CN110459051A - 路段特征模型训练方法、装置、终端设备及存储介质 - Google Patents
路段特征模型训练方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110459051A CN110459051A CN201910540699.3A CN201910540699A CN110459051A CN 110459051 A CN110459051 A CN 110459051A CN 201910540699 A CN201910540699 A CN 201910540699A CN 110459051 A CN110459051 A CN 110459051A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- vehicle
- monitoring
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,提供了一种路段特征模型训练方法、装置、计算机设备及存储介质,所述路段特征模型训练方法包括:获取目标路段两侧的第一监测数据和第二监测数据;根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据;对所述车辆通行数据进行预处理,得到图数据结构;利用预先训练好的图卷积神经网络模型对所述图数据结构进行处理,得到训练样本;采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型。本发明的技术方案实现对图数据结构的处理,提高目标路段特征模型识别的准确性。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种路段特征模型训练方法、装置、计算机设备及存储介质。
背景技术
近年来,人们对神经网络在路段特征识别领域中的应用开始了深入的研究。路段特征识别问题是高度非线性的,可获得的数据通常是大量的、复杂的,而神经网络具有识别复杂非线性系统的特性,因此使用神经网络处理路段特征识别问题有着巨大的优越性。而针对路段特征情况的数据一般为图数据结构,此类图数据结构属于非欧式数据,在用神经网络模型对数据进行处理时,传统的神经网络模型只能对网格化数据进行处理,无法对非欧式数据进行处理,导致模型训练的处理存在局限性,影响路段特征识别的准确性。
发明内容
本发明实施例提供一种路段特征模型训练方法、装置、计算机设备及存储介质,以解决传统的神经网络模型无法对图数据结构进行处理,影响路段特征识别的准确性的问题。
一种路段特征模型训练方法,包括:
获取目标路段两侧的第一监测数据和第二监测数据,其中,所述第一监测数据和所述第二监测数据都包括车牌信息;
根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据;
对所述车辆通行数据进行预处理,得到图数据结构;
利用预先训练好的图卷积神经网络模型对所述图数据结构进行处理,得到训练样本;
采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型。
一种路段特征模型训练装置,包括:
获取模块,获取目标路段两侧的第一监测数据和第二监测数据,其中,所述第一监测数据和所述第二监测数据都包括车牌信息;
计算模块,根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据;
预处理模块,对所述车辆通行数据进行预处理,得到图数据结构;
处理模块,利用预先训练好的图卷积神经网络模型对所述图数据结构进行处理,得到训练样本;
训练模块,采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述路段特征模型训练方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述路段特征模型训练方法的步骤。
上述路段特征模型训练方法、装置、计算机设备及存储介质,通过根据获取到的目标路段两侧的第一监测数据和第二监测数据,计算车辆在预设时间段内的通行时间,将通行时间及车辆对应的车牌信息作为车辆通行数据进行预处理得到图数据结构,并将图数据结构导入预先训练好的图卷积神经网络模型进行处理得到训练样本,最后采用训练样本对长短时神经网络进行训练获取目标路段特征模型,从而实现对图数据结构的处理,扩大模型训练的处理范围,并且能够有效更新长短时记忆神经网络模型中各层的权值,使得通过训练样本训练得到的目标路段特征模型识别效果更精准。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的路段特征模型训练方法的流程图;
图2是本发明实施例提供的路段特征模型训练方法中步骤S1的流程图;
图3是本发明实施例提供的路段特征模型训练方法中步骤S11的流程图;
图4是本发明实施例提供的路段特征模型训练方法中步骤S2的流程图;
图5是本发明实施例提供的路段特征模型训练方法中步骤S3的流程图;
图6是本发明实施例提供的路段特征模型训练方法中步骤S32的流程图;
图7是本发明实施例提供的路段特征模型训练方法中步骤S5的流程图;
图8是本发明实施例提供的路段特征模型训练装置的示意图;
图9是本发明实施例提供的计算机设备的基本机构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的路段特征模型训练方法应用于服务端,服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中,如图1所示,提供一种路段特征模型训练方法,包括如下步骤:
