CN116934557B - 行为预测信息生成方法、装置、电子设备和可读介质 - Google Patents
行为预测信息生成方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN116934557B CN116934557B CN202311188857.6A CN202311188857A CN116934557B CN 116934557 B CN116934557 B CN 116934557B CN 202311188857 A CN202311188857 A CN 202311188857A CN 116934557 B CN116934557 B CN 116934557B
- Authority
- CN
- China
- Prior art keywords
- information
- behavior
- behavior information
- feature
- time
- 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 42
- 230000000875 corresponding effect Effects 0.000 claims abstract description 65
- 230000000694 effects Effects 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000002596 correlated effect Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 527
- 238000000605 extraction Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例公开了行为预测信息生成方法、装置、电子设备和可读介质。该方法的一具体实施方式包括:获取行为监测区域对应的目标行为信息集合;根据目标行为信息包括的行为标签和行为描述信息,对目标行为信息集合进行信息过滤;根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联;对于关联后行为信息组,执行以下第一处理步骤:生成关联后行为信息组对应的活动区域范围信息;根据关联后行为信息组、活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。该实施方式可以得到精准的行为预测信息。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及行为预测信息生成方法、装置、电子设备和可读介质。
背景技术
随着城市化的推进,城市规模也随之增加,如何提高治安防治能力以保证城市安全与稳定,成为了较为重要的研究课题。目前,在进行治安防治时,通常采用的方式为:通过人工巡检的方式进行治安防治。
然而,发明人发现,当采用上述方式时,经常会存在如下技术问题:
第一,由于部分行为信息之间往往存在关联性,忽略行为信息之间的关联性,往往会导致得到的行为预测信息不够精准;
第二,当存在多个行为信息时,在进行行为信息关联时,数据处理量较大,从而影响后续的预测信息的生成及时性。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了行为预测信息生成方法、装置、电子设备和可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种行为预测信息生成方法,该方法包括:获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。
第二方面,本公开的一些实施例提供了一种行为预测信息生成装置,装置包括:获取单元,被配置成获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;信息过滤单元,被配置成根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;信息关联单元,被配置成根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;执行单元,被配置成对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的行为预测信息生成方法,提高了生成的行为预测信息的准确度。具体来说,造成生成的行为信息不够精准的原因在于:由于部分行为信息之间往往存在关联性,忽略行为信息之间的关联性。基于此,本公开的一些实施例的行为预测信息生成方法,首先,获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息。其次,根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合。实践中,由于部分目标行为信息对应的行为往往属于孤立性为,无需进行信息关联。因此,通过信息过滤,可以将此类型的目标行为信息剔除,减少后续的数据量,提高信息关联成功率。接着,根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合。实践中,部分行为信息对应的行为往往存在关联性,通过信息关联可以实现行为合并,同时能够提高行为信息对应的特征丰富度。进一步,对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。实践中,行为信息对应的行为往往对应一定的活动范围,通过结合空间特征(活动区域范围信息)和行为特征(关联后行为信息组),以此可以得到精准的行为预测信息。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的行为预测信息生成方法的一些实施例的流程图;
