CN116957052A - 基于构造样本相似度的风险评估模型的训练方法 - Google Patents

基于构造样本相似度的风险评估模型的训练方法 Download PDF

Info

Publication number
CN116957052A
CN116957052A CN202310680341.7A CN202310680341A CN116957052A CN 116957052 A CN116957052 A CN 116957052A CN 202310680341 A CN202310680341 A CN 202310680341A CN 116957052 A CN116957052 A CN 116957052A
Authority
CN
China
Prior art keywords
information
risk assessment
network
sample
sub
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.)
Granted
Application number
CN202310680341.7A
Other languages
English (en)
Other versions
CN116957052B (zh
Inventor
聂冰冰
王情帆
尚诗
李泉
李升波
周青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310680341.7A priority Critical patent/CN116957052B/zh
Publication of CN116957052A publication Critical patent/CN116957052A/zh
Application granted granted Critical
Publication of CN116957052B publication Critical patent/CN116957052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种基于构造样本相似度的风险评估模型的训练方法及装置、乘员损伤风险评估方法及装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取真实样本和反映关键特征信息与乘员损伤信息的相关关系的构造样本；通过真实样本训练第一风险评估子网络；通过真实样本和构造样本训练特征提取子网络；将碰撞特征信息输入训练后的第一风险评估子网络，获取第一编码信息；将真实样本输入训练后的特征提取子网络，获取第二编码信息；将第一和第二编码信息输入第二风险评估子网络，得到乘员损伤评估信息，根据损伤评估信息和损伤真值信息训练得到风险评估模型。采用本方法训练得到的风险评估模型可以提高乘员损伤风险评估结果的可靠性。

Description

基于构造样本相似度的风险评估模型的训练方法
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于构造样本相似度的风险评估模型的训练方法及装置、乘员损伤风险评估方法及装置、计算机设备、存储介质和计算机程序产品。
背景技术
为了提高自动驾驶的安全性，出现了险态交通工况(由于车辆速度过高或与障碍物间距离过小，车辆已无法避免碰撞发生的情况)下的车辆乘员损伤风险评估方法，即在险态交通工况下，通过车载传感装置采集乘员损伤风险评估需要的特征信息(如碰撞速度、碰撞角度等)，输入至预先训练的风险评估模型进行乘员损伤风险评估，得到风险评估结果(反映乘员损伤严重性)。风险评估结果可以用于指导车辆的安全决策算法，如轨迹规划算法(Trajectory Planning，TP)和自适应约束系统(Adaptive Restraint Systems，ARS)等，以优化约束系统配置，辅助轨迹规划算法选择最小化车内乘员损伤的轨迹操作等，从而实现乘员的最优保护。
相关技术中，风险评估模型可以采用数据驱动的机器学习或深度学习算法来实现。在风险评估模型的训练过程中，通常是基于乘员损伤真值信息作为监督信息进行监督训练。然而，仅使用乘员损伤真值信息作为监督信息，训练得到的风险评估模型的可靠性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高风险评估结果可靠性的基于构造样本相似度的风险评估模型的训练方法及装置、乘员损伤风险评估方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于构造样本相似度的风险评估模型的训练方法。所述方法包括：
获取多组训练样本，每组所述训练样本包括一个真实样本和多个构造样本；每个所述真实样本包括碰撞特征信息和乘员损伤真值信息；所述多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系；
通过所述真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络；
分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络；
将所述真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取所述第一风险评估子网络中的第一编码器输出的第一编码信息，并将所述真实样本输入至训练后的特征提取子网络进行特征提取，获取所述特征提取子网络中的第二编码器输出的第二编码信息；
将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型。
在其中一个实施例中，所述构造样本包括正构造样本和负构造样本；所述获取多组训练样本，包括：
获取多个真实样本；
针对每个所述真实样本，将所述真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到所述真实样本对应的正构造样本；
针对每个所述真实样本，对所述真实样本包含的关键特征信息进行放大处理，并对所述真实样本包含的乘员损伤真值信息进行缩小处理，得到所述真实样本对应的负构造样本。
在其中一个实施例中，所述构造样本包括正构造样本和负构造样本；所述分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络，包括：
分别将所述真实样本、所述真实样本对应的正构造样本、以及所述真实样本对应的负构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息、正构造样本特征信息和负构造样本特征信息；
确定所述真实样本特征信息和所述正构造样本特征信息的第一相似度，并确定所述真实样本特征信息和所述负构造样本特征信息的第二相似度；
计算所述第一相似度和所述第二相似度的和值，并根据所述第一相似度和所述和值，计算第一损失值；
基于所述第一损失值调整所述特征提取子网络的参数，得到训练后的特征提取子网络。
在其中一个实施例中，所述将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，包括：
将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络，通过所述第二风险评估子网络中的信息融合映射器对所述第一编码信息和所述第二编码信息进行融合处理，输出融合编码信息；
将所述融合编码信息和所述第一编码信息输入至所述第二风险评估子网络中的解码器进行解码处理，得到目标乘员损伤评估信息。
在其中一个实施例中，所述根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型，包括：
根据所述目标乘员损伤评估信息和所述乘员损伤真值信息，得到第二损失值；
基于所述第二损失值调整所述第二风险评估子网络的参数、以及所述训练后的特征提取子网络中的第二编码器的参数，得到训练后的风险评估模型。
第二方面，本申请还提供了一种乘员损伤风险评估方法。所述方法包括：
获取目标车辆的当前碰撞特征信息；
将所述当前碰撞特征信息输入至训练后的风险评估模型的第一风险评估子网络进行乘员损伤风险评估，得到初始乘员损伤评估信息，并获取所述第一风险评估子网络中的第一编码器输出的第一目标编码信息；
将所述当前碰撞特征信息和所述初始乘员损伤评估信息输入至所述风险评估模型的特征提取子网络进行特征提取，得到所述特征提取子网络中的第二编码器输出的第二目标编码信息；
