CN117056866A - 一种多源特征数据融合的隧道智能调光方法及系统 - Google Patents
一种多源特征数据融合的隧道智能调光方法及系统 Download PDFInfo
- Publication number
- CN117056866A CN117056866A CN202311316235.7A CN202311316235A CN117056866A CN 117056866 A CN117056866 A CN 117056866A CN 202311316235 A CN202311316235 A CN 202311316235A CN 117056866 A CN117056866 A CN 117056866A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data set
- target
- multisource
- illumination
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000005286 illumination Methods 0.000 claims abstract description 593
- 238000009826 distribution Methods 0.000 claims abstract description 271
- 239000013598 vector Substances 0.000 claims description 390
- 238000012512 characterization method Methods 0.000 claims description 306
- 238000013139 quantization Methods 0.000 claims description 125
- 238000000605 extraction Methods 0.000 claims description 91
- 239000000203 mixture Substances 0.000 claims description 46
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000007704 transition Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 141
- 238000010586 diagram Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/21—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请提供一种多源特征数据融合的隧道智能调光方法及系统,通过获取光照调节策略样本序列调试得到目标光照调节策略预估网络。网络调试过程中,通过光照调节策略样本序列中历史光照调节策略的特征获得接下来可能出现的隧道多源数据集的推理置信度,从而依据光照调节策略样本序列中各光照调节策略分别对应的推理置信度生成网络误差,基于网络误差修正网络可学习变量,令网络可以增加目标分布区间上的光照调节策略对应的推理置信度,增强隧道多源数据集推理能力,此外,基于光照调节策略样本序列对初始光照调节策略预估网络进行自监督调试,就能获得精确的目标光照调节策略预估网络,网络的调试速度快,节约计算开销。
Description
技术领域
本申请涉及数据处理、人工智能领域,具体而言,涉及一种多源特征数据融合的隧道智能调光方法及系统。
背景技术
隧道调光是一种针对道路隧道照明系统的调光技术。在传统的隧道照明系统中,通常使用恒定亮度的照明设备来提供足够的照明强度,以确保驾驶员在隧道内能够看清道路和周围环境。然而,这种恒定亮度的照明方式存在一些问题,包括能源浪费、照明强度不适应外部光线变化等。隧道智能调光旨在解决这些问题。它通过使用可调节亮度的照明设备,根据隧道内外光线的变化情况自动调整照明强度、角度、灯光数量。隧道调光技术以其节能、提高安全性和改善驾驶舒适性等方面的优势,在道路隧道照明领域具有重要意义。它不仅可以减少能源消耗和环境污染,还可以提升驾驶安全性和舒适性,为道路交通提供更加智能高效的照明解决方案。随着智能化程度地提升,综合各种环境数据进行隧道灯光的多模式切换已经成为高速公路的新议题,例如基于多源数据特征分析进行灯光调节策略制定,该过程可以借助人工智能工具实现,而如何提高数据分析效率和准确性是需要考虑的技术问题。
发明内容
本发明的目的在于提供一种多源特征数据融合的隧道智能调光方法及系统,以改善上述问题。
本申请实施例的实现方式如下:
第一方面,本申请实施例提供一种多源特征数据融合的隧道智能调光方法,所述方法包括:
获取光照调节策略样本序列,将所述光照调节策略样本序列加载到初始光照调节策略预估网络,所述光照调节策略样本序列包括按时序排布的相关的光照调节策略;
基于所述初始光照调节策略预估网络,在预设状态表征向量集中确定所述光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于所述目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量,基于所述目标分布区间对应的推理调节策略表征向量,得到在所述目标分布区间上的光照调节策略对应的推理置信度;所述目标分布区间为在所述光照调节策略样本序列对应的各光照调节策略分布区间中确定得到,所述推理置信度表征在所述目标分布区间上的光照调节策略对应的隧道多源数据集和所述目标分布区间对应的在先隧道多源数据集序列的推理牵涉系数,所述在先隧道多源数据集序列包括位于所述目标分布区间之前的各光照调节策略对应的隧道多源数据集;
基于所述光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差;
基于所述网络误差修正所述初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络;所述目标光照调节策略预估网络被配置为对目标隧道进行光照调节策略制定。
可选的实施方式中,所述方法还包括:
获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,将所述各个隧道多源数据集分别对应的初始量化表征向量加载到目标环境状态提取网络;
对各个初始量化表征向量中任意的初始量化表征向量,基于目标环境状态提取网络对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量,对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量;
基于所述各个隧道多源数据集分别对应的状态表征向量,得到所述预设状态表征向量集。
可选的实施方式中,所述获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,包括:
获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的隧道多源组成数据集合;
对各个隧道多源组成数据集合中任意的隧道多源组成数据集合,对隧道多源组成数据集合中的各个多源组成数据进行表征向量挖掘,得到各个多源组成数据分别对应的多源组成数据表征向量,融合各个多源组成数据分别对应的多源组成数据表征向量,得到隧道多源组成数据集合所属隧道多源数据集对应的初始量化表征向量;
所述方法还包括:
获取隧道多源数据集样本对;
将所述隧道多源数据集样本对中的第一隧道多源数据集加载到拟调试的第一环境状态提取网络,得到所述第一隧道多源数据集对应的状态表征向量,将所述隧道多源数据集样本对中的第二隧道多源数据集加载到拟调试的第二环境状态提取网络,得到所述第二隧道多源数据集对应的状态表征向量;
基于所述第一隧道多源数据集对应的状态表征向量和所述第二隧道多源数据集对应的状态表征向量之间的共性度量结果,得到所述隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记;
基于所述隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记和隧道多源数据集牵涉预估标记之间的误差,修正所述拟调试的第一环境状态提取网络和第二环境状态提取网络的网络可学习变量,直到符合第二调试截止要求,得到调试好的第一环境状态提取网络和第二环境状态提取网络;所述目标环境状态提取网络为在所述调试好的第一环境状态提取网络和第二环境状态提取网络中确定得到。
可选的实施方式中,所述方法还包括:
基于所述初始光照调节策略预估网络,获取位于所述目标分布区间之前的各光照调节策略分布区间分别对应的位置量化表征向量,将光照调节策略对应的状态表征向量和光照调节策略所属光照调节策略分布区间对应的位置量化表征向量进行整合,分别得到所述光照调节策略样本序列中位于所述目标分布区间之前的各光照调节策略对应的整合量化表征向量;
所述对位于所述目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量,包括:
对位于所述目标分布区间之前的各光照调节策略对应的整合量化表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量。
可选的实施方式中,所述基于所述目标分布区间对应的推理调节策略表征向量,得到在所述目标分布区间上的光照调节策略对应的推理置信度,包括:
将所述目标分布区间对应的推理调节策略表征向量进行向量映射,得到所述目标分布区间对应的初始隧道多源数据集分布表征向量;所述初始隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的特征向量;
对所述初始隧道多源数据集分布表征向量进行归一化处理,得到所述目标分布区间对应的目标隧道多源数据集分布表征向量;所述目标隧道多源数据集分布表征向量包括所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度;所述候选隧道多源数据集队列包括所述光照调节策略样本序列中各光照调节策略分别对应的隧道多源数据集;
在所述目标隧道多源数据集分布表征向量中确定在所述目标分布区间上的光照调节策略对应的推理置信度。
可选的实施方式中,所述初始光照调节策略预估网络包括量化模块、解析模块和输出模块,所述量化模块包括第一量化子模块和第二量化子模块,所述第一量化子模块被配置为搜索状态表征向量,所述第二量化子模块被配置为获取位置量化表征向量,所述解析模块被配置为进行表征向量解析,所述输出模块被配置为输出推理置信度;
所述基于所述网络误差修正所述初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络,包括:
基于所述网络误差修正所述初始光照调节策略预估网络中所述第二量化子模块、所述解析模块和所述输出模块的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。