图2是根据本公开的行为预测信息生成装置的一些实施例的结构示意图;
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。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的行为预测信息生成方法的一些实施例的流程100。该行为预测信息生成方法,包括以下步骤:
步骤101,获取行为监测区域对应的目标行为信息集合。
在一些实施例中,行为预测信息生成方法的执行主体(例如,计算设备)可以通过有线连接,或无线连接的方式获取行为监测区域对应的目标行为信息集合。其中,目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息。监测区域可以是预先划定的用于进行行为监测的区域。实践中,监测区域可以是监测辖区。目标行为信息可以是行为检测区域内发生的行为对应的行为信息。行为标签可以表征行为的行为类别。行为描述信息可以用于进行行为描述。行为时空信息用于表征行为的发生时间和发生地点。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,计算设备的数目根据实现需要,可以具有任意数目。
步骤102,根据目标行为信息包括的行为标签和行为描述信息,对目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合。
在一些实施例中,上述执行主体可以根据目标行为信息包括的行为标签和行为描述信息,通过行为知识库,对目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合。其中,上述行为知识库可以是对常见行为是否存在行为关联性进行标注的数据库。具体的,上述行为知识库可以是基于专家知识构建的知识库。
可选地,行为标签包括:一级行为标签和二级行为标签。
其中,一级行为标签可以是二级行为标签的根标签。
在一些实施例的一些可选的实现方式中,上述执行主体根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合,可以包括以下步骤:
第一步,对于上述目标行为信息集合中的每个目标行为信息,执行以下第二处理步骤:
子步骤1,确定上述目标行为信息包括的一级行为标签和二级行为标签是否存在于高频行为标签池中。
其中,高频行为标签池是用于存储高频行为对应的行为标签的数据池。
子步骤2,响应于存在,对上述目标行为信息包括的行为描述信息进行信息特征提取,以生成行为描述信息向量。
实践中,行为描述信息向量是向量化的行为描述信息的表现形式。上述执行主体可以通过BERT模型,对目标行为信息包括的行为描述信息进行信息特征提取,以生成行为描述信息向量。
第二步,对得到的行为描述信息向量集合进行特征聚簇,得到至少一个簇中心。
其中,簇中心对应至少一个行为描述信息向量。
第三步,将对应的行为描述信息向量未位于上述至少一个簇中心中的簇中心对应簇的目标行为信息,从上述目标行为信息集合中剔除,以生成上述过滤后目标行为信息集合。
实践中,簇中心对应(信息)簇。信息簇包括至少一个行为描述信息向量。因此,上述执行主体可以将未位于信息簇内的行为描述信息向量对应的目标行为信息,从上述目标行为信息集合中剔除,得到上述过滤后目标行为信息集合。
步骤103,根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合。
在一些实施例中,上述执行主体可以根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合。其中,关联后行为信息组中的关联后行为信息对应的行为之间存在行为关联。
实践中,首先,上述执行主体可以对过滤后目标行为信息包括的行为时空信息和行为描述信息进行向量化处理,得到候选向量。然后,根据得到的候选向量,通过聚类的方式,得到上述关联后行为信息组集合。此时得到的关联后行为信息组中的关联后行为信息对应的行为往往为近似行为。在一些实施例的一些可选的实现方式中,上述执行主体根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合,可以包括以下步骤:
第一步,根据过滤后目标行为信息包括的行为时空信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息投影至监测区域对应的网格区域,以生成时空特征网格。
其中,网格区域可以是对监控区域进行网格化划分后的区域。实践中,网格区域可以包括多个子网格区域。实践中,网格区域在数据存储层面,可以采用矩阵的形式存储。因此,上述执行主体可以根据行为时空信息包括的发生地点对应的地点坐标,将行为时空信息投影至网格区域中,以实现对网格区域对应的矩阵进行矩阵更新,得到上述时空特征网格,即,得到的时空特征网格也可以是矩阵的形式。
第二步,对上述时空特征网格进行时间特征提取,得到时间特征网格。
实践中,由于时空特征网格中包含了行为时空信息对应的行为发生时间,因此,上述执行主体可以将行为发生时间作为时间特征网格中的网格值,得到上述时间特征网格。
第三步,对上述时空特征网格进行空间特征提取,得到空间特征网格。