将所述第一目标编码信息和所述第二目标编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息；其中，所述风险评估模型通过第一方面所述的基于构造样本相似度的风险评估模型的训练方法训练得到。
第三方面，本申请还提供了一种基于构造样本相似度的风险评估模型的训练装置。所述装置包括：
第一获取模块，用于获取多组训练样本，每组所述训练样本包括一个真实样本和多个构造样本；每个所述真实样本包括碰撞特征信息和乘员损伤真值信息；所述多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系；
第一训练模块，用于通过所述真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络；
第二训练模块，用于分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络；
第二获取模块，用于将所述真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取所述第一风险评估子网络中的第一编码器输出的第一编码信息，并将所述真实样本输入至训练后的特征提取子网络进行特征提取，获取所述特征提取子网络中的第二编码器输出的第二编码信息；
第三训练模块，用于将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型。
在其中一个实施例中，所述构造样本包括正构造样本和负构造样本；所述第一获取模块具体用于：
获取多个真实样本；针对每个所述真实样本，将所述真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到所述真实样本对应的正构造样本；针对每个所述真实样本，对所述真实样本包含的关键特征信息进行放大处理，并对所述真实样本包含的乘员损伤真值信息进行缩小处理，得到所述真实样本对应的负构造样本。
在其中一个实施例中，所述构造样本包括正构造样本和负构造样本；所述第二训练模块具体用于：
分别将所述真实样本、所述真实样本对应的正构造样本、以及所述真实样本对应的负构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息、正构造样本特征信息和负构造样本特征信息；确定所述真实样本特征信息和所述正构造样本特征信息的第一相似度，并确定所述真实样本特征信息和所述负构造样本特征信息的第二相似度；计算所述第一相似度和所述第二相似度的和值，并根据所述第一相似度和所述和值，计算第一损失值；基于所述第一损失值调整所述特征提取子网络的参数，得到训练后的特征提取子网络。
在其中一个实施例中，所述第三训练模块具体用于：
将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络，通过所述第二风险评估子网络中的信息融合映射器对所述第一编码信息和所述第二编码信息进行融合处理，输出融合编码信息；将所述融合编码信息和所述第一编码信息输入至所述第二风险评估子网络中的解码器进行解码处理，得到目标乘员损伤评估信息。
在其中一个实施例中，所述第三训练模块具体用于：
根据所述目标乘员损伤评估信息和所述乘员损伤真值信息，得到第二损失值；基于所述第二损失值调整所述第二风险评估子网络的参数、以及所述训练后的特征提取子网络中的第二编码器的参数，得到训练后的风险评估模型。
第四方面，本申请还提供了一种风险评估装置。所述装置包括：
获取模块，用于获取目标车辆的当前碰撞特征信息；
第一风险评估模块，用于将所述当前碰撞特征信息输入至训练后的风险评估模型的第一风险评估子网络进行乘员损伤风险评估，得到初始乘员损伤评估信息，并获取所述第一风险评估子网络中的第一编码器输出的第一目标编码信息；
特征提取模块，用于将所述当前碰撞特征信息和所述初始乘员损伤评估信息输入至所述风险评估模型的特征提取子网络进行特征提取，得到所述特征提取子网络中的第二编码器输出的第二目标编码信息；
第二风险评估模块，用于将所述第一目标编码信息和所述第二目标编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息；其中，所述风险评估模型通过第一方面所述的基于构造样本相似度的风险评估模型的训练方法训练得到。
第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面或第二方面所述的方法的步骤。
第六方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面所述的方法的步骤。
第七方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面所述的方法的步骤。
上述基于构造样本相似度的风险评估模型的训练方法及装置、乘员损伤风险评估方法及装置、计算机设备、存储介质和计算机程序产品，通过真实样本训练第一风险评估子网络，并通过真实样本和构造样本训练特征提取子网络，然后通过训练后的第一风险评估子网络的第一编码器对真实样本中的碰撞特征信息进行编码，得到第一编码信息，通过训练后的特征提取子网络中的第二编码器对真实样本进行特征提取，得到第二编码信息，之后基于第一编码信息和第二编码信息，通过第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并基于目标乘员损伤评估信息和损伤真值信息训练风险评估模型。其中，构造样本可以反映碰撞特征信息中的关键特征信息(如碰撞速度)与乘员损伤信息的相关关系，因此，通过真实样本和构造样本训练得到的特征提取子网络，可以从真实样本中提取到与该相关关系匹配的特征信息(即第二编码信息)，将该特征信息和损伤真值信息一并作为监督信息，进行联合监督训练，训练得到的风险评估模型，用于乘员损伤风险评估时得到的风险评估结果，与预期的关键特征信息和乘员损伤信息的相关关系的匹配性更高，因而风险评估结果的可靠性更高。
附图说明
图1为一个实施例中基于构造样本相似度的风险评估模型的训练方法的流程示意图；
图2为一个示例中风险评估模型的示意图；
图3为一个实施例中获取多组训练样本的流程示意图；
图4为一个实施例中训练特征提取子网络的流程示意图；
图5为一个实施例中乘员损伤风险评估方法的流程示意图；
图6为另一个示例中风险评估模型的示意图；
图7为一个实施例中基于构造样本相似度的风险评估模型的训练装置的结构框图；
图8为一个实施例中乘员损伤风险评估装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先，在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。相关技术中，风险评估模型可以采用数据驱动的机器学习或深度学习算法来实现，如卷积神经网络、循环神经网络等。在风险评估模型的训练过程中，通常是基于乘员损伤真值信息作为监督信息进行监督训练，即将碰撞特征信息输入至风险评估模型，输出乘员损伤评估值(作为风险评估结果)，然后根据乘员损伤评估值和乘员损伤真值计算损失值，用于调整模型参数，达到监督训练的目的。然而仅基于乘员损伤真值信息进行监督训练得到的风险评估模型，用于乘员损伤风险评估时得到的风险评估结果的可靠性较低。例如，申请人对该方法训练得到的风险评估模型进行测试得知，该风险评估模型得到的乘员损伤风险评估结果中，可能出现碰撞速度(碰撞特征信息的一种)越高，乘员损伤风险越低的情况。然而，基于基本的物理知识可以知晓，碰撞速度决定了车辆碰撞事故的初始能量输入，因而碰撞速度的高低应该与乘员损伤风险的大小具有单调正相关关系，即碰撞速度越高，乘员损伤风险越高。因此，采用现有的风险评估模型用于指导智能车辆的安全决策算法时，可能因风险评估误差导致车辆的安全决策系统朝着错误的方向优化车辆的运动学状态(即面对不可避免事故时智能车辆不仅不减速，甚至会出现莫名其妙的加速行为)，从而导致增大损伤风险，不利于乘员的安全保护，甚至会引发智能车辆事故定责等问题。也即，仅使用乘员损伤真值信息作为监督信息，训练得到的风险评估模型的可靠性较低。
基于该背景，申请人通过长期的研发以及实验验证，提出本申请的基于构造样本相似度的风险评估模型的训练方法，训练得到的风险评估模型，用于乘员损伤风险评估时得到的风险评估结果，与预期的关键特征信息和乘员损伤信息的相关关系的匹配性更高，因而风险评估结果的可靠性更高，将该风险评估结果用于指导车辆的安全决策时，可以提高乘员的安全性。另外，需要说明的是，本申请技术问题的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
