CN115862338B - 一种机场交通流量预测方法、系统、电子设备及介质 - Google Patents
一种机场交通流量预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115862338B CN115862338B CN202310182274.6A CN202310182274A CN115862338B CN 115862338 B CN115862338 B CN 115862338B CN 202310182274 A CN202310182274 A CN 202310182274A CN 115862338 B CN115862338 B CN 115862338B
- Authority
- CN
- China
- Prior art keywords
- network
- airport
- traffic
- monitoring data
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000002569 neuron Anatomy 0.000 claims abstract description 94
- 238000012544 monitoring process Methods 0.000 claims abstract description 82
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 79
- 230000000971 hippocampal effect Effects 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 210000002442 prefrontal cortex Anatomy 0.000 claims abstract description 55
- 230000001537 neural effect Effects 0.000 claims abstract description 40
- 210000005036 nerve Anatomy 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 210000001061 forehead Anatomy 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 30
- 230000000946 synaptic effect Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000012528 membrane Substances 0.000 description 22
- 230000000306 recurrent effect Effects 0.000 description 19
- 210000004556 brain Anatomy 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000003956 synaptic plasticity Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 210000001320 hippocampus Anatomy 0.000 description 9
- 210000005215 presynaptic neuron Anatomy 0.000 description 9
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 description 7
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 description 7
- 241001559542 Hippocampus hippocampus Species 0.000 description 7
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000010365 information processing Effects 0.000 description 6
- 230000001242 postsynaptic effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003518 presynaptic effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229960003638 dopamine Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种机场交通流量预测方法、系统、电子设备及介质，涉及机场交通流量预测技术领域，该方法包括：获取机场及周边道路的实时交通监控数据；对实时交通监控数据进行预处理，得到实时交通监控数据的二进制离散脉冲序列；构建类脑神经形态网络；类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；海马神经网络和前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；将二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；预测结果为拥堵或者不拥堵。本发明能够对机场客流量及周边道路交通拥堵情况进行预测。
Description
技术领域
本发明涉及机场交通流量预测技术领域，特别是涉及一种机场交通流量预测方法、系统、电子设备及介质。
背景技术
目前，通过对机场客流量以及周边道路交通流量的监督和预测，是实现快速人员疏散和高效交通运输的关键。但是，由于机场客流量的变化较大，机场周边的交通状况不稳定，来往车辆情况复杂，有关交通数据大多通过检测器、摄像头以及压力传感器获得，其数据稳定性差且有出现错误的风险。
深度学习是解决数据监督与预测问题的有效方法之一，它依赖大量标定的数据实现网络的数据预测能力。但其预测能力在标定数据有限的情况下往往较差，且依赖于大量标定数据的训练方式生物可解释性较低，鲁棒性差，适应性弱，计算成本和硬件实现的功耗均较大。
现有针对可变环境下的数据监督和预测问题主要依赖于传统机器学习技术。该技术主要以监督学习为主，通过大量标定数据使得网络获得学习和概括能力，进而实现数据预测功能。它的预测性能不仅依赖于大量真实的标定数据，还取决于准确的数据运算、稳定的网络性能以及有效的训练方法。反应机场客流量以及周边交通情况的数据往往由监控摄像头、道路压力传感器以及速度传感器等硬件设备获得。数据实时性高、变化大，将为传统机器学习算法带来较大的计算压力，且硬件设备不稳定时采集到的数据有一定错误率，使用传统机器学习算法不能很好地适应该变化环境下的数据监督与预测。
发明内容
本发明的目的是提供一种机场交通流量预测方法、系统、电子设备及介质，能够对机场客流量及周边道路交通拥堵情况进行预测。
为实现上述目的，本发明提供了如下方案：
一种机场交通流量预测方法，所述方法包括：
获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息；
对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列；
构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；
将所述二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵。
可选地，所述对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列，具体包括：
对所述实时交通监控数据进行离散化，得到第一离散交通数据；
对所述第一离散交通数据进行加权求和，得到表征机场交通流量的第二离散交通数据；
根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列。
可选地，所述根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列，具体包括：
根据所述第二离散交通数据，应用滑动窗口，得到多个处理窗口数据矩阵；
应用泊松脉冲序列发生器，对每一个所述处理窗口数据矩阵生成对应的服从泊松分布的随机数；
根据所述处理窗口数据矩阵中元素与对应的所述随机数的比较结果，对多个所述处理窗口数据矩阵进行更新，得到多个更新后的处理窗口数据矩阵；
根据多个所述更新后的处理窗口数据矩阵，得到所述实时交通监控数据的二进制离散脉冲序列。
可选地，所述类脑神经形态网络的训练过程具体包括：
获取机场及周边道路的第一历史监控数据；
确定所述机场及周边道路的第一历史监控数据所处的时间点；
获取所述时间点的所述设定时间段后的机场及周边道路的第二历史监控数据；
根据所述第二历史监控数据，确定机场周边交通的历史拥堵情况；
对所述历史交通监控数据进行预处理，得到所述历史交通监控数据的二进制输出离散脉冲序列；
以所述历史交通监控数据的二进制输出离散脉冲序列为输入，以对应的所述机场周边交通的历史拥堵情况为输出，对所述类脑神经形态网络进行训练，得到训练好的类脑神经形态网络。
可选地，所述将所述二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果，具体包括：
将所述二进制输出离散脉冲序列输入所述海马神经网络和所述前额叶皮层神经网络；
所述前额叶皮层神经网络提取所述二进制输出离散脉冲序列的特征，并将所述特征输入至所述海马神经网络；
所述海马神经网络根据所述二进制输出离散脉冲序列和所述特征产生对所述前额叶皮层神经网络的不同神经元突触权重的学习信号，并将所述学习信号反馈至所述前额叶皮层神经网络；
所述前额叶皮层神经网络根据所述学习信号对所述不同神经元突触权重进行调整，并根据调整后的不同神经元突出权重，输出设定时间段后的机场周边交通拥堵情况的预测结果。
一种机场交通流量预测系统，应用于上述的机场交通流量预测方法，所述系统包括：
获取模块，用于获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息；
预处理模块，用于对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列；
构建模块，用于构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括LIF神经元和ALIF神经元；
预测模块，用于将所述二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的机场交通流量预测方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的机场交通流量预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种机场交通流量预测方法，包括：获取机场及周边道路的实时交通监控数据；实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息；对实时交通监控数据进行预处理，得到实时交通监控数据的二进制离散脉冲序列；构建类脑神经形态网络；类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；海马神经网络和前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；将二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；预测结果为拥堵或者不拥堵。本发明基于漏积分放电（Leaky Integrate and Fire,LIF）模型和自适应漏积分放电（Adaptive Leaky Integrate and Fire,ALIF）模型，构建类脑神经形态网络结构，受人脑工作机制启发，通过对人脑海马体以及前额叶皮层的模拟，建立了海马网络以及前额叶皮层网络结构，搭建其学习通路，完成了高度接近人脑信息处理的结构及认知学习功能的模拟。受生物神经元突触可塑性机制的启发，针对类脑递归神经形态的小样本学习方法，通过两个网络的协同实现了少量标定数据下网络的泛化学习能力，这不仅可以降低网络对标签数据的依赖，减少计算成本与功耗，还使网络获得了有限标定数据下的学习和概括能力，提高了网络在可变环境下的泛化能力、自适应能力及其鲁棒性，实现了机场客流量及周边道路交通情况的数据监督和预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，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为本发明中提供的机场交通流量预测方法流程图；
图2为本发明实施例中提供的递归脉冲神经形态网络的结构图；
图3为本发明实施例中的STDP规则示意图；
图4为本发明实施例中的二次优化的超参数及初始化权重确定示意图；
图5为本发明实施例中的特定任务下递归神经形态网络的小样本学习算法示意图；
图6是特定学习任务下小样本输入信号及输出脉冲强度示意图；
图7是海马网络以及前额叶皮层网络在网络架构下的神经元实现示意图；
图8为本发明实施例中提供的机场交通流量预测系统模块图。
符号说明：
1-获取模块，2-预处理模块，3-构建模块，4-预测模块。
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，所描述的实施例仅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。
本发明的目的是提供一种机场交通流量预测方法、系统、电子设备及介质，能够对机场客流量及周边道路交通拥堵情况进行预测。
类脑智能的核心思想是指通过借鉴人脑神经系统的信息处理模式，使用生物可解释的训练规则，通过小样本学习从少量样本中获得学习和概括能力，从而提高网络在有限标定数据下的学习能力以及可变场景下的预测能力，兼顾低功耗计算。作为实现类脑智能的代表性模型之一，神经形态网络具有更真实的神经元结构，是一种事件驱动的神经形态算法。具备实现小样本学习的信息处理机制。它具有更接近人脑认知方式的工作机制，能够克服传统机器学习算法对大量训练数据的依赖，减少数据收集工作以及运算成本，在终端实现推理和自学习，实现可变环境下的数据监督和预测功能。
因此，借助人脑工作机制，在递归神经形态网络上实现小样本学习，通过有限的标定数据获得稳定的学习和概括能力，是实现可变场景下数据监督与预测的关键。
本发明采用LIF神经元以及ALIF神经元构建了由海马网络以及前额叶皮层网络组成的内外环自学习递归神经形态网络，实现了对人脑海马-前额叶环路的模拟，从结构和机制上接近人脑的认知学习模式。通过两个网络的协同工作机制完成对少样本输入的学习，并提高了网络在可变环境下的数据监督及预测能力，基于机场流量、交通情况数据实现了小样本学习算法。其中，海马网络的信息传递为内环，前额叶皮层网络的信息传递为外环，其信息传递形式均为离散的二进制脉冲序列。小样本数据经过预处理后传入前额叶皮层网络和海马网络，海马网络根据该输入信息以及前额叶皮层网络的状态信息产生学习信号，该学习信号作为内环输出信号传递给前额叶皮层网络，前额叶皮层网络根据该学习信号以及输入信息完成自学习过程，并通过不断地迭代该过程实现小样本学习。与此同时，海马网络通过监视前额叶皮层网络的状态进行自学习，实现内环的学习过程。
对所述小样本数据的初步处理主要指的是通过脉冲序列发生器将其转换为离散的二进制脉冲输出序列，将这些脉冲序列同时输入到海马网络以及前额叶皮层网络；海马网络结合前额叶皮层网络的状态信息发出学习信号，并存储学习经验，完成内环自学习；前额叶皮层网络结合海马网络的输出学习信号，对脉冲输入进行处理，随后进行内环和外环信息传递，完成网络内部信息更新，产生输出。不断迭代重复上述步骤，实现小样本数据情况下的自学习过程。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
在介绍本方案的实施例之前，先对所涉及的技术术语进行解释：
边缘计算：边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。
类脑计算：类脑计算是指借鉴生物神经系统信息处理模式和结构的计算理论、体系结构、芯片设计以及应用模型与算法的总称。
神经形态：神经形态是指模仿生物神经元、神经回路以至更大规模的神经组织架构的技术，其代表性模型为脉冲神经网络。
小样本学习：小样本学习是指机器经过少量样本的训练后，无需事先掌握新的环境就可获得在不同环境中重复工作的能力。
本实施例提供了一种机场交通流量预测方法，如图1所示，所述方法包括：
步骤S1：获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息。
步骤S2：对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列。
S2具体包括：
步骤S21：对所述实时交通监控数据进行离散化，得到第一离散交通数据。具体地，第一次离散化的处理数据主要有视频信息，图像信息以及连续信号（如压力传感器、区间测速检测等），针对视频信息的数字化处理，主要包括位置离散化（以一定周期进行抽样)、量值离散化（将视频转换为图像像素信息）以及PCM编码三个过程。也就是用扫描的方式把三维视频转为一维随时间变换的信号，并在时间维度上把图像分为离散的一帧一帧的图像；在每一帧图像内又在垂直方向上(y维)将图像离散为一条一条的水平扫描行。针对图像信息，可以通过卷积编码器和泊松编码器进行离散化处理；传统的连续信号可以以固定时间间隔T进行采样，并使用保持器回推，限制其误差在一定范围内。
步骤S22：对所述第一离散交通数据进行加权求和，得到表征机场交通流量的第二离散交通数据。
具体地，对所述第一离散交通数据进行加权求和，通过加权求和的形式转变为表征机场客流量以及周边道路拥堵情况的变量，假设fi(t)和gi(t)表示第i个传感器或监控设备的传入数据，wi和vi表示第i个传感器或监控设备对机场客流量特征以及周边道路状况的影响因子，y(t)和h(t)分别表示t时刻的机场客流量以及周边道路情况信息，则有公式（1）成立，其中y(t)、h(t)、fi(t)和gi(t)均为矩阵形式。
（1）
步骤S23：根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列。
S23具体包括：
步骤S231：根据所述第二离散交通数据，应用滑动窗口，得到多个处理窗口数据矩阵。
步骤S232：应用泊松脉冲序列发生器，对每一个所述处理窗口数据矩阵生成对应的服从泊松分布的随机数。
步骤S233：根据所述处理窗口数据矩阵中元素与对应的所述随机数的比较结果，对多个所述处理窗口数据矩阵进行更新，得到多个更新后的处理窗口数据矩阵。具体地，根据当所述处理窗口数据矩阵中元素的值比对应的所述随机数的值大时，所述处理窗口数据矩阵中元素的值置1，以及当所述处理窗口数据矩阵中元素的值比对应的所述随机数的值不大时，所述处理窗口数据矩阵中元素的值置0，对多个所述处理窗口数据矩阵进行更新，得到多个更新后的处理窗口数据矩阵。
步骤S234：根据多个所述更新后的处理窗口数据矩阵，得到所述实时交通监控数据的二进制离散脉冲序列。
在实际应用中，将机场客流量以及周边交通状况的表征信息通过泊松脉冲序列发生器，转换为加权低通滤波的二进制输出离散脉冲序列。对传入的不同数据进行分块处理，假定滑动窗口大小为3×3，步长为1，针对每一个处理窗口，首先随机产生一个服从泊松分布的随机数，将其与输入信息进行比较，若输入信息在该点大于随机数，则产生脉冲输出，将窗口的特定位置设置为1，反之为0。对输入信息矩阵进行处理后，得到二进制输出离散脉冲序列，将其传入前额叶皮层网络以及海马网络。
步骤S3：构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元。
其中，海马网络，用于存储学习到的知识，作为辅网络向主网络发出学习信号。前额叶皮层网络，用于提取小样本输入数据的特征，接收辅网络传入的学习信号，作为主网络，向辅网络传递状态信息，并产生输出。
具体地，所述海马网络的输入有两部分，一部分是输入小样本数据，将输入特征信息存储在海马网络中，另一部分是前额叶皮层网络的状态信息，将受突触可塑性机制影响的神经元放电情况传入海马网络，以此来调整前额叶皮层网络的放电状态。海马网络的输出仅有一个，即传入前额叶皮层网络的学习信号，该信号针对前额叶皮层中的每个神经元进行突触权重的调整。
所述前额叶皮层网络的输入信号有两部分，一部分是输入小样本数据，前额叶皮层网络通过提取输入特征完成神经形态算法的触发，另一部分是海马网络传入的学习信号，前额叶皮层网络借助该信号针对性的完成某一神经元的突触权重调整。前额叶皮层网络的输出信号有一个，即输出脉冲序列，该序列同时传向网络输出端以及海马网络，分别完成结果输出以及状态反馈的作用。所述海马网络和前额叶皮层网络均采用LIF神经元和ALIF神经元模型构建基于STDP规则的多层类脑神经形态网络。神经元彼此连接，层与层全连接，实现密集型递归神经形态网络。网络中的所有输入及输出信号均通过加权低通滤波网络转换为二进制序列。
进一步地，LIF神经元具有一个隐藏变量，即它在t时刻的膜电位。该膜电位不仅受到突触前神经元输入的影响，也受到小样本输入信息的刺激，突触前神经元i与神经元j之间的突触权重为，小样本输入信息传入网络的突触权重为。膜时间常数τm控制着膜电位的衰减，设，通过α表征膜时间常数对膜电位衰减的影响。每当膜电位超过阈值时，该神经元就产生一个脉冲输出，该脉冲输出用表示，考虑到突触前脉冲序列传输的延时问题，设置时间常数d表示该时延，LIF神经元模型如公式（2）所示。
（2）
其中，vth为阈值电压；在t-1时刻的膜电位；δt为t时刻神经元i的相对于突触前神经元的兴奋时间差；为第i个神经元在t时刻收到的输入信息，为第i个神经元在t-d时刻收到的输入信息，H为海维赛德阶跃函数。
ALIF神经元具有两个隐藏变量，即它在t时刻的膜电位以及自适应阈值。该自适应阈值受神经元放电情况的影响，若神经元j产生脉冲输出，则阈值随之增加，与膜电位更新类似，膜时间常数也控制着自适应阈值的衰减，设，通过ρ表征膜时间常数对自适应阈值衰减的影响。每当神经元就产生脉冲输出，该神经元的自适应阈值就产生一个更新量，考虑到膜时间常数的影响，该更新量经过调整后与默认阈值电压相加，完成自适应阈值学习，ALIF神经元模型如公式（3）所示。
（3）
其中，β为系数，没有具体的物理意义。δt为t时刻神经元i的相对于突触前神经元的兴奋时间差；为t-1时刻的自适应阈值，为t-1时刻的脉冲输出；为自适应阈值学习后得到的阈值；H为海维赛德阶跃函数。为t时刻的脉冲输出。
步骤S4：将所述二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵。
S4具体包括：
步骤S41：将所述二进制输出离散脉冲序列输入所述海马神经网络和所述前额叶皮层神经网络。
步骤S42：所述前额叶皮层神经网络提取所述二进制输出离散脉冲序列的特征，并将所述特征输入至所述海马神经网络。
步骤S43：所述海马神经网络根据所述二进制输出离散脉冲序列和所述特征产生对所述前额叶皮层神经网络的不同神经元突触权重的学习信号，并将所述学习信号反馈至所述前额叶皮层神经网络。
步骤S44：所述前额叶皮层神经网络根据所述学习信号对所述不同神经元突触权重进行调整，并根据调整后的不同神经元突出权重，输出设定时间段后的机场周边交通拥堵情况的预测结果。
本发明提供的机场交通流量预测方法还包括对所述类脑神经形态网络的进行训练；所述类脑神经形态网络的训练过程在步骤S3之后，步骤S4之前，具体包括：
步骤S01：获取机场及周边道路的第一历史监控数据。
步骤S02：确定所述机场及周边道路的第一历史监控数据所处的时间点。
步骤S03：获取所述时间点的所述设定时间段后的机场及周边道路的第二历史监控数据。
步骤S04：根据所述第二历史监控数据，确定机场周边交通的历史拥堵情况。
步骤S05：对所述历史交通监控数据进行预处理，得到所述历史交通监控数据的二进制输出离散脉冲序列。
步骤S06：以所述历史交通监控数据的二进制输出离散脉冲序列为输入，以对应的所述机场周边交通的历史拥堵情况为输出，对所述类脑神经形态网络进行训练，得到训练好的类脑神经形态网络。
具体地，如图2所示，通过LIF神经元以及ALIF神经元建立模拟人脑海马体以及前额叶皮层的海马网络以及前额叶皮层网络，海马网络作为递归神经形态网络的辅网络，前额叶皮层网络作为递归神经形态网络的主网络，承担小样本学习的内环和外环自学习任务，建立相关内部连接，内环信息传输以及外环信息传输链路。
前额叶皮层网络由LIF神经元和ALIF神经元组成，它们分布在不同层上，由突触构成全连接，完成膜电位存储及传输以及神经元触发阈值更新的任务。小样本输入信号通过突触与前额叶皮层网络的输入层神经元相连，海马网络也将通过特定突触对前额叶皮层网络特定神经元的突触信息进行调整。这里首先考虑对小样本输入信号的信息提取过程，由预处理的脉冲序列生成表征输入特征的膜电位状态信息，并根据LIF模型及ALIF模型激活事件驱动的神经形态网络，使得前额叶皮层网络内部的全体神经元处于工作状态，完成对输入小样本信号的学习任务。根据输入特征，前额叶皮层网络将产生输出结果，该输出也将同步传输至海马网络，作为海马网络自学习的输入信号。
海马网络同样由LIF以及ALIF神经元组成，仍然以层的形式实现全连接。海马网络作为整个递归神经形态网路的子网络，承担着内环自学习的任务，以递归神经形态的拓扑结构实现神经元的全连接。海马网络受到小样本输入信号以及前额叶皮层网络状态信号的共同影响，以保证前额叶皮层网络的活性以及神经元放电状态为期望，有针对性地产生对隐层不同神经元突触权重的学习信号，并将其传入前额叶皮层网络的神经元处。其中，学习信号受突触可塑性机制启发，如图3所示。某一神经元与突触前神经元的连接强度会受到该神经元自身活动的影响。假设突触前神经元为i，突触后神经元为j，s表示神经元序列，指的是神经元i产生的第f个脉冲序列，可以表示针对第f个脉冲，神经元i发出脉冲的时刻与神经元j接受到脉冲的时间差信息，ti和tj分别表示突触前神经元释放脉冲f和突触后神经元产生对脉冲f相应的时刻。但是，这两个时刻所导致的时间差并不影响权重更新的大小，只对权重更新的符号产生影响。参数τ表示突触前后的时间间隔，τ=；A存在的意义在于确保当突触前后神经元产生脉冲的时间过于接近，时间差接近0时，突触权值改变程度最大，即A+和A-表示突触权重变化的最大值，有公式（4）和公式（5）成立：
（4）
（5）
其中，Si为第i神经元的脉冲序列；Sj为第j神经元的脉冲序列；t+为突触后神经元和突触前神经元的兴奋时间差；t-为突触前神经元和突触后神经元的兴奋时间差；为第i神经元的脉冲输出函数；为第j神经元的脉冲输出函数。
前额叶皮层网络根据海马网络传入的学习信号对特定神经元的突触强度进行调整，这里应用了突触可塑性规则，这是学习记忆活动在细胞水平上的生物学基础。随后根据小样本输入信号完成网络输出计算。该计算依赖于神经形态网络的膜电位更新及事件触发机制，每一个神经元均以膜电位的形式表示特征信息并以二进制序列形式在网络内部传输，如公式（6）和公式（7）所示，其中表示t时刻，神经元i的膜电位信息，表示阈值电压，在ALIF模型中是自适应的，表示突触前神经元传递的脉冲序列。
（6）
（7）
其中，Vreset为复位电位，EL为“泄露”的平衡电位，v为膜电位；cm为细胞膜表面的电容，Ie为外界输入电流，为膜电导；为突触权值，为表示t-1时刻神经元i的膜电位信息，λ为膜电位泄露参数。
通过迭代学习，前额叶皮层网络以及海马网络进行局部突触可塑性的调整以及学习经验的存储记忆，完成前额叶皮层网络以及海马网络的自学习，实现整个类脑脉冲递归神经形态网络的小样本学习。
也就是类脑神经形态网络完成了借助少量确定性标定样本的经验学习，并通过网络内环及外环的自学习过程获得了一定的预测能力。随后选定变化环境下的输入样本。从机场监控摄像头、道路压力检测仪以及速度监测点出获取变化环境下的全新输入数据，将其通过泊松脉冲序列发生器转变为新的输入脉冲序列，如公式（8）所示：
（8）
其中，以及表示小样本学习后确定的输入预处理权重，以及表示可变环境下第i个设备传入的监测数据，以及表示可变环境下的新输入数据。
海马网络以及前额叶皮层网络按照内环及外环的学习方式，对输入信息以及进行处理。前额叶皮层网络在膜电位存储及更新的同时将内部神经元的放电状态同步传输至海马网络，海马网络根据突触可塑性规则完成针对特定神经元的突触可塑性调整。前额叶皮层网络将产生针对目前传入的机场流量数据以及周边交通情况信息的堵塞情况数据预测。
具体地，根据机场及周边道路的历史监控数据，该海马网络以及前额叶皮层网络具备了一定的学习能力，能够根据小样本输入信息优化网络参数，并指导超参数学习。当我们截取一个时间段内，部分监控设备或压力从传感器的数据作为网络部署时的小样本输入，网络可在再次优化学习的同时推测当前以及将来一段时间内的机场周边交通堵塞情况。因此，不同时间段的小样本数据截取，将产生不同季节、不同假期以及周末周内的机场客流量及周边交通预测，综上所述，该递归神经形态网络可以完成可变环境下的数据预测，这将指导机场工作人员进行高效的人员疏散，帮助有关行政部门调配资源，最大效率的安排机场周边交通调度。
图4为本发明实施例中的二次优化的超参数及初始化权重确定示意图，如图4所示，二次优化的超参数及初始化权重确定步骤如下所述：
第一步，从学习任务集中随机抽取一个特定学习任务作为递归神经形态网络小样本学习后的性能评估任务，即网络在通过少量机场客流量数据以及周边交通情况信息的训练后，再选取一个特定时间段的上述信息对网络性能进行二次评估。将其输入数据仍转变为二进制离散脉冲序列，并传入海马网络以及前额叶皮层网络。
第二步，通过海马网络以及前额叶皮层网络的自学习过程，调整网络突触权重以及膜电位时间常数影响因子、LIF以及ALIF神经元的资格迹时间常数影响因子等。
第三步，将调整后的监测器整合权重、海马网络突触权重以及前额叶皮层网络突触权重确定为应用在未来数据预测上的网络参数。与此同时，超参数也进行二次更新。
通过对类脑神经形态网络进行二次更新，类脑神经形态网络能够根据实时传入的样本数据进行跟进学习，从新输入样本中获得持续学习的能力，产生未来一定时间内的机场客流量及周边交通预测结果。
图5为本发明实施例中的特定任务下递归神经形态网络的小样本学习算法示意图，如图5所示，根据特定学习任务ID，即未来预测时间读取预测输入信号，将其传入海马网络以及前额叶皮层网络。对传入信息进行低通滤波处理，转变为二进制脉冲输出信号。通过海马网络以及前额叶皮层网络的协同，完成递归脉冲形态网络的自学习过程，输出决策结果。
图6是特定学习任务下小样本输入信号及输出脉冲强度示意图，如图6所示，根据小样本输入信号，转变其特征为离散非连续变量，将小样本输入信号传递至海马网络以及前额叶皮层网络，进行协同自学习，完成小样本学习任务，根据预测及目标脉冲序列，进行网络性能评估；图6右侧的统计图是预测脉冲序列和目标脉冲序列，S1、S2和S3对应了三组不同的预测脉冲序列和目标脉冲序列，根据这三组不同的预测脉冲序列和目标脉冲序列，能够直观得到该网络性能评估的效果。图6右侧另一个统计图为离散非连续变量的示意图，也即，将小样本输入信号特征进行转变得到的离散非连续变量。
图7是海马网络以及前额叶皮层网络在网络架构下的神经元实现示意图，如图7所示，海马网络以及前额叶皮层网络的网络架构包含脉冲编码器、脉冲特征提取器以及脉冲分类器等，基本结构如VGG11,VGG19,ResNet等，得到海马网络以及前额叶皮层网络的网络架构后，初始化神经元类别百分比，包括设定LIF神经元以及ALIF神经元比例，将它们随机分布在不同隐层的激活层中。其中，黑色实心圆圈代表ALIF神经元。
本发明提供的机场交通流量预测方法构建了包含海马网络以及前额叶皮层网络的递归神经形态网络，并基于该结构建立了内环和外环的信息处理机制，通过两个网络的协同实现小样本学习，递归神经形态网络中的输入输出信号均为加权低通滤波网络的输出二进制序列，且小样本输入信号同时传入海马网络以及前额叶皮层网络，分别完成知识存储以及特征提取过程。前额叶皮层网络的神经元放电情况被海马网络进行监控，海马网络通过监视前额叶皮层网络中神经元的放电情况以及递归神经形态网络的输出产生有效的学习信号，用来局部调整前额叶皮层网络中的突触权重。该结构模拟了人脑的突触可塑性机制，即通过学习信号（如多巴胺）实现突触可塑性，这些学习信号是由大脑特定区域（如中脑腹侧被盖区）控制。前额叶皮层网络的输出结果也将作为海马网络的另一输入传入海马网络，用来更新知识存储模型，实现海马网络的自学习。通过重复迭代以上过程，实现海马网络和前额叶皮层网络的协同训练，并实现整个递归神经形态网络的小样本学习。
本发明提供的机场交通流量预测方法具有以下优势：
1.本发明采用LIF模型和ALIF模型，更加符合真实生物神经元的生物特性。ALIF模型能够表示生物神经元触发阈值的自适应特征。
2.本发明建立了海马网络和前额叶皮层网络的类脑神经形态结构，完成高度接近人脑的结构功能模拟，使得突触可塑性的学习信号受海马网络调控，模拟了特定脑区产生特定信号调节神经元突触的人脑工作机制，具有较强的生物可解释性，在工作机制以及网络结构上实现了更精确的类脑智能。
3.本发明建立了针对海马网络以及前额叶皮层网络的小样本学习方法，通过两个网络的协同实现对人脑信息处理机制和认知行为方式的模拟。这使得网络通过少量的样本输入获得更好的学习能力，在环境变化时仍然具有自适应能力。降低了网络对标签数据的依赖，提高了网络的泛化能力和鲁棒性。
4.本发明模型中的海马网络、前额叶皮层网络以及递归神经网络内环或外环的传输信号均为输入脉冲序列的加权低通滤波输出，这减少了网络训练过程中的计算成本与硬件实现的功耗开销，实现了面向低功耗边缘计算的高级类脑智能。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种机场交通流量预测系统，如图8所示，所述系统包括：
获取模块1，用于获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息。
预处理模块2，用于对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列。
构建模块3，用于构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括LIF神经元和ALIF神经元。
预测模块4，用于将所述二进制输出离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵。
实施例三
本发明实施例提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使电子设备执行实施例一的机场交通流量预测方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的机场交通流量预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都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互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种机场交通流量预测方法，其特征在于，所述方法包括：
获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息；
对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列；具体包括：
对所述实时交通监控数据进行离散化，得到第一离散交通数据；
对所述第一离散交通数据进行加权求和，得到表征机场交通流量的第二离散交通数据；
根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列；
构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；
将所述二进制离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵；
所述类脑神经形态网络的训练过程具体包括：
获取机场及周边道路的第一历史监控数据；
确定所述机场及周边道路的第一历史监控数据所处的时间点；
获取所述时间点的所述设定时间段后的机场及周边道路的第二历史监控数据；
根据所述第二历史监控数据，确定机场周边交通的历史拥堵情况；
对历史交通监控数据进行预处理，得到所述历史交通监控数据的二进制离散脉冲序列；
以所述历史交通监控数据的二进制离散脉冲序列为输入，以对应的所述机场周边交通的历史拥堵情况为输出，对所述类脑神经形态网络进行训练，得到训练好的类脑神经形态网络。
2.根据权利要求1所述的机场交通流量预测方法，其特征在于，所述根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列，具体包括：
根据所述第二离散交通数据，应用滑动窗口，得到多个处理窗口数据矩阵；
应用泊松脉冲序列发生器，对每一个所述处理窗口数据矩阵生成对应的服从泊松分布的随机数；
根据所述处理窗口数据矩阵中元素与对应的所述随机数的比较结果，对多个所述处理窗口数据矩阵进行更新，得到多个更新后的处理窗口数据矩阵；
根据多个所述更新后的处理窗口数据矩阵，得到所述实时交通监控数据的二进制离散脉冲序列。
3.根据权利要求1所述的机场交通流量预测方法，其特征在于，所述将所述二进制离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果，具体包括：
将所述二进制离散脉冲序列输入所述海马神经网络和所述前额叶皮层神经网络；
所述前额叶皮层神经网络提取所述二进制离散脉冲序列的特征，并将所述特征输入至所述海马神经网络；
所述海马神经网络根据所述二进制离散脉冲序列和所述特征产生对所述前额叶皮层神经网络的不同神经元突触权重的学习信号，并将所述学习信号反馈至所述前额叶皮层神经网络；
所述前额叶皮层神经网络根据所述学习信号对所述不同神经元突触权重进行调整，并根据调整后的不同神经元突触权重，输出设定时间段后的机场周边交通拥堵情况的预测结果。
4.一种机场交通流量预测系统，其特征在于，所述系统包括：
获取模块，用于获取机场及周边道路的实时交通监控数据；所述实时交通监控数据包括道路压力传感器检测到的实时连续压力信号、摄像头监控的图像信号、卫星成像图以及区间测速检测传回的道路车辆移动速度信息；
预处理模块，用于对所述实时交通监控数据进行预处理，得到所述实时交通监控数据的二进制离散脉冲序列；具体包括：
对所述实时交通监控数据进行离散化，得到第一离散交通数据；
对所述第一离散交通数据进行加权求和，得到表征机场交通流量的第二离散交通数据；
根据所述第二离散交通数据，应用泊松脉冲序列发生器，得到所述实时交通监控数据的二进制离散脉冲序列；
构建模块，用于构建类脑神经形态网络；所述类脑神经形态网络包括海马神经网络和前额叶皮层神经网络；所述海马神经网络和所述前额叶皮层神经网络均包括多个LIF神经元和多个ALIF神经元；
预测模块，用于将所述二进制离散脉冲序列输入训练好的类脑神经形态网络，输出设定时间段后的机场周边交通拥堵情况的预测结果；所述预测结果为拥堵或者不拥堵；所述类脑神经形态网络的训练过程具体包括：
获取机场及周边道路的第一历史监控数据；
确定所述机场及周边道路的第一历史监控数据所处的时间点；
获取所述时间点的所述设定时间段后的机场及周边道路的第二历史监控数据；
根据所述第二历史监控数据，确定机场周边交通的历史拥堵情况；
对历史交通监控数据进行预处理，得到所述历史交通监控数据的二进制离散脉冲序列；
以所述历史交通监控数据的二进制离散脉冲序列为输入，以对应的所述机场周边交通的历史拥堵情况为输出，对所述类脑神经形态网络进行训练，得到训练好的类脑神经形态网络。
5.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至3中任一项所述的机场交通流量预测方法。
6.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的机场交通流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182274.6A CN115862338B (zh) | 2023-03-01 | 2023-03-01 | 一种机场交通流量预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182274.6A CN115862338B (zh) | 2023-03-01 | 2023-03-01 | 一种机场交通流量预测方法、系统、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115862338A CN115862338A (zh) | 2023-03-28 |
| CN115862338B true CN115862338B (zh) | 2023-05-16 |
Family
ID=85659444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310182274.6A Active CN115862338B (zh) | 2023-03-01 | 2023-03-01 | 一种机场交通流量预测方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115862338B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0962979A (ja) * | 1995-08-25 | 1997-03-07 | Toshiba Corp | 交通流予測装置 |
| CN110956342A (zh) * | 2020-01-02 | 2020-04-03 | 中国民航大学 | 基于注意力机制的CliqueNet航班延误预测方法 |
| CN112364200A (zh) * | 2021-01-15 | 2021-02-12 | 清华大学 | 一种类脑成像的方法、装置、设备及存储介质 |
| CN114186675A (zh) * | 2021-11-14 | 2022-03-15 | 北京工业大学 | 一种改进的海马体-前额皮层网络空间认知方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886384B (zh) * | 2019-02-15 | 2021-01-05 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
| CN111275742B (zh) * | 2020-01-19 | 2022-01-11 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
| CN111639754A (zh) * | 2020-06-05 | 2020-09-08 | 四川大学 | 一种神经网络的构建、训练、识别方法和系统、存储介质 |
| CN112260866B (zh) * | 2020-10-20 | 2023-04-07 | 广东工业大学 | 一种类脑计算机专用网络拓扑结构设计方法和装置 |
| CN112435496B (zh) * | 2020-11-05 | 2023-03-21 | 山东交通学院 | 基于多传感器的车辆船舶智能导航控制预警装置及方法 |
| CN112364988A (zh) * | 2020-11-12 | 2021-02-12 | 天津大学 | 一种基于fpga的分层异构类脑计算系统 |
| CN113642379B (zh) * | 2021-05-18 | 2024-03-01 | 北京航空航天大学 | 基于注意力机制融合多流图的人体姿态预测方法及系统 |
| CN113256472B (zh) * | 2021-07-12 | 2021-11-26 | 深圳市永达电子信息股份有限公司 | 智能交通管控方法、系统以及类脑计算可读存储介质 |
| CN113255905B (zh) * | 2021-07-16 | 2021-11-02 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
| CN113837446B (zh) * | 2021-08-30 | 2024-01-09 | 航天科工广信智能技术有限公司 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
| CN114943356A (zh) * | 2022-06-06 | 2022-08-26 | 南京航空航天大学 | 一种机场到港旅客乘坐出租车短时需求集成预测方法 |
| CN114861838B (zh) * | 2022-07-06 | 2022-09-27 | 武汉理工大学 | 一种基于神经元复杂动力学的脉冲神经类脑智能分类方法 |
| CN115358375A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种脉冲神经网络储备池计算模型构建方法及装置 |
-
2023
- 2023-03-01 CN CN202310182274.6A patent/CN115862338B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0962979A (ja) * | 1995-08-25 | 1997-03-07 | Toshiba Corp | 交通流予測装置 |
| CN110956342A (zh) * | 2020-01-02 | 2020-04-03 | 中国民航大学 | 基于注意力机制的CliqueNet航班延误预测方法 |
| CN112364200A (zh) * | 2021-01-15 | 2021-02-12 | 清华大学 | 一种类脑成像的方法、装置、设备及存储介质 |
| CN114186675A (zh) * | 2021-11-14 | 2022-03-15 | 北京工业大学 | 一种改进的海马体-前额皮层网络空间认知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 类脑智能技术在无人系统上的应用;赵欣怡;《控制理论与应用》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115862338A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alaloul et al. | Data processing using artificial neural networks | |
| CN112633497B (zh) | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 | |
| US20170337469A1 (en) | Anomaly detection using spiking neural networks | |
| Zhang et al. | Fast and robust learning in spiking feed-forward neural networks based on intrinsic plasticity mechanism | |
| Putra et al. | Q-spinn: A framework for quantizing spiking neural networks | |
| CN109102000B (zh) | 一种基于分层特征提取与多层脉冲神经网络的图像识别方法 | |
| US20040103095A1 (en) | Hierarchical processing apparatus | |
| CN108563977A (zh) | 一种高速公路出入口的行人预警方法及系统 | |
| Wu et al. | Edge detection based on spiking neural network model | |
| CN114155270A (zh) | 行人轨迹预测方法、装置、设备及存储介质 | |
| Chen et al. | SAR image classification based on spiking neural network through spike-time dependent plasticity and gradient descent | |
| CN114067166A (zh) | 用于确定物理对象的物理特性的设备和方法 | |
| CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN110972074A (zh) | 多移动智能体群的单个智能体位置丢失找寻后轨迹重构方法 | |
| CN114582131A (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
| CN115862338B (zh) | 一种机场交通流量预测方法、系统、电子设备及介质 | |
| Li et al. | Learning credit assignment | |
| CN116080688B (zh) | 一种类脑启发的智能驾驶视觉辅助方法、装置及存储介质 | |
| Castellano et al. | Segmentation of remotely sensed images with a neuro-fuzzy inference system. | |
| Zhao et al. | Towards a brain-inspired developmental neural network by adaptive synaptic pruning | |
| CN115546556A (zh) | 用于图像分类的脉冲神经网络的训练方法 | |
| Kodieswari et al. | Statistical AI Model in an Intelligent Transportation System | |
| Chen et al. | Unsupervised learning method for sar image classification based on spiking neural network | |
| Aenugu | Training spiking neural networks using reinforcement learning | |
| Xie et al. | An end-to-end functional spiking model for sequential feature learning |
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 |