CN117390585B - 基于三维全连接融合的时序数据预测方法及模型训练方法 - Google Patents
基于三维全连接融合的时序数据预测方法及模型训练方法 Download PDFInfo
- Publication number
- CN117390585B CN117390585B CN202311702608.4A CN202311702608A CN117390585B CN 117390585 B CN117390585 B CN 117390585B CN 202311702608 A CN202311702608 A CN 202311702608A CN 117390585 B CN117390585 B CN 117390585B
- Authority
- CN
- China
- Prior art keywords
- data
- state
- target model
- historical
- mapping
- 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 128
- 230000004927 fusion Effects 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 106
- 230000008569 process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种基于三维全连接融合的时序数据预测方法及模型训练方法，通过根据各对象在各历史时刻的历史状态数据，确定出对应的状态特征数据，时间特征数据以及状态程度特征数据，通过目标模型将状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，对融合后的融合特征数据进行数据关联，得到关联特征数据。然后通过目标模型根据关联特征数据进行预测，得到预测结果，以最小化预测结果与实际数据之间的偏差为优化目标，训练目标模型。利用训练后的目标模型对待预测数据进行预测，根据预测结果执行目标任务。通过本方法获取的预测数据更为准确，预测效率也更为高效，保障了后续根据预测数据所执行的目标任务的顺利执行。
Description
技术领域
本说明书涉及数据分析技术领域，尤其涉及一种基于三维全连接融合的时序数据预测方法及模型训练方法。
背景技术
随着科学技术的不断发展，数据分析领域中的数据预测技术的普及范围也越来越广泛，小至每日气象数据的预测，大到市场经济走向的预估上都有数据预测技术的应用。因此使得数据预测技术的准确性，以及效率问题的受重视程度也在与日俱增。
在现如今的数据预测领域中，主要的数据预测的方式大多为通过利用各类经过训练的神经网络，基于已知历史数据来预测未来数据，并根据预测后的结果数据来对后续的任务执行过程做出调整。虽然这种方法在特定场景下可以实现对未知数据进行预测的目的，但其中普遍存在预测结果准确性较小，预测效率偏低的问题，从而使得后续相关的任务执行过程和执行结果也受到严重影响。
因此，如何准确且高效的根据多元时间序列进行数据预测，是极其重要的。
发明内容
本说明书提供一种基于三维全连接融合的时序数据预测方法及模型训练方法，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种模型训练的方法，包括：
获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；
将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；
通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；
将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据；
通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；
以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行预测。
可选的，将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据，具体包括：
将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据；
根据所述补全后的历史状态数据，确定所述各对象对应的状态特征数据。
可选的，将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据，具体包括：
根据预设指令字符，针对所述历史状态数据中缺失数据所处的数据位进行数据标记，以得到标记后的历史状态数据；
将所述标记后的历史状态数据输入到所述目标模型中，以使得所述目标模型根据所述历史状态数据中的预设指令字符，从所述历史状态数据中确定出存在缺失数据的数据位，并对所述数据位上的缺失的数据进行预测，以得到补全后的历史状态数据。
