CN116341877A - 基于TransGPT的综合交通运行服务系统和方法 - Google Patents
基于TransGPT的综合交通运行服务系统和方法 Download PDFInfo
- Publication number
- CN116341877A CN116341877A CN202310570388.8A CN202310570388A CN116341877A CN 116341877 A CN116341877 A CN 116341877A CN 202310570388 A CN202310570388 A CN 202310570388A CN 116341877 A CN116341877 A CN 116341877A
- Authority
- CN
- China
- Prior art keywords
- traffic
- model
- data
- question
- industry
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000002787 reinforcement Effects 0.000 claims abstract description 28
- 238000002360 preparation method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000003058 natural language processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/22—Interactive procedures; Man-machine interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/06—Decision making techniques; Pattern matching strategies
- G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
Abstract
本公开涉及智慧交通领域,提供了一种基于TransGPT的综合交通运行服务系统和方法。该系统包括:数据集单元,被配置成存储交通运输数据;模型准备单元,被配置成构建初始交通服务模型;定向训练单元,被配置成训练上述初始交通服务模型得到目标交通服务模型;模型对话单元,被配置成优化目标交通服务模型,得到问答模型;模型评估单元,被配置成评估问答模型,得到评估结果;强化学习单元,被配置成对上述问答模型进行强化学习,得到强化问答模型;业务应用单元,被配置成显示相关内容。本公开快速展示综合交通数据指标指数,提升交通相关部门服务效率;智能分析非结构化文本内容,提高交通行业知识库智慧程度;且可以一句话生成行业报告。
Description
技术领域
本公开涉及智慧交通领域,尤其涉及基于TransGPT的综合交通运行服务系统和方法。
背景技术
目前,交通运输行业信息化建设底层数据较为完善,很多城市建成了综合交通运输数据湖(交通运输大数据中心),并建立了较为先进的TOCC平台,实现了交通运输要素信息资源的汇聚共享,交通运输行业大数据能力显著增强,基本建成全面覆盖、泛在互联的智能交通感知网络,对交通重点业务领域、重点区域等的交通运行监测体系,但存在以下问题:TOCC监测展示数据有限:TOCC监测大屏展示指数和指标为提前配置,最为关注的部分数据,同时还有大量的基础数据散落在底层和各个业务系统中,当对其他统计数据有需求时无法快速展现在大屏上,需要去具体业务系统查询或者数据库查询;交通行业知识库智慧程度较低:目前的交通行业知识库应用主要为综合交通业务指标的统计分析和交通行业资料的汇总,缺少对非结构化文本的理解,如行业规范、法律法规等,无法直接应用于业务当中;报告生成需要提前定制模板:行业报告需要提前定制出各个报告的模板,并预留相应的指标、指数更新位置,整个报告比较死板,定制化过程繁琐。
发明内容
(一)发明目的
鉴于上述问题,为了解决TOCC监测展示数据有限、查询;交通行业知识库智慧程度较低和报告生成需要提前定制模板的问题,本公开提供了以下技术方案。