实践中,由于时空特征网格中包含了行为时空信息对应的行为发生时间,而在进行空间特征提取时,可以弱化行为发生时间,因此,上述执行主体可以将包含有行为发生时间的网格值映射为“1”,将不包含有行为发生时间的网格值映射为“0”,以此得到上述空间特征网格。
第四步,通过预先训练的信息关联模型包括的时间特征图提取模型,对上述时间特征网格进行特征提取,以生成时间特征图。
时间特征图提取模型可以采用U形网络结构。具体的,时间特征图提取模型可以包括对称设计的编码器和解码器。其中,编码器包括:第一编码模块和第二编码模块。第一编码模块和第二编码模块串行连接。第一编码模块包括:3层串行连接的卷积层。第二编码模块包括:3层串行连接的深度卷积层。例如,第二编码模块包括:深度卷积层A、深度卷积层B和深度卷积层C。深度卷积层A的输入为第一编码模块的输出x。同时深度卷积层A对应一个待学习的可学习张量p。首先,深度卷积层A会通过双线性插值的方式,将可学习张量p的维度调整至与输出x一致。然后,深度卷积层A会在维度调整后的可学习张量p的基础上进行深度可分卷积。最后,深度卷积层A会在深度可分卷积后的可学习张量p和输出x之间进行哈达玛积操作(Hadamard Product)得到深度卷积层A的输出。由于深度卷积层A引入哈达玛积操作,相较于MHSA机制(多头注意力,multi-head self-attention),由于哈达玛积操作为线性操作,相较于MHSA机制的二次复杂性,复杂度大大降低。解码器和编码器对应位置的两个层通过连接层连接。例如,解码器包括的卷积层A和解码器包括的卷积层B对应。卷积层A和卷积层B通过连接层C连接。其中,连接层C会将卷积层A的输出划分为不同感受野下的四组特征向量,并将四组特征向量进行拼接,作为卷积层B的一部分输入。
第五步,通过上述信息关联模型包括的空间特征提取模型,对上述空间特征网格进行特征提取,生成空间特征图。
实践中,上述执行主体可以采用模型参数不同的时间特征图提取模型,作为空间特征提取模型。
上述“第四步”和“第五步”中的时间特征提取模型和空间特征提取模型,作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“当存在多个行为信息时,在进行行为信息关联时,数据处理量较大,从而影响后续的预测信息的生成及时性”。实践中,虽然在信息关联之前,通过信息过滤的方式对目标行为信息进行了一定过滤,但得到的过滤后目标行为信息的体量仍然较大。尤其是随着监测区域的增大,过滤后目标行为信息的体量也会增加。考虑到时间特征提取模型和空间特征提取模型的模型结构一致,因此,接下来仅对时间特征提取模型的效果进行论述,具体如下,首先,通过映射的方式,实现了将不同时间维度下的过滤后目标行为信息投影至空间特征网格中。其次,类比多头注意力机制,本公开设计了第二编码模块。由于第二编码模块包含的哈达玛积操作为线性操作,相较于MHSA机制的二次复杂性,复杂度大大降低。其次,不同感受野下的特征(高级语义特征和低级语义特征)对于信息提取至关重要,因此,本公开在编码器和解码器之间设置连接层,以此得到不同感受野下的特征。同时,通过将连接层设置在编码器和解码器之间,也一定程度上能够避免因网络层数加深所造成的特征遗忘的问题。通过此种方式,大大降低了行为信息关联时的数据处理量,侧面保证了后续生成预测信息的及时性。
第六步,通过上述信息关联模型包括的特征关联模型、上述时间特征图和上述空间特征图,生成上述关联后行为信息组集合。
其中,特征关联模型可以包括叠加层,用于将时间特征图和上述空间特征图进行特征叠加,以实现将时间角度特征和空间角度特征的特征融合。
步骤104,对于关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:
步骤1041,生成关联后行为信息组对应的活动区域范围信息。
在一些实施例中,上述执行主体可以生成关联后行为信息组对应的活动区域范围信息。其中,活动区域范围信息表征关联后行为信息组对应的各个行为的活动范围。实践中,由于关联后行为信息包括的行为时空信息包括有行为发生地点,因此,上述执行主体可以将关联后行为信息组对应的各个行为发生地点进行连接,构成封闭区域,作为活动区域范围信息对应的活动区域范围。具体的,活动区域范围信息可以由活动区域范围对应边界点坐标构成。
在一些实施例的一些可选的实现方式中,上述执行主体生成关联后行为信息组对应的活动区域范围信息,可以包括以下步骤:
第一步,对于上述关联后行为信息组中的每个关联后行为信息,根据上述关联后行为信息包括的行为时空信息对应位置为中心、预设半径为半径,生成行为区域。
第二步,对得到的行为区域集合进行区域连接,得到连接后区域,以生成上述活动区域范围信息。
实践中,行为区域集合中的行为区域之间可能不存在区域交集,因此,上述执行主体可以将行为区域作为边界点,进行区域连接,得到上述活动区域范围信息对应的活动区域范围。其中,活动区域范围包括行为区域集合中的各个行为区域。
步骤1042,根据关联后行为信息组、活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。
在一些实施例中,上述执行主体可以根据关联后行为信息组、活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。其中,行为预测模型可以是用于预测可能发生的行为的模型。
可选地,行为预测模型包括:特征提取模型、行为活动区域预测模型和行为类型预测模型,上述特征提取模型包括:图编码器和图解码器。其中,图编码器可以采用图卷积神经网络。图解码器可以采用内积解码器。行为活动区域预测模型可以是循环神经网络模型。行为类型预测模型可以是全连接层。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息,可以包括以下步骤:
第一步,通过上述图编码器和上述关联后行为信息组,生成编码后特征图。
第二步,通过上述图解码器和上述编码后特征图,生成解码后特征图。
第三步,根据上述解码后特征图、上述活动区域范围信息、上述行为活动区域预测模型和上述行为类型预测模型,生成上述行为预测信息。
实践中,首先,上述执行主体可以将解码后特征图和活动区域范围信息输入上述活动区域预测模型,生成行为预测信息对应的行为预测时空信息。其次,上述执行主体可以将解码后特征图输入上述行为类型预测模型,以生成行为预测信息对应的行为类型。此外,行为活动区域预测模型和行为类型预测模型在生成行为预测时空信息和行为类型时,还会相应生成对应的预测置信度。
可选地,行为预测信息包括:子行为预测信息组,上述子行为预测信息组中的子行为预测信息包括:行为预测时空信息和行为预测置信度。其中,行为预测时空信息可以表征行为的预测发生位置。
在一些实施例的一些可选的实现方式中,在上述根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息之后,上述方法还包括:
第一步,对于上述子行为预测信息组中的每个子行为预测信息,执行以下第三步骤:
子步骤1,响应于确定上述子行为预测信息包括的行为预测置信度大于等于预设置信度阈值,将上述预测时空信息和上述关联后行为信息组发送至核验终端。
其中,核验终端是用于人工核验预测时空信息是否无误的终端。
子步骤2,响应于接收到核验终端的核验通过信息,将上述关联后行为信息组和上述预测时空信息,发送至上述预测时空信息对应的子网格区域的巡检终端。
其中,巡检终端可以是由巡检人员持有的用于信息收发的移动终端。子步骤3,响应于接收到上述巡检终端发送的巡检反馈信息,对上述巡检反馈信息进行数据存档。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的行为预测信息生成方法,提高了生成的行为预测信息的准确度。具体来说,造成生成的行为信息不够精准的原因在于:由于部分行为信息之间往往存在关联性,忽略行为信息之间的关联性。基于此,本公开的一些实施例的行为预测信息生成方法,首先,获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息。其次,根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合。实践中,由于部分目标行为信息对应的行为往往属于孤立性为,无需进行信息关联。因此,通过信息过滤,可以将此类型的目标行为信息剔除,减少后续的数据量,提高信息关联成功率。接着,根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合。实践中,部分行为信息对应的行为往往存在关联性,通过信息关联可以实现行为合并,同时能够提高行为信息对应的特征丰度。进一步,对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。实践中,行为信息对应的行为往往对应一定的活动范围,通过结合空间特征(活动区域范围信息)和行为特征(关联后行为信息组),以此可以得到精准的行为预测信息。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种行为预测信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该行为预测信息生成装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的行为预测信息生成装置200包括:获取单元201、信息过滤单元202、信息关联单元203和执行单元204。其中,获取单元201,被配置成获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;信息过滤单元202,被配置成根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;信息关联单元203,被配置成根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;执行单元204,被配置成对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。
可以理解的是,该行为预测信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于行为预测信息生成装置200及其中包含的单元,在此不再赘述。
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(例如,计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,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302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器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、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口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,或者从只读存储器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中记载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(Hyper Text 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电子设备中所包含的;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:获取行为监测区域对应的目标行为信息集合,其中,上述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将上述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;对于上述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成上述关联后行为信息组对应的活动区域范围信息;根据上述关联后行为信息组、上述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息。
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:一种处理器包括获取单元、信息过滤单元、信息关联单元和执行单元。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,例如,信息过滤单元还可以被描述为“根据目标行为信息包括的行为标签和行为描述信息,对上述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合的单元”。
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 (8)
1.一种行为预测信息生成方法,包括:
获取行为监测区域对应的目标行为信息集合,其中,所述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;
根据目标行为信息包括的行为标签和行为描述信息,对所述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;
根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;
对于所述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:
生成所述关联后行为信息组对应的活动区域范围信息,其中,所述活动区域范围信息表征关联后行为信息组对应的各个行为的活动范围;
根据所述关联后行为信息组、所述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息,其中,所述行为预测模型是用于预测可能发生的行为的模型,其中,
所述根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合,包括:
根据过滤后目标行为信息包括的行为时空信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息投影至监测区域对应的网格区域,以生成时空特征网格;
对所述时空特征网格进行时间特征提取,得到时间特征网格;
对所述时空特征网格进行空间特征提取,得到空间特征网格;
通过预先训练的信息关联模型包括的时间特征图提取模型,对所述时间特征网格进行特征提取,以生成时间特征图;
通过所述信息关联模型包括的空间特征提取模型,对所述空间特征网格进行特征提取,生成空间特征图;
通过所述信息关联模型包括的特征关联模型、所述时间特征图和所述空间特征图,生成所述关联后行为信息组集合,其中,所述时间特征图提取模型采用U形网络结构,所述时间特征图提取模型包括:对称设计的编码器和解码器,编码器包括:第一编码模块和第二编码模块,第一编码模块和第二编码模块串行连接,第一编码模块包括:3层串行连接的卷积层A、卷积层B和卷积层C,第二编码模块包括:3层串行连接的深度卷积层A、深度卷积层B和深度卷积层C,其中,深度卷积层A的输入为第一编码模块的输出x,深度卷积层A对应一个待学习的可学习张量p,其中,第一步:深度卷积层A通过双线性插值的方式,将可学习张量p的维度调整至与输出x一致;第二步:深度卷积层A会在维度调整后的可学习张量p的基础上进行深度可分卷积;第三步:深度卷积层A会在深度可分卷积后的可学习张量p和输出x之间进行哈达玛积操作,得到深度卷积层A的输出,解码器和编码器对应位置的两个层通过连接层连接,其中,卷积层A和卷积层B通过连接层C连接,连接层C会将卷积层A的输出划分为不同感受下的四组特征向量,并将四组特征向量进行拼接,作为卷积层B的一部分输入。
2.根据权利要求1所述的方法,其中,行为标签包括:一级行为标签和二级行为标签;以及
所述根据目标行为信息包括的行为标签和行为描述信息,对所述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合,包括:
对于所述目标行为信息集合中的每个目标行为信息,执行以下第二处理步骤:
确定所述目标行为信息包括的一级行为标签和二级行为标签是否存在于高频行为标签池中;
响应于存在,对所述目标行为信息包括的行为描述信息进行信息特征提取,以生成行为描述信息向量;
对得到的行为描述信息向量集合进行特征聚簇,得到至少一个簇中心,其中,簇中心对应至少一个行为描述信息向量;
将对应的行为描述信息向量未位于所述至少一个簇中心中的簇中心对应簇的目标行为信息,从所述目标行为信息集合中剔除,以生成所述过滤后目标行为信息集合。
3.根据权利要求2所述的方法,其中,所述生成所述关联后行为信息组对应的活动区域范围信息,包括:
对于所述关联后行为信息组中的每个关联后行为信息,根据所述关联后行为信息包括的行为时空信息对应位置为中心、预设半径为半径,生成行为区域;
对得到的行为区域集合进行区域连接,得到连接后区域,以生成所述活动区域范围信息。
4.根据权利要求3所述的方法,其中,所述行为预测模型包括:特征提取模型、行为活动区域预测模型和行为类型预测模型,所述特征提取模型包括:图编码器和图解码器;以及
所述根据所述关联后行为信息组、所述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息,包括:
通过所述图编码器和所述关联后行为信息组,生成编码后特征图;
通过所述图解码器和所述编码后特征图,生成解码后特征图;
根据所述解码后特征图、所述活动区域范围信息、所述行为活动区域预测模型和所述行为类型预测模型,生成所述行为预测信息。
5.根据权利要求4所述的方法,其中,所述行为预测信息包括:子行为预测信息组,所述子行为预测信息组中的子行为预测信息包括:行为预测时空信息和行为预测置信度;以及
在所述根据所述关联后行为信息组、所述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息之后,所述方法还包括:
对于所述子行为预测信息组中的每个子行为预测信息,执行以下第三步骤:
响应于确定所述子行为预测信息包括的行为预测置信度大于等于预设置信度阈值,将所述预测时空信息和所述关联后行为信息组发送至核验终端;
响应于接收到核验终端的核验通过信息,将所述关联后行为信息组和所述预测时空信息,发送至所述预测时空信息对应的子网格区域的巡检终端;
响应于接收到所述巡检终端发送的巡检反馈信息,对所述巡检反馈信息进行数据存档。
6.一种行为预测信息生成装置,包括:
获取单元,被配置成获取行为监测区域对应的目标行为信息集合,其中,所述目标行为信息集合中的目标行为信息包括:行为标签、行为描述信息和行为时空信息;
信息过滤单元,被配置成根据目标行为信息包括的行为标签和行为描述信息,对所述目标行为信息集合进行信息过滤,得到过滤后目标行为信息集合;
信息关联单元,被配置成根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合;
执行单元,被配置成对于所述关联后行为信息组集合中的每个关联后行为信息组,执行以下第一处理步骤:生成所述关联后行为信息组对应的活动区域范围信息,其中,所述活动区域范围信息表征关联后行为信息组对应的各个行为的活动范围;根据所述关联后行为信息组、所述活动区域范围信息和预先训练的行为预测模型,生成行为预测信息,其中,所述行为预测模型是用于预测可能发生的行为的模型,其中,
所述根据过滤后目标行为信息包括的行为时空信息和行为描述信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息进行信息关联,以生成关联后行为信息组,得到关联后行为信息组集合,包括:
根据过滤后目标行为信息包括的行为时空信息,将所述过滤后目标行为信息集合中的过滤后目标行为信息投影至监测区域对应的网格区域,以生成时空特征网格;
对所述时空特征网格进行时间特征提取,得到时间特征网格;
对所述时空特征网格进行空间特征提取,得到空间特征网格;
通过预先训练的信息关联模型包括的时间特征图提取模型,对所述时间特征网格进行特征提取,以生成时间特征图;
通过所述信息关联模型包括的空间特征提取模型,对所述空间特征网格进行特征提取,生成空间特征图;
通过所述信息关联模型包括的特征关联模型、所述时间特征图和所述空间特征图,生成所述关联后行为信息组集合,其中,所述时间特征图提取模型采用U形网络结构,所述时间特征图提取模型包括:对称设计的编码器和解码器,编码器包括:第一编码模块和第二编码模块,第一编码模块和第二编码模块串行连接,第一编码模块包括:3层串行连接的卷积层A、卷积层B和卷积层C,第二编码模块包括:3层串行连接的深度卷积层A、深度卷积层B和深度卷积层C,其中,深度卷积层A的输入为第一编码模块的输出x,深度卷积层A对应一个待学习的可学习张量p,其中,第一步:深度卷积层A通过双线性插值的方式,将可学习张量p的维度调整至与输出x一致;第二步:深度卷积层A会在维度调整后的可学习张量p的基础上进行深度可分卷积;第三步:深度卷积层A会在深度可分卷积后的可学习张量p和输出x之间进行哈达玛积操作,得到深度卷积层A的输出,解码器和编码器对应位置的两个层通过连接层连接,其中,卷积层A和卷积层B通过连接层C连接,连接层C会将卷积层A的输出划分为不同感受下的四组特征向量,并将四组特征向量进行拼接,作为卷积层B的一部分输入。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188857.6A CN116934557B (zh) | 2023-09-15 | 2023-09-15 | 行为预测信息生成方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188857.6A CN116934557B (zh) | 2023-09-15 | 2023-09-15 | 行为预测信息生成方法、装置、电子设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934557A CN116934557A (zh) | 2023-10-24 |
CN116934557B true CN116934557B (zh) | 2023-12-01 |
