CN112801175A - 基于数字孪生的交通分析模型修正方法及装置 - Google Patents

基于数字孪生的交通分析模型修正方法及装置 Download PDF

Info

Publication number
CN112801175A
CN112801175A CN202110099376.2A CN202110099376A CN112801175A CN 112801175 A CN112801175 A CN 112801175A CN 202110099376 A CN202110099376 A CN 202110099376A CN 112801175 A CN112801175 A CN 112801175A
Authority
CN
China
Prior art keywords
analysis model
traffic analysis
loss function
traffic
term
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.)
Pending
Application number
CN202110099376.2A
Other languages
English (en)
Inventor
孙兴焕
高朝晖
陈海英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Liangdong Information Technology Co ltd
Original Assignee
Jiangsu Liangdong Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Liangdong Information Technology Co ltd filed Critical Jiangsu Liangdong Information Technology Co ltd
Publication of CN112801175A publication Critical patent/CN112801175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于数字孪生的交通分析模型修正方法及装置，本发明涉及交通控制系统技术领域，解决现有交通分析模型修正技术对交通分析模型修正的精确性有限的问题。本发明通过数字孪生技术建立交通分析模型，通过传感器实现所述交通分析模型与交通运行真实数据的同步，根据预设损失函数计算交通分析模型的准确度，对交通分析模型运行的预测值进行补偿修正，通过样本对交通分析模型进行训练，调整交通分析模型的参数，更新预设损失函数的度量矩阵，本发明基于数字孪生技术和损失函数对模型的输入参数进行调整，不断优化模型，从而使得交通分析模型测量的数据逼近交通运行真实数据。