在一个实施例中，如图1所示，提供了一种基于构造样本相似度的风险评估模型的训练方法，该方法可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、便携式可穿戴设备等。本实施例以该方法应用于终端为例进行说明。本实施例中，该方法包括以下步骤：
步骤101，获取多组训练样本。
其中，每组训练样本包括一个真实样本和多个构造样本。每个真实样本包括碰撞特征信息和乘员损伤真值信息。多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系。
在实施中，碰撞特征信息可以包括碰撞速度、碰撞角度、碰撞位置、乘员特征信息(年龄、性别、身高、体重)、安全约束信息(安全带和/或安全气囊使用情况)等信息，乘员损伤真值信息可以是乘员综合损伤严重性评分(Injury Severity Score，ISS)、乘员头部损伤指标(Head Injury Criterion，HIC)、乘员头部简明损伤等级(Abbreviated InjuryScale，AIS)或其它身体部位的损伤指标/等级等信息，可以反映乘员损伤严重性。真实样本是区别于构造样本而言，其可以是来自于交通事故统计的真实碰撞损伤数据，也可以是来自于数值仿真平台的仿真碰撞损伤数据。构造样本可以是基于真实样本进行构造得到的样本，包括构造的碰撞特征信息和构造的乘员损伤真值信息，可以反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系。例如，经过研究发现碰撞速度与乘员损伤信息正相关(近似单调递增)，则可以将真实样本中的碰撞速度和乘员损伤信息均放大或缩小，并保持其它特征信息不变，得到多个构造样本。由此，该多个构造样本可以反映出碰撞速度和乘员损伤信息的相关关系。关键特征信息可以是碰撞速度，也可以是其它与乘员损伤信息具有相关关系的特征信息，如碰撞角度等。关键特征信息与乘员损伤信息的相关关系可以根据经验或实验确定，后续将给出实验过程示例，在此不再赘述。
步骤102，通过真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络。
在实施中，风险评估模型可以包括第一风险评估子网络、特征提取子网络和第二风险评估子网络。如图2所示，第一风险评估子网络可以包括第一编码器(可称为碰撞信息编码器Encodercol)和解码器(可称为损伤信息解码器Decoderinj_1)。特征提取子网络可以包括第二编码器(可称为完整信息编码器Encoderall)和映射器Projection_1。第二风险评估子网络可以包括信息融合映射器Projection_2和解码器(可称为损伤信息解码器Decoderinj_2)。
终端可以通过真实样本对风险评估模型的第一风险评估子网络进行训练。训练过程可以与相关技术中的风险评估模型的训练方式相同。具体的，可以将真实样本中的碰撞特征信息x输入至第一编码器Decoderinj_1，输出第一编码信息h，然后将第一编码信息h输入至解码器Decoderinj_1，得到乘员损伤评估信息之后，可以根据乘员损伤评估信息/>和真实样本中的乘员损伤真值信息y，结合损失函数，计算损失值Lpred1(以交叉熵损失函数为例，损失函数可以采用交叉熵损失函数或其它损失函数。然后，可以基于损失值Lpred1调整第一风险评估子网络的参数(即第一编码器Decoderinj_1和解码器Decoderinj_1的网络参数)，使得损失值Lpred1减小。当达到训练结束条件(如损失函数收敛，或训练轮数达到预设值)，则可以停止训练，得到训练后的第一风险评估子网络。
步骤103，分别将真实样本和构造样本输入至风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于真实样本特征信息和构造样本特征信息的相似度，训练特征提取子网络，得到训练后的特征提取子网络。
在实施中，终端可以将真实样本的完整信息{x，y}和构造样本的完整信息{x1，y1}(即构造的碰撞特征信息x1和构造的乘员损伤真值信息y1)，输入至风险评估模型的特征提取子网络，通过特征提取子网络的第二编码器Encoderall，分别对真实样本和构造样本进行特征提取，得到真实样本特征信息z和构造样本特征信息z1。然后，终端可以基于真实样本特征信息z和构造样本特征信息z1，计算二者的相似度(如计算二者的欧几里得距离、余弦相似度或其它度量的相似度)。然后，终端可以基于该相似度，调整特征提取子网络的参数(如第二编码器Encoderatt和映射器Projection_1的网络参数)，使得第二编码器从真实样本提取的真实样本特征信息z，与从反映关键特征信息与乘员损伤信息的相关关系的构造样本提取的构造样本特征信息z1的相似度增大，当达到预期训练效果，得到训练后的特征提取子网络。
可选的，终端可以将第二编码器Encoderatl输出的真实样本特征信息z和构造样本特征信息z1，输入至映射器Projection_1(可以由全连接层构成)，通过映射器进一步进行特征提取并进行降维处理，输出真实样本特征信息z对应的隐变量c，和构造样本特征信息z1对应的隐变量c1。从而可以计算隐变量c和c1的相似度，作为真实样本特征信息z和构造样本特征信息z1的相似度。
可以理解的，由于每组训练样本中，一个真实样本对应多个构造样本，因此，可以分别计算每个构造样本的构造样本特征信息与真实样本特征信息的相似度，将得到的多个相似度用于训练特征提取子网络。
步骤104，将真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取第一风险评估子网络中的第一编码器输出的第一编码信息，并将真实样本输入至训练后的特征提取子网络进行特征提取，获取特征提取子网络中的第二编码器输出的第二编码信息。
在实施中，待对风险评估模型中的第一风险评估子网络和特征提取子网络进行分别训练后，终端可以通过真实样本对风险评估模型进行整体训练。具体的，终端可以将真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络，通过第一编码器Encodercol对碰撞特征信息进行编码，输出第一编码信息h；并将真实样本的完整信息{x，y}(包括碰撞特征信息x和乘员损伤真值信息y)输入至训练后的特征提取子网络，通过第二编码器Encoderall对真实样本的完整信息进行编码，输出第二编码信息z。
步骤105，将第一编码信息和第二编码信息输入至风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据目标乘员损伤评估信息和乘员损伤真值信息训练风险评估模型，得到训练后的风险评估模型。
在实施中，终端可以将第一编码器Encodercol输出的第一编码信息h和第二编码器Encoderall输出的第二编码信息z，输入至第二风险评估子网络，通过第二风险评估子网络的信息融合映射器Projection_2对该两路信息进行融合处理，并将融合处理后的信息输入至解码器Decoderinj_2进行解码，得到目标乘员损伤评估信息然后，终端可以基于目标乘员损伤评估信息/>和乘员损伤真值信息y计算损失值Lpred2(以交叉熵损失函数为例， 终端可以基于损失值Lpred2调整风险评估模型的相关网络参数(可以是全部或部分网络参数)，使得损失值Lpred2减小，当达到训练结束条件(如损失函数收敛，或训练轮数达到预设值)，则可以停止训练，得到训练后的风险评估模型。
上述基于构造样本相似度的风险评估模型的训练方法中，通过真实样本训练第一风险评估子网络，并通过真实样本和构造样本训练特征提取子网络，然后通过训练后的第一风险评估子网络的第一编码器对真实样本中的碰撞特征信息进行编码，得到第一编码信息，通过训练后的特征提取子网络中的第二编码器对真实样本进行特征提取，得到第二编码信息，之后基于第一编码信息和第二编码信息，通过第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并基于目标乘员损伤评估信息和损伤真值信息训练风险评估模型。其中，构造样本可以反映碰撞特征信息中的关键特征信息(如碰撞速度)与乘员损伤信息的相关关系，因此，通过真实样本和构造样本训练得到的特征提取子网络，可以从真实样本中提取到与该相关关系匹配的特征信息(即第二编码信息)，将该特征信息和损伤真值信息一并作为监督信息，进行联合监督训练，训练得到的风险评估模型，用于乘员损伤风险评估时得到的风险评估结果，与预期的关键特征信息和乘员损伤信息的相关关系的匹配性更高，因而风险评估结果的可靠性更高，将该风险评估结果用于指导车辆的安全决策时，可以提高乘员的安全性。
