用于预测地铁客流量的方法及装置、存储介质

1.本技术涉及智能交通技术领域，例如涉及一种用于预测地铁客流量的方法及装置、存储介质。


背景技术：

2.目前，地铁中存在某些地铁线路中客流量大，乘客特别拥挤的情况，而另外一些地铁线路中客流量较小，地铁内闲置空间较大，甚至出现空载的情况，容易造成地铁资源的浪费。
3.为了减少地铁资源的浪费。相关技术提供了一种地铁客流量的预测方法，该方法借助深度神经网络模型，即根据地铁中的客流量构建数据集，并利用数据集对深度神经网络模型进行训练，利用训练完成的深度神经网络模型，可预测地铁中的客流量。从而，根据地铁中的客流量，调配地铁的运行间隔，可减少地铁资源的浪费。
4.在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
5.相关技术虽然可以利用深度神经网络模型预测地铁中的客流量，但是对深度神经网络模型的训练过程中，仅采用基于客流量所构建的数据集。然而，地铁中客流量还容易受天气和地铁线路所经位置等因素的影响。因此，仅基于客流量对深度神经网络模型进行训练，会使深度神经网络模型的泛化能力较弱，从而难以保证预测地铁中客流量的可靠性。
6.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

7.为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
8.本公开实施例提供了一种用于预测地铁客流量的方法及装置、存储介质，可以提升预测地铁中客流量的可靠性。
9.在一些实施例中，所述方法应用于卷积神经网络模型中，所述方法包括：
10.获取客流数据、网络拓扑数据和环境数据；
11.基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；
12.将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；
13.根据融合特征，预测客流量。
14.在一些实施例中，所述装置包括处理器和存储有程序指令的存储器，其中，所述处理器被配置为在运行所述程序指令时，执行前述用于预测地铁客流量的方法。
15.在一些实施例中，所述存储介质，存储有程序指令，其中，所述程序指令在运行时，执行前述用于预测地铁客流量的方法。
16.本公开实施例提供的用于预测地铁客流量的方法及装置、存储介质，可以实现以下技术效果：
17.在利用卷积神经网络模型对地铁客流量预测的过程中，基于客流数据、网络拓扑数据(即地铁线路所经位置的数据)和环境数据(即天气数据)，分别提取客流数据特征、网络拓扑数据特征和环境数据特征。并根据客流数据特征、网络拓扑数据特征和环境数据特征，预测地铁中的客流量。这样，在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。进而对于客流量较小的地铁线路，可适当调整地铁的运行间隔，以减少地铁资源的浪费。对于客流量较大的地铁线路，乘客可根据客流量调整出行计划，以提升乘客出行效率，即提升乘客出行体验。
18.以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本技术。
附图说明
19.一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
20.图1是本公开实施例提供的一种残差网络的残差块的示意图；
21.图2是本公开实施例提供的一种resgru模型的示意图；
22.图3是本公开实施例提供的一种用于预测地铁客流量的方法的示意图；
23.图4是本公开实施例提供的一种用于预测地铁客流量的装置的示意图。
具体实施方式
24.为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
25.本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
26.除非另有说明，术语“多个”表示两个或两个以上。
27.本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
28.术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
29.术语“对应”可以指的是一种关联关系或绑定关系，a与b相对应指的是a与b之间是一种关联关系或绑定关系。
30.公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如
上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
31.目前，地铁中存在某些地铁线路中客流量大，乘客特别拥挤的情况，而另外一些地铁线路中客流量较小，地铁内闲置空间较大，甚至出现空载的情况，容易造成地铁资源的浪费。
32.为了减少地铁资源的浪费。相关技术提供了一种地铁客流量的预测方法，该方法借助深度神经网络模型，即根据地铁中的客流量构建数据集，并利用数据集对深度神经网络模型进行训练，利用训练完成的深度神经网络模型，可预测地铁中的客流量。从而，根据地铁中的客流量，调配地铁的运行间隔，可减少地铁资源的浪费。相关技术虽然可以利用深度神经网络模型预测地铁中的客流量，但是对深度神经网络模型的训练过程中，仅采用基于客流量所构建的数据集。然而，地铁中客流量还容易受天气和地铁线路所经位置等因素的影响。因此，仅基于客流量对深度神经网络模型进行训练，会使深度神经网络模型的泛化能力较弱，从而难以保证预测地铁中客流量的可靠性。