(二)技术方案
本公开实施例的第一方面,提供了一种基于TransGPT的综合交通运行服务系统,其特征在于,包括:数据集单元,被配置成存储交通运输数据;模型准备单元,被配置成构建初始交通服务模型;定向训练单元,被配置成基于上述交通运输数据、交通行业指标、交通行业知识和交通行业报告训练上述初始交通服务模型得到目标交通服务模型;模型对话单元,被配置成基于TransGPT优化上述目标交通服务模型,得到问答模型;模型评估单元,被配置成基于指标评估和相关人员反馈评估上述问答模型,得到评估结果;强化学习单元,被配置成基于上述评估结果对上述问答模型进行强化学习,得到强化问答模型;业务应用单元,被配置成显示上述交通运输数据、上述交通行业指标、上述交通行业知识和上述交通行业报告。
在一种可能的实施方式中,上述交通运输数据至少包括以下几项:交通载具数据,运输企业数据,法律法规数据,监管部门数据,公众出行数据,交通指标数据,基础设施数据,工程建设数据,行业规范数据,行业定义数据,交通规划数据。
在一种可能的实施方式中,上述模型准备单元是基于双向变压器架构的MLM算法实现的。
在一种可能的实施方式中,上述定向训练单元包括:
训练子单元,被配置成以上述交通运输数据和上述交通行业知识为模型的输入,以上述交通行业报告和上述交通行业指标为模型的输出,训练上述初始交通服务模型得到中间交通服务模型;
移除子单元,被配置成移除上述中间交通服务模型的文本理解类任务和抽取类任务,得到目标交通服务模型。
在一种可能的实施方式中,上述模型对话单元包括:
自然语言处理子单元,被配置成基于TransGPT处理语音输入信息并进行人机交互;
抗干扰子单元,被配置成基于抗干扰数据忽略无关文本。
在一种可能的实施方式中,上述模型评估单元包括:
指标评估子单元,被配置成基于评估指标评估上述问答模型,得到指标评估结果;
相关人员反馈评估子单元,被配置成基于相关人员反馈评估上述问答模型,得到反馈评估结果;
模型评估子单元,被配置成将上述指标评估结果和上述反馈评估结果组合,得到评估结果。
在一种可能的实施方式中,上述强化学习单元包括:
模型参数调整子单元,被配置成基于上述评估结果调整上述问答模型的模型参数;
强化学习子单元,被配置成基于奖励模型评价上述问答模型的输出结果得到评价结果,并基于上述评价结果调整上述问答模型的模型参数。
本公开实施例的第二方面,提供了一种基于TransGPT的综合交通运行服务方法,其特征在于,包括:基于预置的交通运输数据、交通行业指标、交通行业知识和交通行业报告训练初始交通服务模型得到目标交通服务模型;基于TransGPT优化上述目标交通服务模型,得到问答模型;基于指标评估、相关人员反馈评估和强化学习优化上述问答模型得到强化问答模型;基于上述强化问答模型得到交通行业指标、交通行业知识和交通行业报告;控制显示设备显示上述交通行业指标、上述交通行业知识和上述交通行业报告。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
(三)有益效果
本公开实施例与现有技术相比存在的有益效果是:
1、通过提问快速展示综合交通数据指标指数,提升交通相关部门查询、统计和分析交通行业运行动态信息的服务效率,以更加科学、高效的开展交通运行分析工作。
2、智能分析非结构化文本内容,提高交通行业知识库智慧程度,为城市交通行业科学决策提供支撑。
3、一句话生成行业报告,摆脱死板的定制化报告内容,实现行业报告生成的真正智能化、智慧化。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是根据本公开的基于TransGPT的综合交通运行服务系统的一些实施例的结构示意图;
图2是根据本公开的基于TransGPT的综合交通运行服务方法的一些实施例的流程图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是本公开的基于TransGPT的综合交通运行服务系统的一些实施例的结构示意图。
如图1所示,该基于TransGPT的综合交通运行服务系统包括:
数据集单元,被配置成存储交通运输数据。