可选的，所述数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层；
将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据，具体包括：
将所述融合特征数据发送到所述目标模型的状态数据关联层，使得所述目标模型以状态特征数据为标准，对所述融合特征数据进行映射处理，得到第一映射数据；
将所述第一映射数据发送到所述目标模型的状态程度数据关联层，使得所述目标模型以状态程度特征数据为标准，对所述第一映射数据进行映射处理，得到第二映射数据；
将所述第二映射数据发送到所述目标模型的时间数据关联层，使得所述目标模型以时间特征数据为标准，对所述第二映射数据进行映射处理，得到所述融合特征数据对应的关联特征数据。
本说明书提供了一种基于三维全连接融合的时序数据预测方法，包括：
获取各交通路口的交通流量相关数据；
将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述模型训练的方法训练得到的；
根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
本说明书提供了一种模型训练的装置，包括：
获取模块，用于获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；
特征生成模块，用于将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；
特征融合模块，用于通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；
特征关联模块，用于将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据；
预测模块，用于通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；
训练模块，用于以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行数据预测。
可选的，所述特征生成模块具体用于：将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据；根据所述补全后的历史状态数据，确定所述各对象对应的状态特征数据。
本说明书提供了一种基于三维全连接融合的时序数据预测的装置，包括：
获取模块：用于获取各交通路口的交通流量相关数据；
预测模块：用于将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述模型训练的方法训练得到的；
执行模块：用于根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法、基于三维全连接融合的时序数据预测方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法、基于三维全连接融合的时序数据预测方法。
从上述方法可以看出，在本说明书提供的模型训练的方法、基于三维全连接融合的时序数据预测方法中，通过根据获取到的各对象在各历史时刻的历史状态数据，即各交通路口在各历史时刻的交通流量相关数据，确定出与之对应的状态特征数据，时间特征数据以及状态程度特征数据，并通过目标模型将状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，对融合后的融合特征数据再进行数据关联，以得到各历史状态数据对应的关联特征数据。紧接着，通过目标模型根据各关联特征数据，进行数据预测，得到预测结果数据，并以最小化预测结果数据与实际数据之间的偏差为优化目标，对目标模型进行训练。通过训练后的目标模型对待预测的交通数据进行数据预测，并根据预测结果执行对应的目标任务。
从上述内容可以看出，本说明书提供的模型训练的方法、基于三维全连接融合的时序数据预测方法，可以通过目标模型中的数据关联层将历史状态数据中的状态特征数据，时间特征数据以状态程度特征数据进行数据关联，从而根据各特征数据之间紧密联系的关联特征数据进行数据预测。通过本方法根据历史数据获取到的预测数据更为准确，并且预测效率也更为高效，保障了后续根据预测数据所执行的目标任务的顺利执行，也使得执行目标任务的执行效率获得了提升。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种模型训练的方法的流程示意图；
图2为本说明书提供的一种对存在有缺失数据的历史状态数据进行数据补充的示意图；
图3为本说明书中提供的一种基于三维全连接融合的时序数据预测方法的流程示意图；
图4为本说明书提供的一种模型训练的装置的示意图；
图5为本说明书提供的一种基于三维全连接融合的时序数据预测的装置的示意图；
图6为本说明书中提供的一种对应于图1和图3的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种模型训练的方法的流程示意图，包括以下步骤：