Description

基于数字孪生的交通分析模型修正方法及装置
技术领域
本发明涉及交通控制系统技术领域，尤其涉及一种基于数字孪生的交通分析模型修正方法及装置。
背景技术
交通分析模型的建立能够帮助交通管理部门实现交通道路设计、交通事故模拟、过载流量测试以及重大节假日状况预测等工作。但是，交通领域中基础设施的监测涉及到应变、挠度、倾斜、位移等多种参数，传统的传感器布设位置、精度要求、数据采集频率往往根据经验进行确定。因此模型建立后，需要对真实场景数据与模型数据的差异性进行分析和处理，对模型进行不断的调整、修正、优化，最终达到理论模型与实际的完美结合。
目前，大多数模型修正方法采用的是对输出进行修正的方法，即使用模型计算出预测值后，采用某种算法对预测值进行补偿，使之趋近于真实值。这类方法只对补偿算法进行调整，并未对模型本身进行修正。此外，大多数对模型本身进行修正的方法，修正数据的选取局限于对某类特定应用的模型的参数需要上，比如对交通噪声预测模型修正，参数包括车速、车型、距离、路段弯曲、地面吸收衰减量、林带衰减量、自然条件衰减量，如果仅对这些参数进行数据采集和分析，那么对模型进行修正时，会忽略到其它可能对预测值产生影响的因素。
发明内容
本发明提供一种基于数字孪生的交通分析模型修正方法及装置，以解决现有的交通分析模型修正技术对交通分析模型修正的精确性有限的问题。
第一方面，本发明提供一种基于数字孪生的交通分析模型修正方法，所述方法包括：
建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立；
通过传感器实现所述交通分析模型与交通运行真实数据的同步；
根据预设损失函数计算所述交通分析模型的准确度；
依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正；
通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
结合第一方面，在第一方面的第一种可实现方式中，根据预设损失函数计算所述交通分析模型的准确度的步骤中，使用马氏距离刻画样本间的相似性：
Figure BDA0002915475860000021
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。
结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，根据预设损失函数计算所述交通分析模型的准确度的步骤中，对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure BDA0002915475860000022
其中，λ是正则化系数，第一项
Figure BDA0002915475860000023
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。
结合第一方面的第二种可实现方式，在第一方面的第三种可实现方式中，根据预设损失函数计算所述交通分析模型的准确度的步骤中，所述预设损失函数为：
Figure BDA0002915475860000024
其中,s.t.M0，M1，…Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。
结合第一方面的第三种可实现方式，在第一方面的第四种可实现方式中，所述经验损失函数定义如下：
Figure BDA0002915475860000026
第二方面，本发明提供一种基于数字孪生的交通分析模型修正装置，所述装置包括：
建立单元，用于建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立；
同步单元，用于通过传感器实现所述交通分析模型与交通运行真实数据的同步；
计算单元，用于根据预设损失函数计算所述交通分析模型的准确度；
修正单元，用于依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正；
更新单元，用于通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
结合第二方面，在第二方面的第一种可实现方式中，所述计算单元，用于使用马氏距离刻画样本间的相似性：
Figure BDA0002915475860000031
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。
结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述计算单元，用于对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure BDA0002915475860000032
其中，λ是正则化系数，第一项
Figure BDA0002915475860000033
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。
结合第二方面的第二种可实现方式，在第二方面的第三种可实现方式中，所述计算单元，用于根据以下预设损失函数计算所述交通分析模型的准确度：
Figure BDA0002915475860000034
其中,s.t.M0，M1，…Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。
结合第二方面的第三种可实现方式，在第二方面的第四种可实现方式中，所述经验损失函数定义如下：
Figure BDA0002915475860000041
由以上技术方案可知，本发明的基于数字孪生的交通分析模型修正方法及装置，通过数字孪生技术建立交通分析模型，并通过传感器实现所述交通分析模型与交通运行真实数据的同步，根据预设损失函数计算交通分析模型的准确度，依据交通分析模型的准确度，对交通分析模型运行的预测值进行补偿修正，再通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵，本发明采用马氏距离刻画预测数据和真实数据的差异性，马氏距离有很多优点，马氏距离不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关，由标准化数据和中心化数据即原始数据与均值之差计算出的二点之间的马氏距离相同，且马氏距离还可以排除变量之间的相关性的干扰，本发明还通过交通分析模型的通用鉴别信息和特异性鉴别信息以及短时约束特点对损失函数进行定义，基于数字孪生技术和损失函数对模型的输入参数进行调整，不断优化模型，从而使得交通分析模型测量的数据逼近交通运行真实数据。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本发明的基于数字孪生的交通分析模型修正方法的流程图。
图2为更新预设损失函数的度量矩阵方法中M0的示意图。
图3为本发明提供的基于数字孪生的交通分析模型修正装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。以下结合附图，详细说明本发明各实施例提供的技术方案。
请参阅图1，为本发明实施例提供的一种基于数字孪生的交通分析模型修正方法的流程图，所述方法包括如下步骤：
步骤S101，建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立。
具体地，数字孪生是指在数字虚拟空间中所构建的虚拟事物，与物理实体空间中的实体事物所对应的、在形态和举止上都相像的虚拟精确映射关系，以数字化方式为物理对象创建的虚拟模型，来模拟其在现实环境中的行为。本发明引入数字孪生技术，目的是基于最全面的实时数据对交通模型进行准确性判断和修正。所述交通分析模型的预测值可以记作xi。
步骤S102，通过传感器实现所述交通分析模型与交通运行真实数据的同步。
具体地，交通运行真实数据可以记作xj。
步骤S103，根据预设损失函数计算所述交通分析模型的准确度。
具体地，损失函数是用来估量模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y,f(x))来表示，损失函数越小，模型的准确性就越好。在机器学习中，有多种损失函数，本发明的损失函数，考虑到了交通分析模型种类多、处理问题不同等方面，对度量矩阵进行了分类，一类是整个大数据平台所公用的，反应通用的鉴别信息；另一类是针对个别应用的度量矩阵，反应的是特异性，并且将短时约束也考虑进去，短时约束即时间上相近的序列应该有相似的信息。
在本实施例中，根据预设损失函数计算所述交通分析模型的准确度的步骤中，使用马氏距离刻画样本间的相似性：
Figure BDA0002915475860000051
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。
对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure BDA0002915475860000052
其中，λ是正则化系数，第一项
Figure BDA0002915475860000053
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。若li，j＝I(Label(xi)＝Label(xj))，则样本各项同性，即马氏距离接近于欧氏距离。
考虑到交通大数据可能分析的模型种类很多，处理的问题各有不同，如上使用同一个度量函数显然并不合适，所以本发明将度量矩阵分为两类：一类是整个大数据平台公用的，反映通用的鉴别信息(例如气温)；另一类是针对于个别应用的度量矩阵(例如噪声模型中需要用到的林带面积)，反映的是特异性。而且考虑到短时约束，因此根据预设损失函数计算所述交通分析模型的准确度的步骤中，所述预设损失函数定义如下：
Figure BDA0002915475860000061
其中,s.t.M0，M1，…Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。所述经验损失函数定义如下：
Figure BDA0002915475860000063
经验损失函数中不用
Figure BDA0002915475860000064
而用
Figure BDA0002915475860000065
是因为Mtot＝M0+Mt＝I。
步骤S104，依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正。
步骤S105，通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
对所述交通分析模型运行的预测值进行补偿修正后，通过样本对交通分析模型进行训练，调整交通分析模型参数使得调整后的交通分析模型预测值不断逼近交通运行真实数据，并通过步骤S101～步骤S105不断迭代，对交通分析模进行不断优化，使得交通分析模型预测值进一步逼近交通运行真实数据。
在本实施例中，请参阅图2，更新所述预设损失函数的度量矩阵的方法如下：
执行时，使用Mt-1初始化Mt。使用BP算法调整网络参数，先对xi，xj求梯度，然后将该梯度传递给CNN，调整CNN的连接参数。采用公式(3)对xi，xj求导：
Figure BDA0002915475860000066
那么对于两个CNN总的梯度为：
Figure BDA0002915475860000067
I(·)是示性函数。对M0，Mt的梯度调整：
Figure BDA0002915475860000068
Figure BDA0002915475860000069
其中Ai，j＝(xi-xj)Txi-xj。
对应的更新策略：
M0＝M0-βΔG0
Mt＝Mt-βΔGt
其中，β是学习步长。应用交通大数据平台，选择K个可信度较高的集合，然后随机选择2个集合进行配对，组成正样本和负样本进行训练，下面的算法给出了度量矩阵更新的过程：
输入：
在线收集训练样本的特征向量集：{xi t}；i＝1,…,nt,nt是训练集t的样本数量；t＝1…n，n是总的训练集数量；学习步长＝β。
输出：
学习后的度量矩阵：M0，M1,…，Mn。
初始化M0＝I(单位矩阵).
从t＝1…n循环执行以下算法：
如果t＝1，初始化Mt＝0
否则，初始化Mt＝Mt-1
从
Figure BDA0002915475860000071
中随机生成训练对({xi，xj，li，j})。如果xi和xj来自同一个训练集，则li，j＝1。如果xi和xj来自循环采集过程中不同时间采集的不同训练集，li，j＝-1，一共会随机生成2m个训练对，包括m个正样本和m个负样本。
从p＝1…2m循环执行以下算法：
如果li，j[1-(xi-xj)T(M0+Mt)(xi-xj)]＞b，
则：M0＝M0；Mt＝Mt.
如果li，j＜0，
则：
Figure BDA0002915475860000072
其它情况下：
Figure BDA0002915475860000073
上述算法里面有一个需要注意的地方就是对M的正定投影，保证M的半正定性。这个可以通过SVD分解(SVD分解是一种公认的方法)，对奇异值滤波实现。针对采用通用鉴别信息进行建模的通用交通分析模型，用求得的M0代入公式(1)，计算出xi+1，得出比起上次来更加逼近真值的预测值。针对采用特异性鉴别信息进行建模的个别应用交通分析模型，用求得的Mt代入公式(1)，计算出xi+1，得出比起上次来更加逼近真值的预测值。本发明基于数字孪生技术，对模型引入更多不同的参数，并采用本发明中的损失函数公式对引入参数后的模型预测结果进行计算和比对，找出损失函数计算后最小的一组参数，对模型进行优化调整。
由上述实施例可知，本发明实施提供的基于数字孪生的交通分析模型修正方法，通过数字孪生技术建立交通分析模型，并通过传感器实现所述交通分析模型与交通运行真实数据的同步，根据预设损失函数计算交通分析模型的准确度，依据交通分析模型的准确度，对交通分析模型运行的预测值进行补偿修正，再通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵，本发明采用马氏距离刻画预测数据和真实数据的差异性，马氏距离有很多优点，马氏距离不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关，由标准化数据和中心化数据即原始数据与均值之差计算出的二点之间的马氏距离相同，且马氏距离还可以排除变量之间的相关性的干扰，本发明还通过交通分析模型的通用鉴别信息和特异性鉴别信息以及短时约束特点对损失函数进行定义，基于数字孪生技术和损失函数对模型的输入参数进行调整，不断优化模型，从而使得交通分析模型测量的数据逼近交通运行真实数据。
请参阅图3，本发明提供一种基于数字孪生的交通分析模型修正装置，所述装置包括：