在一些实施例中,数据集单元用于存储交通运输数据,至少包括以下几项:交通载具数据,运输企业数据,法律法规数据,监管部门数据,公众出行数据,交通指标数据,基础设施数据,工程建设数据,行业规范数据,行业定义数据,交通规划数据。
模型准备单元,被配置成构建初始交通服务模型。
在一些实施例中,使用基于双向变压器体系架构的“masked language modeling”(MLM)算法,使用语义线索,用双向变压器体系结构进行蒸馏学习,构建上述初始交通服务模型模型。以捕捉上下文之间的关系,进一步,这里的上下文指的是:训练数据中存在大量的非结构化文本,如交通行业报告、交通法律法规、交通规划设计方案等,蒸馏学习主要是为了能让模型理解非结构化文本上下文之间的联系。
这里,双向变压器体系结构(BERT)是一种大规模预训练语言模型,它可以学习到单词在句子中的上下文信息,从而在自然语言处理任务中表现出色。然而,针对交通运输领域,可以使用交通运输数据、交通行业知识、交通行业指标和交通行业报告分别作为期望输入和期望输出对BERT模型进行训练,以获得更适用于处理交通运输任务的模型。
尽管BERT模型非常庞大,需要大量的计算资源和时间进行训练,这可能限制了其在实际应用中的使用。为了解决这个问题,采用知识蒸馏技术将针对交通运输领域的BERT模型的知识传递给一个小型的神经网络模型,从而提高小型模型的性能。
具体来说,创建一个针对交通运输领域的小型BERT模型作为学生模型,并使用一个针对交通运输领域的大型BERT模型作为教师模型。首先训练大型的BERT模型,然后将其在交通运输领域的知识传递给小型的BERT模型。这个过程可以通过蒸馏学习技术实现,即通过最小化教师模型和学生模型的输出之间的距离来传递知识。
在实际应用中,针对交通运输领域的双向变压器体系结构进行蒸馏学习可以提高小型BERT模型的效率和精度。通过这种方式,在资源有限的情况下使用针对交通运输领域的BERT模型,从而在处理交通运输任务时取得更好的表现。这里,上下文指练数据中存在大量的非结构化文本,如交通行业报告、交通法律法规、交通规划设计方案等,蒸馏学习主要是为了能让模型理解非结构化文本上下文之间的联系。
定向训练单元,被配置成基于上述交通运输数据、交通行业指标、交通行业知识和交通行业报告训练上述初始交通服务模型得到目标交通服务模型。
在一些实施例中,上述定向训练单元包括:
训练子单元,被配置成以上述交通运输数据和上述交通行业知识为模型的输入,以上述交通行业报告和上述交通行业指标为模型的输出,训练上述初始交通服务模型得到中间交通服务模型;
基于交通行业知识库,如专家知识数据、交通问题决策预案数据或问答等,在亿级别任务数据上使用多任务学习模型(PromptCLUE)的形式进行任务监督学习;多任务学习模型(PromptCLUE)基于神经网络,其中包括一个共享的特征提取层,以及多个任务特定的输出层。在训练过程中,神经网络模型会同时学习多个任务,从而提高模型的性能。
多任务学习模型(PromptCLUE)是一种基于大规模预训练语言模型的自然语言处理技术,针对交通运输领域,我们可以使用交通运输数据对其进行训练,以获得更适用于处理交通运输任务的模型。
其基本思想是将多个交通运输相关的自然语言处理任务组合在一起,通过共享一个预训练的语言模型来解决这些任务。这些任务可以是交通事件分类、交通设施识别、交通状况预测等。
在具体实现中,PromptCLUE通过添加一个提示(prompt)来引导语言模型完成任务。提示是一段文本,它包含了任务的描述和相关的标记。使用这个提示,语言模型可以自动学习任务之间的联系,并在不同的任务之间共享知识。
例如,对于交通事件分类任务,可以使用“这是一个关于交通运输的事件,它涉及到的主要问题是 XXX。”作为提示。这样,语言模型可以自动学习如何提取关键信息,并将其用于分类任务中。对于交通设施识别任务,可以使用“这是一个交通设施,它位于 XXX,主要功能是 XXX。”作为提示。这样,语言模型可以自动学习如何从文本中提取设施和功能信息,并将其用于识别任务中。
通过多任务学习模型(PromptCLUE),可以在单个模型中解决多个交通运输相关的自然语言处理任务,从而提高模型的效率和精度。同时,PromptCLUE还可以自动学习任务之间的联系,从而提高模型的泛化能力。