可选的实施方式中,所述输出模块被配置为基于所述解析模块的输出获得候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度,所述方法还包括:
获得所述目标光照调节策略预估网络后,若所述候选隧道多源数据集队列增添了新的隧道多源数据集,则在所述预设状态表征向量集中加入所述新的隧道多源数据集对应的状态表征向量,将对照光照调节策略序列加载到所述目标光照调节策略预估网络,得到更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度;
在所述更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度中,确定所述对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度;
基于所述对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到对照误差;
基于所述对照误差修正所述目标光照调节策略预估网络中所述输出模块的网络可学习变量,直到符合第三调试截止要求,得到与所述更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络。
可选的实施方式中,所述光照调节策略样本序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得;所述方法还包括:
获取目标隧道对应的目标光照调节策略序列,将所述目标光照调节策略序列加载到所述目标光照调节策略预估网络;所述目标光照调节策略序列是所述目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得;
基于所述目标光照调节策略预估网络,在所述预设状态表征向量集中搜索所述目标光照调节策略序列中各光照调节策略各自对应的状态表征向量,对所述目标光照调节策略序列中各光照调节策略对应的状态表征向量进行表征向量解析,得到目标推理调节策略表征向量,基于所述目标推理调节策略表征向量,得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度;
基于所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定所述目标隧道对应的目标光照调节策略。
可选的实施方式中,所述基于所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定所述目标隧道对应的目标光照调节策略,包括:
将所述候选隧道多源数据集队列中最高的目标置信度对应的隧道多源数据集作为所述目标光照调节策略序列对应的参照隧道多源数据集;
将所述目标光照调节策略序列确定为当下光照调节策略序列;
在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列,将迭代光照调节策略序列加载到所述目标光照调节策略预估网络,得到迭代光照调节策略序列对应的参照隧道多源数据集;
将迭代光照调节策略序列确定为当下光照调节策略序列,返回所述在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列的步骤,直到符合截止要求,得到多个参照隧道多源数据集;
将各个参照隧道多源数据集对应的光照调节策略组成所述目标隧道对应的目标光照调节策略。
第二方面,本申请提供了一种智能调光系统,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现以上所述的方法。
本申请至少具有的有益效果:
本申请实施例通过获取光照调节策略样本序列,将光照调节策略样本序列加载到初始光照调节策略预估网络;光照调节策略样本序列包括按时序排布的相关的光照调节策略;基于初始光照调节策略预估网络,在预设状态表征向量集中确定光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,基于目标分布区间对应的推理调节策略表征向量,得到在目标分布区间上的光照调节策略对应的推理置信度;目标分布区间为在光照调节策略样本序列对应的各光照调节策略分布区间中确定得到;推理置信度表征在目标分布区间上的光照调节策略对应的隧道多源数据集和目标分布区间对应的在先隧道多源数据集序列的推理牵涉系数,在先隧道多源数据集序列包括位于目标分布区间之前的各光照调节策略对应的隧道多源数据集;基于光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差;基于网络误差修正初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。基于此,在网络调试过程中,网络通过光照调节策略样本序列中目标分布区间之前的各光照调节策略的特征获得目标分布区间上的光照调节策略对应的推理置信度,换言之,网络通过光照调节策略样本序列中历史光照调节策略的特征获得接下来可能出现的隧道多源数据集的推理置信度,从而依据光照调节策略样本序列中各光照调节策略分别对应的推理置信度生成网络误差,基于网络误差修正网络可学习变量,令网络可以增加目标分布区间上的光照调节策略对应的推理置信度,增强隧道多源数据集推理能力,以可以通过按时序排布的相关的历史隧道多源数据集准确推理接下来可能产生的隧道多源数据集。上述过程不需要对光照调节策略样本序列进行标记,基于光照调节策略样本序列对初始光照调节策略预估网络进行自监督调试,就能获得精确的目标光照调节策略预估网络,网络的调试速度快,节约计算开销。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的应用场景示意图。
图2是根据本申请的一些实施例所示的一种智能调光系统中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种多源特征数据融合的隧道智能调光方法的流程图。
图4是本申请实施例提供的智能调光装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的方法应用场景400的组成示意图,方法应用场景400包括相互之间通过网络200通信连接的智能调光系统100和环境数据采集设备300。环境数据采集设备300可以为光照传感器、摄像头、交通监控设备、第三方数据设备等可以采集目标隧道环境信息的设备。
在一些实施例中,请参照图2,是智能调光系统100的架构示意图,该智能调光系统100包括智能调光装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。智能调光装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在智能调光系统100的操作系统(operating system,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如智能调光装置110所包括的软件功能模块及计算机程序等。存储器120可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立智能调光系统100与环境数据采集设备300之间的通信连接,并用于通过网络收发数据。处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解,图2所示的结构仅为示意,智能调光系统100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种多源特征数据融合的隧道智能调光方法的流程图,该方法应用于图1中的智能调光系统100,具体可以包括以下步骤:
步骤S110,获取光照调节策略样本序列,将光照调节策略样本序列加载到初始光照调节策略预估网络。
一个光照调节策略样本为一个光照调节策略,一个光照调节策略可以为一串数值构成,每一个数值对应一个控制逻辑,每个光照调节策略对应一个隧道多源数据集,光照调节策略为调节对应的隧道多源数据集采用的控制策略,如隧道的光照模式(如灯光强度、照明灯打开数量、照明灯打开位置、照明灯打开角度、灯光打开时间等)。隧道多源数据集可以包括多源数据,例如包括但不限于隧道内的光照强度数据、车流量数据、环境天气数据、交通事件数据等,光照强度数据可以是通过感应器或摄像头等设备获取的隧道内的光照强度值;另外,可以通过交通监控设备或车辆传感器等获取隧道内的车流量数据;环境天气数据可以通过天气传感器或气象数据源获取隧道周边的天气信息,例如日出时间、日落时间、降雨量等;另外,可以通过监控系统或其他传感器设备,人工智能可以分析隧道内的事件数据,例如交通事故、火灾或其他紧急情况。
光照调节策略样本序列是光照调节策略预估网络的网络调试数据,换言之,被配置为对初始光照调节策略预估网络进行调试训练,光照调节策略样本序列包括按时序排布的相关的光照调节策略。光照调节策略样本序列包括按照时序排布的多个光照调节策略,光照调节策略之间的相关性体现在光照调节策略所属的隧道多源数据集之间,在目标隧道中出现的情况,如光照调节策略样本序列是目标隧道产生隧道多源数据集的时候制定的光照调节策略,光照调节策略样本序列包括依据产生时序排列的多个历史隧道多源数据集的光照调节策略。光照调节策略之间的相关性还可以体现在光照调节策略对应的隧道多源数据集的数据内容,如光照调节策略样本序列包括多个光照调节策略,前后的光照调节策略对应隧道多源数据集之间具有高度相似的多源组成数据(光照强度数据、车流量数据、环境天气数据、交通事件数据)。
光照调节策略预估网络为任意可行的深度学习网络,如卷积神经网络、循环神经网络、长短时记忆网络等。在网络调试过程中,光照调节策略预估网络的输入为光照调节策略序列,输出光照调节策略对应的推理置信度,初始光照调节策略预估网络为拟调试的光照调节策略预估网络。
步骤120,基于初始光照调节策略预估网络,在预设状态表征向量集中确定光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,基于目标分布区间对应的推理调节策略表征向量,得到在目标分布区间上的光照调节策略对应的推理置信度。
光照调节策略预估网络包括预设状态表征向量集(可理解为表征隧道环境状态,如光强、车流量、天气、事件的嵌入特征库),预设状态表征向量集包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的状态表征向量。状态表征向量未预先对候选隧道多源数据集队列中隧道多源数据集挖掘得到的嵌入信息,表征隧道多源数据集的隧道环境状态。在预设状态表征向量集中,隧道多源数据集对应的状态表征向量和隧道多源数据集对应的光照调节策略可以关联保存。状态表征向量是隧道多源数据集的数据特征表征,数据特征表征是对隧道多源数据集进行表征向量挖掘得到。如对隧道多源数据集对应的隧道多源组成数据集合进行表征向量挖掘,得到隧道多源数据集对应的状态表征向量。
