对于日本软银集团旗下英国芯片设计子公司Arm来说，今年的开局似乎并不顺利，芯片巨头英伟达斥资400亿美元收购该公司的计划因监管阻碍而落空。不过，Arm首席执行官雷恩·哈斯（Rene Haas）表示，该公司不会因此而陷入低迷。相反，Arm计划在云计算、网络、汽车和物联网等行业加倍投入，同时应对持续的芯片供应短缺挑战。哈斯说：“这不是我们要纠结的事情，我们对Arm目前的处境感到满意。我们认为，就公司的发展而言，我们正处于一个非常有利的环境中。”2016年，日本软银集团斥资310亿美元收购了Arm，在此之前，Arm为更广泛的市场设计芯片。但现在，它已经是个“截然不同的公司”。哈斯说，Arm正在为特定市场设计产品，比如需要高性能芯片的云计算领域，以及需要内置安全功能的汽车等。如今，Arm的主要客户包括亚马逊AWS和微软Azure等云计算巨头。与此同时，据称软银始终在推动Arm进行首次公开募股（IPO）。最近有报道称，由于英国政局动荡，该公司暂停了在伦敦上市的计划。但软银创始人孙正义今年6月表示，他倾向于在美国上市，因为Arm的很多客户都在美国。不过，Arm也未能幸免于芯片短缺危机。哈斯说，如果芯片供应商不能向AMD、英伟达、博通和英特尔等合作伙伴发货，那么Arm就无法从其设计中获得专利收入。同样，Arm的设计也被用于驾驶系统、自动刹车等。如果没有这些芯片，汽车就无法发货。Arm仍在继续成长壮大。根据5月份公布的财报，得益于5G智能手机、汽车芯片等领域的增长，Arm在2021年的专利收入增长了20%，达到创纪录的15.4亿美元。哈斯称，Arm芯片出货量也创下了292亿枚的纪录。如果不出现短缺，这个数字可能会更高。在全球范围内，芯片短缺已经对汽车、电脑等行业的供应链造成了严重破坏。苹果等消费电子公司、以及通用汽车和福特等汽车制造商都受到了供应短缺的严重冲击。作为回应，芯片巨头英特尔正在美国建立新工厂，而芯片制造商台积电报告称，由于需求不断增长，今年第二季度营收达到创纪录的181.6亿美元。未来，Arm将专注于让其芯片设计在高性能任务(如机器学习)中变得更高效。哈斯表示，他看好自动驾驶汽车的未来，因为它可能更安全。同时，他也看到了“元宇宙”(Metaverse)蕴含的增长机会。哈斯说:“我们认为，在这些领域，对高性能和高效计算的需求从未如此之大。我们将继续投资以扩大在这些领域的市场份额。”（小小）原文链接：http://www.techweb.com.cn/it/2022-07-24/2899150.shtml

2022 年带来了全球动荡、东欧战争、经济不确定性、供应链不可预测性、能源价格飙升、通货膨胀、大规模芯片短缺，可悲的是，这份清单并没有就此结束。在新一轮激烈的挑战浪潮袭来之前，与新冠肺炎相关的行业变化和全球经济的持续影响尚未结束。2022 年上半年的事件和现实如何影响物联网的采用？企业和行业如何依靠物联网来度过充满挑战的时代？2022 年上半年出现的障碍和机遇将如何影响能源、汽车、建筑和零售等垂直行业的近期发展？根据 Research and Markets 的数据，2021 年全球物联网市场带来了 1902.6 亿美元的收入。该公司报告称，与 2020 年相比，2021 年的这些数字表明市场正在复苏，当年新冠肺炎疫情促使许多公司取消或推迟物联网项目。Research and Markets 对 2022-2023 年的修正预测进一步表明，尽管对物联网硬件、平台和解决方案软件的需求持续甚至不断增长，但收入增长率将在2023年放缓20%。MSU（密歇根州立大学）计算机科学与工程助理教授兼 DeepTech 实验室首席讲师乔什·西格尔（Josh Siegel）表示，到目前为止，2022 年继续以 2021 年的主题为基础，即不可预测性和被压抑的需求导致意想不到的挑战和挑战驱动的创新。Josh Siegel 说：“总的来说，在物联网中，供应链短缺将继续影响物联网设备和系统的创建，导致市场的竞争力比以前更低，成本也更高，一些物联网实施正在被推迟、缩减或转移到替代技术和平台。”对于较小的组织，研发成本在某些情况下变得不可持续，或者至少受到延误。Siegel补充道：“对于大型组织来说，物联网设备和平台的多样性以意想不到的方式增长，例如，由于组件可用性高度可变，需要微控制器、内存或其他组件互换。这导致了一些碎片化和互操作性问题。从积极的方面来说，一些新的物联网硬件和软件的设计在构成方面变得越来越灵活。”年中的物联网Dimitrios Spiliopoulos 是制造业和供应链的工业物联网负责人，IE 商学院的物联网兼职教授，他表示：“即使面临挑战，物联网的采用仍将在2022年上半年继续。乌克兰战争、全球供应链中断、半导体短缺、疫情大流行的影响，以及招聘或留住人才的挑战等事件导致一些物联网项目的实施出现延误。尽管发生了这些事件，但组织还是看到了物联网的巨大力量，即使在充满挑战的条件下，他们也在扩大对物联网的采用。事实上，我看到挑战正在帮助公司了解数字化转型的价值，以便他们能够在情况发生变化时迅速采取行动。此外，我们从客户那里得知，自 COP26大会以来，对可持续性的讨论和关注日益增加，加上能源费用的增加，使物联网市场成为了新的焦点，尤其是在制造业、智能建筑、可再生能源和能源等领域。这种势头使更多公司考虑通过物联网和其他技术（如云、机器学习和数字孪生）来实现可持续解决方案。”同样，Spiliopoulos 表示，物联网可以帮助公司应对 2022 年上半年带来的各种挑战。他解释道：“已经在其生产设施、供应链或产品中采用物联网的公司已经设法更快地适应所有这些事件。面对能源费用增加的挑战，物联网可以帮助公司优化工厂、建筑和产品的能源消耗。能源优化是一个可以推动成本降低和可持续性成果的用例，因此，我看到市场和供应商对此产生了浓厚兴趣。此外，通过在生产机器、车辆、建筑物等资产中增加连接性和智能，可以在一定程度上缓解招聘或留住人才的挑战。物联网和人工智能相结合所带来的实时洞察力和自动化可以帮助公司有效地利用他们的劳动力和资产，使他们能够主动将资源分配给最重要的问题和任务。总体而言，生产监控和优化、预测性维护、质量监控等工业物联网用例可以帮助公司减少碳足迹（这是人类面临的最大挑战之一），同时使其变得更具弹性、更安全并降低成本。所有这些都非常有助于提高整个流程的透明度和可见性，可以应对供应链中断。”克莱姆森大学汽车工程代理系主任、汽车制造教授兼主席 Clemson补充说，当前实施物联网的一个主要障碍是硬件可用性。Clemson说：“半导体短缺已将显示器等商品以及所有类型微控制器的交货时间推至数月，在某些情况下，价格翻了三倍。这在某种情况下阻碍了正在进行的工作，包括我自己部门的工作。”事实上，物联网是帮助公司有信心度过今年剩余时间以及未来几年的东西。康奈尔大学生物与环境工程与系统工程教授、康奈尔能源系统研究所代理主任、康奈尔阿特金森可持续发展中心高级研究员 C. Lindsay Anderson 指出，物联网技术在引导供应链健康运转方面具有重要意义。她说：“物联网可以提高复杂系统（例如供应链）的意识和智能。随着供应链向更加分布式的架构发展，更多的物联网部署对于保持高效和可靠的运营至关重要。”MSU的Siegel表示，物联网及其相关技术，例如传感、网络、计算和人工智能等，可以帮助缓解 2022 年迄今为止世界上出现的商业危机。