S101：获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据。
S102：将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据。
随着时代的不断进步和革新，各类科学技术也在飞速发展，涉及到数据处理的各类领域中对于数据预测能力的需求也在逐渐增多，在交通领域中也不例外，但现阶段基于历史数据预测未来数据的数据预测手段大多通过经过预先训练的各类神经网络来实现，虽然一定程度上可以实现数据预测的目的，但普遍存在预测效率低下，预测结果准确性较低的问题，很大概率会对后续根据预测结果执行目标任务产生负面影响。所以，如何能够高效率且精准的根据历史交通数据对未来的交通数据进行数据预测，是至关重要的。
为此，本说明书提供了一种模型训练方法和基于三维全连接融合的时序数据预测方法，其中，本说明书提供的方法所采用的执行主体可以是诸如台式电脑、笔记本电脑等终端设备，也可以是服务器，而除此之外，本说明书的执行主体也可以为软件形式的主体，如安装在终端设备中的客户端等。而为了便于说明，下面本说明书仅以终端设备作为执行主体，对所提供的模型训练的方法以及基于三维全连接融合的时序数据预测方法进行说明。
基于此，应用本说明书提供的模型训练的方法和基于三维全连接融合的时序数据预测方法的终端设备可以根据获取到的历史交通数据进行数据预测，得到相应的交通预测数据，进而根据预测数据来执行与之对应的目标任务。其中，终端设备所执行的目标任务可根据实际场景而定，例如，在城市道路交通限速规划场景中，终端设备可以根据从各个交通路段采集到的一定时间段内的历史平均车速，来对未来各路段的车辆行驶速度进行预测，从而根据预测数据对各交通路段的限速等相关规定进行调整，减少交通堵塞或交通事故的发生；再例如，在对信号灯的信号周期进行优化的场景中，终端设备可以根据在各交通路口获取到的一段时间内的车流量大小，对未来时间段各路口处的车流量变化情况进行预测，从而根据预测数据对各路口的信号灯的各颜色变化时长进行相应调整，以降低各交通路口拥堵情况的出现，也间接性的降低了在各交通路口处发生交通事故的概率。
本说明书中所提供的方法主要分为两个阶段，一个是模型训练阶段，一个是实际应用阶段，在模型训练阶段中，终端设备可以获取各对象在各历史时刻的历史状态数据，并将各历史状态数据输入到终端设备中预置的待训练的目标模型中，通过目标模型生成各对象对应的状态特征数据，以及各对象在各历史时刻对应的时间特征数据和状态程度特征数据。
其中，上述提及的各对象可以为在预设区域内的各个相互关联的交通路口，而各对象对应的历史状态数据可以为由各个交通路口所设立的各交通数据采集传感器所采集到的各历史交通流量数据，其中历史交通流量数据具体可以分为但不限于以下两种交通数据，各个交通路口在设定采集时间范围中通过车辆的平均车速，以及各个交通路口在设定采集时间范围中通过车辆的车流量大小，即在采集时间段中通过交通路口的机动车数量，终端设备可以根据对应于不同内容的交通数据，预测出与之对应的未来预测数据，进而执行不同的目标任务。
具体的，终端设备可以将获取到的各对象在各历史时刻的历史状态数据按照以不同对象的维度，以及不同时间的维度为基准进行张量形式的数据表示，从而使得输入到待训练的目标模型的各历史状态数据为张量数据格式的各历史状态数据。具体历史状态数据对应的张量数据的形状表示可以为X=（B，L，N，1），其中“B”表示根据历史状态数据的数据长度均等划分成的批的个数，“L”表示历史状态数据对应的时间序列长度和节点数量，“N”表示历史状态数据中对象维度中涉及到的对象数量，“1”表示历史状态数据中的具体历史数据的个数，上述提到的各个代表张量数据维度的数值均可根据实际需求进行动态调整，本说明书不对其做严格限定。为了便于说明张量数据格式的历史状态数据的具体表示，下面以一个各个交通路口在设定时间段中通过车辆的平均车速的例子进行介绍，具体可以参考如下公式：
其中，表示在交通测速过程中的某一呈张量数据格式的历史状态数据众多批次之一，由公式中数据可知，该历史状态数据对应的时间序列长度为4，对数据进行采集的时间节点数量也为4（第一时间节点，第二时间节点，第三时间节点，第三时间节点），即L=4，而该历史状态数据中对象维度中涉及到的对象数量为3（交通测速传感器A，交通测速传感器B，交通测速传感器C，这三个交通测速传感器位于不同的测试路段），即N=3，所以该历史状态数据的张量形状为X=（B，4，3，1），最低维度的数据的具体值用于表述在对应时间节点该对象（交通测速传感器）所采集到经过车辆的平均速度，单位为公里/时。具体的，以公式中为例，该数据行表示为交通测速传感器A在第二时间节点（例如上午10点至上午11点）采集到通过的车辆的车速为平均50.32公里/时；交通测速传感器B在第二时间节点采集到通过的车辆的车速为平均79.56公里/时；交通测速传感器C在第二时间节点采集到通过的车辆的车速为平均25.55公里/时。