可选地,可以基于前置调试网络(即完成预先训练的神经网络,如CNN)挖掘隧道多源数据集对应的状态表征向量。光照调节策略分布区间被配置为表征光照调节策略在光照调节策略序列中分布的位置,光照调节策略序列包括多个光照调节策略,各光照调节策略具有各自对应的光照调节策略分布区间。分布区间即光照调节策略样本在光照调节策略样本序列中的分布坐标,如第一个、第二个。目标分布区间为在光照调节策略样本序列对应的各光照调节策略分布区间中确定得到。比如将光照调节策略样本序列对应的各光照调节策略分布区间分别确定为目标分布区间;或者在光照调节策略样本序列对应的各光照调节策略分布区间中获取首个光照调节策略分布区间外的各光照调节策略分布区间分别确定为目标分布区间;或者在光照调节策略样本序列对应的各光照调节策略分布区间中,任意确定多个光照调节策略分布区间分别确定为目标分布区间。表征向量解析被配置为通过历史隧道多源数据集的状态表征向量对接下来可能产生的隧道多源数据集进行特征表征。目标分布区间对应的推理调节策略表征向量是对光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析得到。如在网络调试过程中,如果目标分布区间是第二个光照调节策略分布区间,则通过光照调节策略样本序列中首个光照调节策略对应的状态表征向量对第二个光照调节策略所属隧道多源数据集进行特征表征,得到第二个光照调节策略分布区间对应的推理调节策略表征向量;如果目标分布区间是第三个光照调节策略分布区间,则通过光照调节策略样本序列中首个光照调节策略以及第二个光照调节策略对应的状态表征向量对第三个光照调节策略所属隧道多源数据集进行特征表征,得到第三个光照调节策略分布区间对应的推理调节策略表征向量,推理调节策略表征向量被配置为表征对接下来可能产生的隧道多源数据集推理(预估)得到的特征表征。
目标分布区间对应的推理置信度通过目标分布区间对应的推理调节策略表征向量得到,目标分布区间对应的推理置信度表征在目标分布区间上的光照调节策略对应的隧道多源数据集和目标分布区间对应的在先隧道多源数据集序列的推理牵涉系数。目标分布区间对应的在先隧道多源数据集序列包括位于目标分布区间之前的各光照调节策略对应的隧道多源数据集。换言之,目标分布区间对应的推理置信度表征光照调节策略样本序列中,于目标分布区间上的光照调节策略对应的隧道多源数据集和位于目标分布区间之前的各光照调节策略对应的隧道多源数据集的推理牵涉系数。
推理牵涉系数表示隧道多源数据集和在先隧道多源数据集序列的相关程度,推理置信度越高,推理牵涉系数越高,相应的相关程度越高。举例而言,如果目标分布区间为第二个光照调节策略分布区间,通过第二个光照调节策略分布区间对应的推理调节策略表征向量获得第二个光照调节策略分布区间所属隧道多源数据集对应的推理置信度,其表征第二个光照调节策略分布区间所属隧道多源数据集和首个光照调节策略分布区间所属隧道多源数据集之间的推理牵涉系数,表征基于首个光照调节策略分布区间所属隧道多源数据集的状态表征向量推理下一个隧道多源数据集为第二个光照调节策略分布区间所属隧道多源数据集的置信度。
例如,将光照调节策略样本序列加载到初始光照调节策略预估网络,初始光照调节策略预估网络输出光照调节策略样本序列中在各目标分布区间上的光照调节策略分别对应的推理置信度,在初始光照调节策略预估网络中,在预设状态表征向量集中搜索光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,基于目标分布区间对应的推理调节策略表征向量,得到光照调节策略样本序列中在目标分布区间上的光照调节策略对应的推理置信度。如果目标分布区间有多个,那么分别获得光照调节策略样本序列中在各目标分布区间上的光照调节策略对应的推理置信度。可选地,通过目标分布区间对应的推理调节策略表征向量得到目标分布区间对应的隧道多源数据集分布表征向量,隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各隧道多源数据集分别对应的推理置信度,候选隧道多源数据集队列包括光照调节策略样本序列各光照调节策略对应的隧道多源数据集,在隧道多源数据集分布表征向量中获取光照调节策略样本序列中在目标分布区间上的光照调节策略对应的推理置信度。
例如,候选隧道多源数据集队列包括10个隧道多源数据集,即隧道多源数据集1~10,光照调节策略样本序列包括3个隧道多源数据集1/5/8。如果目标分布区间为第二个光照调节策略分布区间,则对隧道多源数据集1对应的状态表征向量进行特征提炼(即编码获得低维特征),获得第二个光照调节策略分布区间对应的推理调节策略表征向量,通过第二个光照调节策略分布区间对应的推理调节策略表征向量,获得第二个光照调节策略分布区间对应的隧道多源数据集分布表征向量,第二个光照调节策略分布区间对应的隧道多源数据集分布表征向量包括1~10分别对应的推理置信度。在光照调节策略样本序列中,第二个光照调节策略分布区间上的隧道多源数据集为隧道多源数据集5,则在第二个光照调节策略分布区间对应的隧道多源数据集分布表征向量中获取隧道多源数据集5的推理置信度。如果目标分布区间为第三个光照调节策略分布区间,那么对隧道多源数据集1和隧道多源数据集5对应的状态表征向量进行特征提炼,获得第三个光照调节策略分布区间对应的推理调节策略表征向量,通过第三个光照调节策略分布区间对应的推理调节策略表征向量获得第三个光照调节策略分布区间对应的隧道多源数据集分布表征向量,第三个光照调节策略分布区间对应的隧道多源数据集分布表征向量包括1~10分别对应的推理置信度。在光照调节策略样本序列中,第三个光照调节策略分布区间上的隧道多源数据集为隧道多源数据集8,则在第三个光照调节策略分布区间对应的隧道多源数据集分布表征向量中获取隧道多源数据集8的推理置信度。
步骤S130,基于光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差。
例如,获得光照调节策略样本序列中于各个目标分布区间上的光照调节策略分别对应的推理置信度后,通过光照调节策略样本序列中,于各目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差(如基于通用交叉熵函数获取)。比如通过各推理置信度的平均后获得网络误差,网络调试旨在令在目标分布区间上的光照调节策略对应的推理置信度最大化,在目标分布区间上的光照调节策略对应的推理置信度越大,网络通过光照调节策略样本序列中位于目标分布区间之前的各光照调节策略的相关特征可以精准推理得到目标分布区间上的光照调节策略,代表网络通过历史隧道多源数据集可以准确推理接下来可能产生的隧道多源数据集,从而获得对应预测的隧道多源数据集的光照调节策略。
步骤S140,基于网络误差修正初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。
目标光照调节策略预估网络被配置为对目标隧道进行光照调节策略制定,目标光照调节策略预估网络即调试好的光照调节策略预估网络,通过网络误差修正(如采用梯度优化算法)初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。在通过网络误差修正网络可学习变量时,不用对初始光照调节策略预估网络中的预设状态表征向量集进行修正,第一调试截止要求为评估光照调节策略预估网络收敛与否的条件,调试截止要求例如是网络误差小于阈值、网络调试的轮次达到了预设轮次、网络误差的变化率达到最小等。
以上提供的多源特征数据融合的隧道智能调光方法,在网络调试过程中,网络通过光照调节策略样本序列中目标分布区间之前的各光照调节策略的特征获得目标分布区间上的光照调节策略对应的推理置信度,换言之,网络通过光照调节策略样本序列中历史光照调节策略的特征获得接下来可能出现的隧道多源数据集的推理置信度,从而依据光照调节策略样本序列中各光照调节策略分别对应的推理置信度生成网络误差,基于网络误差修正网络可学习变量,令网络可以增加目标分布区间上的光照调节策略对应的推理置信度,增强隧道多源数据集推理能力,以可以通过按时序排布的相关的历史隧道多源数据集准确推理接下来可能产生的隧道多源数据集。上述过程不需要对光照调节策略样本序列进行标记,基于光照调节策略样本序列对初始光照调节策略预估网络进行自监督调试,就能获得精确的目标光照调节策略预估网络,网络的调试速度快,节约计算开销。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法还可以包括:获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量(即数据完成向量化后得到的表征向量,该过程即嵌入的过程),将各个隧道多源数据集分别对应的初始量化表征向量加载到目标环境状态提取网络;对各个初始量化表征向量中随机的初始量化表征向量,基于目标环境状态提取网络对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量,对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量;基于各个隧道多源数据集分别对应的状态表征向量,得到预设状态表征向量集。
环境状态提取网络为任意可行的深度神经网络,被配置为挖掘隧道多源数据集对应的状态表征向量,环境状态提取网络的输入为隧道多源数据集对应的初始量化表征向量,环境状态提取网络的输出为隧道多源数据集对应的状态表征向量,目标环境状态提取网络为调试好的环境状态提取网络。特征提炼的过程是将初始量化表征向量投影至低维空间,即完成特征编码,使得编码后的表征向量具有更好的表征效果。降维处理即完成表征向量压缩的操作,被配置为将过渡量化表征向量压缩到维数一致的特征表征。
例如,预设状态表征向量集包括候选隧道多源数据集队列中各个候选隧道多源数据集分别对应的状态表征向量,基于环境状态提取网络挖掘隧道多源数据集对应的状态表征向量;获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,将各隧道多源数据集对应的初始量化表征向量加载到目标环境状态提取网络,获得各隧道多源数据集分别对应的状态表征向量。将隧道多源数据集对应的初始量化表征向量加载到目标环境状态提取网络,在目标环境状态提取网络中对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量,对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量,目标环境状态提取网络输出隧道多源数据集对应的状态表征向量。通过各隧道多源数据集分别对应的状态表征向量构建预设状态表征向量集。
可选的实施方式中,环境状态提取网络包括输入模块、特征提炼模块和降维模块。输入模块被配置为获取隧道多源数据集对应的初始量化表征向量,将隧道多源数据集对应的初始量化表征向量加载到特征提炼模块。特征提炼模块被配置为对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量;特征提炼模块可以为前馈神经网络,包含多个级联的全连接单元。基于特征提炼模块能够学习各隧道多源数据集环境状态的特征;降维模块被配置为对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量,降维模块例如也可以为前馈神经网络,基于降维模块调整各隧道多源数据集的表征向量元素数量。可选地,可以基于前置调试网络提取隧道多源数据集对应的初始量化表征向量,将隧道多源数据集对应的初始量化表征向量加载到目标环境状态提取网络,得到隧道多源数据集对应的状态表征向量。
