CN115511159A - 一种基于贝叶斯神经网络的快速路事件检测方法和装置 - Google Patents
一种基于贝叶斯神经网络的快速路事件检测方法和装置 Download PDFInfo
- Publication number
- CN115511159A CN115511159A CN202211078711.1A CN202211078711A CN115511159A CN 115511159 A CN115511159 A CN 115511159A CN 202211078711 A CN202211078711 A CN 202211078711A CN 115511159 A CN115511159 A CN 115511159A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- data set
- posterior probability
- event detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013531 bayesian neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006698 induction Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于贝叶斯神经网络的快速路事件检测方法和装置，其中，方法的步骤包括：获取快速路感应线圈数据，并进行预处理，得到原始数据集；将原始数据集输入训练好的快速路事件检测模型，得到快速路事件预测结果；基于指标和不确定度对快速路事件预测结果进行评估；贝叶斯神经网络模型的训练过程包括：基于LeNet‑5结果设计神经网络，采用概率分布估计的方法采样得到神经网络的权重；采用变分推断的方法得到权重的后验概率分布，根据后验概率分布得到模型目标函数；根据模型目标函数和原始数据集对神经网络进行训练，得到快速路事件检测模型。与现有技术相比，本发明具有事件检测准确度高、准确评价预测结果置信度等优点。
Description
技术领域
本发明涉及交通事件检测领域，尤其是涉及一种基于贝叶斯神经网络的快速路事件检测方法和装置。
背景技术
交通拥堵作为各大城市的常见问题，导致城市运行效率的降低和环境污染的增加。快速路拥堵通常被归纳为常发性拥堵和非常发性拥堵。常发性拥堵受交通需求的波动影响，常在早晚高峰时段被观测到。非常发性拥堵由事件引起，导致交通流暂时急剧的变化。事件通常会降低出行时间可靠性，引起次生事件及增加空气污染。及时的事件检测有助于采取交通管控措施，降低经济和时间花费。
因此，事件检测对于快速路管理来说至关重要。有关事件检测的方法可分为基于数理统计的方法和基于机器学习的方法，随着深度学习技术的发展，基于机器学习的方法在事件检测应用时表现出高精度自动化的优点。然而，受交通数据中存在的噪声的影响，以及模型拟合真实交通流运行状态的偏差，在模型预测交通事件的结果存在不确定性，事件检测的准确度低。现有大多数基于机器学习的方法无法评估模型预测结果的不确定性，预测结果的置信度低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种事件检测准确度高、准确评价预测结果置信度的基于贝叶斯神经网络的快速路事件检测方法和装置。
本发明的目的可以通过以下技术方案来实现：
一种基于贝叶斯神经网络的快速路事件检测方法，包括以下步骤：
获取快速路感应线圈数据，并进行预处理，得到原始数据集；
将所述原始数据集输入训练好的快速路事件检测模型，得到快速路事件预测结果；
基于指标和不确定度对所述快速路事件预测结果进行评估，所述指标包括检测率、误报率和准确率，所述不确定度包括随机不确定度和认知不确定度；
其中，所述贝叶斯神经网络模型的训练过程包括：
基于LeNet-5结果设计神经网络，采用概率分布估计的方法采样得到所述神经网络的权重；
基于所述权重，采用变分推断的方法得到权重的后验概率分布，根据所述后验概率分布得到模型目标函数，所述模型目标函数的表达式为：
其中，D表示原始数据集，qθ(ω(i)|D)为第i次采样的近似后验概率，p(ω(i))为第i次采样的先验概率，p(D|ω(i))为第i次采样的条件概率，n为采样的总次数，θ为概率分布qθ(ω(i)|D)的形状参数；
根据所述模型目标函数和原始数据集对神经网络进行训练，得到快速路事件检测模型。
进一步地，根据所述后验概率分布得到模型目标函数具体为：
基于后验概率分布得到模型的优化目标，所述优化目标的表达式为：
其中，θopt表示最优的概率分布qθ(ω|D)的形状参数θ，p(ω|D)表示神经网络权重的后验概率，qθ(ω|D)表示神经网络权重的近似后验概率，KL[qθ(ω|D)||p(ω|D)]为后验概率分布；
从近似后验概率qθ(ω|D)中采样，根据n次采样的结果对近似后验概率的数学期望进行近似；
根据近似后的近似后验概率的数学期望和模型的优化目标得到模型目标函数。
进一步地，所述根据n次采样的结果对近似后验概率的数学期望进行近似，具体的表达式为：
其中，
为神经网络权重的近似后验概率qθ(ω|D)的数学期望，n为采样的总次数。
进一步地，所述检测率、误报率和准确率的计算表达式为：
其中，DR为检测率，FAR为误报率，ACC为准确率，Nd为检测到的事件总数，Na为真实事件的数量，Nf为错误检测的事件总数，Naa为算法研判次数，Nc为正确识别的事件或非事件数量，Ni为采集到的事件和非事件总数。
进一步地，对所述快速路事件预测结果进行评估具体为：
基于贝叶斯神经网络模型预测结果的方差评估快速路事件预测结果，所述方差的表达式为：
其中，x*表示观测到的交通流数据，y*表示贝叶斯神经网络预测的标签值，
表示对于输入x*和输出y*，权重
的方差，
为给定交通流数据，模型预测的变分分布的概率，
为预测的
的形状参数，
为对于
的y*y*T的期望，
为对于
的y*的期望，
为对于
的y*的逆矩阵的期望。
进一步地，所述随机不确定度的具体表达式为：
其中，p(y*|x*，ω)为输入为x*，权重为ω的y*的分布，
为对于p(y*|x*，ω)的y*的期望，
为对于p(y*|x*，ω)的y*的逆矩阵的期望，
为预测的神经网络权重的近似后验概率。
进一步地，所述认知不确定度的具体表达式为：
其中，
为对于p(y*|x*，ω)的y*的期望，
为对于
的y*的期望，
为对于
的y*逆矩阵的期望。
进一步地，所述获取快速路感应线圈数据，并进行预处理，得到原始数据集具体为：
获取快速路感应线圈数据，使用K近邻算法修补缺失数据；
对修补后的数据进行数据集成，集计成1分钟的粒度；
对集成后的数据采用z-score算法对数据进行规范化处理；
对规范化处理后的数据，选取事件发生地点的相邻两个上下游检测器数据中事件发生前后的数据，作为事件影响下的交通流数据，基于件影响下的交通流数据作为影响数据集，之后基于病例控制的原则，选取对于正常条件下的交通流数据作为对照数据集；
对影响数据集和对照数据集采用SMOTE算法进行数据扩充，将扩充后的影响数据集和对照数据集作为原始数据集。
进一步地，所述采用SMOTE算法数据扩充具体为：
对于影响数据集和对照数据集中的每个样本实例，依据采样率随机选取其K个最近邻居，对每个选出的邻居样本，与原公式基于定义的计算公式生成新的样本。
一种基于贝叶斯神经网络的快速路事件检测装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述的方法。
与现有技术相比，本发明具有以下有益效果：
(1)基于检测率、误报率和准确率的指标，以及随机不确定度和认知不确定度对评估模型预测结果进行评估，减小了模型预测交通事件的结果中存在的不确定性，提高了预测结果置信度。
(2)在快速路事件检测模型的构造过程中，将近似后验概率的数学期望由n次采样的结果进行近似得到模型的目标函数，通过近似简化了目标函数的计算，同时多次采样提高了目标函数近似的准确性，提高事件检测的准确度。
附图说明
图1为本发明的流程图；
图2为本发明的方法框架图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于贝叶斯神经网络的快速路事件检测方法，步骤包括：
步骤1：快速路感应线圈数据预处理
为获取高质量交通流数据集用于模型训练，本发明通过缺失数据修补、数据集成、数据规范化、数据集成等步骤，获得原始数据集D。首先，针对感应线圈数据采集和存储过程中不可避免的数据缺失情况，使用K近邻算法来修补缺失数据。其次，将秒级采样数据集计成1分钟的粒度，以反映交通流的运行特征。之后，为减轻极值对结果的影响，采用z-score算法对数据进行规范化处理。然后，为生成正常情况下的交通流数据和事件影响下的交通流数据，先选取事件发生地点的相邻两个上下游检测器数据中事件发生前后的数据，作为事件影响下的交通流数据，之后基于病例控制的原则，选取对于正常条件下的交通流数据作为对照数据集。最后，由于事件影响下交通流数据的稀缺性，导致正常和事件影响下交通流数据样本失衡，本发明采用SMOTE算法对事件影响下交通流数据集进行过采样以扩充数据集，该算法对于数据集中的每个样本实例，依据采样率随机选取其K个最近邻居，对每个选出的邻居样本，与原公式基于定义的计算公式生成新的样本。扩充后的事件影响下的交通流数据和正常情况下的交通流数据共同作为原始数据集D用于模型训练。
步骤2：贝叶斯神经网络模型构建
首先，基于LeNet-5结果设计神经网络作为骨架网络。之后基于贝叶斯深度学习理论，使用概率分布估计的方法采样神经网络的权重。相应地，在模型训练策略上采取贝叶斯反向传播算法。该算法使用变分推断的方法学习神经网络权重的后验概率分布，计算公式为：
其中，D表示原始数据集，p(ω|D)表示神经网络权重的后验概率，qθ(ω|D)表示神经网络权重的近似后验概率，θ为概率分布qθ(ω|D)的形状参数。
因此，深度学习模型在训练时的优化目标可表示为：
其中，θopt表示最优的概率分布qθ(ω|D)的形状参数θ，p(ω|D)表示神经网络权重的后验概率，qθ(ω|D)表示神经网络权重的近似后验概率，KL[qθ(ω|D)||p(ω|D)]为后验概率分布。
由于精确计算KL散度时间开销大，可用从近似后验概率qθ(ω|D)中采样的方法替代，近似后验概率qθ(ω|D)的数学期望Eq(ω|D)由N次采样的结果近似，近似结果为：
其中，
为神经网络权重的近似后验概率qθ(ω|D)的数学期望，n为采样的总次数。
所以，深度学习模型训练时的目标函数F(D，θ)可表示为：
其中，D表示原始数据集，qθ(ω(i)|D)为第i次采样的近似后验概率，p(ω(i))为第i次采样的先验概率，p(D|ω(i))为第i次采样的条件概率，n为采样的总次数，θ为概率分布qθ(ω(i)|D)的形状参数。
步骤3：快速路事件检测及不确定性评估
使用检测率、误报率和准确率三种指标评估贝叶斯神经网络模型进行事件检测的准确性，其计算公式为：
其中，DR为检测率，FAR为误报率，ACC为准确率，Nd为检测到的事件总数，Na为真实事件的数量，Nf为错误检测的事件总数，Naa为算法研判次数，Nc为正确识别的事件或非事件数量，Ni为采集到的事件和非事件总数。
基于贝叶斯神经网络模型预测结果的方差评估快速路事件预测结果的不确定度，方差的表达式为：
其中，x*表示观测到的交通流数据，y*表示贝叶斯神经网络预测的标签值，
表示对于输入x*和输出y*，权重
的方差，
为给定交通流数据，模型预测的变分分布的概率，
为预测的
的形状参数，
为对于
的y*y*T的期望，
为对于
的y*的期望，
为对于
的y*的逆矩阵的期望。
采用随机不确定度和认知不确定度对事件检测预测结果的不确定度进行评估，随机不确定度由交通数据中存在的噪声和缺失数据等数据质量问题引起，其计算公式为：
其中，p(y*|x*，ω)为输入为x*，权重为ω的y*的分布，
为对于p(y*|x*，ω)的y*的期望，
为对于p(y*|x*，ω)的y*的逆矩阵的期望，
为预测的神经网络权重的近似后验概率。
认知不确定度由深度学习模型拟合真实交通流运行状态的偏差导致，计算表达式为：
其中，
为对于p(y*|x*，ω)的y*的期望，
为对于
的y*的期望，
为对于
的y*逆矩阵的期望。
根据评估得到的结果进一步优化模型，进而得到更加准确的快速路事件检测模型。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，包括以下步骤：
获取快速路感应线圈数据，并进行预处理，得到原始数据集；
将所述原始数据集输入训练好的快速路事件检测模型，得到快速路事件预测结果；
基于指标和不确定度对所述快速路事件预测结果进行评估，所述指标包括检测率、误报率和准确率，所述不确定度包括随机不确定度和认知不确定度；
其中，所述贝叶斯神经网络模型的训练过程包括：
基于LeNet-5结果设计神经网络，采用概率分布估计的方法采样得到所述神经网络的权重；
基于所述权重，采用变分推断的方法得到权重的后验概率分布，根据所述后验概率分布得到模型目标函数，所述模型目标函数的表达式为：
其中，D表示原始数据集，qθ(ω(i)|D)为第i次采样的近似后验概率，p(ω(i))为第i次采样的先验概率，p(D|ω(i))为第i次采样的条件概率，n为采样的总次数，θ为概率分布qθ(ω(i)|D)的形状参数；
根据所述模型目标函数和原始数据集对神经网络进行训练，得到快速路事件检测模型。
2.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，根据所述后验概率分布得到模型目标函数具体为：
基于后验概率分布得到模型的优化目标，所述优化目标的表达式为：
其中，θopt表示最优的概率分布qθ(ω|D)的形状参数θ，p(ω|D)表示神经网络权重的后验概率，qθ(ω|D)表示神经网络权重的近似后验概率，KL[qθ(ω|D)||p(ω|D)]为后验概率分布；
从近似后验概率qθ(ω|D)中采样，根据n次采样的结果对近似后验概率的数学期望进行近似；
根据近似后的近似后验概率的数学期望和模型的优化目标得到模型目标函数。
3.根据权利要求2所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述根据n次采样的结果对近似后验概率的数学期望进行近似，具体的表达式为：
其中，
为神经网络权重的近似后验概率qθ(ω|D)的数学期望，n为采样的总次数。
4.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述检测率、误报率和准确率的计算表达式为：
其中，DR为检测率，FAR为误报率，ACC为准确率，Nd为检测到的事件总数，Na为真实事件的数量，Nf为错误检测的事件总数，Naa为算法研判次数，Nc为正确识别的事件或非事件数量，Ni为采集到的事件和非事件总数。
5.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，对所述快速路事件预测结果进行评估具体为：
基于贝叶斯神经网络模型预测结果的方差评估快速路事件预测结果，所述方差的表达式为：
其中，x*表示观测到的交通流数据，y*表示贝叶斯神经网络预测的标签值，
表示对于输入x*和输出y*，权重
的方差，
为给定交通流数据，模型预测的变分分布的概率，
为预测的
的形状参数，
为对于
的
的期望，
为对于
的y*的期望，
为对于
的y*的逆矩阵的期望。
6.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述随机不确定度的具体表达式为：
其中，p(y*|x*,ω)为输入为x*，权重为ω的y*的分布，
为对于p(y*|x*,ω)的y*的期望，
为对于p(y*|x*,ω)的y*的逆矩阵的期望，
为预测的神经网络权重的近似后验概率。
7.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述认知不确定度的具体表达式为：
其中，
为对于p(y*|x*,ω)的y*的期望，
为对于
的y*的期望，
为对于
的y*逆矩阵的期望。
8.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述获取快速路感应线圈数据，并进行预处理，得到原始数据集具体为：
获取快速路感应线圈数据，使用K近邻算法修补缺失数据；
对修补后的数据进行数据集成，集计成1分钟的粒度；
对集成后的数据采用z-score算法对数据进行规范化处理；
对规范化处理后的数据，选取事件发生地点的相邻两个上下游检测器数据中事件发生前后的数据，作为事件影响下的交通流数据，基于件影响下的交通流数据作为影响数据集，之后基于病例控制的原则，选取对于正常条件下的交通流数据作为对照数据集；
对影响数据集和对照数据集采用SMOTE算法进行数据扩充，将扩充后的影响数据集和对照数据集作为原始数据集。
9.根据权利要求8所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述采用SMOTE算法数据扩充具体为：
对于影响数据集和对照数据集中的每个样本实例，依据采样率随机选取其K个最近邻居，对每个选出的邻居样本，与原公式基于定义的计算公式生成新的样本。
10.一种基于贝叶斯神经网络的快速路事件检测装置，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211078711.1A CN115511159A (zh) | 2022-09-05 | 2022-09-05 | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211078711.1A CN115511159A (zh) | 2022-09-05 | 2022-09-05 | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511159A true CN115511159A (zh) | 2022-12-23 |
Family
ID=84502697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211078711.1A Pending CN115511159A (zh) | 2022-09-05 | 2022-09-05 | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511159A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
-
2022
- 2022-09-05 CN CN202211078711.1A patent/CN115511159A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN117058536B (zh) * | 2023-07-19 | 2024-04-30 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783953A (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
| CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
| CN115511159A (zh) | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 | |
| Ye et al. | Hydrologic time series anomaly detection based on flink | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Huo et al. | Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering | |
| CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
| CN117155806A (zh) | 一种通信基站流量预测方法与装置 | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| CN116662899A (zh) | 一种基于自适应策略的含噪数据异常检测方法 | |
| Nababan et al. | Air quality prediction based on air pollution emissions in the city environment using xgboost with smote | |
| CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
| EP4027277A1 (en) | Method, system and computer program product for drift detection in a data stream | |
| Cui | Research on eliminating abnormal big data based on PSO-SVM | |
| CN117829822B (zh) | 一种电力变压器故障预警方法及系统 | |
| CN117113148B (zh) | 基于时序图神经网络的风险识别方法、装置及存储介质 | |
| CN117792933B (zh) | 一种基于深度学习的网络流量优化方法及系统 | |
| CN112866129B (zh) | 根据时效标志自动调节间隔的组包方法、装置及系统 | |
| Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room | |
| Li et al. | Efficient Time Series Predicting with Feature Selection and Temporal Convolutional Network |
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 |