在交通运输领域,大规模预训练语言模型的输入和输出如下:
输入:多个交通运输任务的训练数据以及相应的提示文本。
在输入中,每个任务的训练数据包括一组输入文本和相应的标签,提示文本则是一个包含任务描述和标记的文本。例如,对于交通事件分类任务,输入可能是一组带有标签的文本,以及描述任务和相应标记的提示文本。
输出:预测结果
在输出中,每个任务都会产生一个预测结果。预测结果是模型对输入文本的预测结果。例如,对于交通事件分类任务,输出可能是一个预测标签;对于交通设施识别任务,输出可能是一组预测的设施和功能信息。
通过多任务学习模型,可以在单个模型中训练多个交通运输任务,并且在训练中共享相同的语言模型。这样,可以提高模型的效率和精度,并可以自动学习任务之间的联系,从而提高模型的泛化能力。
多任务学习模型(PromptCLUE)在交通运输领域的大规模预训练语言模型中的监督学习如下:
提示构建:针对每个交通运输任务,构建相应的提示文本,包括任务描述和标记。提示文本可以帮助模型自动学习任务之间的联系和共享知识。
多任务训练:将多个交通运输任务的训练数据和相应的提示文本输入到模型中,进行多任务训练。在训练过程中,模型会自动学习任务之间的联系和共享知识,从而提高模型的效率和精度。
微调:在多任务训练后,可以对模型进行微调,以进一步提高模型在交通运输领域的性能。微调通常使用单个任务的训练数据进行训练,以适应该任务的特定需求。
应用:最后,在实际应用中,可以将该模型应用于各种交通运输相关的自然语言处理任务,如交通事件分类、交通设施识别、交通状况预测等。
通过以上步骤,多任务学习模型(PromptCLUE)可以在交通运输领域的大规模预训练语言模型中进行监督学习,以实现高效和准确的自然语言处理。这将有助于提升交通运输管理系统的智能化水平,实现对复杂交通场景的高效处理。
移除子单元,被配置成移除文本理解类任务和抽取类任务。
具体的,为了使模型具有比较好的生成效果,移除了文本理解类和抽取类的任务,这样就加强了问答、对话和生成类任务的学习。
模型对话单元,被配置成基于TransGPT优化上述目标交通服务模型,得到问答模型。
在一些实施例中,上述模型对话单元包括:
自然语言处理子单元,被配置成基于TransGPT处理语音输入信息并进行人机交互;
具体的, GPT是一种先进的人工智能技术,全名为生成预训练变换器。它可以理解和生成自然语言,通过大量的训练数据,GPT能够学习到世界各种领域的知识,从而具备强大的处理自然语言任务的能力。
TransGPT将交通运输领域的专业知识与GPT技术相结合,形成一个专门为交通运输行业打造的智能工具。它可以理解交通运输领域的语言和概念,通过深度学习技术挖掘有价值的信息,可以理解和生成与交通运输相关的知识,从而更有效地应对行业内的各种问题。
抗干扰子单元,被配置成基于抗干扰数忽略无关文本。
具体的,加入了抗干扰数据,使得模型可以在必要时忽略无关文本;
需要说明的是:抗干扰数据主要是指具有挑战性的例子或情况,作为示例:交通运输领域中具有多义词的语句、复杂的事件描述、交通术语中的常见错别字或者语法错误。这些抗干扰数据可以帮助语言模型学习如何更好地理解交通运输领域的上下文,并在生成结果时更加准确地避免产生歧义或错误,从而提高模型在交通运输领域的质量和效果。
具体来说,抗干扰数据采用的方法主要包括两种:一种是通过在交通运输领域的训练数据中添加一些随机噪声或人工生成的错误数据,模拟现实中的不确定性和多样性。作为示例:在交通事件报告中插入一些错误的地理坐标、错误的道路名称或者错误的交通规则等,以训练模型更好地处理这些干扰信息。
另一种是通过挖掘大量的非正式交通运输数据,如社交媒体上关于交通状况的讨论、导航软件中的用户评论等,这些数据通常含有非标准的语言结构和表达方式,可以帮助模型更好地适应真实世界中的语言环境。作为示例:用户在社交媒体上发布的关于交通拥堵的描述可能包含许多非正式的表达方式,如缩写词、错别字和网络用语等。
通过使用抗干扰数据,大规模预训练语言模型可以更好地适应交通运输领域的真实场景,从而在自然语言处理任务中取得更好的表现。这将有助于提升交通运输管理系统的智能化水平,实现对复杂交通场景的高效处理。