33.本公开实施例提供一种用于预测地铁客流量的方法及装置、存储介质，在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。
34.本公开实施例提供了一种用于预测地铁客流量的方法，该方法应用于卷积神经网络模型中。其中，卷积神经网络模型包括残差网络(residual network，resnet)和门循环控制单元(gated recurrent unit，rgu)。
35.结合图1所示的残差网络中残差块的示意图，其中，卷积层用于对输入的数据提取特征，激活层用于降低特征的维度。残差网络用于按照下述公式训练网络输出：
36.x
l+1
＝f(x
l
)+x
l
37.其中，x
l+1
为残差块的输出特征，x
l
为残差块的输入特征。
38.可选地，残差块的卷积核大小可以为3*3。
39.另外，由于天气环境和地铁的网络拓扑结构均对客流量产生影响，且历史客流数据对当前实时的客流数据也会产生影响，那么本公开实施例中均采用残差网络提取历史客流数据和地铁的网络拓扑结构数据的特征，并采用门循环控制单元提取环境数据的特征，以在卷积神经网络模型中进行评分。数据特征被gru处理后的矩阵输出为d∈rm×n，其中，m和n分别表示每个时间步长和特征数量。gru按照以下公式对数据特征进行处理：
40.i＝f(w
⊙
d+b)；
41.d
′
＝i
⊙
d；
42.其中，d'为注意力层的输出，i是权重矩阵，f为全连接层，w是f的权重矩阵，b为偏差。
43.结合图2所示，本公开实施例中卷积神经网络模型可以为resgru模型，该模型包括特征提取模块和特征融合模块。其中，特征提取模块包括残差块、门控循环单元和第一全连接层，残差块包括32个滤波器和64个滤波器。特征融合模块包括注意力层、第二全连接层。
44.结合图3所示，本公开实施例提供的一种用于预测地铁客流量的方法，包括：
45.s31，获取客流数据、网络拓扑数据和环境数据。
46.s32，基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征。
47.s33，将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征。
48.s34，根据融合特征，预测客流量。
49.采用本公开实施例提供的用于预测地铁客流量的方法，在利用卷积神经网络模型对地铁客流量预测的过程中，基于客流数据、网络拓扑数据(即地铁线路所经位置的数据)和环境数据(即天气数据)，分别提取客流数据特征、网络拓扑数据特征和环境数据特征。并根据客流数据特征、网络拓扑数据特征和环境数据特征，预测地铁中的客流量。这样，在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。进而对于客流量较小的地铁线路，可适当调整地铁的运行间隔，以减少地铁资源的浪费。对于客流量较大的地铁线路，乘客可根据客流量调整出行计划，以提升乘客出行效率，即提升乘客出行体验。
50.可选地，客流数据包括实时客流数据和历史客流数据。
51.其中，在获取客流数据的过程中，可以按照实时、每日和每周的周期时长，记录地铁的客流数据，以实现对实时客流数据和历史客流数据的分类统计，从而提升获取客流数据的效率。
52.示例性的，可以仅选取每天早晚高峰期3个小时内的客流数据。例如，早高峰选取7：30-10：30的客流数据，晚高峰选取18：00-21：00的客流数据。每条客流数据至少包括卡号、进出站名称，进站口信息、出站口信息、进站时间和出站时间。
53.可选地，提取客流数据特征包括：将实时客流数据和历史客流数据输入至残差神经网络的残差块，以获得客流数据的时间特征和空间特征。。
54.示例性的，实时客流数据和历史客流数据被分别输入32个滤波器的残差块和64个滤波器的残差块中。利用残差块的归一化层通过标准正态分布将客流数据的输入值分布到0至1之间，得到特征向量；特征向量经过激活层处理以降低特征向量映射的维度，降维后的特征向量经残差块的卷积层处理获得客流数据的时间特征和空间特征。
55.可选地，按照下述公式将实时客流数据和历史客流数据输入至残差神经网络的残差块：
[0056][0057]
其中，k1为客流数据的输入向量，xr为实时的客流数据，xd为前一日的客流数据，xw为前一周的客流数据，m为地铁站的数量，t为地铁车站的历史时长。
[0058]
可选地，客流数据可划分为流入客流数据和流出客流数据。这样，再将客流输入至残差神经网络的残差块时，可以将流入客流数据和流出客流数据分别输入或者多次输入，以减少残差块的单次处理量。从而提升残差网络的运行速度。
[0059]
可选地，提取网络拓扑数据特征，包括：将网络拓扑数据输入至残差神经网络的残差块，以获得网络拓扑数据的空间特征。
[0060]
在实施中，网络拓扑数据在残差块中经归一化层处理，将输入值的按照正态分布0至1之间，并通过激活层进行降维处理，降维处理后的网络拓扑数据经卷积层提取网络拓扑
数据的空间特征。
[0061]
可选地，按照下述公式将网络拓扑数据输入至残差神经网络的残差块：
[0062][0063]
其中，k2为网络拓扑数据的输入向量，a∈rm×n为输入的网络拓扑数据的邻接矩阵，i为单位矩阵，为的对角节点度矩阵，x
t
为网络拓扑数据，m为地铁站的数量，t为地铁车站的历史时长。
[0064]
可选地，提取环境数据特征，包括：将环境数据输入至门控循环单元，获得环境数据的时间特征和空间特征。
[0065]
由于天气状况也会对地铁的客流量产生影响，例如，当出现暴雨天气、雾霾天气或空气污染严重的时候，乘客会调整出行计划和出行方式，从而减少乘坐地铁的客流量，甚至于乘客会取消出行计划。这样，在对卷积神经网络模型训练的过程中，可考虑天气状况(即环境数据)的影响，从而提升卷积神经网络模型的泛化能力，以更好地提升预测地铁中客流量的可靠性。
[0066]
本公开实施例中，提取环境数据特征的之前，需获取环境数据。获取环境数据的方式可以为周期性获取，例如，每间隔半小时或一小时获取一次环境数据。这样，可减少环境数据的获取频率，从而提升卷积神经网络模型的运行效率。
[0067]
可选地，按照下述公式将环境数据输入至门控循环单元：
[0068]
k3＝(x
n,t-i
,x
n,t
)；
[0069]
其中，k3为环境数据的输入向量，且k3包含n行和i列的二维矩阵，n为环境系数的数量，t为地铁车站的历史时长。
[0070]
需要说明的是，上述公式中i为模型训练步长，例如，选择训练的时间步长i＝6，则i是一周时长内工作日的训练步长，即6*5＝30。
[0071]
可选地，环境数据包括实时环境温度、露点温度、相对湿度、风速、空气质量指数、大气颗粒物和空气污染物的至少一种。
[0072]
环境数据包括的参数越多，则环境数据越全面。这样，可提升通过环境数据训练得出的卷积神经网络模型的泛化能力，从而更好地提升预测地铁中客流量的可靠性。
[0073]
可选地，对数据特征进行融合之前，还包括：将客流数据特征、网络拓扑数据特征和环境数据特征输入至第一全连接层。
[0074]
可选地，对数据特征进行融合的过程中，按照以下公式将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征：
[0075]
z＝w1⊙
d1+w2⊙
d2+w3⊙
d3[0076]
其中，z为融合特征，w1为客流量数据特征的权重，w2为网络拓扑数据特征的权重，w3为环境数据特征的权重，d1客流量数据特征，d2为网络拓扑数据特征，d3为环境数据特征。
[0077]
可选地，根据融合特征，预测客流量，包括：将融合特征输入至门控循环单元，得到客流数据特征对应的第一权重、网络拓扑数据特征对应的第二权重和环境数据特征对应的第三权重。将融合特征，以及第一权重、第二权重和第三权重输入至注意力层，获得训练值，将注意力层输出的训练值在第二全连接层与真实值进行对比。当训练值与真实值的差值达到预设差值的情况下，获得客流量预测值。
[0078]
结合图4所示，本公开实施例提供一种用于预测地铁客流量的装置300，包括处理器(processor)100和存储器(memory)101。可选地，该装置还可以包括通信接口(communication interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于预测地铁客流量的方法。
[0079]
此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0080]
存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于预测地铁客流量的的方法。
[0081]
存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
[0082]
本公开实施例提供了一种存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于预测地铁客流量的方法。
[0083]
上述的存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
[0084]
本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0085]
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本技术中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本技术中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本技术中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
[0086]
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述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。
[0087]
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0088]
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