以上基于目标环境状态提取网络先对隧道多源数据集对应的初始量化表征向量进行特征提炼,可以获得环境状态表征效果更好的过渡量化表征向量,再对过渡量化表征向量进行降维处理获得精简的状态表征向量,该状态表征向量可以提高对光照调节策略预估网络的调试效率。
可选地,获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,包括:获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的隧道多源组成数据集合;对各个隧道多源组成数据集合中任意的隧道多源组成数据集合,对隧道多源组成数据集合中的各个多源组成数据进行表征向量挖掘,得到各个多源组成数据分别对应的多源组成数据表征向量,融合(如拼接)各个多源组成数据分别对应的多源组成数据表征向量,得到隧道多源组成数据集合所属隧道多源数据集对应的初始量化表征向量。
隧道多源组成数据集合包括隧道多源数据集对应的一个或多个多源组成数据。多源组成数据可以是隧道多源数据集的光照强度数据、车流量数据、环境天气数据、交通事件数据等数据。
例如,获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的隧道多源组成数据集合,基于隧道多源数据集对应的隧道多源组成数据集合得到隧道多源数据集对应的初始量化表征向量。对一个隧道多源组成数据集合中的各个多源组成数据进行表征向量挖掘,得到各个多源组成数据分别对应的多源组成数据表征向量,融合各个多源组成数据分别对应的多源组成数据表征向量,得到该隧道多源组成数据集合所属隧道多源数据集对应的初始量化表征向量。隧道多源数据集对应的初始量化表征向量包括隧道多源数据集对应的隧道多源组成数据集合中各个多源组成数据各自对应的多源组成数据表征向量,可以确保隧道多源数据集对应的初始量化表征向量具有多维信息,便于增加状态表征向量的精确度,光照调节策略预估网络的调试效果更好。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法还可以包括:获取隧道多源数据集样本对;将隧道多源数据集样本对中的第一隧道多源数据集加载到拟调试的第一环境状态提取网络,得到第一隧道多源数据集对应的状态表征向量,将隧道多源数据集样本对中的第二隧道多源数据集加载到拟调试的第二环境状态提取网络,得到第二隧道多源数据集对应的状态表征向量;基于第一隧道多源数据集对应的状态表征向量和第二隧道多源数据集对应的状态表征向量之间的共性度量结果(可以计算二者的欧氏距离或者余弦距离等举例计算方式获取向量距离,以此表征共性度量结果,换言之,共性度量结果表征二者的相似程度),得到隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记(预估得到的表征关联程度的标记);基于隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记(即事先确定的样本标记)和隧道多源数据集牵涉预估标记之间的误差,修正拟调试的第一环境状态提取网络和第二环境状态提取网络的网络可学习变量,直到符合第二调试截止要求,得到调试好的第一环境状态提取网络和第二环境状态提取网络;目标环境状态提取网络为在调试好的第一环境状态提取网络和第二环境状态提取网络中确定得到。
隧道多源数据集样本对包含两个隧道多源数据集,为了便于区分,将隧道多源数据集样本对中的一个作为第一隧道多源数据集,另一个隧道多源数据集作为第二隧道多源数据集。隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记表示隧道多源数据集样本对中第一隧道多源数据集和第二隧道多源数据集之间现实的隧道多源数据集关系。隧道多源数据集关系表征隧道多源数据集间有没有联系。比如,如果隧道多源数据集样本对中的第一隧道多源数据集和第二隧道多源数据集是一个隧道产生过的,则隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记为积极标记(或称正标记),积极标记代表第一隧道多源数据集和第二隧道多源数据集之间具有联系,如果隧道多源数据集样本对中的第一隧道多源数据集和第二隧道多源数据集不是一个隧道产生过的,那么隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记为消极标记(或称负标记),消极标记代表第一隧道多源数据集和第二隧道多源数据集无联系。如果隧道多源数据集样本对中的第一隧道多源数据集和第二隧道多源数据集超过相似度阈值(可以通过确定各个组成数据的表征向量的欧氏距离得到相似度)的多源组成数据的数量比阈值大,那么隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记为积极标记;如果隧道多源数据集样本对中的第一隧道多源数据集和第二隧道多源数据集超过相似度阈值的多源组成数据的数量比阈值小,那么隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记为消极标记。隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记代表隧道多源数据集样本对中第一隧道多源数据集和第二隧道多源数据集之间推理得到的隧道多源数据集关系。
例如,获取隧道多源数据集样本对,基于隧道多源数据集样本对和对应的隧道多源数据集牵涉样本标记对拟调试的第一环境状态提取网络和第二环境状态提取网络进行监督调试,得到调试好的第一环境状态提取网络和第二环境状态提取网络,在调试好的第一环境状态提取网络和第二环境状态提取网络中获取任一环境状态提取网络为目标环境状态提取网络。
在网络调试过程中,将隧道多源数据集样本对中的第一隧道多源数据集加载到拟调试的第一环境状态提取网络,得到第一隧道多源数据集对应的状态表征向量,将隧道多源数据集样本对中的第二隧道多源数据集加载到拟调试的第二环境状态提取网络,得到第二隧道多源数据集对应的状态表征向量,确定第一隧道多源数据集对应的状态表征向量和第二隧道多源数据集对应的状态表征向量之间的共性度量结果,基于共性度量结果确定隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记。基于隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记和隧道多源数据集牵涉预估标记之间的误差确定环境状态提取网络误差,基于环境状态提取网络误差,采用梯度优化算法修正拟调试的第一环境状态提取网络和第二环境状态提取网络的网络可学习变量,直到符合第二调试截止要求,得到调试好的第一环境状态提取网络和第二环境状态提取网络。第二调试截止要求的含义和第一调试截止要求一致,具体的数值可以相同或不同。
可选地,第一环境状态提取网络和第二环境状态提取网络可以组成孪生结构,第一环境状态提取网络和第二环境状态提取网络的网络可学习变量共享。环境状态提取网络包括输入模块、特征提炼模块和降维模块;输入模块被配置为获取隧道多源数据集对应的初始量化表征向量,将隧道多源数据集对应的初始量化表征向量加载到特征提炼模块;特征提炼模块被配置为对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量。降维模块被配置为对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量;将隧道多源数据集样本对中的第一隧道多源数据集加载到拟调试的第一环境状态提取网络,得到第一隧道多源数据集对应的状态表征向量,将隧道多源数据集样本对中的第二隧道多源数据集加载到拟调试的第二环境状态提取网络,得到第二隧道多源数据集对应的状态表征向量;将第一隧道多源数据集对应的状态表征向量和第二隧道多源数据集对应的状态表征向量加载到配对模块输出第一隧道多源数据集和第二隧道多源数据集之间的隧道多源数据集牵涉预估标记,即输出隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记。配对模块被配置为计算共性度量结果,计算方式已经在前述举例,此处不做赘述。通过多个隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记和隧道多源数据集牵涉预估标记计算环境状态提取网络误差,依据环境状态提取网络误差修正孪生网络的网络可学习变量(如权重、偏置、学习率),直到符合第二调试截止要求,得到调试好的第一环境状态提取网络和第二环境状态提取网络。
以上通过隧道多源数据集样本对和对应的隧道多源数据集牵涉样本标记对拟调试的第一环境状态提取网络和第二环境状态提取网络进行调试,能高效获得调试好的第一环境状态提取网络和第二环境状态提取网络,第一环境状态提取网络和第二环境状态提取网络可以进行隧道多源数据集对应的状态表征向量挖掘。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法还可以包括:基于初始光照调节策略预估网络,获取位于目标分布区间之前的各光照调节策略分布区间分别对应的位置量化表征向量,将光照调节策略对应的状态表征向量和光照调节策略所属光照调节策略分布区间对应的位置量化表征向量进行整合,分别得到光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的整合量化表征向量。
对位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,包括:对位于目标分布区间之前的各光照调节策略对应的整合量化表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量。其中,位置量化表征向量为光照调节策略分布区间对应的向量表征结果,位置量化表征向量可以为网络提供光照调节策略在光照调节策略序列中的分布位置,在网络调试时,各光照调节策略分布区间对应的位置量化表征向量为可调节的,网络调试完成后,各光照调节策略分布区间对应的位置量化表征向量固定。光照调节策略对应的整合量化表征向量是将光照调节策略对应的状态表征向量和光照调节策略的光照调节策略分布区间对应的位置量化表征向量进行整合(如向量相加或者拼接)得到。