S1:获取目标路段两侧的第一监测数据和第二监测数据,其中,第一监测数据和第二监测数据都包括车牌信息。
在本发明实施例中,目标路段两侧是指车辆进入目标路段的驶入侧和车辆离开目标路段的驶出侧。监测数据是指车辆在目标路段中监测到的数据,例如,车辆进入目标路段时间、车辆离开目标路段时间以及车辆对应的车牌信息等。其中,第一监测数据是指车辆进入目标路段时所监测到的数据,第二监测数据是指车辆离开目标路段时所监测到的数据。
具体地,通过从预设数据库中获取目标路段的驶入侧对应的第一监测数据和目标路段的驶出侧对应的第二监测数据。其中,第一监测数据包括车辆进入目标路段时间和车辆对应的车牌信息,第二监测数据包括车辆离开目标路段时间和车辆对应的车牌信息。
预设数据库是指专门用于存储第一监测数据和第二监测数据的数据库。
S2:根据第一监测数据和第二监测数据,计算预设时间段内车辆的通行时间,并将通行时间和车牌信息都确定为车辆通行数据。
具体地,从步骤S1中获取预设时间段内的第一监测数据和第二监测数据,选取第一监测数据和第二监测数据相同的车牌信息,利用第二监测数据中的车辆离开目标路段时间与第一监测数据中的车辆进入目标路段时间进行相减的方式进行计算,得到车辆在预设时间段内的通行时间,并将该通行时间和车牌信息都确定为车辆通行数据。
其中,预设时间段具体可以是早上8点到9点,也可以是下午1点到2点,其具体的取值范围根据用户的实际需求进行设置,此处不做限制。
S3:对车辆通行数据进行预处理,得到图数据结构。
在本发明实施例中,预处理是指将车辆通行数据转换成图数据,该图数据即为图数据结构。通过将步骤S2获取到的车辆通行数据导入到预设处理库中进行预处理,得到预处理后的图数据结构。
其中,预设处理库是指专门用于对车辆通行数据进行预处理的数据库。
S4:利用预先训练好的图卷积神经网络模型对图数据结构进行处理,得到训练样本。
在本发明实施例中,预先训练好的图卷积神经网络模型是指专门用于将图数据结构处理成训练样本的模型。通过将步骤S3得到的图数据结构导入到预先训练好的图卷积神经网络模型中,利用如下公式进行训练,得到训练后的训练样本。
Zt=y(η,W)*xt
其中,Zt为训练样本,y(η,W)代表图卷积核,*代表图卷积操作,xt代表图数据结构。
S5:采用训练样本对长短时神经网络进行训练,得到目标路段特征模型。
在本发明实施例中,长短时记忆网络(Long Short-Term Memory,简称LSTM)模型,是一种时间递归神经网络模型,用于训练具有时序性特点的数据,将该具有时序性特点的数据在长短时记忆网络模型训练,能够获取与该数据相对应的识别模型。
需要说明的是,具有时序性特点的数据为基于图卷积神经网络模型提取的训练样本,通过训练样本训练获取的模型即为目标路段特征模型。长短时记忆神经网络模型包括一输入层、一输出层和至少一隐藏层,长短时记忆神经网络模型中各层的权值是指神经网络模型中各层连接的权值,权值决定了各层最终输出的信息,并使得网络具有时序上的记忆功能。
具体地,通过采用训练样本对长短时记忆神经网络模型进行训练,能够有效更新长短时记忆神经网络模型中各层的权值,由于训练样本为路段特征对应的训练数据,使得获取的目标驾驶模型可识别出当前训练的路段对应的交通情况。并且,长短时记忆神经网络模型通过对具有时序性特点的训练样本进行识别,可使目标驾驶模型的识别结果更为准确。
本实施例中,通过根据获取到的目标路段两侧的第一监测数据和第二监测数据,计算车辆在预设时间段内的通行时间,将通行时间及车辆对应的车牌信息作为车辆通行数据进行预处理得到图数据结构,并将图数据结构导入预先训练好的图卷积神经网络模型进行处理得到训练样本,最后采用训练样本对长短时神经网络进行训练获取目标路段特征模型,从而实现对图数据结构的处理,扩大模型训练的处理范围,并且能够有效更新长短时记忆神经网络模型中各层的权值,使得通过训练样本训练得到的目标路段特征模型识别效果更精准。
在一实施例中,如图2所示,步骤S1中,即获取目标路段两侧的第一监测数据和第二监测数据包括如下步骤:
S11:获取目标路段两侧的第一车辆卡口位置信息和第二车辆卡口位置信息。
在本发明实施例中,车辆卡口位置信息是指专门用于检测车辆在目标路段驶出驶入情况的出入卡口信息,第一车辆卡口位置信息为车辆进入目标路段的卡口位置信息,第二车辆卡口位置信息为车辆离开目标路段的卡口位置信息。
具体地,通过预设地图信息,获取目标路段两侧中的第一车辆卡口位置信息和第二车辆卡口位置信息。其中,预设地图信息是指专门用于存储目标路段对应的车辆卡口位置信息。
S12:从预设数据库中查询第一车辆卡口位置信息和第二车辆卡口位置信息分别对应的第一监测数据和第二监测数据。
具体地,预设数据库中预先保存了第一车辆卡口位置信息、第一车辆卡口位置信息对应的第一监测数据、第二车辆卡口位置信息和第二车辆卡口位置信息对应的第二监测数据。
当从预设数据库中查询到第一车辆卡口位置信息时,获取该第一车辆卡口位置信息对应的第一监测数据;同理,当从预设数据库中查询到第二车辆卡口位置信息时,获取该第二车辆卡口位置信息对应的第二监测数据。
本实施例中,通过从第一车辆卡口位置信息和第二车辆卡口位置信息分别获取对应的第一监测数据和第二监测数据,能够准确提取目标路段上的数据,保证后续模型训练的准确性。
在一实施例中,如图3所示,步骤S11中,即获取第一车辆卡口位置信息和第二车辆卡口位置信息包括如下步骤:
S111:从车辆卡口库中获取目标路段存在的车辆卡口位置信息,其中,车辆卡口库预先存储了不同的路段和车辆卡口位置信息。
在本发明实施例中,车辆卡口库中预先保存了不同的路段及路段对应的车辆卡口位置信息。通过从车辆卡口库中查询目标路段,并获取该目标路段对应的卡口位置信息。