Family
ID=88386456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188857.6A Active CN116934557B (zh) | 2023-09-15 | 2023-09-15 | 行为预测信息生成方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934557B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723607A (zh) * | 2021-06-02 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 时空数据处理模型的训练方法、装置、设备及存储介质 |
CN115272796A (zh) * | 2022-07-29 | 2022-11-01 | 济南博观智能科技有限公司 | 一种行为识别方法、装置、设备及存储介质 |
CN115909409A (zh) * | 2022-12-07 | 2023-04-04 | 成都睿沿科技有限公司 | 行人属性分析方法及装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3003065B1 (fr) * | 2013-03-05 | 2015-02-27 | Commissariat Energie Atomique | Procede de suivi d'une cible dans une sequence d'images avec prise en compte de la dynamique de la cible |
-
2023
- 2023-09-15 CN CN202311188857.6A patent/CN116934557B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723607A (zh) * | 2021-06-02 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 时空数据处理模型的训练方法、装置、设备及存储介质 |
CN115272796A (zh) * | 2022-07-29 | 2022-11-01 | 济南博观智能科技有限公司 | 一种行为识别方法、装置、设备及存储介质 |
CN115909409A (zh) * | 2022-12-07 | 2023-04-04 | 成都睿沿科技有限公司 | 行人属性分析方法及装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116934557A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
US20210117776A1 (en) | Method, electronic device and computer readable medium for information processing for accelerating neural network training | |
US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
US20240242089A1 (en) | Data protection method, training method and apparatus for network structure, medium, and device | |
CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
CN115629938A (zh) | 故障状态类型信息生成方法、装置、设备、介质和产品 | |
CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 | |
CN116028818A (zh) | 模型训练方法、数据调整方法、装置、设备和介质 | |
CN116823984A (zh) | 元素布局信息生成方法、装置、设备、介质和程序产品 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN114004313A (zh) | 故障gpu的预测方法、装置、电子设备及存储介质 | |
CN115049730A (zh) | 零件装配方法、装置、电子设备及存储介质 | |
CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN113077353B (zh) | 用于生成核保结论的方法、装置、电子设备和介质 | |
CN117874686B (zh) | 异常数据定位方法、装置、电子设备和计算机可读介质 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN116309151B (zh) | 图片去压缩失真网络的参数生成方法、装置和存储介质 | |
CN111726476B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN118245341A (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 |
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 |