在一个实施例中，构造样本包括正构造样本和负构造样本。如图3所示，步骤101中获取多组训练样本的过程具体包括如下步骤：
步骤301，获取多个真实样本。
在实施中，终端可以从来自于交通事故统计的大规模真实损伤数据集或基于数值仿真平台建立的大规模碰撞损伤数据集中，获取多个真实样本。
步骤302，针对每个真实样本，将真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到真实样本对应的正构造样本。
在实施中，终端可以针对每个真实样本，将真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到真实样本对应的正构造样本。正构造样本反映出的关键特征信息与乘员损伤信息的相关关系，与关键特征信息与乘员损伤信息的实际相关关系一致。例如，可以将关键特征信息(如碰撞速度)增大(或缩小)为原来的(1+a)倍，并将乘员损伤真值信息也增大(或缩小)为原来的(1+k·a)倍(k＞0)，以保证二者同时放大或缩小。其中，a和k可以服从高斯分布，即a～N(μa，σa)，k～N(μk，σk)。经过调优发现，当满足μa＝0.12，σa＝0.03，μk＝1.1，σk＝0.3时效果最佳。
步骤303，针对每个真实样本，对真实样本包含的关键特征信息进行放大处理，并对真实样本包含的乘员损伤真值信息进行缩小处理，得到真实样本对应的负构造样本。
在实施中，终端可以将关键特征信息进行放大处理，并对乘员损伤真值信息进行缩小处理，得到真实样本对应的负构造样本。负构造样本反映出的关键特征信息与乘员损伤信息的相关关系，与关键特征信息与乘员损伤信息的实际相关关系不一致。例如，可以将关键特征信息(如碰撞速度)增大(或缩小)为原来的(1+a)倍，并将乘员损伤真值信息也缩小(或放大)为原来的(1-k·a)倍(k＞0)，以保证二者反向变化。其中，a和k均服从某高斯分布，即a～N(μa，σa)，k～N(μk，σk)。经过调优发现，当满足μa＝0.17，σa＝0.07，μk＝0.8，σk＝0.5时效果最佳。
可选的，每个真实样本对应的负构造样本的数目n大于正构造样本的数目m。经过超参数调优发现，当m＝4，n＝9时，表现最优。
可以理解的，本实施例中的关键特征信息指与乘员损伤真值信息具有正相关关系的特征，可以根据经验或实验确定。如存在与乘员损伤真值信息具有负相关关系(即特征信息越大，乘员损伤越小)的关键特征信息，则可以将负相关的关键特征信息进行放大处理，并对乘员损伤真值信息进行缩小处理，得到正构造样本，将负相关的关键特征信息和乘员损伤真值信息均放大或缩小处理，得到负构造样本。
本实施例提供了一种得到构造样本的实现方式，通过对真实样本构造正构造样本和负构造样本，得到多组训练样本，其中，正构造样本反映出的关键特征信息与乘员损伤信息的相关关系与预期的相关关系一致，负构造样本反映出的关键特征信息与乘员损伤信息的相关关系与预期的相关关系不一致，从而基于真实样本和构造样本，用于联合训练风险评估模型，可以提高模型风险评估结果的可靠性。
在一个实施例中，构造样本包括正构造样本和负构造样本。如图4所示，步骤103中训练特征提取子网络的过程具体包括如下步骤：
步骤401，分别将真实样本、真实样本对应的正构造样本、以及真实样本对应的负构造样本输入至风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息、正构造样本特征信息和负构实样本特征信息。
在实施中，终端可以分别将真实样本{x，y}、真实样本对应的正构造样本{x1，y1}、以及真实样本对应的负构造样本{x2，y2}输入至风险评估模型的特征提取子网络进行特征提取，如图2所示，特征提取子网络的编码器Encoderall可以分别提取得到真实样本对应的真实样本特征信息z、各正构造样本对应的正构造样本特征信息z1、各负构造样本对应的负构造样本特征信息z2。
步骤402，确定真实样本特征信息和正构造样本特征信息的第一相似度，并确定真实样本特征信息和负构造样本特征信息的第二相似度。
在实施中，终端可以分别计算真实样本特征信息z与各正构造样本特征信息z1的第一子相似度(可记为sim(z，z1，i)，i指第i个正构造样本的特征信息，i＝1，2，...，m)，以及真实样本特征信息z与各负构造样本特征信息z2的第二子相似度(可记为sim(z，z2，j)，j指第j个负构造样本的特征信息，j＝1，2，...，n)。然后可以基于各第一子相似度得到第一相似度，基于各第二子相似度得到第二相似度。
可选的，可以进一步通过特征提取子网络的映射器Projection_1，对真实样本特征信息z、正构造样本特征信息z1和负构造样本特征信息z2进一步进行特征提取和降维处理，输出真实样本特征信息z对应的隐变量c、正构造样本特征信息z1对应的隐变量c1、正构造样本特征信息z2对应的隐变量c2。从而可以基于隐变量c与c1计算第一相似度，基于隐变量c与c2计算第二相似度。
步骤403，计算第一相似度和第二相似度的和值，并根据第一相似度和和值，计算第一损失值。
在实施中，终端计算第一相似度和第二相似度的和值，并根据第一相似度和和值，计算第一损失值Lade。在一个示例中，损失值Lade的计算公式如下所示：
其中，c1，i为第i个正构造样本对应的隐变量(i＝1，2，...，m)，c2，j为第j个负构造样本对应的隐变量(j＝1，2，...，n)。sim(c，c1，i)指基于隐变量c与c1计算得到的第一相似度(即真实样本特征信息和正构造样本特征信息的相似度)，sim(c，c2，j)指基于隐变量c与c2计算得到的第二相似度(即真实样本特征信息和负构造样本特征信息的相似度)。相似度的计算公式可以为：sim(a，b)＝aTb/(||a||·||b||)。τ为温度系数，为基于实验效果选择的固定参数，主要用于平衡不同样本的相似度关系：τ增大，则不同构造样本与真实样本的相似度的大小关系会被缩小；相反则会增大。
步骤404，基于第一损失值调整特征提取子网络的参数，得到训练后的特征提取子网络。
在实施中，终端可以基于损失值Lade，利用梯度反向传播算法调整特征提取子网络的相关参数，使得调整后的特征提取子网络得到的新的损失值Lade减小，当损失函数收敛或达到训练轮数要求，则停止训练，得到训练后的特征提取子网络。
本实施例中，通过真实样本、正构造样本和负构造样本联合训练特征提取子网络，可以使得训练后的特征提取子网络对真实样本提取的特征信息，可以接近从正构造样本提取的特征信息(使得二者相似度更大或差异度更小)，并远离从负构造样本提取的特征信息(使得二者相似度更小或差异度更大)。由此，将特征提取子网络对真实样本提取的特征信息(第二编码信息)与损伤真值信息一并作为监督信息，对风险评估模型进行联合监督训练，训练得到的风险评估模型的乘员损伤风险评估结果可靠性更高。
在一个实施例中，步骤105中得到目标乘员损伤评估信息的过程具体包括如下步骤：将第一编码信息和第二编码信息输入至风险评估模型的第二风险评估子网络，通过第二风险评估子网络中的信息融合映射器对第一编码信息和第二编码信息进行融合处理，输出融合编码信息；将融合编码信息和第一编码信息输入至第二风险评估子网络中的解码器进行解码处理，得到目标乘员损伤评估信息。
在实施中，终端可以将第一编码器Encodercol输出的第一编码信息h和第二编码器Encoderall输出的第二编码信息z，输入至第二风险评估子网络，通过第二风险评估子网络的信息融合映射器Projection_2对该两路信息进行融合处理(如拼接融合或相加融合，并对融合后的信息进行特征提取)，得到融合编码信息信息融合映射器Projection_2可以通过全连接层的网络结构实现。然后，终端可以将融合编码信息/>和第一编码器Encodercol输出的第一编码信息h，一并输入至第二风险评估子网络中的解码器Decoderinj_2进行解码处理。也即，终端可以将融合编码信息/>和第一编码信息h进一步进行融合处理(如拼接融合或相加融合)，通过解码器Decoderinj_2对再次融合处理后的信息进行解码，得到目标乘员损伤评估信息/>可选的，可以通过解码器Decoderinj_2对融合编码信息/>和第一编码信息h进行融合处理，然后再对融合处理后的信息进行解码。
本实施例中，通过将第一编码信息h和第二编码信息z进行融合处理后，得到融合编码信息然后将融合编码信息/>和第一编码信息h一并输入至解码器进行解码，由此实现两次信息融合，可以提升模型训练效果(提高风险评估结果准确度和风险评估结果可靠性)。