例如,车辆卡口库中存在路段A和路段B,路段A对应的车辆卡口位置信息为A1、A2、A3和A4,路段B对应的车辆卡口位置信息为B1、B2、B3和B4,若目标锻炼为路段A,则从车辆卡口库中获取车辆卡口位置信息为A1、A2、A3和A4。
S112:根据预设条件,从车辆卡口位置信息中筛选出第一车辆卡口位置信息和第二车辆卡口位置信息。
具体地,根据步骤S111获取到的车辆卡口位置信息,按照预设条件,从车辆卡口位置信息中筛选出第一车辆卡口位置信息和第二车辆卡口位置信息。其中,第一车辆卡口位置信息是指专门用于检测车辆进入目标路段的车辆卡口位置信息;第二车辆卡口位置信息是指专门用于检测车辆离开目标路段的车辆卡口位置信息。
预设条件是指根据用户实际需求选取目标路段中的某个方向,例如,目标路段中从东往北的方向。
例如,目标路段C中从东往北的方向存在的车辆卡口位置信息分别为C1和C2,若预设条件为目标路段C中从东往北的方向,则将C1作为第一车辆卡口位置信息,将C2作为第二车辆卡口位置信息。若预设条件为目标道路从北往东的方向,则将C1作为第二车辆卡口位置信息,将C2作为第一车辆卡口位置信息。
本实施例中,通过根据预设条件从车辆卡口位置信息中确定第一车辆卡口位置信息和第二车辆卡口位置信息,从而能够确定目标路段对应的卡口位置信息,便于用户利用卡口位置信息获取对应的数据信息,保证后续数据训练的准确性。
在一实施例中,如图4所示,步骤S2中,即根据第一监测数据和第二监测数据,计算预设时间段内车辆的通行时间,并将通行时间和车牌信息都确定为车辆通行数据包括如下步骤:
S21:将预设时间段内的第一监测数据与第二监测数据中的车牌信息进行匹配,若匹配到相同的车牌信息,则将相同的车牌信息对应的第一监测数据确定为目标第一监测数据,将第二监测数据确定为目标第二监测数据,其中,目标第一监测数据和目标第二监测数据都包括监测时间。
在本发明实施例中,第一监测数据与第二监测数据中都包含车牌信息,若第一监测数据与第二监测数据的车牌信息相同,则表示第一监测数据与第二监测数据为同一车辆在目标路段中所监测到的数据。
具体地,选取预设时间段内获取到的第一监测数据和第二监测数据,将第一监测数据中的车牌信息与第二监测数据中的车牌信息进行匹配,当匹配到相同的车牌信息时,表示该车牌信息对应的车辆已经过第一车辆卡口位置信息和第二车辆卡口位置信息之间的目标路段,将相同的车牌信息对应的第一监测数据确定为目标第一监测数据,将第二监测数据确定为目标第二监测数据。
其中,目标第一监测数据包括的监测时间为第一监测数据中的车辆进入目标路段的时间,目标第二监测数据包括的监测时间为第二监测数据中的车辆离开目标路段的时间。
需要说明的是,当未匹配到相同的车牌信息时,表示该车牌信息对应的车辆当前位置位于目标路段之中,不对第一监测数据和第二监测数据进行标注。
例如,存在第一车辆卡口位置信息和第二车辆卡口位置信息之间的目标路段L,预设时间段为早上8点到9点。存在第一监测数据:D1车辆进入目标路段的时间为早上8点,对应的车牌信息为888;D2车辆进入目标路段的时间为早上8点半,对应的车牌信息为886。存在第二监测数据:F1车辆离开目标路段的时间为早上9点,对应的车牌信息为888;F2车辆离开目标路段的时间为早上9点半,对应的车牌信息为886。由于预设时间段为早上8点到9点,则将第一监测数据中的车牌信息888、886,分别与第二监测数据中的车牌信息888进行匹配,得到第一监测数据中的车牌信息888与第二监测数据中的车牌信息888相匹配,表示D1车辆和F1车辆为同一车辆,且该车辆已经过第一车辆卡口位置信息和第二车辆卡口位置信息之间的目标路段,并将第一监测数据确定为目标第一监测数据,将第二监测数据确定为目标第二监测数据。
S22:利用目标第一监测数据的监测时间和目标第二监测数据的监测时间进行求差运算,得到车辆的通行时间,并将通行时间和车牌信息都确定为车辆通行数据。
具体地,根据步骤S21得到的目标第一监测数据和目标第二监测数据,由于目标第一监测数据和目标第二监测数据都包括监测时间,且目标第一监测数据包括的监测时间为第一监测数据中的车辆进入目标路段的时间,目标第二监测数据包括的监测时间为第二监测数据中的车辆离开目标路段的时间,将目标第二监测数据的监测时间减去目标第一监测数据的监测时间,得到的差值即为该监测时间对应的车辆在预设时间段内经过目标路段的通行时间,并将通行时间和车牌信息都确定为车辆通行数据。
例如,存在预设时间段为早上8点到早上10点,目标路段为123,车辆Q的目标第一监测数据的监测时间为早上8点,目标第二监测数据的监测时间为早上9点,将目标第二监测数据的监测时间早上9点减去目标第一监测数据的监测时间早上8点,得到差值为1小时,则表示车辆Q在早上8点到早上10点之间,经过目标路段123的通行时间为1个小时。
本实施例中,通过匹配车牌信息获取目标第一监测数据和目标第二监测数据,并对其进行求差运算获取车辆对应的通行时间,并将车辆通行时间和对应的车牌信息都确定为车辆通行数据,从而实现对数据的智能运算,提取有效数据,提高后续模型训练的准确性。
在一实施例中,如图5所示,步骤S3中,即对车辆通行数据进行预处理,得到图数据结构包括如下步骤:
S31:从车辆通行数据中提取通行时间在预设范围内的数据,将提取到的数据确定为目标数据。
在本发明实施例中,预设范围主要是用于对车辆通行数据中的通行时间进行筛选,其具体的范围可以是1至2个小时,也可以根据用户的实际需求进行设定,此处不做限制。
具体地,针对车辆通行数据中的通行时间,将通行时间与预设范围进行比较,若通行时间在预设范围内,则将包含该通行时间的车辆通行数据确定为目标数据。通过确定目标数据可以帮助用户删除极端数据,从而可以在后续数据训练的过程中避免由于极端数据导致训练结果存在误差。