本申请实施例为了使网络能够将光照调节策略的位置纳入分析考量,加入了位置量化表征向量,将光照调节策略样本序列加载到初始光照调节策略预估网络,在初始光照调节策略预估网络中,获取光照调节策略样本序列中位于目标分布区间之前的各光照调节策略分布区间各自对应的位置量化表征向量,在预设状态表征向量集中搜索光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,将光照调节策略对应的状态表征向量和光照调节策略所属光照调节策略分布区间对应的位置量化表征向量进行整合,得到光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的整合量化表征向量,进而对位于目标分布区间之前的各光照调节策略对应的整合量化表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,基于目标分布区间对应的推理调节策略表征向量,得到光照调节策略样本序列中在目标分布区间上的光照调节策略对应的推理置信度。
整合量化表征向量中整合了状态表征向量和位置量化表征向量,基于整合量化表征向量,不但可以学习输入数据中光照调节策略对应的隧道多源数据集的环境状态,还可以获取输入数据中光照调节策略的位置,那么可以更准确的获得历史隧道多源数据集相关的接下来可能产生的隧道多源数据集的特征。
可选地,基于目标分布区间对应的推理调节策略表征向量,得到在目标分布区间上的光照调节策略对应的推理置信度,包括:将目标分布区间对应的推理调节策略表征向量进行向量映射,得到目标分布区间对应的初始隧道多源数据集分布表征向量;初始隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的特征向量;对初始隧道多源数据集分布表征向量进行归一化处理,得到目标分布区间对应的目标隧道多源数据集分布表征向量;目标隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度;候选隧道多源数据集队列包括光照调节策略样本序列中各光照调节策略分别对应的隧道多源数据集;在目标隧道多源数据集分布表征向量中确定在目标分布区间上的光照调节策略对应的推理置信度。
向量映射可以通过线性变换实现,其将推理调节策略表征向量映射至设定维数的向量域。将推理调节策略表征向量进行向量映射得到初始隧道多源数据集分布表征向量,初始隧道多源数据集分布表征向量的维数为设定维数,初始隧道多源数据集分布表征向量的维数为候选隧道多源数据集队列的大小,候选隧道多源数据集队列的大小体现候选隧道多源数据集队列中隧道多源数据集的个数。归一化处理被配置为将特征向量的元素值归一到设定区间(如0~1),可以采用任意可行的归一化函数。
在基于目标分布区间对应的推理调节策略表征向量得到在目标分布区间上的光照调节策略对应的推理置信度时,通过目标分布区间对应的推理调节策略表征向量得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度,候选隧道多源数据集队列包括光照调节策略样本序列中各光照调节策略分别对应的隧道多源数据集,然后在候选隧道多源数据集队列中各个隧道多源数据集对应的推理置信度中,获取在目标分布区间上的光照调节策略对应的推理置信度。将目标分布区间对应的推理调节策略表征向量进行向量映射,得到目标分布区间对应的初始隧道多源数据集分布表征向量,初始隧道多源数据集分布表征向量的维数等于候选隧道多源数据集队列大小,初始隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的特征向量。接着对初始隧道多源数据集分布表征向量进行归一化处理,得到目标分布区间对应的目标隧道多源数据集分布表征向量,目标隧道多源数据集分布表征向量的维数等于候选隧道多源数据集队列大小,目标隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度。最后在目标隧道多源数据集分布表征向量中获取光照调节策略样本序列在目标分布区间上的光照调节策略对应隧道多源数据集对应的推理置信度,确定成在目标分布区间上的光照调节策略对应的推理置信度。
以上基于向量映射和归一化处理将推理调节策略表征向量变换成候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度,基于推理置信度得到候选隧道多源数据集队列中各隧道多源数据集分别和在先隧道多源数据集序列的推理牵涉系数,基于推理置信度得到候选隧道多源数据集队列中各个隧道多源数据集属于接下来可能产生的隧道多源数据集的置信度。
可选地,基于网络误差修正初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络,包括:基于网络误差修正初始光照调节策略预估网络中第二量化子模块、解析模块和输出模块的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。初始光照调节策略预估网络包括量化模块、解析模块和输出模块,量化模块包括第一量化子模块和第二量化子模块。第一量化子模块被配置为搜索状态表征向量。第一量化子模块中包括预设状态表征向量集,第一量化子模块被配置为通过光照调节策略在预设状态表征向量集中搜索相应的状态表征向量。第二量化子模块被配置为获取位置量化表征向量,第二量化子模块可以通过正余弦位置编码得到位置量化表征向量,针对每一位置,第二量化子模块都构建一个位置向量,将第一量化子模块和第二量化子模块输出的量化表征向量进行整合,将整合获得的量化表征向量加载到解析模块;解析模块对输入进行表征向量解析;输出模块被配置为输出推理置信度,将解析模块的输出加载到输出模块,得到光照调节策略对应的推理置信度,输出模块输出光照调节策略对应的推理置信度。
初始光照调节策略预估网络包括量化模块、解析模块和输出模块。量化模块包括第一量化子模块和第二量化子模块,第一量化子模块被配置为搜索状态表征向量,第一量化子模块不用修正学习变量,第二量化子模块被配置为构建位置量化表征向量,第二量化子模块需要修正学习变量,解析模块被配置为进行表征向量解析,输出模块被配置为输出推理置信度,解析模块和输出模块需要修正学习变量。那么,通过网络误差修正初始光照调节策略预估网络的网络可学习变量时,是通过网络误差修正初始光照调节策略预估网络中第二量化子模块、解析模块和输出模块的网络可学习变量。
可选地,初始光照调节策略预估网络包括输入模块、量化模块(如环境状态量化模块和位置量化模块)、解析模块和输出模块。输入模块被配置为获取输入的光照调节策略样本序列,将光照调节策略样本序列加载到量化模块,环境状态量化模块(第一量化子模块)被配置为在预设状态表征向量集中搜索相应的状态表征向量,位置量化模块(第二量化子模块)被配置为构建光照调节策略样本序列中各光照调节策略分布区间各自对应的位置量化表征向量。将光照调节策略样本序列加载到初始光照调节策略预估网络,输入模块将光照调节策略样本序列加载到量化模块中的环境状态量化模块和位置量化模块,环境状态量化模块搜索光照调节策略样本序列中各光照调节策略分别对应的状态表征向量,输出状态表征向量序列,位置量化模块构建光照调节策略样本序列中各光照调节策略分布区间各自对应的位置量化表征向量,将状态表征向量序列和位置量化表征向量序列进行整合,得到整合量化表征向量序列,整合量化表征向量序列包括各光照调节策略分别对应的整合量化表征向量。将整合量化表征向量序列加载到解析模块。解析模块(可以为transformer模型中的decoder)被配置为对整合量化表征向量进行表征向量解析。解析模块将推理调节策略表征向量加载到输出模块,输出模块将解析模块的输出投影到与候选隧道多源数据集队列大小相同维数的向量域,再基于分类器(如Softmax)将该域内的向量映射为一个置信度,得到目标隧道多源数据集分布表征向量,输出模块输出各目标分布区间各自对应的目标隧道多源数据集分布表征向量。将光照调节策略样本序列加载到初始光照调节策略预估网络,得到光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,通过光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差,基于网络误差修正初始光照调节策略预估网络中位置量化模块、解析模块和输出模块的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。
以上在修正初始光照调节策略预估网络的网络可学习变量时,不用修正初始光照调节策略预估网络中的第一量化子模块,仅修正初始光照调节策略预估网络中的第二量化子模块、解析模块和输出模块,网络调试的效率得到提升。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法还包括:
步骤S210,获得目标光照调节策略预估网络后,若候选隧道多源数据集队列增添了新的隧道多源数据集时,在预设状态表征向量集中加入新的隧道多源数据集对应的状态表征向量,将对照光照调节策略序列加载到目标光照调节策略预估网络,得到更新后的候选隧道多源数据集队列中各个隧道多源数据集对各目标分布区间的推理置信度。
步骤S220,在更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度中,确定对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度。
步骤S230,基于对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到对照误差。
步骤S240,基于对照误差修正目标光照调节策略预估网络中输出模块的网络可学习变量,直到符合第三调试截止要求,得到与更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络。
目标光照调节策略预估网络的输出模块被配置为基于解析模块的输出获得候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度。将解析模块输出的目标分布区间对应的推理调节策略表征向量加载到输出模块,输出模块输出目标分布区间对应的目标隧道多源数据集分布表征向量,目标隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度。新的隧道多源数据集为补充添加的隧道多源数据集,对初始光照调节策略预估网络调试得到目标光照调节策略预估网络后,如果候选隧道多源数据集队列中加了了其他隧道多源数据集,那么对目标光照调节策略预估网络进行细节优化以增加目标光照调节策略预估网络的推理精确度。对照光照调节策略序列被配置为对目标光照调节策略预估网络进行调试以及进行细节优化。第三调试截止要求可以参照前述第一调试截止要求和第二调试截止要求,数值可以一致或不一致,根据实际情况进行设置。
本申请实施例获得目标光照调节策略预估网络后,将目标光照调节策略序列加载到目标光照调节策略预估网络,目标光照调节策略预估网络基于目标光照调节策略序列推理接下来的关联隧道多源数据集,目标光照调节策略预估网络输出候选隧道多源数据集队列中,各隧道多源数据集各自对应的推理置信度,推理置信度表征接下来的隧道多源数据集的置信度。但是,获得目标光照调节策略预估网络后,如果候选隧道多源数据集队列增添了新的隧道多源数据集,目标光照调节策略预估网络可能不能通过输入数据准确推理新的隧道多源数据集对应的推理置信度,此时需对目标光照调节策略预估网络进行细节优化,令目标光照调节策略预估网络能够适应新的隧道多源数据集。获得目标光照调节策略预估网络后,如果期望在候选隧道多源数据集队列中加入新的隧道多源数据集,那么,可获取新的隧道多源数据集对应的状态表征向量,在预设状态表征向量集中添加新的隧道多源数据集对应的状态表征向量,令目标光照调节策略预估网络在处理新的隧道多源数据集的类似数据时,能搜索到新的隧道多源数据集对应的状态表征向量。