技术特征：
1.一种用于预测地铁客流量的方法，其特征在于，所述方法应用于卷积神经网络模型中，所述方法包括：获取客流数据、网络拓扑数据和环境数据；基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；根据融合特征，预测客流量。2.根据权利要求1所述的方法，其特征在于，客流数据包括实时客流数据和历史客流数据；提取客流数据特征包括：将实时客流数据和历史客流数据输入至残差神经网络的残差块，以获得客流数据的时间特征和空间特征。3.根据权利要求2所述的方法，其特征在于，按照下述公式将实时客流数据和历史客流数据输入至残差神经网络的残差块：其中，k1为客流数据的输入向量，x
r
为实时的客流数据，x
d
为前一日的客流数据，x
w
为前一周的客流数据，m为地铁站的数量，t为地铁车站的历史时长。4.根据权利要求1所述的方法，其特征在于，提取网络拓扑数据特征，包括：将网络拓扑数据输入至残差神经网络的残差块，以获得网络拓扑数据的空间特征。5.根据权利要求4所述的方法，其特征在于，按照下述公式将网络拓扑数据输入至残差神经网络的残差块：其中，k2为网络拓扑数据的输入向量，a∈r
m
×
n
为输入的网络拓扑数据的邻接矩阵，i为单位矩阵，为的对角节点度矩阵，x
t
为网络拓扑数据，m为地铁站的数量，t为地铁车站的历史时长。6.根据权利要求1所述的方法，其特征在于，提取环境数据特征，包括：将环境数据输入至门控循环单元，以获得环境数据的时间特征和空间特征。7.根据权利要求6所述的方法，其特征在于，按照下述公式将环境数据输入至门控循环单元：k3＝(x
n,t-i
,x
n,t
)；其中，k3为环境数据的输入向量，且k3包含n行和i列的二维矩阵，n为环境系数的数量，t为地铁车站的历史时长。8.根据权利要求1至7任一项所述的方法，其特征在于，按照以下公式将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征：z＝w1⊙
d1+w2⊙
d2+w3⊙
d3其中，z为融合特征，w1为客流量数据特征的权重，w2为网络拓扑数据特征的权重，w3为环境数据特征的权重，d1客流量数据特征，d2为网络拓扑数据特征，d3为环境数据特征。9.一种用于预测地铁客流量的装置，包括处理器和存储有程序指令的存储器，其特征
在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的用于预测地铁客流量的方法。10.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至8任一项所述的用于预测地铁客流量的方法。

技术总结
本申请涉及智能交通技术领域，公开一种用于预测地铁客流量的方法，所述方法应用于卷积神经网络模型中，所述方法包括：获取客流数据、网络拓扑数据和环境数据；基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；根据融合特征，预测客流量。该方法在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。本申请还公开一种用于预测地铁客流量的装置及存储介质。量的装置及存储介质。量的装置及存储介质。


技术研发人员：程杰仁 李雅静
受保护的技术使用者：海南大学
技术研发日：2023.06.06
技术公布日：2023/8/13