在一个实施例中，步骤105中训练风险评估模型的过程具体包括如下步骤：根据目标乘员损伤评估信息和乘员损伤真值信息，得到第二损失值；基于第二损失值调整第二风险评估子网络的参数、以及训练后的特征提取子网络中的第二编码器的参数，得到训练后的风险评估模型。
在实施中，终端可以根据目标乘员损伤评估信息和乘员损伤真值信息y，计算损失值Lpred2(以交叉熵损失函数为例，/>)。然后，终端可以基于损失值Lpred2，利用梯度反向传播算法调整第二风险评估子网络的参数(即信息融合映射器Projection_2和解码器Decoderinj_2的网络参数)、以及训练后的特征提取子网络中的第二编码器Encoderall的参数。需要注意的是，基于损失值Lpred2调整模型参数时，需保持第一编码器Encodercol的参数值不变(固定为步骤102中训练后确定出的网络参数)。
可选的，建立第二风险评估子网络后，可以对网络参数进行初始化，然后对初始化的网络进行训练。其中，第二风险评估子网络中的解码器Decoderinj_2的网络参数初始化后，与训练后的第一风险评估子网络中的解码器Decoderinj_1的网络参数一致(解码器Decoderinj_2和解码器Decoderinj_1的网络结构可以一致，因而网络参数可以一致)。信息融合映射器Projection_2的网络参数可以随机初始化。
本实施例中，在基于第一编码信息和第二编码信息训练风险评估模型(此时第一风险评估子网络和特征提取子网络均为训练后的)时，可以固定第一编码器Encodercol的网络参数(保持为训练第一风险评估子网络后确定的参数)，仅调整第二风险评估子网络的参数和特征提取子网络中的第二编码器的参数，由此，可以提升模型训练效果，包括提升模型训练效率、提高模型风险评估准确性和风险评估结果可靠性等。
在一个示例中，风险评估模型可以采用基于卷积神经网络和前向神经网络的结构，具体网络结构和参数见表1。模型的输入维度为9×1，包含9种输入信息，即碰撞速度、碰撞角度、碰撞位置、乘员年龄、性别、身高、体重、安全带使用、安全气囊使用情况。模型的输出维度为1×1，即输出乘员综合损伤严重性评分ISS是否大于15。可以理解的，表1中仅列出了关键的网络结构信息，中间还应穿插使用ReLU激活层、残差连接、批标准化(BatchNormalization)、丢弃层(Dropout)等网络结构。具体可以基于Python环境下的PyTorch工具库完成上述风险评估模型的搭建与训练。在训练过程中，主要训练参数包括：每次迭代过程使用批量(Batch)大小为64，初始学习率为0.002，并使用学习率衰减策略，采用Adam优化器(使用默认参数)，总训练轮数为40轮。
表1
在一个示例中，可以采用如下方法确定关键特征信息与乘员损伤信息的相关关系。
首先，采集来自于交通事故统计的大规模真实损伤数据集(或者基于数值仿真平台建立的大规模碰撞损伤数据集)，确定对于碰撞事故中的乘员损伤风险具有显著影响的变量，如碰撞速度、角度、碰撞位置、乘员年龄、性别、身高、体重、安全带使用、安全气囊使用情况等。选择一种影响变量，探究其与乘员损伤严重性的单调性关系，后以碰撞速度为例说明。
其次，绘制乘员损伤严重性与碰撞速度之间的散点关系图，注意两个变量都要经过标准化处理，如min-max标准化，即原始数据通过线性变换映射到0-1之间，x＝(x-x_Min)/(x_Max-x_Min)。
再次，分别利用1次，3次，5次多项式对上述散点关系进行数据拟合，得到拟合关系式。通过1次拟合关系式的正斜率，可初步判断乘员损伤严重性与碰撞速度的单调递增关系。对于3次拟合关系式，对其求导，选取其导数小于0的阶段，判断该阶段的比例，需满足其占比小于10％。对于5次拟合关系式，对其求导，选取其导数小于0的阶段，判断该阶段的比例，需满足其占比小于10％。若上述关系均满足，则可判定，乘员损伤严重性与碰撞速度满足近似单调递增的相关关系。
本示例中以NASS/CDS数据库中12578例碰撞案例为例，碰撞速度选取为数据库中的变量碰撞Delta-v，乘员损伤严重性选取为数据库中的变量乘员损伤ISS指标，可以得到1次拟合多项式：y＝0.1853x-0.0251，3次拟合多项式：y＝0.065x3+0.2338x2-0.0338x+0.0106，5次拟合多项式：y＝5.4512x5-12.233x4+9.8594x3-3.1838x2+0.4732x-0.0143。也即，上述关系均满足，因而可以判定，乘员损伤严重性与碰撞速度满足近似单调递增的相关关系。
可以利用该方法判断各碰撞特征信息与乘员损伤信息的相关关系，由此确定出与乘员损伤信息具有全局或局部正相关(单调递增)、或者全局或局部负相关(单调递减)关系的特征，作为关键特征信息。
在一个实施例中，如图5所示，本申请还提供了一种乘员损伤风险评估方法，该方法可以应用于车载终端或其它电子设备，本实施例以应用于车载终端为例进行说明，包括如下步骤：
步骤501，获取目标车辆的当前碰撞特征信息。
在实施中，目标车辆的车载终端可以通过车辆上的传感器(如摄像头、雷达、激光雷达等)实时获取相关数据，并基于获取到的数据直接得到或进行相关计算得到当前碰撞特征信息(如碰撞速度、碰撞角度、碰撞位置、乘员特征信息(年龄、性别、身高、体重)、安全约束信息(安全带和/或安全气囊使用情况)等信息)。
步骤502，将当前碰撞特征信息输入至训练后的风险评估模型的第一风险评估子网络进行乘员损伤风险评估，得到初始乘员损伤评估信息，并获取第一风险评估子网络中的第一编码器输出的第一目标编码信息。
在实施中，可以预先基于上述实施例提供的基于构造样本相似度的风险评估模型的训练方法训练得到风险评估模型，如图6所示，该风险评估模型包括第一风险评估子网络(包括碰撞信息编码器Encodercol和损伤信息解码器Decoderinj_1)、第二风险评估子网络(包括信息融合映射器Projection_2和损伤信息解码器Decoderinj_2)，以及特征提取子网络的完整信息编码器Encoderall(可以理解的，由于应用时不需要使用特征提取子网络的映射器Projection_1，因而风险评估模型训练完成后，可以将映射器Projection_1去除)。车载终端可以将获取到的当前碰撞特征信息x输入至训练后的风险评估模型的第一风险评估子网络，通过第一编码器Encodercol对当前碰撞特征信息x进行编码，得到第一目标编码信息h，然后可以将第一编码信息h输入至损伤信息解码器Decoderinj_1，得到初始乘员损伤评估信息
步骤503，将当前碰撞特征信息和初始乘员损伤评估信息输入至风险评估模型的特征提取子网络进行特征提取，得到特征提取子网络中的第二编码器输出的第二目标编码信息。
在实施中，车载终端可以将当前碰撞特征信息x和初始乘员损伤评估信息输入至特征提取子网络，通过完整信息编码器Encoderall对输入的信息进行特征提取，得到第二目标编码信息z。
步骤504，将第一目标编码信息和第二目标编码信息输入至风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息。
其中，风险评估模型通过第一方面的基于构造样本相似度的风险评估模型的训练方法训练得到。
在实施中，车载终端可以将第一目标编码信息h和第二目标编码信息z输入至第二风险评估子网络，通过信息融合映射器Projection_2对该两类信息进行融合处理(如对该两类信息进行拼接处理，并对拼接处理得到的信息进行特征提取)，得到融合编码信息之后，可以将融合编码信息/>和第一目标编码信息h输入至损伤信息解码器Decoderinj_2，通过损伤信息解码器Decoderinj_2对融合编码信息/>和第一目标编码信息h进行相加融合处理(向量相加)，并对相加融合处理得到的信息进行解码，得到目标乘员损伤评估信息/>即为目标车辆中乘员的风险评估结果。
上述乘员损伤风险评估方法中，采用的风险评估模型包括第一风险评估子网络、第二风险评估子网络和特征提取子网络，该风险评估模型是基于真实样本和构造样本联合训练得到的。其中，构造样本可以反映碰撞特征信息中的关键特征信息(如碰撞速度)与乘员损伤信息的相关关系，因此，通过真实样本和构造样本训练得到的特征提取子网络，可以从真实样本中提取到与该相关关系匹配的特征信息(即第二编码信息)，将该特征信息和损伤真值信息一并作为监督信息，进行联合监督训练，训练得到的风险评估模型的风险评估结果的可靠性更高。在使用该风险评估模型风险评估乘员损伤信息时，是通过对当前碰撞特征信息编码得到第一目标编码信息，与对初始乘员损伤评估信息和当前碰撞特征信息编码一并特征提取得到的第二目标编码信息，进行融合处理，融合处理得到的信息可以反映与关键特征信息和乘员损伤信息的相关关系相匹配的信息，因而对该融合处理后的信息进行解码，得到的目标乘员损伤评估信息的可靠性更高。
经实验验证可知，采用本方法的风险评估模型进行乘员损伤风险评估，得到的乘员损伤风险评估结果更符合碰撞速度等关键特征与乘员损伤信息的单调性关系，降低了出现反常识评估结果的可能性，可以避免因乘员损伤风险评估误差导致车辆的安全决策系统朝着错误的方向优化车辆的运动学状态(如面对不可避免事故时智能车辆不仅不减速，甚至会出现莫名其妙的加速行为)，因而可以提高乘员的安全保护，且还可避免因乘员损伤风险评估误差导致错误加速带来的智能车辆事故定责等问题。
本申请还提供了验证上述风险评估模型的可靠性的方法。
在模型验证阶段，将传统的未考虑关键特征信息与乘员损伤信息的单调关系训练得到的风险评估模型(记为模型A)，与本方法训练得到的风险评估模型(记为模型B)进行比较。基于NASS/CDS数据集，分别训练模型A和模型B。以乘员综合损伤严重性ISS是否大约15作为分界线，建立对于乘员损伤严重性的二分类评估问题。
为了考量关键变量(如碰撞速度)与乘员损伤的单调性关系，定量衡量上述单调性，提出两种指标：反常识评估概率Pcounterfactual和反常识评估评分Scounterfactual。
首先，获取测试集，测试集由500组测试样本组构成。每一组测试样本组包含有5个测试样本。在每一组测试样本组中，首先对于非关键变量(碰撞速度之外的其他影响变量，如碰撞角度、碰撞位置、乘员年龄、性别、身高、体重、安全带使用、安全气囊使用情况等)在其分布范围内进行随机采样一组参数，然后将其赋予这一组内全部5个测试样本。然后，对于关键变量(碰撞速度)，在其分布范围内随机采样5个数值，按照单调递增的顺序排列，分别赋予这一组内的5个测试样本。
反常识评估概率Pcounterfactual被定义为，在上述500组测试样本组中，乘员损伤严重性的评估值并不随碰撞速度单调递增的测试样本组的比例。该指标越小越好。
反常识评估评分Scounterfactual被定义为，将乘员损伤严重性的一组评估值调整为单调递增顺序的困难程度。具体计算方法为，首先，对于某1组乘员损伤严重性的评估值，计算将其用冒泡排序算法排列为从小到大顺序所需要交互两个元素的次数，然后对500组测试样本组求平均值，即得到最终结果。该指标越小越好。
基于上述两种评价指标，对两种模型进行评估，结果见表2。可知，模型B中的碰撞速度变量对于乘员损伤严重性具有更好的单调性，显著优于模型A。
表2
Pcounterfactual Scounterfactual
模型A 63％ 1.18
模型B 27％ 0.37
表3和表4给出了两个案例分析，来具体展示两个模型在碰撞速度与乘员损伤的单调性关系上的表现。可知，模型B展现出了更为理想的单调性关系，避免出现了不可解释的反常识评估结果，极大地增强了风险评估模型的可靠性。
表3
表4
/>
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于构造样本相似度的风险评估模型的训练方法的基于构造样本相似度的风险评估模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于构造样本相似度的风险评估模型的训练装置实施例中的具体限定可以参见上文中对于基于构造样本相似度的风险评估模型的训练方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种基于构造样本相似度的风险评估模型的训练装置700，包括：第一获取模块701、第一训练模块702、第二训练模块703、第二获取模块704和第三训练模块705，其中：
第一获取模块701，用于获取多组训练样本，每组训练样本包括一个真实样本和多个构造样本；每个真实样本包括碰撞特征信息和乘员损伤真值信息；多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系。
第一训练模块702，用于通过真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络。
第二训练模块703，用于分别将真实样本和构造样本输入至风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于真实样本特征信息和构造样本特征信息的相似度，训练特征提取子网络，得到训练后的特征提取子网络。
第二获取模块704，用于将真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取第一风险评估子网络中的第一编码器输出的第一编码信息，并将真实样本输入至训练后的特征提取子网络进行特征提取，获取特征提取子网络中的第二编码器输出的第二编码信息。
第三训练模块705，用于将第一编码信息和第二编码信息输入至风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据目标乘员损伤评估信息和乘员损伤真值信息训练风险评估模型，得到训练后的风险评估模型。
在其中一个实施例中，构造样本包括正构造样本和负构造样本。第一获取模块701具体用于：获取多个真实样本；针对每个真实样本，将真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到真实样本对应的正构造样本；针对每个真实样本，对真实样本包含的关键特征信息进行放大处理，并对真实样本包含的乘员损伤真值信息进行缩小处理，得到真实样本对应的负构造样本。
在其中一个实施例中，构造样本包括正构造样本和负构造样本。第二训练模块703具体用于：分别将真实样本、真实样本对应的正构造样本、以及真实样本对应的负构造样本输入至风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息、正构造样本特征信息和负构造样本特征信息；确定真实样本特征信息和正构造样本特征信息的第一相似度，并确定真实样本特征信息和负构造样本特征信息的第二相似度；计算第一相似度和第二相似度的和值，并根据第一相似度和和值，计算第一损失值；基于第一损失值调整特征提取子网络的参数，得到训练后的特征提取子网络。
在其中一个实施例中，第三训练模块705具体用于：将第一编码信息和第二编码信息输入至风险评估模型的第二风险评估子网络，通过第二风险评估子网络中的信息融合映射器对第一编码信息和第二编码信息进行融合处理，输出融合编码信息；将融合编码信息和第一编码信息输入至第二风险评估子网络中的解码器进行解码处理，得到目标乘员损伤评估信息。
在其中一个实施例中，第三训练模块705具体用于：根据目标乘员损伤评估信息和乘员损伤真值信息，得到第二损失值；基于第二损失值调整第二风险评估子网络的参数、以及训练后的特征提取子网络中的第二编码器的参数，得到训练后的风险评估模型。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的乘员损伤风险评估方法的乘员损伤风险评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个乘员损伤风险评估装置实施例中的具体限定可以参见上文中对于乘员损伤风险评估方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种乘员损伤风险评估装置800，包括：获取模块801、第一风险评估模块802、特征提取模块803和第二风险评估模块804，其中：
获取模块801，用于获取目标车辆的当前碰撞特征信息。
第一风险评估模块802，用于将当前碰撞特征信息输入至训练后的风险评估模型的第一风险评估子网络进行乘员损伤风险评估，得到初始乘员损伤评估信息，并获取第一风险评估子网络中的第一编码器输出的第一目标编码信息。
特征提取模块803，用于将当前碰撞特征信息和初始乘员损伤评估信息输入至风险评估模型的特征提取子网络进行特征提取，得到特征提取子网络中的第二编码器输出的第二目标编码信息。
第二风险评估模块804，用于将第一目标编码信息和第二目标编码信息输入至风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息；其中，风险评估模型通过上述实施例提供的基于构造样本相似度的风险评估模型的训练方法训练得到。