例如,预设范围为1至2小时,存在5个车辆通行数据分别为X1、X2、X3、X4和X5,其包含的通行时间分别为0.8小时、1小时、1.5小时、1.8小时和2.5小时,将同行时间分别与预设范围进行比较,得到车辆通行数据X2、X3和X4包含的通行时间在预设范围内,则将车辆通行数据X2、X3和X4确定为目标数据。
S32:对目标数据进行图数据结构转换处理,得到图数据结构。
具体地,将目标数据导入到预设处理工具中进行转换处理,得到转换处理后的图数据结构。
其中,预设处理工具是指专门用于将数据处理成图数据结构的工具,例如,可以利用networkx工具进行处理。
本实施例中,根据通行时间的预设范围确定目标数据,并将目标数据进行转换处理得到图数据结构,能够将有效数据转换成后续训练的处理数据结构,进一步保证数据的有效性及后续模型训练的准确性。
在一实施例中,如图6所示,步骤S32中,即对目标数据进行图数据结构转换处理,得到图数据结构包括如下步骤:
S321:使用networkx建立空的无向图。
在本发明实施例中,networkx是用计算机程序设计语言编写的软件包,便于用户对复杂网络进行创建、操作和学习。利用networkx可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等。
具体地,通过networkx中nx.Graph()方法建立空的无向图。
S322:将目标数据作为无向图的输入数据,并通过绘制网络图方法将输入数据处理成图数据结构。
在本发明实施例中,绘制网络图方法是指专门用于将输入数据转换成图数据结构的方法,该绘制网络图方法具体可以是networkx中的nx.draw()方法。
具体地,将目标数据作为输入数据导入到步骤S321得到的无向图中,并利用networkx中的nx.draw()进行图数据结构转换处理,得到处理后图数据结构。
本实施例中,通过先建立无向图,将目标数据作为无向图的输入数据,并通过绘制网络图方法将输入数据处理成图数据结构,能够实现对目标数据进行图数据结构的转换处理,为后续使用预先训练好的图卷积神经网络模型提供了准确的训练数据,进一步提高后续模型训练的准确性。
在一实施例中,如图7所示,步骤S5中,即采用训练样本对长短时神经网络进行训练,得到目标路段特征模型包括如下步骤:
S51:初始化长短时记忆神经网络模型。
在本发明实施例中,对长短时记忆神经网络模型进行初始化操作,其中,长短时记忆神经网络是在时间上相互连接的网络,其基本单元称为神经元。长短时记忆神经网络模型包括一输入层、一输出层和至少一隐藏层,其隐藏层包括输入门、遗忘门、输出门、神经元状态和神经元输出,长短时记忆神经网络模型中的每一层可以包括多个神经元。遗忘门决定了在神经元状态中所要丢弃的信息。输入门决定了在神经元中所要增加的信息。输出门决定了在神经元中所要输出的信息。神经元状态决定了各个门丢弃、增加和输出的信息,具体表示为与各个门之间连接的权值。神经元输出决定了与下一层的连接权值。
可以理解地,初始化长短时记忆神经网络模型,即为设置长短时记忆神经网络模型各层之间连接的权值以及隐藏层中输入门、遗忘门、输出门、神经元状态和神经元输出之间的初始权值,本实施例中初始权值可设为1。
S52:在长短时记忆神经网络模型中输入训练样本,计算长短时记忆神经网络模型各层的输出值。
在本发明实施例中,采用按单元时间间隔在一预设时间段内获取的训练样本输入到长短时记忆神经网络模型中,分别计算各层的输出值,包括计算训练样本在输入门、遗忘门、输出门、神经元状态和神经元输出的输出。其中,一个神经元包括有三种激活函数f(sigmoid)、g(tanh)和h(softmax)。激活函数能够将权值结果转化成分类结果,其作用是能够给神经网络加入一些非线性因素,使得神经网络可以更好地解决较为复杂的问题。
一个神经元所接收和处理的数据包括:输入的训练样本:x,状态数据:s。此外,以下提及的参数还包括:神经元的输入用a表示,输出用b表示。下标和ω分别表示输入门、遗忘门和输出门。下标c表示神经元,t代表时刻。神经元跟输入门、遗忘门和输出门连接的权值分别记做wcl、wcφ和wcω。Sc表示神经元状态。I表示输入层的神经元的个数,H是隐层神经元的个数,C是神经元状态的神经元个数,这里取C=H。
输入门接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻神经元的状态数据St-1 c,通过连接输入的训练样本与输入门的权值wil、连接上一时刻的输出值与输入门的权值whl和连接神经元与输入门的权值wcl,根据公式计算得到输入门的输出将激活函数f作用于由公式得到一个0-1区间的标量。此标量控制了神经元根据当前状态和过去状态的综合判断所接收当前信息的比例。
遗忘门接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻的状态数据St-1 c,通过连接输入的训练样本与遗忘门的权值wiφ、连接上一时刻的输出值与遗忘门的权值whφ和连接神经元与遗忘门的权值wcφ,根据公式计算得到遗忘门的输出将激活函数f作用于由公式得到一个0-1区间的标量,此标量控制了神经元根据当前状态和过去状态的综合判断所接收过去信息的比例。
神经元接收当前时刻的样本Xt、上一时刻的输出值bt-1 h以及上一时刻的状态数据St-1 c、连接神经元与输入的训练样本的权值wic、连接神经元与上一时刻的输出值的权值whc以及输入门、遗忘门的输出标量,根据式计算当前时刻的神经元状态