模型评估单元,被配置成基于指标评估和相关人员反馈评估上述问答模型,得到评估结果;
在一些实施例中,上述模型评估单元包括:
指标评估子单元,被配置成基于评估指标评估上述问答模型,得到指标评估结果;
具体的,使用标准的机器学习评估指标,如准确率、召回率、F1分数等,来评估PromptCLUE模型的性能。
其中,准确率(Accuracy):问答模型正确回答交通运输问题的数量占所有问题的比例。例如,在100个关于交通规划、道路状况和交通安全的问题中,问答模型正确回答了85个,那么准确率为85%;精确率(Precision):问答模型正确回答交通运输问题的数量占所有回答的问题数量的比例。例如,问答模型回答了90个交通运输问题,其中正确的回答有81个,那么精确率为81/90;召回率(Recall):问答模型正确回答交通运输问题的数量占所有实际应该回答的问题数量的比例。例如,总共有95个问题需要回答,问答模型正确回答了81个,那么召回率为81/95;F1值(F1-Score):综合考虑精确率和召回率的调和平均数。例如,上述例子中的精确率和召回率分别为81/90和81/95,计算得到的F1值为2×(81/90×81/95) / (81/90+81/95);回答质量评分:对问答模型生成的回答进行质量评估。例如,一个关于最佳出行时间的问题,评分标准可以包括回答的准确性(是否提供了正确的时间)、完整性(是否提供了充分的理由)和可理解性(回答是否易于理解);响应时间:问答模型生成回答所需的时间。例如,在一个要求实时回答交通拥堵状况的应用场景中,问答模型需要在很短的时间内生成回答,以满足用户的需求。
作为示例:假设我们要评估一个针对交通运输任务的问答模型,可以设置以下问题作为测试数据集的一部分:
当前道路上最严重的交通拥堵地点在哪里?
如何规划从A地到B地的最佳路线?
今天的天气状况是否适合骑自行车出行?
在交通事故中,如何正确地执行急救措施?
针对这些问题,我们可以使用上述评估标准来衡量模型的性能
例如,计算问答模型在回答这些问题时的准确率、精确率、召回率和F1值。同时,我们还可以对问答模型生成评估流程:
对于针对交通运输任务的大规模预训练问答模型输出结果的评估,一般会按照以下步骤进行:数据集准备:选择适当的交通运输领域数据集并进行数据清理、数据预处理等操作,使数据符合模型的要求;模型训练:使用选定的交通运输数据集对模型进行训练,并调整模型参数、优化模型结构等操作,使模型的性能达到最佳状态;模型评估:使用交通运输领域的测试数据集对训练好的模型进行评估,计算模型的准确率、精确率、召回率、F1值、回答质量评分、响应时间等指标;结果分析:对评估结果进行综合分析,根据需要对模型进行修正和优化;模型应用:在实际应用中使用训练好的模型,根据交通运输领域的业务需求对输出结果进行处理和应用。
相关人员反馈评估子单元,被配置成基于相关人员反馈评估上述问答模型,得到反馈评估结果;
具体的,通过模型生成的结果是否符合用户的意图、生成的结果能不能满足用户提到的约束条件以及模型给出的答案能否在实际应用中取得好的效果来得到相关人员反馈来评估上述问答模型。
模型评估子单元,被配置成将上述指标评估结果和上述反馈评估结果组合,得到评估结果。
强化学习单元,被配置成基于上述评估结果对上述问答模型进行强化学习,得到强化问答模型。
在一些实施例中,强化学习单元包括:
模型参数调整子单元,被配置成基于上述评估结果调整上述问答模型的模型参数;
具体的,首先基于上述评估结果来调整模型参数,从而实现对语言模型的优化。
强化学习子单元,被配置成基于奖励模型评价上述问答模型的输出结果得到评价结果,并基于上述评价结果调整上述问答模型的模型参数。
这里,定义一个奖励函数,该函数将根据模型的输出结果来决定给予多少奖励。通常情况下,我们希望模型在执行任务时得到的奖励越高越好,因此我们的目标是让模型最大化期望回报。
奖励函数可以理解为模型在一段时间内得到的所有奖励的加权平均值,其中每个奖励的权重由折扣因子决定。折扣因子越大,那么越重视未来的奖励;反之,折扣因子越小,重视当前的奖励。
因此,奖励函数的计算公式可以简单地表示为:
期望回报 = 当前奖励 + 折扣因子×下一个奖励 + 折扣因子的平方×下下个奖励 + ...