上述基于构造样本相似度的风险评估模型的训练装置或乘员损伤风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于构造样本相似度的风险评估模型的训练方法或乘员损伤风险评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于构造样本相似度的风险评估模型的训练方法，其特征在于，所述方法包括：
获取多组训练样本，每组所述训练样本包括一个真实样本和多个构造样本；每个所述真实样本包括碰撞特征信息和乘员损伤真值信息；所述多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系；
通过所述真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络；
分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络；
将所述真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取所述第一风险评估子网络中的第一编码器输出的第一编码信息，并将所述真实样本输入至训练后的特征提取子网络进行特征提取，获取所述特征提取子网络中的第二编码器输出的第二编码信息；
将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型。
2.根据权利要求1所述的方法，其特征在于，所述构造样本包括正构造样本和负构造样本；所述获取多组训练样本，包括：
获取多个真实样本；
针对每个所述真实样本，将所述真实样本包含的关键特征信息和乘员损伤真值信息均放大或缩小，得到所述真实样本对应的正构造样本；
针对每个所述真实样本，对所述真实样本包含的关键特征信息进行放大处理，并对所述真实样本包含的乘员损伤真值信息进行缩小处理，得到所述真实样本对应的负构造样本。
3.根据权利要求1所述的方法，其特征在于，所述构造样本包括正构造样本和负构造样本；所述分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络，包括：
分别将所述真实样本、所述真实样本对应的正构造样本、以及所述真实样本对应的负构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息、正构造样本特征信息和负构造样本特征信息；
确定所述真实样本特征信息和所述正构造样本特征信息的第一相似度，并确定所述真实样本特征信息和所述负构造样本特征信息的第二相似度；
计算所述第一相似度和所述第二相似度的和值，并根据所述第一相似度和所述和值，计算第一损失值；
基于所述第一损失值调整所述特征提取子网络的参数，得到训练后的特征提取子网络。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，包括：
将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络，通过所述第二风险评估子网络中的信息融合映射器对所述第一编码信息和所述第二编码信息进行融合处理，输出融合编码信息；
将所述融合编码信息和所述第一编码信息输入至所述第二风险评估子网络中的解码器进行解码处理，得到目标乘员损伤评估信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型，包括：
根据所述目标乘员损伤评估信息和所述乘员损伤真值信息，得到第二损失值；
基于所述第二损失值调整所述第二风险评估子网络的参数、以及所述训练后的特征提取子网络中的第二编码器的参数，得到训练后的风险评估模型。
6.一种乘员损伤风险评估方法，其特征在于，所述方法包括：
获取目标车辆的当前碰撞特征信息；
将所述当前碰撞特征信息输入至训练后的风险评估模型的第一风险评估子网络进行乘员损伤风险评估，得到初始乘员损伤评估信息，并获取所述第一风险评估子网络中的第一编码器输出的第一目标编码信息；
将所述当前碰撞特征信息和所述初始乘员损伤评估信息输入至所述风险评估模型的特征提取子网络进行特征提取，得到所述特征提取子网络中的第二编码器输出的第二目标编码信息；
将所述第一目标编码信息和所述第二目标编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息；其中，所述风险评估模型通过权利要求1至5中任一项所述的方法训练得到。
7.一种基于构造样本相似度的风险评估模型的训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取多组训练样本，每组所述训练样本包括一个真实样本和多个构造样本；每个所述真实样本包括碰撞特征信息和乘员损伤真值信息；所述多个构造样本用于反映碰撞特征信息中的关键特征信息与乘员损伤信息的相关关系；
第一训练模块，用于通过所述真实样本对风险评估模型的第一风险评估子网络进行训练，得到训练后的第一风险评估子网络；
第二训练模块，用于分别将所述真实样本和所述构造样本输入至所述风险评估模型的特征提取子网络进行特征提取，得到真实样本特征信息和构造样本特征信息，并基于所述真实样本特征信息和所述构造样本特征信息的相似度，训练所述特征提取子网络，得到训练后的特征提取子网络；
第二获取模块，用于将所述真实样本包含的碰撞特征信息输入至训练后的第一风险评估子网络进行乘员损伤风险评估，获取所述第一风险评估子网络中的第一编码器输出的第一编码信息，并将所述真实样本输入至训练后的特征提取子网络进行特征提取，获取所述特征提取子网络中的第二编码器输出的第二编码信息；
第三训练模块，用于将所述第一编码信息和所述第二编码信息输入至所述风险评估模型的第二风险评估子网络进行乘员损伤风险评估，得到目标乘员损伤评估信息，并根据所述目标乘员损伤评估信息和所述乘员损伤真值信息训练所述风险评估模型，得到训练后的风险评估模型。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310680341.7A 2023-06-09 2023-06-09 基于构造样本相似度的风险评估模型的训练方法 Active CN116957052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310680341.7A CN116957052B (zh) 2023-06-09 2023-06-09 基于构造样本相似度的风险评估模型的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310680341.7A CN116957052B (zh) 2023-06-09 2023-06-09 基于构造样本相似度的风险评估模型的训练方法

Publications (2)

Publication Number Publication Date
CN116957052A true CN116957052A (zh) 2023-10-27
CN116957052B CN116957052B (zh) 2024-06-04

Family

ID=88457280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310680341.7A Active CN116957052B (zh) 2023-06-09 2023-06-09 基于构造样本相似度的风险评估模型的训练方法

Country Status (1)

Country Link
CN (1) CN116957052B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126794A (zh) * 2019-12-06 2020-05-08 北京京航计算通讯研究所 基于小样本的数据增强及神经网络对抗训练系统
CN112581795A (zh) * 2020-12-16 2021-03-30 东南大学 一种基于视频的船桥及船间碰撞实时预警方法与系统
WO2021121128A1 (zh) * 2020-06-08 2021-06-24 平安科技（深圳）有限公司 基于人工智能的样本评估方法、装置、设备及存储介质
CN114511159A (zh) * 2022-04-20 2022-05-17 广东电网有限责任公司佛山供电局 基于条件变分自编码器的电力负荷概率预测方法和系统
US20220198277A1 (en) * 2020-12-22 2022-06-23 Oracle International Corporation Post-hoc explanation of machine learning models using generative adversarial networks