输出门接收当前时刻的样本以及当前时刻的状态数据Xt,上一时刻的输出值bt-1 h以及当前时刻的状态数据通过连接输入的训练样本与输出门的权值wiw、连接上一时刻的输出值与输出门的权值whw以及连接神经元与输出门的权值wcw,根据公式计算输出门的输出将激活函数f作用于上由公式得到一个0-1区间的标量。
神经元输出根据输出门输出的标量计算。具体地,神经元输出的输出根据公式计算得出。由上述对训练样本在各层间的计算可获取长短时记忆神经网络模型各层的输出值。
S53:根据输出值对长短时记忆神经网络模型各层进行误差反传更新,获取更新后的各层的权值。
在本发明实施例中,根据获取长短时记忆神经网络模型各层的输出值对长短时记忆神经网络模型各层进行误差反传更新。
具体地,首先根据误差项的表达式可求出各层的误差项。其中,ε和δ均表示误差项,特别地,表示神经元输出反传的误差项,表示神经元状态反传的误差项,两者均表示误差项,但具体含义不同。在以下表达式中,神经元的输入用a表示,输出用b表示。下标和ω分别表示输入门、遗忘门和输出门。下标c表示神经元,t代表时刻。神经元跟输入门、遗忘门和输出门连接的权值分别记做wcl、和wcω。Sc表示神经元状态,控制门的激活函数用f(sigmoid)表示,g(tanh)和h(softmax)分别表示神经元的输入激活函数和输出激活函数。K是输出层神经元的个数,H是隐层神经元的个数,C是神经元状态的神经元个数,这里取C=H。则输入门反传的误差项为遗忘门反传的误差项为神经元状态反传的误差项为其中,输出门反传的误差项为神经元输出反传的误差项为
根据获得的各层误差项,再进行权值梯度的计算即可更新各层的权值,其中,权值更新的表达式为式中T表示时刻,W表示权值,如wcl、wcφ和wcω等连接权值。B表示输出值,如和等输出。δ表示误差项,如和等误差项。为上一时刻神经元的状态数据,bt-1 h为上一时刻的输出值。上述表达式各参数需相对应,如更新的具体权值为wcl时,则输出B为相对应的误差项δ为相对应的根据步骤S53和步骤S54的表达式可获得该权值更新表达式的所需参数值。则根据该权值更新的表达式进行运算即可获取更新后各层的权值。
S54:基于更新后的各层的权值,获取目标路段特征模型。
具体地,将获取的更新后的各层的权值,应用到长短时记忆神经网络模型中即可获取目标模型。在目标模型的输出层最终会输出一概率值,该概率值表示信息在通过目标模型处理后与该目标模型的贴近程度,即信息输入该目标模型的概率有多大,可广泛应用于路段特征识别,以达到准确识别路段交通情况的效果。
本实施例中,通过对长短时记忆神经网络模型进行初始化,将训练样本输入到长短时记忆神经网络模型中并计算各层的输出值,利用输出值对长短时记忆神经网络模型各层进行误差反传更新,得到各层的权值,最后利用各层的权值获取目标路段特征模型,从而实现对目标路段特征模型的获取,采用训练样本对长短时记忆神经网络模型进行训练,能够有效更新长短时记忆神经网络模型中各层的权值,使得通过训练样本训练得到的路段特征模型识别效果更精准。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种路段特征模型训练装置,该路段特征模型训练装置与上述实施例中路段特征模型训练方法一一对应。如图8所示,该路段特征模型训练装置包括第一获取模块80、计算模块81、预处理模块82、第一处理模块83和训练模块84。各功能模块详细说明如下:
第一获取模块80,用于获取目标路段两侧的第一监测数据和第二监测数据,其中,第一监测数据和第二监测数据都包括车牌信息;
计算模块81,用于根据第一监测数据和第二监测数据,计算预设时间段内车辆的通行时间,并将通行时间和车牌信息都确定为车辆通行数据;
预处理模块82,用于对车辆通行数据进行预处理,得到图数据结构;
第一处理模块83,用于利用预先训练好的图卷积神经网络模型对图数据结构进行处理,得到训练样本;
训练模块84,用于采用训练样本对长短时神经网络进行训练,得到目标路段特征模型。
进一步地,第一获取模块80包括:
第二获取子模块,用于获取目标路段两侧的第一车辆卡口位置信息和第二车辆卡口位置信息;
查询子模块,用于从预设数据库中查询第一车辆卡口位置信息和第二车辆卡口位置信息分别对应的第一监测数据和第二监测数据。
进一步地,第二获取子模块包括:
第三获取单元,用于从车辆卡口库中获取目标路段存在的车辆卡口位置信息,其中,车辆卡口库预先存储了不同的路段和车辆卡口位置信息;
筛选单元,用于根据预设条件,从车辆卡口位置信息中筛选出第一车辆卡口位置信息和第二车辆卡口位置信息。
进一步地,计算模块81包括:
匹配子模块,用于将预设时间段内的第一监测数据与第二监测数据中的车牌信息进行匹配,若匹配到相同的车牌信息,则将相同的车牌信息对应的第一监测数据确定为目标第一监测数据,将第二监测数据确定为目标第二监测数据,其中,目标第一监测数据和目标第二监测数据都包括监测时间;
运算子模块,用于利用目标第一监测数据的监测时间和目标第二监测数据的监测时间进行求差运算,得到车辆的通行时间,并将通行时间和车牌信息都确定为车辆通行数据。
进一步地,预处理模块82包括:
提取子模块,用于从车辆通行数据中提取通行时间在预设范围内的数据,将提取到的数据确定为目标数据;
转换子模块,用于对目标数据进行图数据结构转换处理,得到图数据结构。
进一步地,转换子模块包括:
创建单元,用于使用networkx建立空的无向图;
第二处理单元,用于将目标数据作为无向图的输入数据,并通过绘制网络图方法将输入数据处理成图数据结构。
进一步地,训练模块84包括:
初始化子模块,用于初始化长短时记忆神经网络模型;
输出值计算子模块,用于在长短时记忆神经网络模型中输入训练样本,计算长短时记忆神经网络模型各层的输出值;