他说:“物联网可以通过提供有价值的见解，轻松增强供应链、物流和资产管理，这在以前是不可行的”。此外，Siegel 指出，物联网能够降低制造成本，提高质量，改善跨行业采购，并在全球动荡和经济不确定时期实现数字孪生和预测性维护的好处。克莱姆森大学的Clemson补充说，在这些供应有限的不确定时期，那些认真对待可视化实时运营状态的企业具有竞争优势。Clemson解释说：“他们能够更深入地跟踪供应网络中的稀疏材料，并更轻松地适应可用性。在工厂内，物联网通过保持低废品率、最大限度地提高生产力，以及有效规划资源分配以最大限度地减少停机时间，来充分利用这些材料以及人员和其他资源。物联网技术并不是消除糟糕经济状况的‘灵丹妙药’，但它们将通过不断提高对运营状况的实时了解，帮助公司更好地应对这些状况。”垂直物联网展望能源根据 Facts & Factors Research 的数据，到 2026 年，全球能源市场的物联网将达到 753 亿美元。被广泛认为是“智能电网之父”的明尼苏达大学电气和计算机工程教授 Massoud Amin 表示，2022年智慧能源实施的主要驱动因素将继续包括更好的连接性和安全网络，使组件和子系统成为可能。他说：“由于物联网技术与智能电网的集成度不断提高，传感器的采用率一直在增加。这使我们能够更快地过渡到更灵活的电网，并与可再生资源、微电网和分布式能源整合”。他补充说，关键的障碍包括复杂性、意识、标准、隐私问题和安全性。康奈尔大学的Anderson表示，随着天然气价格的上涨，这主要是由于乌克兰战争和对俄罗斯的制裁，电动汽车的采用趋势可能会加快。她说：“物联网在电动汽车中发挥着重要作用，这对于使用无处不在的电动汽车，提供电网灵活性以支持我们实现 2030 年和 2050 年气候目标所需的那种大规模可再生能源整合至关重要。随着电力系统变得更加分散，以可靠和可持续的方式控制系统的能力，将取决于访问实时信息并对其采取行动的能力，这将需要大规模部署物联网”。汽车该商业研究公司的数据表明，汽车物联网市场将在 2022 年达到 1255.9 亿美元，到 2026 年将达到 2196.1 亿美元。MSU 的 Siegel 表示，在汽车领域，更多值得关注的趋势包括遥测系统和基于订阅的功能继续增长；继续转向“软件定义的汽车”，需要物联网来进行安全的软件更新；越来越多的 C-V2X（蜂窝车辆到一切）连接应用，需要在车辆中实现精细的物联网，并需要更高的带宽和更低的延迟网络。Siegel 补充道：“物联网将继续在设备制造商和供应商处部署，作为提高供应链和生产质量的一种手段，同时确保设备正常运行和降低运营成本。而来自消费者车辆的数据将被用于设计更好的下一代汽车，以提高性价比。”建筑据《财富商业洞察》预测，全球智能建筑市场将从 2022 年的 806.2 亿美元增长到 2029 年的 3286.2 亿美元，但全球事件正在对该领域的发展产生影响。犹他大学建筑学院教授 Ajla Aksamija 的研究重点是建筑科学、高性能建筑、先进的建筑技术以及建筑和立面系统的创新，他说，最近的全球事件对人们的生活产生了深远的影响，建筑环境也受到这些事件的影响。例如，在新冠肺炎大流行期间，住宅成为了办公空间、教室和娱乐场所，而商业建筑、剧院、体育场馆、博物馆和市民中心在很长一段时间内都空无一人。2022年，人们和他们居住的建筑仍在适应“新常态”。Aksamija 说：“问题仍然存在——建筑环境的未来是什么？”“数字连接将如何影响未来的建筑？数字连接将影响建筑的设计和运营方式。建筑必须适应我们的‘新常态’，包括远程/混合工作、学习和社交。”零售尽管存在经济不确定性，但Research and Markets 表明，零售市场的物联网将在 2022 年至 2026 年间增长 448 亿美元。IE 商学院的 Spiliopoulos 表示，2022 年，零售业和与资产相关的所有行业都可以并且正在受益于利用物联网技术。Spiliopoulos说：“例如，汽车、建筑材料或消费产品的制造商不仅希望找到降低能耗和费用的方法，而且还希望自动化和优化流程。我看到了一个大趋势，即通过物联网跟踪应用，共享从生产到消费的信息，如产地和碳足迹，为客户（无论是消费者还是企业）提供更高的透明度。”另一个关键趋势是更加关注智能产品的生命周期。Spiliopoulos补充道：“拥有智能产品的公司正在考虑如何在循环经济和工业5.0的概念中处理其产品（如汽车、机器等）的生命周期问题。”总而言之，在2022年过半之际，他总结道：“从各方面来看，我认为物联网处于一个非常好的位置。对隐私、安全、能效和互操作性的更多关注可能是目前最大的增长领域，也是最大的机会。我们比几年前要好得多，但我们确实还有很长的路要走，随着新用例的设想和构建，该领域将不断发展。”（编译：iothome）原文链接：https://www.iothome.com/archives/7501

KEA Technologies 开发的两种新型汽车智能传感器系统使用触摸和呼吸分析技术自动测量驾驶员血液中的酒精含量。该系统可以在不到一秒钟的时间内准确判断驾驶员是否醉酒，如果是，可以阻止发动机启动。美国总统于 2022 年 5 月签署的美国政府 1 万亿美元的基础设施一揽子计划包括增加用于提高汽车安全性的资金。该一揽子计划包括一项立法条款，要求新车安装监控系统，以防止醉酒驾驶员驾驶车辆。据美联社报道，这项技术最早可能在 2026 年在新车中推出。该时间表旨在让汽车制造商能够测试技术选项并进行调整，而交通部则决定哪种技术最可行且最实用，可安装在数百万辆汽车中。这项新技术的目标是帮助缓解酒后驾车问题。美国国家公路交通安全管理局(NHTSA)报告称，美国每天约有 28 人死于酒后驾车事故。从 2010 年到 2019 年，每年有超过 10,000 人死于酒后驾驶。最近，美国公路交通安全管理局估计，2021 年上半年有 20,160 人死于任何原因的机动车事故，比 2020 年增加了 18.4%，这是自2006年以来同期预计死亡人数最多的一次。美国公路交通安全管理局指出，超速、不良驾驶和未系安全带都是造成这一数字激增的原因。驾驶员监控技术今后，新车可能会使用更自动化的物联网技术。新的立法规定，该技术必须“被动监控机动车驾驶员的表现，以准确识别驾驶员是否可能处于醉酒状态。”位于马萨诸塞州利特尔顿的 KEA Technologies 是致力于新一代自动驾驶员监控技术的公司之一。KEA 提供独立的测试服务，并为运输行业合作伙伴构建产品和工程解决方案。KEA开发了呼气酒精点火联锁(BAIIDs)技术，其中包括用于阻止酒后驾驶的设备。这些设备必须符合国际公认的标准，以确保路上每个人的安全。KEA 提供经认可的实验室服务，以根据这些公认标准来测试设备。KEA Technologies 还参与了驾驶员酒精安全检测系统 (DADSS) 计划，该计划是 NHTSA 和汽车交通安全联盟 (ACTS) 之间的公私合作伙伴关系。在国家层面，DADSS 专注于研发以推进酒精检测系统技术。KEA在马萨诸塞州运营DADSS实验室，该团队在那里进行机械和电气设备评估、验证和确认，以及在驾驶环境中进行测试。智能传感器解决方案对于新的监控任务，DADSS和KEA共同开发了车载智能传感器技术，可以自动阻止醉酒驾驶员驾驶车辆。他们正在测试两种传感器系统来测量驾驶员的血液酒精含量：呼吸测试。该传感器解决方案设计为位于驾驶员附近，或者在驾驶员的侧门上，或者在方向盘上。它可以测量驾驶员呼出气体中酒精分子的浓度。如果酒精浓度超过一定范围，系统会判断驾驶员的酒精含量不合标准，车辆将不能移动。基于触摸的测试。这种类型的传感器解决方案是基于触摸的。当驾驶员的手指放在汽车的点火按钮上或换挡杆上时，它通过将一束红外光照射到驾驶员的手指来测量酒精含量。然后，可以通过皮肤组织读取血液中的酒精含量。虽然传感器是智能的，但它们仅用作被动监控，以避免隐私问题。交通安全汽车联盟总裁兼首席执行官罗伯特·斯特拉斯伯格 (Robert Strassburger) 表示，传感器可以阻止车辆运行，但它们不会向执法部门或任何第三方实体报告数据。原文链接：https://www.iothome.com/archives/7513