CN115571121A (zh) * 2022-10-27 2023-01-06 浙江台州甬台温高速公路有限公司 高速公路风险预警方法、装置、设备及可读存储介质
CN115953234A (zh) * 2022-12-21 2023-04-11 深圳前海微众银行股份有限公司 风险评估方法、装置、电子设备及存储介质
CN116118774A (zh) * 2022-12-23 2023-05-16 北京易航远智科技有限公司 轨迹预测方法、装置、设备及存储介质
CN116168117A (zh) * 2022-12-02 2023-05-26 之江实验室 一种面向车险反欺诈的图像生成方法、系统、装置和介质
CN116164770A (zh) * 2023-04-23 2023-05-26 禾多科技（北京）有限公司 路径规划方法、装置、电子设备和计算机可读介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126794A (zh) * 2019-12-06 2020-05-08 北京京航计算通讯研究所 基于小样本的数据增强及神经网络对抗训练系统
WO2021121128A1 (zh) * 2020-06-08 2021-06-24 平安科技（深圳）有限公司 基于人工智能的样本评估方法、装置、设备及存储介质
CN112581795A (zh) * 2020-12-16 2021-03-30 东南大学 一种基于视频的船桥及船间碰撞实时预警方法与系统
US20220198277A1 (en) * 2020-12-22 2022-06-23 Oracle International Corporation Post-hoc explanation of machine learning models using generative adversarial networks
CN114511159A (zh) * 2022-04-20 2022-05-17 广东电网有限责任公司佛山供电局 基于条件变分自编码器的电力负荷概率预测方法和系统
CN115571121A (zh) * 2022-10-27 2023-01-06 浙江台州甬台温高速公路有限公司 高速公路风险预警方法、装置、设备及可读存储介质
CN116168117A (zh) * 2022-12-02 2023-05-26 之江实验室 一种面向车险反欺诈的图像生成方法、系统、装置和介质
CN115953234A (zh) * 2022-12-21 2023-04-11 深圳前海微众银行股份有限公司 风险评估方法、装置、电子设备及存储介质
CN116118774A (zh) * 2022-12-23 2023-05-16 北京易航远智科技有限公司 轨迹预测方法、装置、设备及存储介质
CN116164770A (zh) * 2023-04-23 2023-05-26 禾多科技（北京）有限公司 路径规划方法、装置、电子设备和计算机可读介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ASA GHOLIZADEH 等: "Examining the Performance of PARACUDA-II Data-Mining Engine versus Selected Techniques to Model Soil Carbon from Reflectance Spectra", 《REMOTE SENSING》, 25 July 2018 (2018-07-25), pages 1 - 18 *
BANCE IASON 等: "A framework for rapid on-board deterministic estimation of occupant injury risk in motor vehicle crashes with quantitative uncertainty evaluation", 《SCIENCE CHINA TECHNOLOGICAL SCIENCES》, vol. 64, no. 3, 23 July 2020 (2020-07-23), pages 521 - 534, XP037408699, DOI: 10.1007/s11431-019-1565-9 *
杨俊祺: "模型驱动的汽车被动安全系统设计架构及方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 04, 15 April 2019 (2019-04-15), pages 035 - 5 *
王琼: "考虑参数不确定性的汽车碰撞安全优化设计", 《中国博士论文全文数据库工程科技Ⅱ辑》, no. 09, 15 September 2021 (2021-09-15), pages 035 - 8 *
高轶男: "基于组合代理模型的汽车碰撞安全性多目标优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 03, 15 March 2017 (2017-03-15), pages 035 - 640 *

Also Published As

Publication number Publication date
CN116957052B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN110598206B (zh) 文本语义识别方法、装置、计算机设备和存储介质
CN111797122B (zh) 高维重现概念漂移流数据的变化趋势预测方法及装置
US20150134578A1 (en) Discriminator, discrimination program, and discrimination method
CN111062036A (zh) 恶意软件识别模型构建、识别方法及介质和设备
CN112214402B (zh) 一种代码验证算法的选择方法、装置及存储介质
CN109766259B (zh) 一种基于复合蜕变关系的分类器测试方法及系统
CN116415200A (zh) 一种基于深度学习的异常车辆轨迹异常检测方法及系统
CN112232971A (zh) 反欺诈检测方法、装置、计算机设备和存储介质
CN113963200A (zh) 模态数据融合处理方法、装置、设备及存储介质
CN112749737A (zh) 图像分类方法及装置、电子设备、存储介质
CN116722992A (zh) 一种基于多模态融合的诈骗网站识别方法及装置
CN115659244A (zh) 故障预测方法、装置及存储介质
CN111340057B (zh) 一种分类模型训练的方法及装置
CN112766292A (zh) 身份认证的方法、装置、设备及存储介质
Wang et al. Data imputation for detected traffic volume of freeway using regression of multilayer perceptron
CN116957052B (zh) 基于构造样本相似度的风险评估模型的训练方法
CN112348226A (zh) 预测数据生成方法、系统、计算机设备及存储介质
CN111355735A (zh) 一种无感知身份认证方法、装置以及计算机可读存储介质
CN116842447A (zh) 分类数据的后处理方法、装置、系统和电子装置
Cho et al. Reinforcement learning for predicting traffic accidents
CN114819140A (zh) 模型剪枝方法、装置和计算机设备
CN113298004B (zh) 一种基于人脸特征学习的轻量级多头年龄估计方法
CN112859034B (zh) 自然环境雷达回波幅度模型分类方法和装置
US20220284261A1 (en) Training-support-based machine learning classification and regression augmentation
JP7230324B2 (ja) ニューラルネットワークの学習方法、コンピュータプログラム及びコンピュータ装置

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