更新子模块,用于根据输出值对长短时记忆神经网络模型各层进行误差反传更新,获取更新后的各层的权值;
第四获取子模块,用于基于更新后的各层的权值,获取目标路段特征模型。
本申请的一些实施例公开了计算机设备。具体请参阅图9,为本申请的一实施例中计算机设备90基本结构框图。
如图9中所示意的,所述计算机设备90包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图9中仅示出了具有组件91-93的计算机设备90,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备90的内部存储单元,例如该计算机设备90的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备90的外部存储设备,例如该计算机设备90上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器91还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备90的操作系统和各类应用软件,例如所述路段特征模型训练方法的程序代码等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备90的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据,例如运行所述路段特征模型训练方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备90与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有单据信息录入程序,所述单据信息录入程序可被至少一个处理器执行,以使所述至少一个处理器执行上述任意一种路段特征模型训练方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
最后应说明的是,显然以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种路段特征模型训练方法,其特征在于,所述路段特征模型训练方法包括:
获取目标路段两侧的第一监测数据和第二监测数据,其中,所述第一监测数据和所述第二监测数据都包括车牌信息;
根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据;
对所述车辆通行数据进行预处理,得到图数据结构;
利用预先训练好的图卷积神经网络模型对所述图数据结构进行处理,得到训练样本;
采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型。
2.如权利要求1所述的路段特征模型训练方法,其特征在于,所述获取目标路段两侧的第一监测数据和第二监测数据的步骤包括:
获取目标路段两侧的第一车辆卡口位置信息和第二车辆卡口位置信息;
从预设数据库中查询所述第一车辆卡口位置信息和所述第二车辆卡口位置信息分别对应的第一监测数据和第二监测数据。
3.如权利要求2所述的路段特征模型训练方法,其特征在于,所述获取目标路段两侧的第一车辆卡口位置信息和第二车辆卡口位置信息的步骤包括:
从车辆卡口库中获取目标路段存在的车辆卡口位置信息,其中,所述车辆卡口库预先存储了不同的路段和所述车辆卡口位置信息;
根据预设条件,从所述车辆卡口位置信息中筛选出所述第一车辆卡口位置信息和所述第二车辆卡口位置信息。
4.如权利要求1所述的路段特征模型训练方法,其特征在于,所述根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据的步骤包括:
将预设时间段内的所述第一监测数据与所述第二监测数据中的车牌信息进行匹配,若匹配到相同的车牌信息,则将相同的车牌信息对应的第一监测数据确定为目标第一监测数据,将第二监测数据确定为目标第二监测数据,其中,所述目标第一监测数据和目标第二监测数据都包括监测时间;
利用所述目标第一监测数据的监测时间和所述目标第二监测数据的监测时间进行求差运算,得到车辆的所述通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据。
5.如权利要求1所述的路段特征模型训练方法,其特征在于,所述对所述车辆通行数据进行预处理,得到图数据结构的步骤包括:
从所述车辆通行数据中提取所述通行时间在预设范围内的数据,将提取到的数据确定为目标数据;
对所述目标数据进行图数据结构转换处理,得到所述图数据结构。
6.如权利要求5所述的路段特征模型训练方法,其特征在于,所述对所述目标数据进行图数据结构转换处理,得到所述图数据结构的步骤包括:
使用networkx建立空的无向图;
将所述目标数据作为所述无向图的输入数据,并通过绘制网络图方法将所述输入数据处理成所述图数据结构。
7.如权利要求1所述的路段特征模型训练方法,其特征在于,所述采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型的步骤包括:
初始化长短时记忆神经网络模型;
在所述长短时记忆神经网络模型中输入所述训练样本,计算所述长短时记忆神经网络模型各层的输出值;
根据所述输出值对所述长短时记忆神经网络模型各层进行误差反传更新,获取更新后的所述各层的权值;
基于更新后的所述各层的权值,获取目标路段特征模型。
8.一种路段特征模型训练装置,其特征在于,所述路段特征模型训练包括:
获取模块,获取目标路段两侧的第一监测数据和第二监测数据,其中,所述第一监测数据和所述第二监测数据都包括车牌信息;