此外,可以获取对照光照调节策略序列,通过对照光照调节策略序列对目标光照调节策略预估网络进行细节优化,令目标光照调节策略预估网络能够输出新的隧道多源数据集对应的准确的推理置信度。在网络细节优化过程,将对照光照调节策略序列加载到目标光照调节策略预估网络,在更新后的预设状态表征向量集中确定对照光照调节策略序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到目标分布区间对应的推理调节策略表征向量,基于目标分布区间对应的推理调节策略表征向量,得到在目标分布区间上的光照调节策略对应的推理置信度,对一个目标分布区间,目标光照调节策略预估网络可以输出更新后的候选隧道多源数据集队列中各个隧道多源数据集对应的推理置信度,则能够获得更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度。对一个目标分布区间,在更新后的候选隧道多源数据集队列中,各隧道多源数据集对应的推理置信度中确定对照光照调节策略序列中在目标分布区间上的光照调节策略对应的推理置信度,则能获得对照光照调节策略序列中,各目标分布区间上的光照调节策略分别对应的推理置信度。基于对照光照调节策略序列中,各目标分布区间上的光照调节策略分别对应的推理置信度,得到对照误差,依据对照误差修正目标光照调节策略预估网络中输出模块的网络可学习变量,直到符合第三调试截止要求,得到与更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络。将目标光照调节策略序列加载到目标光照调节策略预估网络,与更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络输出更新后的候选隧道多源数据集队列中各个隧道多源数据集对应的推理置信度。
以上获得目标光照调节策略预估网络后,如果候选隧道多源数据集队列增添了新的隧道多源数据集,只需要在目标光照调节策略预估网络中的预设状态表征向量集中加入新的隧道多源数据集对应的状态表征向量,基于对照光照调节策略序列对目标光照调节策略预估网络中的输出模块进行细节优化,即可迅速获得和更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络,令目标光照调节策略预估网络在能输出新的隧道多源数据集的可靠的推理置信度。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法在具体应用时,包括以下步骤:
步骤S310,获取目标隧道对应的目标光照调节策略序列,将目标光照调节策略序列加载到目标光照调节策略预估网络。
目标光照调节策略序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得。
步骤S320,基于目标光照调节策略预估网络,在预设状态表征向量集中搜索目标光照调节策略序列中各光照调节策略各自对应的状态表征向量,对目标光照调节策略序列中各光照调节策略对应的状态表征向量进行表征向量解析,得到目标推理调节策略表征向量,基于目标推理调节策略表征向量,得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度。
步骤S330,基于候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定目标隧道对应的目标光照调节策略。
光照调节策略样本序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得,光照调节策略样本序列被配置为网络调试。
具体而言,获取光照调节策略样本序列,光照调节策略样本序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得,基于光照调节策略样本序列对初始光照调节策略预估网络进行调试,得到目标光照调节策略预估网络。调试好的目标光照调节策略预估网络可以被配置为基于加载到序列推理接下来可能产生的隧道多源数据集。网络使用过程中,获取目标隧道对应的目标光照调节策略序列,目标光照调节策略序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得,将目标光照调节策略序列加载到目标光照调节策略预估网络,得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度。将目标光照调节策略序列加载到目标光照调节策略预估网络,目标光照调节策略预估网络从预设状态表征向量集中确定目标光照调节策略序列中各光照调节策略各自对应的状态表征向量,对目标光照调节策略序列中各光照调节策略对应的状态表征向量进行表征向量解析,得到目标推理调节策略表征向量,基于目标推理调节策略表征向量,得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度。目标置信度表征隧道多源数据集为接下来可能产生的隧道多源数据集的置信度。
目标光照调节策略预估网络包括输入模块、量化模块、解析模块和输出模块,将目标光照调节策略序列加载到目标光照调节策略预估网络,输出模块输出候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度。最后通过候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定目标隧道对应的目标光照调节策略。比如依据目标置信度递减的顺序对各个隧道多源数据集进行排列,获取排列在前的多个隧道多源数据集分别确定为目标隧道对应的参照隧道多源数据集,将各个参照隧道多源数据集对应的光照调节策略组成目标隧道对应的目标光照调节策略,可以选取各个参照隧道多源数据集中置信度最高或者最节约能源的参照隧道多源数据集对应的光照调节策略作为目标隧道对应的目标光照调节策略。
可选地,通过候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定目标隧道对应的目标光照调节策略,包括:将候选隧道多源数据集队列中最高的目标置信度对应的隧道多源数据集确定为目标光照调节策略序列对应的参照隧道多源数据集;将目标光照调节策略序列确定为当下光照调节策略序列;在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列,将迭代光照调节策略序列加载到目标光照调节策略预估网络,得到迭代光照调节策略序列对应的参照隧道多源数据集;将迭代光照调节策略序列确定为当下光照调节策略序列,返回在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列的步骤,直到符合截止要求,得到多个参照隧道多源数据集;将各个参照隧道多源数据集对应的光照调节策略组成目标隧道对应的目标光照调节策略。截止要求根据实际情况进行配置,如截止要求为当前参照隧道多源数据集的数量大于预设数量。
基于此,在目标隧道的目标光照调节策略序列的基础上,基于目标光照调节策略预估网络持续推理接下来可能产生的隧道多源数据集,可以推理得到目标隧道可能出现的多个隧道多源数据集,可以将这些隧道多源数据集中置信度最高的一个确定为目标隧道对应的参照隧道多源数据集,参照隧道多源数据集为已知灯光调节策略的,那么将参照隧道多源数据集对应的灯光调节策略确定为目标灯光调节策略。
可选地,作为一个可独立实施的方案,本申请实施例提供的多源特征数据融合的隧道智能调光方法还可以包括以下:
步骤S410,在隧道多源数据集关联图谱包括的各个隧道多源数据集节点中确定选定节点,确定选定节点对应的光照调节策略序列。
隧道多源数据集关联图谱为一个图谱结构,被配置为表征隧道多源数据集之间的关系。隧道多源数据集关联图谱包括节点和连接线,不同的隧道多源数据集节点表示不同的隧道多源数据集,隧道多源数据集节点之间具有边代表隧道多源数据集节点间具有联系。
在隧道多源数据集关联图谱中确定样本节点,通过样本节点在隧道多源数据集关联图谱中进行出现频次抽样,得到光照调节策略样本序列。样本节点为在隧道多源数据集关联图谱中任意确定的节点。出现频次抽样表示在隧道多源数据集关联图谱中以样本节点为始进行轨迹采集,在隧道多源数据集关联图谱中任意确定一个节点确定成样本节点,在隧道多源数据集关联图谱中在样本节点开始,基于随机游走得到样本节点对应的线路,将线路具有的各隧道多源数据集节点对应的光照调节策略依据游走的先后进行排布,获得光照调节策略样本序列。选定节点为在隧道多源数据集关联图谱中任意确定的节点,选定节点对应的光照调节策略序列包括选定节点对应的光照调节策略和调节策略,调节策略为事先部署的,不指示隧道多源数据集,仅被配置为调整序列的容量。可以获取光照调节策略样本序列,光照调节策略样本序列为通过在隧道多源数据集关联图谱中确定得到样本节点,在隧道多源数据集关联图谱中进行出现频次抽样得到,通过光照调节策略样本序列,对初始光照调节策略预估网络进行调试,获得目标光照调节策略预估网络。调试获得的目标光照调节策略预估网络可以被配置为挖掘隧道多源数据集关联图谱中隧道多源数据集节点的联合量化表征向量。联合量化表征向量是比状态表征向量更精确的嵌入特征。在网络调试过程中,初始光照调节策略预估网络被配置为基于光照调节策略样本序列中一些隧道多源数据集推理接下来可能产生的隧道多源数据集。网络使用过程中,在隧道多源数据集关联图谱具有的各隧道多源数据集节点中确定选定节点,比如将各隧道多源数据集节点分别确定为选定节点,基于目标光照调节策略预估网络确定各个选定节点分别对应的联合量化表征向量。确定选定节点后,基于选定节点对应的光照调节策略和调节策略生成选定节点对应的光照调节策略序列,选定节点对应的光照调节策略序列和光照调节策略样本序列容量一致。
步骤S420,将选定节点对应的光照调节策略序列加载到目标光照调节策略预估网络,得到选定节点对应的推理调节策略表征向量。
步骤S430,对选定节点对应的推理调节策略表征向量进行降采样,得到选定节点对应的联合量化表征向量。
将选定节点对应的光照调节策略序列加载到目标光照调节策略预估网络,目标光照调节策略预估网络从预设状态表征向量集中确定选定节点对应的光照调节策略序列中各光照调节策略对应的状态表征向量,对各光照调节策略对应的状态表征向量进行表征向量解析,得到选定节点对应的推理调节策略表征向量,目标光照调节策略预估网络输出选定节点对应的推理调节策略表征向量。例如,目标光照调节策略预估网络包括输入模块、量化模块、解析模块和输出模块,将选定节点对应的光照调节策略序列加载到目标光照调节策略预估网络,解析模块输出选定节点对应的推理调节策略表征向量。对选定节点对应的推理调节策略表征向量进行降采样,得到选定节点对应的联合量化表征向量。
可选地,本申请实施例提供的多源特征数据融合的隧道智能调光方法还包括:将隧道多源数据集关联图谱中与目标隧道具有使用历史的隧道多源数据集节点确定成对照节点,通过对照节点的联合量化表征向量分别和隧道多源数据集关联图谱中其余隧道多源数据集节点的联合量化表征向量间的共性度量结果,在各其余隧道多源数据集节点中选取和对照节点配对的配对节点,将配对节点对应的隧道多源数据集确定为目标隧道对应的参照隧道多源数据集。
请参照图4,是本发明实施例提供的智能调光装置110的功能模块架构示意图,该智能调光装置110可用于执行多源特征数据融合的隧道智能调光方法,其中,智能调光装置110包括:
样本获取模块111,用于获取光照调节策略样本序列,将所述光照调节策略样本序列加载到初始光照调节策略预估网络,所述光照调节策略样本序列包括按时序排布的相关的光照调节策略;
策略推理模块112,用于基于所述初始光照调节策略预估网络,在预设状态表征向量集中确定所述光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于所述目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量,基于所述目标分布区间对应的推理调节策略表征向量,得到在所述目标分布区间上的光照调节策略对应的推理置信度;所述目标分布区间为在所述光照调节策略样本序列对应的各光照调节策略分布区间中确定得到,所述推理置信度表征在所述目标分布区间上的光照调节策略对应的隧道多源数据集和所述目标分布区间对应的在先隧道多源数据集序列的推理牵涉系数,所述在先隧道多源数据集序列包括位于所述目标分布区间之前的各光照调节策略对应的隧道多源数据集;
误差确定模块113,用于基于所述光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差;
网络优化模块114,用于基于所述网络误差修正所述初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络;所述目标光照调节策略预估网络被配置为对目标隧道进行光照调节策略制定。
由于在上述实施例中,已经对本发明实施例提供的多源特征数据融合的隧道智能调光方法进行了详细的介绍,而该智能调光装置110的原理与该方法相同,此处不再对智能调光装置110的各模块的执行原理进行赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,物联数据服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种多源特征数据融合的隧道智能调光方法,其特征在于,所述方法包括:
获取光照调节策略样本序列,将所述光照调节策略样本序列加载到初始光照调节策略预估网络,所述光照调节策略样本序列包括按时序排布的相关的光照调节策略;
基于所述初始光照调节策略预估网络,在预设状态表征向量集中确定所述光照调节策略样本序列中位于目标分布区间之前的各光照调节策略对应的状态表征向量,对位于所述目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量,基于所述目标分布区间对应的推理调节策略表征向量,得到在所述目标分布区间上的光照调节策略对应的推理置信度;所述目标分布区间为在所述光照调节策略样本序列对应的各光照调节策略分布区间中确定得到,所述推理置信度表征在所述目标分布区间上的光照调节策略对应的隧道多源数据集和所述目标分布区间对应的在先隧道多源数据集序列的推理牵涉系数,所述在先隧道多源数据集序列包括位于所述目标分布区间之前的各光照调节策略对应的隧道多源数据集;
基于所述光照调节策略样本序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到网络误差;
基于所述网络误差修正所述初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络;所述目标光照调节策略预估网络被配置为对目标隧道进行光照调节策略制定。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,将所述各个隧道多源数据集分别对应的初始量化表征向量加载到目标环境状态提取网络;
对各个初始量化表征向量中任意的初始量化表征向量,基于目标环境状态提取网络对隧道多源数据集对应的初始量化表征向量进行特征提炼,得到隧道多源数据集对应的过渡量化表征向量,对隧道多源数据集对应的过渡量化表征向量进行降维处理,得到隧道多源数据集对应的状态表征向量;
基于所述各个隧道多源数据集分别对应的状态表征向量,得到所述预设状态表征向量集。
3.根据权利要求2所述的方法,其特征在于,所述获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的初始量化表征向量,包括:
获取候选隧道多源数据集队列中各个隧道多源数据集分别对应的隧道多源组成数据集合;
对各个隧道多源组成数据集合中任意的隧道多源组成数据集合,对隧道多源组成数据集合中的各个多源组成数据进行表征向量挖掘,得到各个多源组成数据分别对应的多源组成数据表征向量,融合各个多源组成数据分别对应的多源组成数据表征向量,得到隧道多源组成数据集合所属隧道多源数据集对应的初始量化表征向量;
所述方法还包括:
获取隧道多源数据集样本对;
将所述隧道多源数据集样本对中的第一隧道多源数据集加载到拟调试的第一环境状态提取网络,得到所述第一隧道多源数据集对应的状态表征向量,将所述隧道多源数据集样本对中的第二隧道多源数据集加载到拟调试的第二环境状态提取网络,得到所述第二隧道多源数据集对应的状态表征向量;
基于所述第一隧道多源数据集对应的状态表征向量和所述第二隧道多源数据集对应的状态表征向量之间的共性度量结果,得到所述隧道多源数据集样本对对应的隧道多源数据集牵涉预估标记;
基于所述隧道多源数据集样本对对应的隧道多源数据集牵涉样本标记和隧道多源数据集牵涉预估标记之间的误差,修正所述拟调试的第一环境状态提取网络和第二环境状态提取网络的网络可学习变量,直到符合第二调试截止要求,得到调试好的第一环境状态提取网络和第二环境状态提取网络;所述目标环境状态提取网络为在所述调试好的第一环境状态提取网络和第二环境状态提取网络中确定得到。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述初始光照调节策略预估网络,获取位于所述目标分布区间之前的各光照调节策略分布区间分别对应的位置量化表征向量,将光照调节策略对应的状态表征向量和光照调节策略所属光照调节策略分布区间对应的位置量化表征向量进行整合,分别得到所述光照调节策略样本序列中位于所述目标分布区间之前的各光照调节策略对应的整合量化表征向量;
所述对位于所述目标分布区间之前的各光照调节策略对应的状态表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量,包括:
对位于所述目标分布区间之前的各光照调节策略对应的整合量化表征向量进行表征向量解析,得到所述目标分布区间对应的推理调节策略表征向量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标分布区间对应的推理调节策略表征向量,得到在所述目标分布区间上的光照调节策略对应的推理置信度,包括:
将所述目标分布区间对应的推理调节策略表征向量进行向量映射,得到所述目标分布区间对应的初始隧道多源数据集分布表征向量;所述初始隧道多源数据集分布表征向量包括候选隧道多源数据集队列中各个隧道多源数据集分别对应的特征向量;
对所述初始隧道多源数据集分布表征向量进行归一化处理,得到所述目标分布区间对应的目标隧道多源数据集分布表征向量;所述目标隧道多源数据集分布表征向量包括所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度;所述候选隧道多源数据集队列包括所述光照调节策略样本序列中各光照调节策略分别对应的隧道多源数据集;
在所述目标隧道多源数据集分布表征向量中确定在所述目标分布区间上的光照调节策略对应的推理置信度。
6.根据权利要求1所述的方法,其特征在于,所述初始光照调节策略预估网络包括量化模块、解析模块和输出模块,所述量化模块包括第一量化子模块和第二量化子模块,所述第一量化子模块被配置为搜索状态表征向量,所述第二量化子模块被配置为获取位置量化表征向量,所述解析模块被配置为进行表征向量解析,所述输出模块被配置为输出推理置信度;
所述基于所述网络误差修正所述初始光照调节策略预估网络的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络,包括:
基于所述网络误差修正所述初始光照调节策略预估网络中所述第二量化子模块、所述解析模块和所述输出模块的网络可学习变量,直到符合第一调试截止要求,得到目标光照调节策略预估网络。
7.根据权利要求6所述的方法,其特征在于,所述输出模块被配置为基于所述解析模块的输出获得候选隧道多源数据集队列中各个隧道多源数据集分别对应的推理置信度,所述方法还包括:
获得所述目标光照调节策略预估网络后,若所述候选隧道多源数据集队列增添了新的隧道多源数据集,则在所述预设状态表征向量集中加入所述新的隧道多源数据集对应的状态表征向量,将对照光照调节策略序列加载到所述目标光照调节策略预估网络,得到更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度;
在所述更新后的候选隧道多源数据集队列中各个隧道多源数据集对各个目标分布区间的推理置信度中,确定所述对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度;
基于所述对照光照调节策略序列中在各个目标分布区间上的光照调节策略分别对应的推理置信度,得到对照误差;
基于所述对照误差修正所述目标光照调节策略预估网络中所述输出模块的网络可学习变量,直到符合第三调试截止要求,得到与所述更新后的候选隧道多源数据集队列匹配的目标光照调节策略预估网络。
8.根据权利要求1~7任一项所述的方法,其特征在于,所述光照调节策略样本序列是将目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得;所述方法还包括:
获取目标隧道对应的目标光照调节策略序列,将所述目标光照调节策略序列加载到所述目标光照调节策略预估网络;所述目标光照调节策略序列是所述目标隧道对应的多个过往隧道多源数据集的光照调节策略依据产生时间依次排列获得;
基于所述目标光照调节策略预估网络,在所述预设状态表征向量集中搜索所述目标光照调节策略序列中各光照调节策略各自对应的状态表征向量,对所述目标光照调节策略序列中各光照调节策略对应的状态表征向量进行表征向量解析,得到目标推理调节策略表征向量,基于所述目标推理调节策略表征向量,得到候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度;
基于所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定所述目标隧道对应的目标光照调节策略。
9.根据权利要求8所述的方法,其特征在于,所述基于所述候选隧道多源数据集队列中各个隧道多源数据集分别对应的目标置信度,确定所述目标隧道对应的目标光照调节策略,包括:
将所述候选隧道多源数据集队列中最高的目标置信度对应的隧道多源数据集作为所述目标光照调节策略序列对应的参照隧道多源数据集;
将所述目标光照调节策略序列确定为当下光照调节策略序列;
在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列,将迭代光照调节策略序列加载到所述目标光照调节策略预估网络,得到迭代光照调节策略序列对应的参照隧道多源数据集;
将迭代光照调节策略序列确定为当下光照调节策略序列,返回所述在当下光照调节策略序列的末端增添对应的参照隧道多源数据集的光照调节策略,得到迭代光照调节策略序列的步骤,直到符合截止要求,得到多个参照隧道多源数据集;
将各个参照隧道多源数据集对应的光照调节策略组成所述目标隧道对应的目标光照调节策略。
10.一种智能调光系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316235.7A CN117056866B (zh) | 2023-10-12 | 2023-10-12 | 一种多源特征数据融合的隧道智能调光方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316235.7A CN117056866B (zh) | 2023-10-12 | 2023-10-12 | 一种多源特征数据融合的隧道智能调光方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056866A true CN117056866A (zh) | 2023-11-14 |
CN117056866B CN117056866B (zh) | 2024-01-30 |
Family
ID=88661268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311316235.7A Active CN117056866B (zh) | 2023-10-12 | 2023-10-12 | 一种多源特征数据融合的隧道智能调光方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056866B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
CN112348113A (zh) * | 2020-11-27 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 离线元强化学习模型的训练方法、装置、设备及存储介质 |
US20210201091A1 (en) * | 2019-12-29 | 2021-07-01 | Signify Holding B.V. | System and method for adaptive fusion of data from multiple sensors using context-switching algorithm |
CN113570395A (zh) * | 2021-01-22 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、计算机可读介质及电子设备 |
CN114299460A (zh) * | 2021-11-29 | 2022-04-08 | 苏州光格科技股份有限公司 | 隧道中步道的提取方法、装置、计算机设备、存储介质 |
CN115665936A (zh) * | 2022-12-28 | 2023-01-31 | 四川振函创新智能科技有限公司 | 一种隧道照明节能控制策略生成方法、系统、终端及介质 |
CN116437055A (zh) * | 2023-04-28 | 2023-07-14 | 贵州新思维科技有限责任公司 | 一种高速公路隧道数字化通讯音视频调度管理系统 |
CN116685031A (zh) * | 2023-04-21 | 2023-09-01 | 江西中昌工程咨询监理有限公司 | 隧道进出口光暗调节方法及其系统 |
CN116778414A (zh) * | 2023-06-19 | 2023-09-19 | 国网宁夏电力有限公司银川供电公司 | 一种基于大数据管理的智慧路灯自动识别方法和系统 |
CN116861957A (zh) * | 2023-07-13 | 2023-10-10 | 西安交通大学 | 一种基于强化学习的算子自动调优方法及相关装置 |
-
2023
- 2023-10-12 CN CN202311316235.7A patent/CN117056866B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210201091A1 (en) * | 2019-12-29 | 2021-07-01 | Signify Holding B.V. | System and method for adaptive fusion of data from multiple sensors using context-switching algorithm |
CN111696348A (zh) * | 2020-06-05 | 2020-09-22 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统和方法 |
CN112348113A (zh) * | 2020-11-27 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 离线元强化学习模型的训练方法、装置、设备及存储介质 |
CN113570395A (zh) * | 2021-01-22 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、计算机可读介质及电子设备 |
CN114299460A (zh) * | 2021-11-29 | 2022-04-08 | 苏州光格科技股份有限公司 | 隧道中步道的提取方法、装置、计算机设备、存储介质 |
CN115665936A (zh) * | 2022-12-28 | 2023-01-31 | 四川振函创新智能科技有限公司 | 一种隧道照明节能控制策略生成方法、系统、终端及介质 |
CN116685031A (zh) * | 2023-04-21 | 2023-09-01 | 江西中昌工程咨询监理有限公司 | 隧道进出口光暗调节方法及其系统 |
CN116437055A (zh) * | 2023-04-28 | 2023-07-14 | 贵州新思维科技有限责任公司 | 一种高速公路隧道数字化通讯音视频调度管理系统 |
CN116778414A (zh) * | 2023-06-19 | 2023-09-19 | 国网宁夏电力有限公司银川供电公司 | 一种基于大数据管理的智慧路灯自动识别方法和系统 |
CN116861957A (zh) * | 2023-07-13 | 2023-10-10 | 西安交通大学 | 一种基于强化学习的算子自动调优方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
刘博;陈冠益;马云龙;: "基于云服务的智慧医院能源效率管理系统的研究", 计算机应用与软件, no. 05, pages 110 - 115 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056866B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889546A (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN112923523B (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
CN114386658A (zh) | 湖库水质监测预警方法、装置、存储介质及电子设备 | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
CN116486323A (zh) | 基于人工智能的输煤廊道监控管理系统及其方法 | |
CN116227543A (zh) | 用电异常的检测方法、检测装置、电子装置和电子设备 | |
CN117056866B (zh) | 一种多源特征数据融合的隧道智能调光方法及系统 | |
CN110633853A (zh) | 时空数据预测模型的训练方法、装置及电子设备 | |
CN114872730A (zh) | 一种车辆行驶轨迹预测方法、装置、汽车及存储介质 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
CN117151767B (zh) | 工程费用评估方法和装置 | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 | |
CN113902166A (zh) | 大数据融合碳排放治理、预测分析模型方法 | |
CN116137060B (zh) | 一种同场景多风格图像匹配方法、装置及应用 | |
CN111694966B (zh) | 面向化工领域的多层次知识图谱构建方法及系统 | |
CN103475527B (zh) | 一种网管故障可信度分析系统及方法 | |
CN111507499A (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
CN115113303A (zh) | 基于元学习的厄尔尼诺极端天气预警方法及装置 | |
CN116128082A (zh) | 高速公路交通流量预测方法及电子设备 | |
CN105824871A (zh) | 一种图片检测方法与设备 | |
CN117271959B (zh) | 一种pm2.5浓度预测结果的不确定性评估方法及设备 | |
CN117239745B (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
CN117312928B (zh) | 一种基于aigc识别用户设备信息的方法及系统 | |
CN116915514B (zh) | 基于双向时间卷积网络的入侵检测方法、装置及智能汽车 | |
CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 |
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 |