建立单元201，用于建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立。
同步单元202，用于通过传感器实现所述交通分析模型与交通运行真实数据的同步。
计算单元203，用于根据预设损失函数计算所述交通分析模型的准确度。
修正单元204，用于依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正。
更新单元205，用于通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
在本实施例中，所述计算单元203，用于使用马氏距离刻画样本间的相似性：
Figure BDA0002915475860000081
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。所述计算单元203，用于对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure BDA0002915475860000091
其中，λ是正则化系数，第一项
Figure BDA0002915475860000092
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。
进一步地，在本实施例中，所述计算单元203，用于根据以下预设损失函数计算所述交通分析模型的准确度：
Figure BDA0002915475860000093
其中,s.t.M0，M1，…Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。所述经验损失函数定义如下：
Figure BDA0002915475860000095
本发明提供的一种基于数字孪生的交通分析模型修正装置的各个单元，与基于数字孪生的交通分析模型修正方法实施例的步骤一一对应，用于实现上述基于数字孪生的交通分析模型修正方法，其有益效果可参见基于数字孪生的交通分析模型修正方法的有益效果，此处不再赘述。
本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的基于数字孪生的交通分析模型修正方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：Read-OnlyMemory，简称：ROM)或随机存储记忆体(英文：RandomAccessMemory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干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)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于基于数字孪生的交通分析模型修正装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种基于数字孪生的交通分析模型修正方法，其特征在于，所述方法包括：
建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立；
通过传感器实现所述交通分析模型与交通运行真实数据的同步；
根据预设损失函数计算所述交通分析模型的准确度；
依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正；
通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
2.如权利要求1所述的方法，其特征在于，根据预设损失函数计算所述交通分析模型的准确度的步骤中，使用马氏距离刻画样本间的相似性：
Figure FDA0002915475850000011
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。
3.如权利要求2所述的方法，其特征在于，根据预设损失函数计算所述交通分析模型的准确度的步骤中，对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure FDA0002915475850000012
其中，λ是正则化系数，第一项
Figure FDA0002915475850000013
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。
4.如权利要求2所述的方法，其特征在于，根据预设损失函数计算所述交通分析模型的准确度的步骤中，所述预设损失函数为
Figure FDA0002915475850000014
其中,s.t.M0，M1，...Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。
5.如权利要求4所述的方法，其特征在于，所述经验损失函数定义如下：
Figure FDA0002915475850000021
Mtot＝M0+Mt，i≠j。
6.一种基于数字孪生的交通分析模型修正装置，其特征在于，所述装置包括：
建立单元，用于建立交通分析模型，其中，所述交通分析模型通过数字孪生技术建立；
同步单元，用于通过传感器实现所述交通分析模型与交通运行真实数据的同步；
计算单元，用于根据预设损失函数计算所述交通分析模型的准确度；
修正单元，用于依据所述交通分析模型的准确度，对所述交通分析模型运行的预测值进行补偿修正；
更新单元，用于通过样本对所述交通分析模型进行训练，调整所述交通分析模型的参数，更新所述预设损失函数的度量矩阵。
7.如权利要求6所述的装置，其特征在于，所述计算单元，用于使用马氏距离刻画样本间的相似性：
Figure FDA0002915475850000022
其中，xi为模型运行的预测值，xj为运行的真实数据，M是n维协方差矩阵，n＝观测次数，T表示矩阵转置符号。
8.如权利要求7所述的装置，其特征在于，所述计算单元，用于对所述交通分析模型运行及交通运行真实数据通过大数据采集，采用同一个度量矩阵M的条件下，得到所述预设损失函数：
Figure FDA0002915475850000023
其中，λ是正则化系数，第一项
Figure FDA0002915475850000024
是正则项，C是经验损失函数的权重，0≤b≤1是决策边界，li，j是随机过程中马氏距离的示性函数。
9.如权利要求7所述的装置，其特征在于，所述计算单元，用于根据以下预设损失函数计算所述交通分析模型的准确度：
Figure FDA0002915475850000031
其中,s.t.M0，M1，...，Mn≥0，i≠j，λ，λ0，η是正则化系数，公式的第一项表示公共度量矩阵的正则化限制，第二项是短时约束的正则化限制，第三项是对每一个单独度量矩阵的正则化约束，第四项是经验损失函数。
10.如权利要求9所述的装置，其特征在于，所述经验损失函数定义如下：
Figure FDA0002915475850000032
Mtot＝M0+Mt，i≠j。
CN202110099376.2A 2020-10-16 2021-01-25 基于数字孪生的交通分析模型修正方法及装置 Pending CN112801175A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011113067 2020-10-16
CN2020111130678 2020-10-16