计算模块,根据所述第一监测数据和所述第二监测数据,计算预设时间段内车辆的通行时间,并将所述通行时间和所述车牌信息都确定为车辆通行数据;
预处理模块,对所述车辆通行数据进行预处理,得到图数据结构;
处理模块,利用预先训练好的图卷积神经网络模型对所述图数据结构进行处理,得到训练样本;
训练模块,采用所述训练样本对长短时神经网络进行训练,得到目标路段特征模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述路段特征模型训练方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述路段特征模型训练方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540699.3A CN110459051B (zh) | 2019-06-21 | 2019-06-21 | 路段特征模型训练方法、装置、终端设备及存储介质 |
PCT/CN2019/117262 WO2020253039A1 (zh) | 2019-06-21 | 2019-11-11 | 路段特征模型训练方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540699.3A CN110459051B (zh) | 2019-06-21 | 2019-06-21 | 路段特征模型训练方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110459051A true CN110459051A (zh) | 2019-11-15 |
CN110459051B CN110459051B (zh) | 2020-09-04 |
Family
ID=68480688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540699.3A Active CN110459051B (zh) | 2019-06-21 | 2019-06-21 | 路段特征模型训练方法、装置、终端设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110459051B (zh) |
WO (1) | WO2020253039A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954650A (zh) * | 2021-03-31 | 2021-06-11 | 东风汽车集团股份有限公司 | 基于隧道的网络切换方法、装置、可移动载体及存储介质 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836626B (zh) * | 2021-01-29 | 2023-10-27 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
CN113257002B (zh) * | 2021-05-11 | 2022-03-25 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
CN115050120A (zh) * | 2022-06-13 | 2022-09-13 | 中国电信股份有限公司 | 交通关卡安检方法、装置、系统及设备 |
CN115601744B (zh) * | 2022-12-14 | 2023-04-07 | 松立控股集团股份有限公司 | 一种车身与车牌颜色相近的车牌检测方法 |
CN115691143B (zh) * | 2022-12-30 | 2023-04-07 | 北京码牛科技股份有限公司 | 交通卡口设备采集数据的时间的动态纠正方法和系统 |
CN117634167A (zh) * | 2023-11-17 | 2024-03-01 | 深圳市特区铁工建设集团有限公司 | 一种桥梁监测和预警方法、装置、终端及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109636049A (zh) * | 2018-12-19 | 2019-04-16 | 浙江工业大学 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
CN109711591A (zh) * | 2017-10-25 | 2019-05-03 | 腾讯科技(深圳)有限公司 | 一种路段速度预测方法、装置、服务器及存储介质 |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077610A (zh) * | 2012-12-31 | 2013-05-01 | 清华大学 | 一种路段旅行时间估计的方法和系统 |
CN104715604B (zh) * | 2014-01-13 | 2017-02-15 | 杭州海康威视数字技术股份有限公司 | 获取实时路况信息的方法及其系统 |
CN104537836B (zh) * | 2014-12-30 | 2016-11-30 | 北京通博科技有限公司 | 路段行驶时间分布预测方法 |
EP3278317B1 (en) * | 2015-03-31 | 2022-11-16 | Sony Group Corporation | Method and electronic device |
CN107697070B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 驾驶行为预测方法和装置、无人车 |
