng)向）、PM2.5、是否節(jié)假日、周邊事故個(gè)數(shù)、周邊擁堵程度等^[7]。其中，車(chē)輛類(lèi)型由共享單車(chē)識(shí)別模塊檢測(cè)識(shí)別得到。以十分鐘為一個(gè)單位時(shí)間段，其中t0表示00:00-00:10，t1表示00:10-00:20，以此類(lèi)推。將上述信息按照單位時(shí)間段進(jìn)行統(tǒng)計(jì)。每條樣本數(shù)據(jù)包括（tx、時(shí)間距離、陰晴雨雪、溫度、濕度、風(fēng)速、風(fēng)向、PM2.5、是否節(jié)假日、……），tx表示第x個(gè)時(shí)間段，時(shí)間距離表示當(dāng)前日期距離數(shù)據(jù)采集日期的天數(shù)。每條樣本對(duì)應(yīng)的標(biāo)簽為車(chē)輛類(lèi)型1的出庫(kù)數(shù)量、車(chē)輛類(lèi)型1的入庫(kù)數(shù)量、車(chē)輛類(lèi)型2的出庫(kù)數(shù)量、車(chē)輛類(lèi)型2的入庫(kù)數(shù)量……車(chē)輛類(lèi)型k的出庫(kù)數(shù)量、車(chē)輛類(lèi)型k的入庫(kù)數(shù)量。

4.2.2　模型的結(jié)構(gòu)

預(yù)測(cè)模型的隱藏層由8層組成，每層都采用全連接網(wǎng)絡(luò)，激活函數(shù)都采用ReLU，每層包含的神經(jīng)元個(gè)數(shù)分別為：512、512、256、256、128、128、64、64。輸出層的神經(jīng)元個(gè)數(shù)為2k，k為共享單車(chē)類(lèi)型總數(shù)。

4.2.3　模型的訓(xùn)練

模型訓(xùn)練時(shí)，訓(xùn)練集不做特殊要求，校驗(yàn)集有特殊要求，校驗(yàn)集需要選用距離當(dāng)前時(shí)刻較近的樣本，即時(shí)間距離值較小的樣本。訓(xùn)練頻率為每3天一次。每次訓(xùn)練時(shí)，訓(xùn)練樣本需要重新制作，需要添加最近3天的共享單車(chē)立體車(chē)庫(kù)出入庫(kù)信息、天氣信息、交通信息等，訓(xùn)練樣本中的“時(shí)間距離”也需要重新計(jì)算，校驗(yàn)集也要重新選擇。

4.2.4　模型的使用

輸入當(dāng)前時(shí)刻的（tx、時(shí)間距離、陰晴雨雪、溫度、濕度、風(fēng)速、風(fēng)向、PM2.5、是否節(jié)假日等）到預(yù)測(cè)模型中，獲得模型輸出的每種共享單車(chē)出入庫(kù)預(yù)測(cè)情況，包括車(chē)輛類(lèi)型1的出庫(kù)數(shù)量、車(chē)輛類(lèi)型1的入庫(kù)數(shù)量……車(chē)輛類(lèi)型k的出庫(kù)數(shù)量、車(chē)輛類(lèi)型k的入庫(kù)數(shù)量。

4.3　調(diào)度策略

調(diào)度策略包含三部分：出庫(kù)策略、入庫(kù)策略和空閑時(shí)的調(diào)整策略。

4.3.1　出庫(kù)

若系統(tǒng)發(fā)出出庫(kù)指令，出庫(kù)車(chē)輛的類(lèi)型為type_k，則從前到后檢索數(shù)組T，找到值為type_k的元素的下標(biāo)，出庫(kù)對(duì)應(yīng)下標(biāo)的車(chē)位上的自行車(chē)，同時(shí)該元素的值設(shè)置為0。

4.3.2　入庫(kù)

若系統(tǒng)發(fā)出入庫(kù)指令，入庫(kù)車(chē)輛的類(lèi)型為type_g，則從前到后檢索數(shù)組T，找到值為0的元素的下標(biāo)，將自行車(chē)入庫(kù)到對(duì)應(yīng)下標(biāo)的車(chē)位上，同時(shí)該元素的值設(shè)置為type_g。

4.3.3　調(diào)整

當(dāng)共享單車(chē)立體車(chē)庫(kù)進(jìn)入空閑階段時(shí)，調(diào)用共享單車(chē)出入庫(kù)預(yù)測(cè)部分，獲得每種共享單車(chē)的出入庫(kù)數(shù)量。由公式1，2，3，4計(jì)算得到rreal、b_r_in、 b_r_outi。具體調(diào)整過(guò)程如偽代碼所示：

while (未收到入庫(kù)指令 && 未收到出庫(kù)指令)：

if 空閑車(chē)位數(shù) < b_r_in:

for i in [1,2,…,k]:

 if T[0,…,r_real-1]中i種類(lèi)型車(chē)輛總數(shù) > b_r_outi:

將T[0,…,r_real-1]中i種類(lèi)型車(chē)輛下標(biāo)最大的元素對(duì)應(yīng)的車(chē)輛放入T[r_real,…,n -1]中第一個(gè)檢索到的空閑車(chē)位。

for i in [1,2,…,k]:

 if T[0,…,r_real-1]中類(lèi)型i的車(chē)輛個(gè)數(shù) ＜b_ r_outi:

從T[r_real,…,n -1]中找到第一個(gè)該類(lèi)型的共享單車(chē)放到T[0,…,r_real-1]中下標(biāo)最大的空閑車(chē)位中。

5　實(shí)驗(yàn)

以層高5層，每層10個(gè)車(chē)位的共享單車(chē)立體車(chē)庫(kù)進(jìn)行測(cè)試。測(cè)試結(jié)果如表1所示。

表1 D表示日期（天）, S表示出入庫(kù)等待時(shí)間（秒）, A表示算法

通過(guò)表1可以發(fā)現(xiàn)，隨著時(shí)間的推移，使用貪心算法的調(diào)度，車(chē)輛出入庫(kù)平均等待時(shí)間在變長(zhǎng)，最終穩(wěn)定在70s左右，最長(zhǎng)等待時(shí)間達(dá)100s以上；使用本文算法的調(diào)度，平均等待時(shí)間是穩(wěn)定的，最大等待時(shí)間也是穩(wěn)定的，并且遠(yuǎn)遠(yuǎn)小于使用貪心算法的調(diào)度。

6　結(jié)論

本文提出的算法能夠識(shí)別共享單車(chē)車(chē)輛類(lèi)型；預(yù)測(cè)下一時(shí)段不同類(lèi)型車(chē)輛的出入庫(kù)情況，并且預(yù)測(cè)模型每3天更新一次，做到根據(jù)近期車(chē)輛出入庫(kù)規(guī)律及時(shí)調(diào)節(jié)；在空閑階段調(diào)整車(chē)輛存放位置，保證車(chē)輛能夠快速入庫(kù)、快速出庫(kù)，縮短用戶等待時(shí)間。

7　未來(lái)工作

本文提出的算法在共享單車(chē)立體車(chē)庫(kù)調(diào)整車(chē)輛位置階段，對(duì)r_e的選值比較固定，不夠靈活，這部分有改進(jìn)的空間。在共享單車(chē)識(shí)別部分，每增加一種車(chē)輛類(lèi)型，就需要人工標(biāo)注新類(lèi)型的車(chē)輛，制作訓(xùn)練樣本，然后重新訓(xùn)練自行車(chē)識(shí)別模型，這部分也有改進(jìn)的空間。

參考文獻(xiàn)：

[1] 王相峰, 劉勝永, 李曉寧, 等. 一種應(yīng)用于堆垛式立體車(chē)庫(kù)AC-TSP算法的研究[J]. 廣西科技大學(xué)學(xué)報(bào), 2015 (2) : 53 - 59.

[2] LeCun Y, Yann L, Yoshua B, Geoffrey H. Deep Learning[J]. Nature. 2015, 521 (7553) : 436 - 444.

[3] Kaipeng Zhang, Zhanpeng Zhang, Zhifeng Li, Senior Member, and Yu Qiao. Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks[C]. ECCV. 2016.

[4]刁瑞興, 徐海峰. 自動(dòng)化立體車(chē)庫(kù)調(diào)度策略淺析[J]. 科技資訊, 2017 (14) : 68 - 69.

[5]萬(wàn)方. 基于蟻群算法的自動(dòng)化立體車(chē)庫(kù)監(jiān)控軟件的優(yōu)化設(shè)計(jì)[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用, 2017 (2) : 64 - 65.

[6] 彭博, 臧笛. 基于深度學(xué)習(xí)的車(chē)標(biāo)識(shí)別方法研究[J]. 計(jì)算機(jī)科學(xué), 2015, 42 (4) : 268 - 273.

[7] 譚娟, 王勝春. 基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J]. 計(jì)算機(jī)應(yīng)用研究, 2015, 32 (10) : 2951 - 2954.

[8] 宋揚(yáng), 田野, 蘇瑞聰. 公交立體車(chē)庫(kù)調(diào)度算法的研究與實(shí)現(xiàn)[J]. 技術(shù)縱橫, 2018，(299) : 118 - 122.

作者簡(jiǎn)介：

宋　揚(yáng)（1990-），男，吉林長(zhǎng)春人，碩士，現(xiàn)任首鋼自動(dòng)化信息技術(shù)有限公司智慧城市創(chuàng)新中心大數(shù)據(jù)人工智能研發(fā)室副主任，主要研究方向?yàn)楦咝阅苡?jì)算。

田　野（1990-），男，遼寧海城人，研究生，現(xiàn)就職于百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司智能云業(yè)務(wù)運(yùn)營(yíng)部，主要研究方向?yàn)橛?jì)算機(jī)科學(xué)。

陳　星（1987-），男，河北遵化人，碩士，現(xiàn)任首鋼自動(dòng)化信息技術(shù)有限公司智慧城市創(chuàng)新中心大數(shù)據(jù)人工智能研發(fā)室算法架構(gòu)師，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)。

蘇睿聰（1991-），男，吉林長(zhǎng)春人，碩士，現(xiàn)任首鋼自動(dòng)化信息技術(shù)有限公司智慧城市創(chuàng)新中心大數(shù)據(jù)人工智能研發(fā)室算法架構(gòu)師，主要研究方向?yàn)橛?jì)算機(jī)科學(xué)。

摘自《自動(dòng)化博覽》2018年12月刊