奖励函数的取值为(0,1]
按照这种方式不断地计算,直到获得的奖励不再有意义或者时间已经到了结束。
具体的,训练一个奖励模型,对于一个提问通过参数不同的模型会产生不同的输出结果,标记者对所有模型的输出结果进行一个排序,用这些排序后的数据训练奖励模型把模型生成的初步答案输入到奖励模型当中,奖励模型会对这个答案进行一个评价,如果生成的答案符合用户的意图就给一个正向的反馈,否则就给一个负向的反馈,从而把模型调教的越来越好,这就是引入强化学习的目的。
业务应用单元,被配置成显示上述交通运输数据、上述交通行业指标、上述交通行业知识和上述交通行业报告。
在一些实施例中,业务应用单元基于上述其他单元可以实现:
(1)交通运输数据和交通行业指标的查询,即通过问答利用强化问答模型提取交通运输数据和基于上述交通运输数据生成的交通行业指标,无需通过具体业务系统和数据库进行查询;
(2)交通行业知识的显示,通过自然语言问答可以从交通行业知识库中获取精准的交通行业知识,包括不同业务情形下的法律法规,不同交通问题的决策建议等;
(3)交通行业报告的显示,通过描述需要的报告材料即可快速生成清晰且准确的交通行业报告。
同时,根据文字转语音、语音转文字和声音驱动的虚拟人可打造辅助交通运行监管的虚拟数字人助手,实现人性化管理。
本公开本公开实施例与现有技术相比存在的有益效果是:
基于交通运输数据、交通行业指标、交通行业知识和交通行业报告训练初始交通服务模型,进而经过一系列的优化得到强化问答模型,基于上述强化问答模型可以实现下述效果:
1、基于用户提问的方式,快速展示与用户提问相匹配的交通运输数据以及基于上述交通运输数据计算的道德的交通行业指标,提升交通相关部门查询、统计和分析交通行业运行动态信息的服务效率,以更加科学、高效的开展交通运行分析工作。
2、智能分析非结构化文本内容,提高交通行业知识库智慧程度,为城市交通行业科学决策提供支撑。
3、基于用户需求,通过上述强化问答模型一句话生成行业报告,摆脱死板的定制化报告内容,实现行业报告生成的真正智能化、智慧化。
下述为本公开方法实施例,可以基于上述系统实施例执行本公开方法实施例。
下面参考图2详细说明本公开的基于TransGPT的综合交通运行服务方法,如图2所示,本公开的方法主要包括有以下步骤S201-S205。
步骤S201,基于预置的交通运输数据、交通行业指标、交通行业知识和交通行业报告训练初始交通服务模型得到目标交通服务模型;
步骤S202,基于TransGPT优化上述目标交通服务模型,得到问答模型;
步骤S203,基于指标评估、相关人员反馈评估和强化学习优化上述问答模型得到强化问答模型;
步骤S204,基于上述强化问答模型得到交通行业指标、交通行业知识应用和交通行业报告;
步骤S205,控制显示设备显示上述交通运输数据、上述交通行业指标、上述交通行业知识和上述交通行业报告。
,上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:基于预置的交通运输数据、交通行业指标、交通行业知识和交通行业报告训练初始交通服务模型得到目标交通服务模型;基于TransGPT优化上述目标交通服务模型,得到问答模型;基于指标评估、相关人员反馈评估和强化学习优化上述问答模型得到强化问答模型;基于上述强化问答模型得到交通行业指标、交通行业知识和交通行业报告;控制显示设备显示上述交通运输数据、上述交通行业指标、上述交通行业知识和上述交通行业报告。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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。也应当注意,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,两个接连地表示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,这依所涉及的功能而定。也要注意的是,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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:数据集单元、模型准备单元、定向训练单元、模型对话单元、模型评估单元、强化学习单元和业务应用单元,其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于TransGPT的综合交通运行服务系统,其特征在于,包括:
数据集单元,被配置成存储交通运输数据;
模型准备单元,被配置成构建初始交通服务模型;
定向训练单元,被配置成基于所述交通运输数据、交通行业指标、交通行业知识和交通行业报告训练所述初始交通服务模型得到目标交通服务模型;
模型对话单元,被配置成基于TransGPT优化所述目标交通服务模型,得到问答模型;
模型评估单元,被配置成基于指标评估和相关人员反馈评估所述问答模型,得到评估结果;
强化学习单元,被配置成基于所述评估结果对所述问答模型进行强化学习,得到强化问答模型;
业务应用单元,被配置成显示所述交通运输数据、所述交通行业指标、所述交通行业知识和所述交通行业报告。
2.如权利要求1所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述交通运输数据至少包括以下几项:交通载具数据,运输企业数据,法律法规数据,监管部门数据,公众出行数据,交通指标数据,基础设施数据,工程建设数据,行业规范数据,行业定义数据,交通规划数据。
3.如权利要求1所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述模型准备单元是基于双向变压器架构的MLM算法实现的。
4.如权利要求1所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述定向训练单元包括:
训练子单元,被配置成以所述交通运输数据和所述交通行业知识为模型的输入,以所述交通行业报告和所述交通行业指标为模型的输出,训练所述初始交通服务模型得到中间交通服务模型;
移除子单元,被配置成移除所述中间交通服务模型的文本理解类任务和抽取类任务,得到目标交通服务模型。
5.如权利要求1所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述模型对话单元包括:
自然语言处理子单元,被配置成基于TransGPT处理语音输入信息并进行人机交互;
抗干扰子单元,被配置成基于抗干扰数据忽略无关文本。
6.如权利要求1所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述模型评估单元包括:
指标评估子单元,被配置成基于评估指标评估所述问答模型,得到指标评估结果;
相关人员反馈评估子单元,被配置成基于相关人员反馈评估所述问答模型,得到反馈评估结果;
模型评估子单元,被配置成将所述指标评估结果和所述反馈评估结果组合,得到评估结果。
7.如权利要求6所述的基于TransGPT的综合交通运行服务系统,其特征在于,所述强化学习单元包括:
模型参数调整子单元,被配置成基于所述评估结果调整所述问答模型的模型参数;
强化学习子单元,被配置成基于奖励模型评价所述问答模型的输出结果得到评价结果,并基于所述评价结果调整所述问答模型的模型参数。
8.一种基于TransGPT的综合交通运行服务方法,其特征在于,包括:
基于预置的交通运输数据、交通行业指标、交通行业知识和交通行业报告训练初始交通服务模型得到目标交通服务模型;
基于TransGPT优化所述目标交通服务模型,得到问答模型;
基于指标评估、相关人员反馈评估和强化学习优化所述问答模型得到强化问答模型;
基于所述强化问答模型得到交通行业指标、交通行业知识和交通行业报告;
控制显示设备显示所述交通运输数据、所述交通行业指标、所述交通行业知识和所述交通行业报告。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以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8所述方法的步骤。
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8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570388.8A CN116341877A (zh) | 2023-05-19 | 2023-05-19 | 基于TransGPT的综合交通运行服务系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310570388.8A CN116341877A (zh) | 2023-05-19 | 2023-05-19 | 基于TransGPT的综合交通运行服务系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341877A true CN116341877A (zh) | 2023-06-27 |
Family
ID=86889739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310570388.8A Pending CN116341877A (zh) | 2023-05-19 | 2023-05-19 | 基于TransGPT的综合交通运行服务系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341877A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056519A (zh) * | 2023-08-17 | 2023-11-14 | 天津大学 | 面向跨领域的立法意见综合报告自动生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063177A1 (en) * | 2007-08-29 | 2009-03-05 | East Edward W | Web-based services enabling structured secure communication related to the design and management of projects |
CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助系统 |
CN111914096A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于舆情知识图谱的公共交通乘客满意度评价方法及系统 |
CN111914099A (zh) * | 2020-07-24 | 2020-11-10 | 吉林大学珠海学院 | 一种交通优化策略的智能问答方法、系统、装置及介质 |
CN113239163A (zh) * | 2021-05-12 | 2021-08-10 | 同方知网数字出版技术股份有限公司 | 一种基于交通大数据的智能问答方法及系统 |
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
-
2023
- 2023-05-19 CN CN202310570388.8A patent/CN116341877A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063177A1 (en) * | 2007-08-29 | 2009-03-05 | East Edward W | Web-based services enabling structured secure communication related to the design and management of projects |