CN108898831B (zh) * | 2018-06-25 | 2020-11-06 | 广州市市政工程设计研究总院有限公司 | 基于道路高清卡口数据的路段状况评估方法及系统 |
-
2019
- 2019-06-21 CN CN201910540699.3A patent/CN110459051B/zh active Active
- 2019-11-11 WO PCT/CN2019/117262 patent/WO2020253039A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046956A (zh) * | 2015-06-24 | 2015-11-11 | 银江股份有限公司 | 一种基于转向系数的交通流模拟及预测方法 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109711591A (zh) * | 2017-10-25 | 2019-05-03 | 腾讯科技(深圳)有限公司 | 一种路段速度预测方法、装置、服务器及存储介质 |
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
CN109636049A (zh) * | 2018-12-19 | 2019-04-16 | 浙江工业大学 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
CN109544932A (zh) * | 2018-12-19 | 2019-03-29 | 东南大学 | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
Non-Patent Citations (1)
Title |
---|
冯宁等: "面向交通流量预测的多组件时空图卷积网络", 《软件学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954650A (zh) * | 2021-03-31 | 2021-06-11 | 东风汽车集团股份有限公司 | 基于隧道的网络切换方法、装置、可移动载体及存储介质 |
CN112954650B (zh) * | 2021-03-31 | 2022-11-22 | 东风汽车集团股份有限公司 | 基于隧道的网络切换方法、装置、可移动载体及存储介质 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110459051B (zh) | 2020-09-04 |
WO2020253039A1 (zh) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110459051A (zh) | 路段特征模型训练方法、装置、终端设备及存储介质 | |
Lv et al. | Generative adversarial networks for parallel transportation systems | |
CN110188635B (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
CN110427896A (zh) | 一种基于卷积神经网络的垃圾分类智能系统 | |
CN107704918B (zh) | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 | |
CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
CN112396613A (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN110110794B (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
CN109829478A (zh) | 一种基于变分自编码器的问题分类方法和装置 | |
CN115346372B (zh) | 一种基于图神经网络的多组件融合交通流量预测方法 | |
CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
CN114868640B (zh) | 基于物联网的智慧城市绿地灌溉用水分配方法和系统 | |
CN112418360A (zh) | 卷积神经网络的训练方法、行人属性识别方法及相关设备 | |
CN112530514A (zh) | 基于深度学习方法预测化合物蛋白质相互作用的新型深度模型、计算机设备、存储介质 | |
CN106264545A (zh) | 步伐识别方法及装置 | |
CN111127104A (zh) | 一种商品销量预测方法及系统 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112542211A (zh) | 基于单独注意力机制的预测化合物蛋白质亲和力方法、计算机设备、存储介质 | |
CN116385850A (zh) | 多目标检测方法、装置、电子设备及存储介质 | |
CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
CN115374927A (zh) | 一种神经网络模型训练的方法、异常检测的方法及设备 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |