基于运动不确定性扩散模型的车辆轨迹预测方法及系统

1.本发明属于智能交通和预测领域，尤其涉及基于运动不确定性扩散模型的车辆轨迹预测方法及系统。


背景技术：

2.随着汽车数量特别是私家车数量的不断增加，使得交通拥堵或交通事故越来越频发。与此同时，科技的发展推动着自动驾驶等领域的兴起。自动驾驶的汽车同样避免不了交通问题，为了能够更好地对自动驾驶的技术进行研究，国内外很多研究人员开始着手于车辆的轨迹预测。其中，数量最为庞大的车辆就是私家车，研究私家车的轨迹预测能够最大程度上地得出车辆行驶的习惯和特性。
3.在交通出行领域，移动设备gps以及系统信息采集能力不断提高，越来越多的时空轨迹数据被采集。海量的轨迹数据为了解人类移动模式提供了前所未有的信息，激发了各种应用的轨迹挖掘任务，如个性化出行推荐，智能交通管理等。
4.对于车辆轨迹研究问题主要的挑战在于轨迹预测是一个概率问题，预测结果不一定准确。并且当前对于车辆轨迹预测的研究主要是在长期轨迹预测，长期轨迹预测基于运动模型，同时结合意图预测和一些上下文信息。输出也有多种不同的形式，比如输出轨迹的概率分布、输出多条预测轨迹，输出一条可能性最大的轨迹等。
5.目前关于车辆轨迹预测的一些比较通用的算法主要有用于意图预测的模糊理论、static bns、dbn等，以及深度学习相关的cnn、lstm、rnn、attention及其衍生方法。由于移动性数据具有高维性、稀疏性等特点，深度挖掘移动轨迹并提取隐含信息一直是具有挑战性的问题，使得车辆轨迹预测的结果不能兼顾多样性和准确性。


技术实现要素：

6.本发明提供了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。
7.为了解决上述技术问题，本发明所采用的技术方案是：
8.第一方面，提供一种基于运动不确定性扩散模型的车辆轨迹预测方法，包括：
9.获取训练车辆的真实轨迹；
10.对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
11.基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；
12.根据去高斯噪声算法构建得到运动不确定性扩散模型；
13.当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；
14.基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。
15.可选的，获取训练车辆的真实轨迹，包括：
16.获取训练车辆在历史时间段内的采样点信息sti＝(li，ti)，i为大于等于1的正整数，表示第i个采样点，li表示第i个采样点的经纬度位置信息，ti表示第i个采样点的时间信息；
17.根据所有采样点信息得到真实轨迹tr＝{st1，st2，...，stn}，n为大于2的正整数。
18.可选的，对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征，包括：
19.根据预设时空特征编码器的表达式f＝encoder(tr)对真实轨迹中的过去真实轨迹tr进行时空特征编码处理，得到真实轨迹特征f，真实轨迹包含某一个时刻之前的过去真实轨迹及之后的未来真实轨迹。
20.可选的，基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法，包括：
21.s1，将真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；
22.s2，基于运动不确定性扩散原理对未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；
23.s3，将高斯噪声轨迹与真实轨迹特征进行融合，得到融合特征；
24.s4，通过预设解码器对融合特征进行解码，得到解码轨迹；
25.s5，将解码轨迹与初始高斯噪声进行比较，得到第二误差向量；
26.s6，根据第一误差向量和第二误差向量计算得到均方误差，判断均方误差是否小于给定阈值；
27.s7，若均方误差不小于给定阈值时，则循环执行步骤s2-步骤s6，直到第k次添加高斯噪声时均方误差小于给定阈值，则停止循环，并且获取每一次的添加噪声方法；
28.s8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。
29.可选的，误差向量的表达式为可选的，误差向量的表达式为表示添加了k次高斯噪声的未来真实轨迹在第j个预测点的误差，j的取值范围为[1,2，...,pred]，当k＝0时，表示没有添加高斯噪声，为未来真实轨迹与初始高斯噪声之间的误差，即第一误差向量
[0030]
可选的，将高斯噪声轨迹与真实轨迹特征进行融合，得到融合特征，包括：
[0031]
根据高斯噪声轨迹的表达式确定高斯噪声轨迹为yk，y0为未来真实轨迹，为高斯噪声，为预设系数，k表示第k次添加高斯噪声；
[0032]
通过融合公式f
(k)
＝concat(f，yk)，将真实轨迹特征f与高斯噪声轨迹yk进行融合，得到融合特征f
(k)
。
[0033]
可选的，预设解码器的表达式为yk＝fc(decoder(f
(k)
))，fc为一个完全连接层，decoder包括最大池化层、注意力层和循环神经网络层。
[0034]
可选的，根据第一误差向量和第二误差向量计算得到均方误差，包括：
[0035]
通过均方误差计算公式将第一误差向量和第二误差向量代入均方误差计算公式，计算得到均方误差，l表示损失函数。
[0036]
可选的，基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹，包括：
[0037]
根据预设多样性及准确性需求确定去噪次数；
[0038]
基于运动不确定性扩散模型对已知轨迹特征进行去噪次数的去高斯噪声处理，得到预测轨迹。
[0039]
第二方面，提供一种基于运动不确定性扩散模型的车辆轨迹预测系统，包括：
[0040]
轨迹获取模块，用于获取训练车辆的真实轨迹；
[0041]
特征编码模块，用于对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
[0042]
算法训练模块，用于基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；
[0043]
模型构建模块，用于根据去高斯噪声算法构建得到运动不确定性扩散模型；
[0044]
特征获取模块，用于当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；
[0045]
轨迹预测模块，用于基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。
[0046]
本发明所达到的有益效果：
[0047]
获取训练车辆的真实轨迹；对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。
附图说明
[0048]
图1为本发明基于运动不确定性扩散模型的车辆轨迹预测方法的流程图；
[0049]
图2为本发明去高斯噪声算法训练过程的流程图；
[0050]
图3为本发明基于运动不确定性扩散模型的车辆轨迹预测系统的结构图。
具体实施方式
[0051]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0052]
如图1所示，本发明实施例提供一种基于运动不确定性扩散模型的车辆轨迹预测方法，包括：
[0053]
101，获取训练车辆的真实轨迹；
[0054]
其中，训练车辆为已经行驶过的车辆以往的行驶记录，通过行驶记录获取训练车辆在历史时间段内的采样点信息sti＝(li，ti)，i为大于等于1的正整数，表示第i个采样点，li表示第i个采样点的经纬度位置信息，ti表示第i个采样点的时间信息，根据所有采样点信息得到真实轨迹tr＝{st1，st2，...，stn}，n为大于2的正整数。
[0055]
102，对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
[0056]
其中，由于本实施例是利用训练车辆的真实轨迹进行训练，那么将历史时间段内某一个时刻作为标定时间点，标定时间点之前的真实轨迹作为过去真实轨迹，标定时间点之后的作为未来真实轨迹。根据预设时空特征编码器的表达式f＝encoder(tr)对真实轨迹中的过去真实轨迹tr进行时空特征编码处理，得到真实轨迹特征f。
[0057]
103，基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；
[0058]
其中，具体的去高斯噪声算法训练过程如图2所示：
[0059]
s1，将真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；
[0060]
误差向量的表达式为误差向量的表达式为表示添加了k次高斯噪声的未来真实轨迹在第j个预测点的误差，j的取值范围为[1,2，...,pred]，当k＝0时，表示没有添加高斯噪声，为未来真实轨迹与初始高斯噪声之间的误差，即第一误差向量
[0061]
s2，基于运动不确定性扩散原理对未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；
[0062]
s3，将高斯噪声轨迹与真实轨迹特征进行融合，得到融合特征；
[0063]
根据高斯噪声轨迹的表达式确定高斯噪声轨迹为yk，y0为未来真实轨迹，为高斯噪声，为预设系数，k表示第k次添加高斯噪声；
[0064]
通过融合公式f
(k)
＝concat(f，yk)，将真实轨迹特征f与高斯噪声轨迹yk进行融合，得到融合特征f
(k)
；
[0065]
s4，通过预设解码器对融合特征进行解码，得到解码轨迹；
[0066]
预设解码器的表达式为yk＝fc(decoder(f
(k)
)，fc为一个完全连接层，decoder包括最大池化max-pooling层、注意力attention层和循环神经网络rnn层，得到解码轨迹为yk；
[0067]
s5，将解码轨迹与初始高斯噪声进行比较，得到第二误差向量；
[0068]
将预设解码器解码得到的解码轨迹与初始高斯噪声进行比较，得到第二误差向
量，即中k＝1。
[0069]
s6，根据第一误差向量和第二误差向量计算得到均方误差，判断均方误差是否小于给定阈值；
[0070]
通过均方误差计算公式将第一误差向量和第二误差向量代入均方误差计算公式，计算得到均方误差，l表示损失函数；预先设置好给定阈值，只有在均方误差小于给定阈值时，才满足要求；
[0071]
s7，当均方误差不小于给定阈值时，则循环执行步骤s2-步骤s6，直到第k次添加高斯噪声时均方误差小于给定阈值，则停止循环，并且获取每一次的添加噪声方法；
[0072]
s8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。
[0073]
逆向推导的过程为：根据以下两个公式及
[0074][0075]
进行合并后，得到其中αk＝1-βk，
[0076]
那么就能得到添加噪声的过程为：
[0077]
从而可以得到去高斯噪声算法。
[0078]
104，根据去高斯噪声算法构建得到运动不确定性扩散模型；
[0079]
105，当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；
[0080]
其中，当需要对正在行驶中的车辆进行轨迹预测时，将当前的车辆作为待预测车辆，获取待预测车辆的已知轨迹特征，已知轨迹特征通过对待预测车辆之前已经行驶的轨迹进行时空特征编码处理后得到的。
[0081]
106，基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。
[0082]
其中，根据预设多样性及准确性需求确定去噪次数，基于运动不确定性扩散模型对已知轨迹特征进行去噪次数的去高斯噪声处理，得到预测轨迹，去高斯噪声的执行过程为：
[0083][0084]
[0085]
p(yk)为初始高斯噪声分布，θ为运动不确定性扩散模型的预设参数。
[0086]
本发明实施例的实施原理为：
[0087]
获取训练车辆的真实轨迹；对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。
[0088]
基于以上图1和图2所示的实施例中的基于运动不确定性扩散模型的车辆轨迹预测方法，下面通过实施例对基于运动不确定性扩散模型的车辆轨迹预测系统进行说明，如图3所示，本发明实施例的基于运动不确定性扩散模型的车辆轨迹预测系统，包括：
[0089]
轨迹获取模块301，用于获取训练车辆的真实轨迹；
[0090]
特征编码模块302，用于对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
[0091]
算法训练模块303，用于基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；
[0092]
模型构建模块304，用于根据去高斯噪声算法构建得到运动不确定性扩散模型；
[0093]
特征获取模块305，用于当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；
[0094]
轨迹预测模块306，用于基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。
[0095]
本发明所达到的有益效果：
[0096]
轨迹获取模块301获取训练车辆的真实轨迹；特征编码模块302对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；算法训练模块303基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；模型构建模块304根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，特征获取模块305获取待预测车辆的已知轨迹特征；轨迹预测模块306基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。
[0097]
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行以上描述的基于运动不确定性扩散模型的车辆轨迹预测方法的指令。
[0098]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0099]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

技术特征：
1.一种基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，包括：获取训练车辆的真实轨迹；对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据所述去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取所述待预测车辆的已知轨迹特征；基于所述运动不确定性扩散模型对所述已知轨迹特征进行处理，得到预测轨迹。2.根据权利要求1所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述获取训练车辆的真实轨迹，包括：获取训练车辆在历史时间段内的采样点信息st
i
＝(l
i
，t
i
)，所述i为大于等于1的正整数，表示第i个采样点，所述l
i
表示第i个采样点的经纬度位置信息，所述t
i
表示第i个采样点的时间信息；根据所有采样点信息得到真实轨迹tr＝{st1，st2，...，st
n
}，所述n为大于2的正整数。3.根据权利要求2所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征，包括：根据预设时空特征编码器的表达式f＝encoder(tr)对所述真实轨迹中的过去真实轨迹tr进行时空特征编码处理，得到真实轨迹特征f，所述真实轨迹包含某一个时刻之前的过去真实轨迹及之后的未来真实轨迹。4.根据权利要求3所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法，包括：s1，将所述真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；s2，基于运动不确定性扩散原理对所述未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；s3，将所述高斯噪声轨迹与所述真实轨迹特征进行融合，得到融合特征；s4，通过预设解码器对所述融合特征进行解码，得到解码轨迹；s5，将所述解码轨迹与所述初始高斯噪声进行比较，得到第二误差向量；s6，根据所述第一误差向量和所述第二误差向量计算得到均方误差，判断所述均方误差是否小于给定阈值；s7，若所述均方误差不小于所述给定阈值时，则循环执行步骤s2-步骤s6，直到第k次添加高斯噪声时均方误差小于所述给定阈值，则停止循环，并且获取每一次的添加噪声方法；s8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。5.根据权利要求4所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，误差向量的表达式为所述表示添加了k次高斯噪声的所述未来真实轨迹在第j个预测点的误差，所述j的取值范围为[1，2，...，pred]，当k＝
o时，表示没有添加高斯噪声，为所述未来真实轨迹与所述初始高斯噪声之间的误差，即第一误差向量6.根据权利要求4所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述将所述高斯噪声轨迹与所述真实轨迹特征进行融合，得到融合特征，包括：根据所述高斯噪声轨迹的表达式确定所述高斯噪声轨迹为y
k
，所述y0为所述未来真实轨迹，所述为高斯噪声，所述为预设系数，所述k表示第k次添加高斯噪声；通过融合公式f
(k)
＝concat(f，y
k
)，将所述真实轨迹特征f与所述高斯噪声轨迹y
k
进行融合，得到融合特征f
(k)
。7.根据权利要求6所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述预设解码器的表达式为y
k
＝fc(decoder(f
(k)
))，所述fc为一个完全连接层，所述decoder包括最大池化层、注意力层和循环神经网络层。8.根据权利要求7所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述根据所述第一误差向量和所述第二误差向量计算得到均方误差，包括：通过均方误差计算公式将所述第一误差向量和所述第二误差向量代入所述均方误差计算公式，计算得到均方误差，所述l表示损失函数。9.根据权利要求8所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述基于所述运动不确定性扩散模型对所述已知轨迹特征进行处理，得到预测轨迹，包括：根据预设多样性及准确性需求确定去噪次数；基于所述运动不确定性扩散模型对所述已知轨迹特征进行所述去噪次数的去高斯噪声处理，得到预测轨迹。10.一种基于运动不确定性扩散模型的车辆轨迹预测系统，其特征在于，包括：轨迹获取模块，用于获取训练车辆的真实轨迹；特征编码模块，用于对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；算法训练模块，用于基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；模型构建模块，用于根据所述去高斯噪声算法构建得到运动不确定性扩散模型；特征获取模块，用于当需要对待预测车辆进行轨迹预测时，获取所述待预测车辆的已知轨迹特征；轨迹预测模块，用于基于所述运动不确定性扩散模型对所述已知轨迹特征进行处理，得到预测轨迹。

技术总结
本发明公开了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，方法包括：获取训练车辆的真实轨迹；对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。使得车辆轨迹预测的结果能够兼顾多样性和准确性。够兼顾多样性和准确性。够兼顾多样性和准确性。


技术研发人员：肖竹 吴淋山 蒋洪波 杨科华 刘代波
受保护的技术使用者：湖南大学深圳研究院
技术研发日：2023.04.20
技术公布日：2023/7/12