Publications (1)

Publication Number Publication Date
CN112801175A true CN112801175A (zh) 2021-05-14

Family

ID=75811665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110099376.2A Pending CN112801175A (zh) 2020-10-16 2021-01-25 基于数字孪生的交通分析模型修正方法及装置

Country Status (1)

Country Link
CN (1) CN112801175A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417549A (zh) * 2021-11-29 2022-04-29 天津大学 一种基于超级计算机的数字孪生目标场数据处理系统
CN114512003A (zh) * 2022-04-19 2022-05-17 北京交研智慧科技有限公司 一种交通控制方法、装置及控制设备
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN114966695A (zh) * 2022-05-11 2022-08-30 南京慧尔视软件科技有限公司 雷达的数字孪生影像处理方法、装置、设备及介质
CN117473770A (zh) * 2023-11-13 2024-01-30 建龙西林钢铁有限公司 一种基于数字孪生信息的钢铁设备智能管理系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417549A (zh) * 2021-11-29 2022-04-29 天津大学 一种基于超级计算机的数字孪生目标场数据处理系统
CN114417549B (zh) * 2021-11-29 2023-09-22 天津大学 一种基于超级计算机的数字孪生目标场数据处理系统
CN114512003A (zh) * 2022-04-19 2022-05-17 北京交研智慧科技有限公司 一种交通控制方法、装置及控制设备
CN114512003B (zh) * 2022-04-19 2022-06-24 北京交研智慧科技有限公司 一种交通控制方法、装置及控制设备
CN114966695A (zh) * 2022-05-11 2022-08-30 南京慧尔视软件科技有限公司 雷达的数字孪生影像处理方法、装置、设备及介质
CN114966695B (zh) * 2022-05-11 2023-11-14 南京慧尔视软件科技有限公司 雷达的数字孪生影像处理方法、装置、设备及介质
CN114863699A (zh) * 2022-06-14 2022-08-05 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN114863699B (zh) * 2022-06-14 2023-05-23 电子科技大学 一种基于数字孪生的城市车路协同交通流预测方法
CN117473770A (zh) * 2023-11-13 2024-01-30 建龙西林钢铁有限公司 一种基于数字孪生信息的钢铁设备智能管理系统

Similar Documents

Publication Publication Date Title
CN112801175A (zh) 基于数字孪生的交通分析模型修正方法及装置
JPWO2020008919A1 (ja) 機械学習装置及び方法
WO2018227800A1 (zh) 一种神经网络训练方法及装置
JP6622329B2 (ja) 目標値推定システム、目標値推定方法及び目標値推定用プログラム
CN109360604B (zh) 一种卵巢癌分子分型预测系统
CN110799995A (zh) 数据识别器训练方法、数据识别器训练装置、程序及训练方法
CN109002917A (zh) 基于lstm神经网络的粮食总产量多维时间序列预测方法
CN112396191B (zh) 一种基于联邦学习进行模型参数更新的方法、系统及装置
CN110348352B (zh) 一种人脸图像年龄迁移网络的训练方法、终端和存储介质
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
GB2610988A (en) Method and system for processing data records
JP2002190025A (ja) パターン識別方法および装置
US10635078B2 (en) Simulation system, simulation method, and simulation program
KR20200063338A (ko) 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
CN113377964B (zh) 知识图谱链接预测方法、装置、设备及存储介质
CN113903395A (zh) 一种改进粒子群优化的bp神经网络拷贝数变异检测方法与系统
CN114169383A (zh) 有限元模型结构的应变-位移重构方法
CN115544890A (zh) 一种短期电力负荷预测方法及系统
CN111160443A (zh) 一种基于深度多任务学习的活动和用户识别方法
CN111814804B (zh) 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置
CN112149896A (zh) 一种基于注意力机制的机械设备多工况故障预测方法
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
EP4047603A1 (en) Abnormality degree calculation system and abnormality degree calculation method
CN115392594A (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
US20220351544A1 (en) Information processing system, data accumulation apparatus, data generation apparatus, information processing method, data accumulation method, data generation method, recording medium and database

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210514