国内专业的本地出行及生活服务平台——哈啰于7月18日发布“共享两轮文明城计划”,旨在助力国内各城市推进“创文创卫”工作,提升市民的幸福感、获得感。哈啰方面表示,该计划从科技管理、文明骑行、复工复产、低碳城市4个方面,为城市管理者提供综合性解决方案,共同建设智能科技、和谐文明、绿色低碳的城市新风尚。智慧骑行推动文明城市管理科技是当代城市管理的有力工具,基于此,哈啰推出“城市智慧骑行计划”,从城市响应、停车管理、骑行安全等角度,借助科技手段帮助城市管理者共同管理共享(电)单车。目前已有超400座城市落地各种城市智慧管理手段,其中包含“0530城市保障计划”、定点停车技术等。哈啰推出的“0530城市保障计划”是指共享单车企业在接到监管部门的清运通知后,在5分钟内完成响应,30分钟内到达指定地点进行清运,并在60分钟内完成清运动作。这是哈啰于2021年年中在共享两轮行业中首家推出的城市管理机制。截至2022年6月底,哈啰“0530城市保障计划”已落地超370座城市,累计响应城市管理需求超48万次,综合参与人员达7600人,车辆累计调度量超584万辆次。其中在北京市,哈啰在前后12个月内共响应调度需求超5万次,调度车辆逾130万辆次,在哈啰单车所有运营城市中排名第一。

本文将对目标检测与识别一站式方案的动态batch定制进行简析首先我们需要明确动态batch的目的，在目标检测与识别一站式方案中，我们首先对图片中的汽车进行检测，然后将检测到的目标进行裁剪后送入分类模型进行颜色分类，这里就涉及到了分类模型的动态batch，考虑到不同的输入图片检测结果中的汽车数量并不固定，使用大batch和小batch都不合适，最好的方法是根据检测到的汽车数量来决定batch大小，因此可以使用acl的动态batch特性。在src/inference.cpp文件中，我们可以加入一个简单的多次if-else来计算batchsize，这里我们可以选择设置动态batch为（1，2，4，8）四个档位想实现模型的动态batch特性，主要有两部分要修改，一是重新转换模型生成支持动态batch的模型，二是在应用中修改模型的输入部分代码，调用acl的接口为动态batch进行配置1、生成动态模型的命令如下：--input-shape的第一维改成-1表示该维度是动态的，后面加上--dynamic_batch_size的档位即可2、动态batch的实现主要可以分为两个阶段，如下所示：1、内存准备阶段：动态batch特性的实现实际上是给模型添加一个输入，这个输入的功能是对动态batch相关的内容进行配置，而内存准备主要是为了给模型的这个额外的输入进行内存分配等如上图，先调用aclmdlGetInputIndexByName(modelDesc_, ACL_DYNAMIC_TENSOR_NAME, &dynamicIdx)获取动态batch信息是模型的第几个输入aclmdlGetInputSizeByIndex(modelDesc_, dynamicIdx)再根据获取的位置计算需要分配的内存大小2、模型推理阶段：代码如下：在模型推理之前，再次调用这个接口获取到动态batch信息的位置aclmdlGetInputIndexByName(modelDesc_, ACL_DYNAMIC_TENSOR_NAME, &index)之后调用下面的接口，将之前根据汽车数量计算得到的batchsize送入模型输入中，即可完成动态batch的配置，之后正常推理即可。aclmdlSetDynamicBatchSize(modelId_, input_, index, batchSize)参考资料：应用开发（高级）-昇腾社区 (hiascend.com)CANN训练营22年度第二季-高阶班《玩转CANN目标检测与识别一站式方案（上）》_哔哩哔哩_bilibilisamples: CANN Samples (gitee.com)

本文将对目标检测与识别一站式方案的动态batch定制进行简析首先我们需要明确动态batch的目的，在目标检测与识别一站式方案中，我们首先对图片中的汽车进行检测，然后将检测到的目标进行裁剪后送入分类模型进行颜色分类，这里就涉及到了分类模型的动态batch，考虑到不同的输入图片检测结果中的汽车数量并不固定，使用大batch和小batch都不合适，最好的方法是根据检测到的汽车数量来决定batch大小，因此可以使用acl的动态batch特性。在src/inference.cpp文件中，我们可以加入一个简单的多次if-else来计算batchsize，这里我们可以选择设置动态batch为（1，2，4，8）四个档位想实现模型的动态batch特性，主要有两部分要修改，一是重新转换模型生成支持动态batch的模型，二是在应用中修改模型的输入部分代码，调用acl的接口为动态batch进行配置1、生成动态模型的命令如下：--input-shape的第一维改成-1表示该维度是动态的，后面加上--dynamic_batch_size的档位即可2、动态batch的实现主要可以分为两个阶段，如下所示：1、内存准备阶段：动态batch特性的实现实际上是给模型添加一个输入，这个输入的功能是对动态batch相关的内容进行配置，而内存准备主要是为了给模型的这个额外的输入进行内存分配等如上图，先调用aclmdlGetInputIndexByName(modelDesc_, ACL_DYNAMIC_TENSOR_NAME, &dynamicIdx)获取动态batch信息是模型的第几个输入aclmdlGetInputSizeByIndex(modelDesc_, dynamicIdx)再根据获取的位置计算需要分配的内存大小2、模型推理阶段：代码如下：在模型推理之前，再次调用这个接口获取到动态batch信息的位置aclmdlGetInputIndexByName(modelDesc_, ACL_DYNAMIC_TENSOR_NAME, &index)之后调用下面的接口，将之前根据汽车数量计算得到的batchsize送入模型输入中，即可完成动态batch的配置，之后正常推理即可。aclmdlSetDynamicBatchSize(modelId_, input_, index, batchSize)参考资料：应用开发（高级）-昇腾社区 (hiascend.com)CANN训练营22年度第二季-高阶班《玩转CANN目标检测与识别一站式方案（上）》_哔哩哔哩_bilibilisamples: CANN Samples (gitee.com)

物流是一个被明显低估的行业。从行业规模来看，物流是仅次于房地产的大块头。据高盛预计，2025年中国物流市场规模将达19万亿元，相当于GDP的12%。就行业重要性而言，物流业堪称经济体系健康运行的血脉。尤其在疫情防控的背景下，物流业对日常生活与复工复产的影响力更是无出其右。伴随以电商为代表的消费互联网迅猛发展，ToC的快递、快运日益壮大，很多物流企业的数字化、智能化水平已走在最前沿。但不容忽视的是，国内ToB物流起步较晚，不少物流企业连初级的信息化建设都尚未完成，千行百业对自身物流体系的系统规划与数字化转型也亟待提速。让物流业这头大象学习新的舞步，并不是件容易的事情。当消费互联网的红利期渐入尾声，能使大象重新起舞的节拍主要源自产业互联网密集敲击的鼓点。在物流业从传统迈向现代的进程中，显然离不开ICT基础设施的全面升级与数字化服务的强势驱动。化平凡为神奇的故事，正在物流业上演。作为国内领先的物流科技和服务企业，中交兴路基于全球最大商用车联网平台为物流行业数字化转型提供多元化的产品与解决方案，并与践行“一切皆服务”的华为云战略合作，整合双方的技术、产品和市场能力，聚焦物流领域进行联合创新，共同推动智慧物流的真正落地。 智慧物流的机遇与痛点根据中国物流与采购联合会发布的报告，智慧物流需求涵盖物流数据、物流云、物流设备三大领域，到2025年国内智慧物流市场规模将超万亿元。显而易见，物流行业数字化转型与智能化升级的潜在空间可观，大水里必将催生大鱼。但对身处其间的数字化服务企业而言，却“如鱼饮水冷暖自知”，个中艰辛毋庸讳言。作为在物流行业耕耘近10年的资深人士，中交兴路生态合作业务部总经理任翃达坦言：国内ToB物流从2019年之后才迈入正轨，如果物流科技企业没有3～5年的积累沉淀，就不可能对各个细分市场与应用场景有深刻理解，提供符合客户需求的产品与服务更无从谈起。在相当长一段时间里，国内大多数行业的物流体系处于野蛮生长状态，企业的主要精力放在生产和销售环节，物流管理模式比较粗放。当市场竞争日趋白热化，企业间的差距往往体现在毫末之端，物流的精细化管理自然提上日程。意识与认知层面的改变只是第一步，企业很快发现要付诸行动似比登天。企业的原材料供给、生产、销售通常分散在异地，不管是三角形还是直线型，物流体系的规划都殊非易事。与此同时，物流不仅是运输那么简单，仓储、调度等环节缺一不可，打通整个链条难度颇高。尤为重要的是，不同行业对物流的要求千差万别——牛奶等快消品、钢铁等制造业、粮油等基础物资行业对流程、安全的需求等级和操作细节各不相同，只有摸爬滚打好几圈后，才能避免盲人摸象的尴尬。 强强携手的攻坚之路这是充满千难万险的漫漫征途。解决物流行业面临的诸多痛点，必须从数字化和智能化入手，探索不断进阶的有效路径。从2004年公司成立以来，中交兴路秉持“让物流更简单”的理念，通过创新产品与服务赋能物流行业，逐步构筑起强大的护城河。任翃达将其概括为三方面：一是基于对物流行业的理解和经验，累积了大量成功案例，并伴随客户一起成长；二是实现数据的全链路覆盖，对物流大数据的采集、运营和维护形成不可替代的竞争壁垒；三是从方案型销售发展为运营模式的突破，帮助企业将物流由成本部门转变成利润部门。值得关注的是，中交兴路是全国道路货运车辆公共监管与服务平台的建设和运营单位。该平台是12吨以上重载货车的国家级监管平台，目前入网车辆超过700万辆，可为主管部门和从业者提供自动化监管、舆情信息提醒、精准信息下发、位置**查询等多项服务。基于在行业的长期深入参与和持续创新的竞争能力，中交兴路打造出多种物流SaaS产品以及PaaS云产品和解决方案，业务覆盖4000余家核心物流企业，广泛应用在政府部门、钢铁、煤炭、快消、保险、金融等多个行业；同时，公司是行业内唯一能输出保前、保中、理赔反欺诈全流程经营解决方案的科技公司。看似顺风顺水的背后，也潜藏着成长的烦恼。中交兴路的项目开发效率不可能无限度地线性扩展，研发人员的增长速度跟不上客户开拓的进程，有些不错的项目只好忍痛割爱。“我们之前有很多项目丢掉的原因就是因为研发饱和了”，任翃达表示。与此同时，企业物流的市场空间巨大，尽管中交兴路在省级市场的渗透已初见成效，但向市、县级市场继续下沉就必须找到强大的合作伙伴。经过多次接触与深入了解，2021年10月，中交兴路与华为云达成战略合作。中交兴路将其在商用车车联网领域积累的能力，以API接口、插件等方式，集成并沉淀在华为云开天aPaaS平台上——为道路运输管理相关客户提供运输节点服务、必经地/禁行地管理、运输行程、运输中转、运输规划等精准物流运输车辆数据服务。双方还向客户提供了“中交兴路数据服务”，以“智运网货运平台系统”、“数字化物流厂区解决方案”等产品为载体，推动公路货运行业物流要素数字化进程。物流的数字化变革促使数据种类和量级急剧攀升，涉及人、车、货、路、场、资金、发票等多个维度。华为云开天aPaaS汇聚各种行业大数据API资产和技术能力API资产，让中交兴路业务场景开发效率得到大幅改善。“如果为了接更多的项目，我们的研发人员可以从600、800再到1000人，但依然无法从根本上解决问题。”任翃达表示，与华为云合作后，中交兴路的项目开发、部署和运维效率得到显著提升。“很多工具不用我们自己开发了”，任翃达表示，中交兴路的很多基础研发工作如果都能在开天aPaaS上去调用，开发效率和客户接待效率将得到质的提升。过去，中交兴路的一个业务系统就要连接十几家供应商，很多时间耗费在接口对接和数据库适配上。有了华为云的加持，快速部署方案可有效解决标准化以及开发效率问题，“以前要花一周时间的方案部署，现在一天就能完成，每周可部署七八套方案”。开发和部署效率提升后，中交兴路与华为云可以更聚焦于解决方案能力的跃迁，数字化厂区业务协同平台即是典型代表。它是面向厂区或园区提供的一站式物流及周边业务管理协作平台，利用华为云大数据、IoT、GaussDB等先进技术手段，结合中交兴路的GIS地图和北斗卫星技术，基于厂区的全透明管理、车辆违规告警、智能排号排队、厂内路线导航等场景提供一站式数字化解决方案，助力生产制造型企业智能化、绿色化的可持续发展。技术、产品、解决方案能力的积累，终极目标还是触达行业客户，在更广阔的市场与更丰富的生态中开花结果。任翃达表示，“中交兴路与华为云可携手拓展更多市场空间，物流企业里有10%的转化率就是不小的市场规模；况且其中有大量年营业额超过10亿元的公司，信息化与数字化建设水平尚处于起步阶段。”除物流企业外，中交兴路还可借助华为云在政企核心大客户领域以及深层次区域的优势，在更多细分市场构建竞争壁垒。目前，双方在多式联运、快消、制造等行业已取得积极成果。以蒙牛为例，从订单交付到全程履约的蒙牛数智物流平台，是中交兴路与华为云数字化厂区物流解决方案的高度定制版——让蒙牛业务的各个环节实现向数字化、智能化的全面升级，辅助生产决策和园区管理更轻松、运输过程更高效，帮助蒙牛达成全业务场景的自动化管理，以数字赋能助力企业降本增效。 层层递进的合作阶梯如果说物流行业的数字化与智能化是一座厚雪长坡的山峰，那么中交兴路与华为云的合作就像不断向上延伸的阶梯，愿景与路线图都清晰可见。最底层的基座是ICT与云服务基础设施的升级。中交兴路的网络货运、数字化业务协同平台等都使用了华为云服务器，同时在等保测评、安全组件上有深入合作，对ECS、RDS、HSS、WAF、SSL、堡垒机、EIP等产品也有应用。双方还加强云服务基础设施的协作，华为云向中交兴路提供高性价比的云资源、产品、解决方案和服务，并在IaaS、边缘云、RTC、CDN等领域率先落地。针对海量数据爆发与安全机制缺位的行业痛点，华为云GaussDB数据库、数据仓库产品具备高性能、高可靠性等特征，可支撑上百PB级数据量和百万QPS，保障相关数据按需使用、业务顺畅运行；面对交易、保险等金融产品线上运营中可能出现的资金、信息被盗现象，华为云的保护应用服务能为业务的合规健康发展保驾护航。下一个台阶是依托aPaaS平台探索智慧物流的更多可能。华为云开天aPaaS基于地图和出行等服务能力，以及中交兴路丰富的货运车辆数据，共同构建开天物流行业aPaaS，高效支撑物流行业数字化转型。华为云积累的资源、经验和能力与中交兴路的解决方案、数据和技术优势相结合，能够支持中交兴路开展智慧物流解决方案的研发，进而在传统物流、产业园区、钢铁矿业、零售快消等行业迅速拓展。再往上的台阶是销售商机的挖掘与合作生态的构建。华为云在大型政企类业务关键型客户中拥有良好的品牌价值影响力，在生产制造、冶金、煤炭等市场的客户数量及销售体系也优势突出，将助力中交兴路toB领域开疆扩土。华为云还专门组建了物流冲锋队，协助中交兴路快速占领市场。更高层级的台阶在哪里？任翃达认为，中交兴路与华为云应共同推动智慧物流相关行业标准的建立，为高速成长期的toB物流市场指明方向。这条路注定不会平坦，但双方会继续向上攀登，因为“山”一直在那里。*来源：IT创事记

本项目基于MindSpre框架、YOLOv3-Darknet53、VisDrone数据集实现目标检测与计数。1.项目地址https://github.com/whitewings-hub/mindspore-yolov3-vehicle_counting2.环境准备MindSpore版本为1.5。3.数据集处理VisDrone数据集下载http://aiskyeye.com/download/object-detection-2/需要将原始VisDrone数据集转换为coco格式，然后存放在本地目录使用https://github.com/whitewings-hub/mindspore-yolov3-vehicle_counting/blob/main/code_2/VisDrone2coco.py来进行处理，python VisDrone2coco.py即可。4.基于albumentations的数据增强https://github.com/whitewings-hub/mindspore-yolov3-vehicle_counting/blob/main/code_2/src/transforms.py使用了albumentations库中的RandomBrightnessContrast方法、HueSaturationValue方法、Cutout方法进行随机调整亮度和对比度、随机调整输入图像的色调饱和度、在图像中生成正方形区域来对图像数据进行增强，通过albumentations库中的Compose方法把这三个图像数据增强变换放在一起按顺序执行，并在后面读取图片进行图像数据增强。transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.HueSaturationValue(), A.Cutout(num_holes=10, max_h_size=20, max_w_size=20, fill_value=0, p=0.5) ])5.DIoU-NMS将普通NMS算法替换为DIoU-NMS算法。在传统NMS代码的基础上，前面按置信度得分从高到底排序并选择置信度得分最高的候选框的操作是一样的，主要增加的额外变量就是两框最小外接框的对角线长的平方以及两框中心点距离的平方，之后再根据DIoU计算的公式进行计算得到DIoU然后过滤掉DIoU高于阈值的框，保留置信度分数最高的目标框并对其余剩下的目标框进行递归。 def _diou_nms(self, dets, thresh=0.6): x1 = dets[:, 0] y1 = dets[:, 1] x2 = x1 + dets[:, 2] y2 = y1 + dets[:, 3] scores = dets[:, 4] areas = (x2 - x1 + 1) * (y2 - y1 + 1) order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x1[i], x1[order[1:]]) yy1 = np.maximum(y1[i], y1[order[1:]]) xx2 = np.minimum(x2[i], x2[order[1:]]) yy2 = np.minimum(y2[i], y2[order[1:]]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) inter = w * h ovr = inter / (areas[i] + areas[order[1:]] - inter) center_x1 = (x1[i] + x2[i]) / 2 center_x2 = (x1[order[1:]] + x2[order[1:]]) / 2 center_y1 = (y1[i] + y2[i]) / 2 center_y2 = (y1[order[1:]] + y2[order[1:]]) / 2 inter_diag = (center_x2 - center_x1) ** 2 + (center_y2 - center_y1) ** 2 out_max_x = np.maximum(x2[i], x2[order[1:]]) out_max_y = np.maximum(y2[i], y2[order[1:]]) out_min_x = np.minimum(x1[i], x1[order[1:]]) out_min_y = np.minimum(y1[i], y1[order[1:]]) outer_diag = (out_max_x - out_min_x) ** 2 + (out_max_y - out_min_y) ** 2 diou = ovr - inter_diag / outer_diag diou = np.clip(diou, -1, 1) inds = np.where(diou <= thresh)[0] order = order[inds + 1] return keep6.模型训练、验证、使用模型训练、验证、使用分别对应train.py，eval.py，predict.py，详细方法参考https://github.com/whitewings-hub/mindspore-yolov3-vehicle_counting/blob/main/code_2/README.md7.车辆检测与计数计数功能实现。在前面从图像中检测出来的目标框出来并显示目标的类别的基础上，统计每个类别的目标的数量，即创建一个列表，每个目标类别对应一个项，初始值为0，在给物体画目标检测框的时候顺便在刚才创建列表中目标类别对应的项加1，在画框结束后，对于每种目标类别对应的数量也保存到了列表中，然后构建好表示目标类别和数量的字符串并通过cv2库中的putText方法将统计到的目标的种类及相对应的数量添加到图片当中。 def draw_boxes_in_image(self, img_path): num_record = [0 for i in range(12)] img = cv2.imread(img_path, 1) for i in range(len(self.det_boxes)): x = int(self.det_boxes[i]['bbox'][0]) y = int(self.det_boxes[i]['bbox'][1]) w = int(self.det_boxes[i]['bbox'][2]) h = int(self.det_boxes[i]['bbox'][3]) cv2.rectangle(img, (x, y), (x + w, y + h), (0, 225, 0), 1) score = round(self.det_boxes[i]['score'], 3) classname = self.det_boxes[i]['category_id'] text = self.det_boxes[i]['category_id'] + ', ' + str(score) cv2.putText(img, text, (x, y), cv2.FONT_HERSHEY_PLAIN, 2, (0, 0, 225), 2) num_record[label_list.index(classname)] = num_record[label_list.index(classname)] + 1 result_str = "" for ii in range(12): current_name = label_list[ii] current_num = num_record[ii] if current_num != 0: result_str = result_str + "{}:{} ".format(current_name, current_num) font = cv2.FONT_HERSHEY_SIMPLEX img = cv2.putText(img, result_str, (20, 20), font, 0.5, (255, 0, 0), 2) return img详细代码运行方法参考https://github.com/whitewings-hub/mindspore-yolov3-vehicle_counting/blob/main/code_2/README.md运行效果图如下：检测前检测后8.项目参考https://gitee.com/mindspore/models/tree/r1.5/official/cv/yolov3_darknet53https://github.com/leonwanghui/ms-yolov3-basketball

IT之家 7 月 14 日消息，上海交警今天宣布，为保障东海大桥自动驾驶测试车辆与社会车辆行车安全，根据《中华人民共和国道路交通安全法》等相关法律规定，自 2022 年 7 月 18 日起，在东海大桥实施自动驾驶测试专用道的管理措施。自动驾驶测试专用道设置在东海大桥双向最外侧三号车道。专用时段为每日 10 时至 13 时，周六、周日和全体公民放假日除外。自动驾驶测试专用道在规定时段内供自动驾驶测试车辆专用行驶，其他车辆不得驶入，执行紧急任务的特种车辆、救护车、实施清障施救作业的车辆除外。对违反规定驶入自动驾驶测试专用车道的，公安机关将依据《道路交通安全法》第 37 条、第 90 条规定，对“机动车违反规定使用专用车道的”违法行为予以 100 元处罚。IT之家了解到，上个月上海市人民政府办公厅印发《上海市数字经济发展“十四五”规划》（以下简称“规划”）。规划称，围绕数字新产业、数据新要素、数字新基建、智能新终端等重点领域，加强数据、技术、企业、空间载体等关键要素协同联动，加快进行数字经济发展布局。在打造智能新终端的智能网联汽车方面，规划提出，加快推进智能网联汽车技术研发和落地量产，打造智能便捷低碳的未来出行体验，开辟移动“第三空间”。加快核心部件和系统研制，推动激光雷达、毫米波雷达、车载芯片、车载操作系统和 V2X（车用无线通信技术）设备等领域取得突破，培育一批智能网联整车生产及电子核心零部件龙头企业和“隐形冠军”。规划还指出，将拓展车联网应用场景，推动自动驾驶技术在交通领域的试点应用。探索“人、车、生活”一体化消费新模式，加速互联网、消费娱乐、旅游和金融等行业与车联网、自动驾驶产业融合应用。而在此前发布的《上海市促进智能终端产业高质量发展行动方案（2022—2025 年）》中也指出，将大力发展智能网联汽车、智能机器人、虚拟现实交互、智能家居、智能穿戴等智能终端，目标到 2025 年，打造 10 款以上爆款智能网联汽车。其中，在智能网联汽车方面，上海市将支持传统车企、造车新势力和科技公司紧抓消费趋势，打造具有上海标识度的爆款品牌；加快无人出租车、智能公交、智能重卡等商用终端落地推广，推进测试示范和商业运营发展；加快研发智能驾驶、智能网联和智能座舱核心系统。

基于智慧公路的行人检测技术研究与实现王云鹏1, 罗渠元1, 李长乐1, 毛国强21 西安电子科技大学综合业务网理论及关键技术国家重点实验室，陕西 西安 7100712 悉尼科技大学电气与数据工程系，新南威尔士 悉尼 2007摘要针对行人检测大多利用车载设备实现，存在检测功能单一、成本高昂，并且检测效率和可靠性低等问题，提出了一种基于智慧公路的行人检测技术。通过在道路侧部署大量低成本、高可靠性的智能物联网行人检测设备，实时检测周围环境中的行人信息，并且将预警信息以极低时延的无线通信技术提供给车辆，提高了道路安全性。目前已开发出该行人检测系统的原型机，实地测试结果表明，该行人检测系统能有效检测行人，在检测范围4 m内，单个设备检测的准确率达80%，多个设备交叉部署方式检测的准确率可达100%。关键词： 智慧公路 ; 物联网 ; 行人检测 ; 原型机1 引言与日俱增的汽车保有量使交通系统中的拥堵问题变得日益严峻，且交通事故频发[1,2]。我国1998—2017 年的交通数据显示，21 世纪因交通事故直接造成的经济损失逐步上升，目前趋于稳定，经济损失达每年10亿元人民币左右[3]。同时，每年全世界约有120万人死于道路交通事故，受伤人数多达5 000万，道路交通事故造成的直接经济损失达5 180亿美元[4]。因此，开发一种可靠的行人检测系统[5,6,7]来有效防止此类事故发生尤为重要，其可用于提醒驾驶员有行人在道路上或附近行走。目前，行人检测已广泛应用于交通管理、城市安全、无人驾驶、智能视频监控和视觉跟踪等领域[8]。现有的行人检测方案大多依托于车载设备并基于机器视觉来实现[9,10,11]，通过实时分析摄像头采集的图像和视频信息以捕获行人信息。然而，这种方式存在一些不足：1) 在设备成本方面，部署成本普遍较高，只能区域性部署，检测范围有限，不能实现全局感知和检测。2) 在行人检测性能方面，基于机器视觉的方案受外界环境影响较大，如恶劣天气、周边建筑物以及植物被遮挡形成的阴影、强光照等都会严重影响目标检测效果，导致整个系统的检测可靠性下降。针对上述行人检测存在的问题，本文充分挖掘作为交通网参与者的“路”的辅助功能，使“路”主动对行人进行感知，辅助车辆进行全局且更精准的感知。同时，我国已将智慧公路纳入国家发展战略中，制定了如《推进智慧交通发展行动计划（2017—2020年）》等相关政策，大力推进智慧公路与新一代国家交通控制网的建设[12]。为此，本文创新性地提出了低成本、高可靠性的基于智慧公路的行人检测技术，并开发了智能物联网（IoT，Internet of things）[13]行人检测设备，完成了基于智慧公路的行人检测系统设计与实现，将微波雷达传感器和地磁传感器等低成本、低功耗的传感器设备相结合，通过在道路侧大量部署智能IoT行人检测设备，可实现对检测区域内行人的实时、可靠检测，同时可辅助车辆感知，为车辆提供更及时、全面、精准和可靠的信息。若智能IoT行人检测设备检测到行人，会立即通知前方车辆，为驾驶员提供预警信息，有效提高了道路安全性。2 结束语本文提出了一种基于智慧公路的行人检测技术，解决了目前行人检测高成本、低可靠性的问题。该技术将微波、地磁等低成本、高可靠性的传感器集成到智能IoT行人检测设备中，通过广泛地部署该智能IoT行人检测设备于待检测区域，实现了对行人的实时检测。将开发的原型机部署于实际道路进行测试，测试结果表明，在检测距离为4 m内，单个设备检测准确率可达80%；而在道路采用多个设备交叉部署的方式，检测准确率可达 100%，有效地填补了单个设备感知的局限性。同时，通过与车辆通信，大幅度提高了车辆对环境感知的可靠性，为未来构建一个安全、高效的车路协同智能交通系统提供了可靠的技术支持。The authors have declared that no competing interests exist.作者已声明无竞争性利益关系。3 原文链接http://www.infocomm-journal.com/wlw/article/2019/2096-3750/2096-3750-3-3-00084.shtml

车辆间计算任务卸载算法与系统级仿真验证曾启程, 孙宇璇, 周盛清华大学电子工程系，北京 100084摘要随着自动驾驶技术和车联网的发展，越来越多的车辆将具备强大的计算能力，并通过无线网络实现互联。这些计算资源不仅能够应用于自动驾驶中，也可以提供广泛的边缘计算服务。针对车辆间的计算卸载场景，以最小化平均卸载时延为目标，提出了基于在线学习的分布式计算任务卸载算法。进一步搭建了系统级仿真平台，分别在真实的高速公路和城市街区道路环境下，评估了车辆密度、任务卸载份数对平均卸载时延的影响，为不同交通环境下的服务资源分配部署提供了参考。关键词： 车联网 ; Veins ; 计算任务卸载 ; 系统级仿真1 引言近年来，车联网作为一个产业发展潜力巨大、市场需求明确的重要领域，在学术界和工业界都受到广泛关注。经研究，车联网的内在属性和应用形式逐渐明了。1) 车辆会产生大量相关内容，包括时间/空间信息和用户应用信息；2) 在车联网中，车辆通过车辆间资源共享来创造具有附加价值的服务或者完成单一车辆难以完成的任务[1]，如多辆车共享传感设备以辅助自动驾驶。面对上述特性以及车辆计算资源有限带来的困扰，首先考虑利用云端的强大计算能力提供服务支持。但是，把车辆产生的所有内容上传到云端或者将车辆应用所感兴趣的内容都从云端搜寻并下载，将导致时延较大并占用大量网络资源。而且，诸多车辆所需求的内容具有本地相关性，应该存储在本地或在本地处理。以上依赖云端而产生的局限性，有望在移动边缘计算（MEC，mobile edge computing）的框架下得到较好解决。MEC中，车联网利用基站或者路边单元（RSU，road side unit）等设施的计算资源为车辆提供服务，仅将必要的数据和任务上传至云端。该做法可以有效降低时延并提高可靠性[2,3]。同时，为了充分利用车辆的计算资源，将车辆作为计算服务提供者的想法被提出[4]。车辆可以通过给车联网贡献自身的盈余资源，形成车辆边缘计算（VEC， vehicular edge computing）系统[5,6,7,8]。计算任务卸载是 MEC 中的一个主要问题。其基本模式是任务节点由于计算资源有限，需要将生成的计算任务卸载至周围的服务节点进行处理，再由服务节点返回计算结果。考虑上文提到的 VEC系统，将车辆纳入服务节点中，形成由RSU、服务车甚至包括无人机等共同构成的互联车联网服务体系，使网络中各节点的计算资源得到整合从而被充分利用。本文主要考虑车辆间的任务卸载，提出了基于在线学习的分布式计算任务复制卸载算法[9,10]。通过修改车联网仿真平台 Veins 的应用层结构，模拟了高速公路和城市街区道路场景下的计算任务卸载，并根据仿真结果分析了多任务车场景下，服务车与任务车的比例以及任务复制份数对平均卸载时延的影响，可以为不同交通场景下的服务资源调度提供参考。2 研究现状文献[11]提出了基于半马尔可夫决策过程的集中式任务卸载架构，以最小化时延和能量消耗的加权平均效用，但集中式的任务卸载调度需要频繁收集车辆的完整状态信息，并且其相关算法的复杂性过高。文献[12]基于蚁群优化算法[13]考虑了分布式的任务卸载，由作为任务节点的车辆自行决策任务卸载，但该架构中的任务车通过直接通信获取服务车的计算资源信息，而车辆间通信信道状态和服务车的计算资源通常变化迅速，频繁的直接通信会导致信令开销较大。本文提出的算法基于分布式架构，任务车利用学习的方法获取服务车的计算资源和信道状态，无须与服务车直接通信获取计算资源和信道状态。由于未来车联网中车辆互联、车流密度高，计算资源将会比较充裕。为了进一步降低时延并提高服务可靠性，可以利用充裕的计算资源，考虑进行任务复制卸载。其中，任务被复制多份并卸载至不同服务车辆，由其独自计算并返回结果。若服务车返回结果，则计算任务被视作完成。文献[14]提出了一种集中式任务复制算法，以最大化任务在给定期限之前完成的可能性。但其最优策略设计基于服务车以泊松过程到达的模型假设，与实际车辆移动模型不相符，本文所提算法则无此限制。3 结束语本文主要考虑了车联网 MEC 中的任务卸载问题。任务车生成任务发送给服务车进行卸载，服务车接收任务并计算出结果后返回给任务车。服务车的选择由任务卸载算法调度实现。本文利用车联网仿真平台Veins的车辆、信道模型和来自Open Street Map 的高速公路模型以及依据卢森堡 SUMO 交通场景生成的街区道路模型，设计了高速公路和街区道路两种环境进行仿真。在仿真中，Veins 的应用层架构采用消息—对应处理函数的事件触发机制搭建，模拟了任务卸载流程中各个节点的行为，并获得卸载时延等数据。通过仿真分析了多任务车场景下，服务车与任务车比例、任务复制份数对平均时延的影响，其结果可为不同交通环境下的服务车调度算法选择和设置提供参考。在本文工作的基础上，可以考虑以下3点进行拓展。1) 丰富车联网中的节点，如添加RSU和无人机，可以和服务车一同为任务车提供任务卸载服务，也可以作为任务产生端将任务卸载至其他服务节点。2) 考虑更丰富的任务卸载场景，如结合服务车和 RSU 进行任务卸载或设置转发机制，将计算任务转发至更稳定、可靠的节点进行计算。还可以使用集中式架构，由控制中心控制车辆的调度和计算任务卸载。3) 进一步分析街道场景中的任务卸载，如可以加入建筑的阻挡，建立新的阴影效应信道模型，以得到更真实的结果。The authors have declared that no competing interests exist.作者已声明无竞争性利益关系。4 原文链接http://www.infocomm-journal.com/wlw/article/2019/2096-3750/2096-3750-3-3-00062.shtml

基于自适应秩动态张量分析的短时交通流预测何领朝, 林东, 冯心欣福州大学物理与信息工程学院，福建 福州 350108摘要在智能交通系统中，短时交通流预测可以为路线规划、交通管理和公共安全等领域提供数据支撑。为了提高数据缺失和异常情况下的预测准确性，提出了一种基于自适应秩动态张量分析的算法来进行短时交通流预测。首先构造了覆盖周、天、时间窗口和空间4个维度的张量，以挖掘交通流数据之间的多模相关性。其次，利用滑动窗口模型，形成动态结构的张量流数据。然后将主成分分析算法扩展成可以接收张量输入的离线张量分析算法，并引入自适应秩和遗忘因子形成自适应秩动态张量分析算法。最后将张量流数据输入自适应秩动态张量分析算法中，实现对短时交通流数据的预测。实验结果显示，即使在数据有缺失的情况下，自适应秩动态张量分析算法也能实现良好的预测。关键词： 短时交通流预测 ; 数据缺失 ; 动态张量分析 ; 多模信息1 引言作为互联网领域的延伸技术，物联网正在时刻改变并影响着人们的日常生活。遍布世界各地不同形态的信息实体，构成了一个复杂的万物互联的信息体系，为信息采集、数据分析、状态预测等不同需求提供了完善的支撑平台[1]。传感器技术的发展和完善推动了物联网领域的发展。智能交通系统作为物联网的重要组成部分，也相应得到了快速发展[2]，物联网在智能交通领域中的应用是集数据感知、传输和分析于一体的完整体系[3]。随着社会经济的发展，交通拥堵带来的经济损失已经成为全世界共同关注的问题，智能交通系统的出现为缓解这类问题提供了新思路[4]。短时交通流预测作为智能交通的重要组成部分，具有重要的研究意义。如向驾驶员实时提供短时交通流量预测信息，可便于其做出更好的路线规划。研究表明，预测信息可以缓解交通拥堵并提高整个交通网络的性能[5]。基于机器学习的预测算法，虽然在精度上有很大提升，但需要庞大的历史数据作为支撑，同时也要消耗大量的计算资源和时间来进行参数训练，因此，在某些领域并不适用。基于矩阵或张量的填充算法可以用少量的历史数据、花费较少的时间进行填充预测，且消耗的计算资源相对较少。利用矩阵构建的数据模型仅能挖掘两个维度（如空间和时间）之间的相关性，无法覆盖其他如周、天等多模信息。而利用张量构建的数据模型可以同时覆盖空间、时间窗口、天和周等多模信息，填充效果优于矩阵填充。基于张量的恢复方法有静态和动态两种。交通流数据在实时更新、张量尺寸固定的情况下，可以生成一系列张量流。静态张量填充算法只能挖掘单个张量各维度之间的相关性，而动态张量填充算法还可以挖掘相邻张量块之间的相关性。因此，在张量流模型中，动态张量分析算法的性能更好。本文提出了一种基于自适应秩动态张量分析算法来进行交通流预测。首先，构造覆盖周、天、时间窗口和空间4个维度的张量，可以更好地挖掘交通流数据之间的多模相关性。其次，利用滑动窗口模型，形成动态结构的张量流数据。然后，将主成分分析（PCA，principal component analysis）算法扩展成可以接收张量输入的离线张量分析算法。接着，引入自适应秩和遗忘因子，形成自适应秩动态张量分析算法。最后，将张量流数据输入自适应秩动态张量分析算法中，实现对短时交通流数据的预测。2 相关工作目前，短时交通流预测方法按数据建模方式可以分为3种：第一种是基于向量的方法，即构造交通数据的一维历史数据，用来预测未来数据。Chen等[6]通过研究PCA方法和核主成分分析方法，得出核主成分分析方法可以更好地挖掘交通因素与交通数据潜在状况的联系。Qu等[7]提出了基于贝叶斯主成分分析的数据填充方法，与传统填充方法相比，该方法恢复精度有很大提高。之后，Qu等[7]又提出了基于概率的主成分分析的数据填充方法，与基于贝叶斯的主成分分析方法相比，恢复精度和运算速度都有提升。第二种是基于矩阵的方法，即构造包含时间和空间两个维度的矩阵来完成预测。Zhang 等[8]构建矩阵形式的交通流数据，提出了基于最小二乘法支持向量机的数据填充方法，利用皮尔森相关系数衡量数据之间的相关性，提高了恢复精度。以上恢复方法，均利用了数据的时空特性，比单纯利用时间特性或空间特性的方法恢复精度要好。第三种是基于张量的方法，即考虑数据的多模特性。2013年，Tan等[12,13]提出了Shatten-{p,q}范数的概念，并利用增强拉格朗日算法获得最优解。Shan等[14]提出了张量参数化概率因子分解和贝叶斯概率因子分解，在恢复大面积数据丢失方面取得了较好的结果。Acar 等[15]在 CP （canonical polyadic）分解的基础上加权最优化，该方法可以规避张量展开，保留了张量最原始的结构。算法预测准确性受构造历史数据相关性约束的影响，前两种方法用线与平面的方式构建数据模型，因此，预测精度通常不如第三种方法。而且当数据存在缺失时，第三种方法可以利用多模相关性，填充效果更佳。上述基于张量的填充算法本质上属于静态张量填充算法，它们无法挖掘历史张量与实时张量的相关性。面对这一问题，Sun等[16]在PCA的基础上，将二维矩阵扩展到多维张量，在挖掘实时张量的同时，考虑历史张量块的影响，提出了动态张量分析算法，并应用于网络流数据的异常检测中。随后， Hao等[17]将此算法用于群智感知系统中志愿者轨迹数据的预测。秩的大小对填充效果有很大影响。在交通流预测场景中，数据的实时更新导致每个张量块的最佳秩并不一定相等。而Sun[16]提出的动态张量分析算法对于每个张量块都选用的是固定秩，并不适用于预测场景。本文方法与上述方法的主要区别是：在构建覆盖周、天、时间窗口和空间的四模交通流数据张量的基础上，引入自适应秩算法，能更好地进行短时交通流预测。3 结束语智能交通系统对物联网的应用和发展具有重要意义。本文针对智能交通系统中的数据分析领域，提出了基于自适应秩动态张量分析的短时交通流预测方法。通过构造覆盖周、天、时间窗口和空间的四模张量，在保留原始数据结构的同时，更好地挖掘交通数据之间的多模相关性。设置遗忘因子考虑历史张量对实时张量的影响，通过自适应秩的计算实现张量秩的实时更新。实验结果显示，四阶自适应秩动态张量分析算法的预测效果优于其他填充算法，并且在数据缺失的情况下，也能得到满意的预测结果。The authors have declared that no competing interests exist.作者已声明无竞争性利益关系。4 原文链接http://www.infocomm-journal.com/wlw/article/2019/2096-3750/2096-3750-3-3-00018.shtml

让华为手机有诊断汽车异响故障的功能提前排除故障保证驾驶员与车辆的安全树立民族品牌的标准打破外国汽车检测仪的拢断

让华为手机有诊断汽车异响故障的功能提前排除故障保证驾驶员与车辆的安全树立民族品牌的标准打破外国汽车检测仪的拢断

让华为手机有诊断汽车异响故障的功能提前排除故障保证驾驶员与车辆的安全树立民族品牌的标准打破外国汽车检测仪的拢断