CN110175227A (zh) * | 2019-05-10 | 2019-08-27 | 神思电子技术股份有限公司 | 一种基于组队学习和层级推理的对话辅助系统 |
CN111914096A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于舆情知识图谱的公共交通乘客满意度评价方法及系统 |
CN111914099A (zh) * | 2020-07-24 | 2020-11-10 | 吉林大学珠海学院 | 一种交通优化策略的智能问答方法、系统、装置及介质 |
CN113239163A (zh) * | 2021-05-12 | 2021-08-10 | 同方知网数字出版技术股份有限公司 | 一种基于交通大数据的智能问答方法及系统 |
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
Non-Patent Citations (1)
Title |
---|
匿名: "高诚科技坚持专精特新之路,加快建设交通强国", pages 1 - 5, Retrieved from the Internet <URL:https://baijiahao.baidu.com/s?id=1765108489584609632&wfr=spider&for=pc> * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056519A (zh) * | 2023-08-17 | 2023-11-14 | 天津大学 | 面向跨领域的立法意见综合报告自动生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897941B (zh) | 对话生成方法、网络训练方法、装置、存储介质及设备 | |
Griol et al. | A statistical approach to spoken dialog systems design and evaluation | |
EP3913521A1 (en) | Method and apparatus for creating dialogue, electronic device and storage medium | |
CN110678882B (zh) | 使用机器学习从电子文档选择回答跨距的方法及系统 | |
CN113392197B (zh) | 问答推理方法、装置、存储介质及电子设备 | |
CN116341877A (zh) | 基于TransGPT的综合交通运行服务系统和方法 | |
PIAD | DETERMINING THE DOMINANT ATTRIBUTES OF INFORMATION TECHNOLOGY GRADUATES EMPLOYABILITY PREDICTION USING DATA MINING CLASSIFICATION TECHNIQUES. | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
US20220246032A1 (en) | Method and apparatus for prompting navigation information, and medium | |
Simhadri et al. | Awareness among teaching on AI and ML applications based on fuzzy in education sector at USA | |
Voß | Bus Bunching and bus bridging: What can we learn from generative AI tools like ChatGPT? | |
CN115062617A (zh) | 基于提示学习的任务处理方法、装置、设备及介质 | |
Saheb et al. | Topical review of artificial intelligence national policies: a mixed method analysis | |
US20200387980A1 (en) | Automated mechanism to regulate membership in expert group system | |
CN113724057A (zh) | 基于大数据的财政预算填报方法、系统、设备及介质 | |
Pradana et al. | Chatbot-based Information Service using RASA Open-SourceFrameworkin Prambanan Temple Tourism Object | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN116295409A (zh) | 路线处理方法、装置、计算机可读介质及电子设备 | |
CN115129858A (zh) | 试题分类模型的训练方法、装置、设备、介质及程序产品 | |
CN114218288A (zh) | 一种行车路线推荐方法、装置、存储介质及终端 | |
CN111782803A (zh) | 一种工单的处理方法、装置、电子设备及存储介质 | |
Chen | Design and research of MOOC teaching system based on TG-C4. 5 algorithm | |
Adetiloye | Predicting short-term traffic congestion on urban motorway networks | |
CN113688333B (zh) | 导航信息生成方法、装置、电子设备以及存储介质 | |
Le et al. | Building Filters for Vietnamese Chatbot Responses |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230627 |