在目标模型根据各个交通路口在各历史时刻的历史状态数据生成各对象对应的状态特征数据，以及各对象在各历史时刻对应的时间特征数据和状态程度特征数据之前，终端设备会对为张量数据格式的历史状态数据进行数据识别，判断历史状态数据中的各个数据是否发生缺失，简单来说就是判断历史状态数据中是否存在有空值，即原本应该存在数据的数据位因为某种原因导致数据缺失的情况。若终端设备确定发现历史状态数据存在有数据缺失情况的出现，那么会对存在有数据缺失的历史状态数据中缺失数据所处的数据位根据预设指令字符进行数据标记，预设指令字符具体可以为数值“0”等设定字符，在本说明书中不对其进行限定。
终端设备在对存在有数据缺失的历史状态数据进行标记处理后，为了便于后续的数据处理过程，会对各呈张量数据形式的历史状态数据进行正则化处理，具体参考如下公式：
其中，为各呈张量数据形式的历史状态数据，为历史状态数据的均值数据，为历史状态数据的标准差数据。具体正则化过程为，历史状态数据减去均值，再除以标准差，得到正则化后的历史状态数据。
然后，终端设备会将经过标记后并且经过正则化处理的历史状态数据，输入到目标模型中，通过目标模型生成标记后的历史状态数据对应的零值掩码张量，并根据零值掩码张量，对缺失数据对应的原数据进行预测，对历史状态数据进行补充，以得到不存在缺失数据的完整历史状态数据。为了便于说明如何对存在有缺失数据的历史状态数据进行数据补充，下面将以一个对存在有缺失数据的历史状态数据进行数据补充的示意图，来进行说明，如图2所示。
图2为本说明书提供的一种对存在有缺失数据的历史状态数据进行数据补充的示意图。
如图2所示，假设张量数据X为各个交通路口对应的历史交通流量相关数据中的某一历史状态数据，由于某种原因其中数据原本为“6”和“8”的数据位中的数据缺失，终端设备将对应数据的数据标记为零，即图2中标记后的历史状态数据。将标记后的历史状态数输入到目标模型中，通过目标模型根据标记后的历史状态数据，确认出对应的零值掩码张量数据，如图2中所示，具有真实数据的数据位用“false”表示，被标记的数据位（即为“0”）用“true”表示。然后利用目标模型根据零值掩码张量对缺失数据对应的原数据进行预测，对历史状态数据进行补充，具体参考如下公式：
其中，表示为终端设备中预置的目标模型对历史状态数据中的缺失数据进行预测时所使用的一个可学习变量，在后续的模型训练过程中，目标模型会对可学习变量进行自动调整，使其在补全历史状态数据的缺失数据过程中越来越相似于真实的原数据。具体的替换过程如上述第二行公式所示，根据零值掩码张量数据中“false”和“true”的数据分布，确定出历史状态数据中需要被可学习变量进行替换的数据位，即历史状态数据中缺失数据所处的数据位，将可学习变量替换到对应的数据位上，简单来说，就是将可学习变量作为缺失数据位对应的数据，来补全历史状态数据。
进一步而言，由于在目标模型对历史状态数据缺失数据进行预测之前，终端设备已经对标记后的历史状态数据进行了正则化处理，所以终端设备便可直接将补全后不存在缺失数据的并且经过正则化处理的完整历史状态数据作为历史状态数据的状态特征数据。需要说明的是，若终端设备并未发现历史状态数据存在有数据缺失情况的出现，那么终端设备会直接对不存在数据缺失的历史状态数据进行正则化处理，具体过程与上述对标记后的历史状态数据正则化过程相同，并将正则化后的历史状态数据输入到目标模型中，目标模型会将正则化后的历史状态数据作为历史状态数据对应的状态特征数据。需要说明的是，上述提及的历史状态数据对应的状态特征数据具体可以用于表示历史状态数据对应的各交通路口在各个历史时刻的交通流量数据的具体数据值，即各个交通路口在各历史时间段内通过车辆的平均车速，或者经过的车流量大小等。
紧接着，目标模型可以根据获取到的各对象在各历史时刻的历史状态数据对应的时间维度下的不同时间节点，确定出历史状态数据对应的时间特征数据，时间特征数据主要用于表示历史状态数据中各数据对应的各历史时刻，具体数据格式同样为张量形式的数据。具体可参考如下公式：
其中，表示为历史状态数据X的时间特征数据，“288”表示以5分钟为一个数据记录点，以24小时（0点~24点）为范围确定出288个数据记录点，表示历史状态数据X的时间维度下的各个不同时间节点。时间特征数据的具体确认过程为将历史状态数据X的时间维度下的各个不同时间节点T，在24小时（0点~24点）中288个数据记录点的序数作为历史状态数据X的时间特征数据。需要说明的是，上述提到的数据记录点的个数以及时间范围可根据实际应用场景而定，本说明书中不对其进行严格数值大小的限定，根据实际需求进行调整即可。
然后，终端设备中的目标模型可以根据获取到的各对象在各历史时刻的历史状态数据对应的对象维度下的不同对象信息，确定出历史状态数据对应的状态程度特征数据，状态程度特征数据主要用于表示历史状态数据中涉及到的不同对象的状态信息，即用于表示不同交通路口对应的交通状态信息，例如表示各交通路口在各历史时间段所经过车辆的平均车速的快慢程度，或者表示各交通路口在各历史时间段所经过车辆的车流量是否繁多或者稀少等，具体数据格式同样为张量形式的数据。具体可参考如下公式：
其中，表示为终端设备中预置的目标模型确定历史状态数据对应的状态程度特征数据所使用的一个可学习张量数据，在后续的模型训练过程中，目标模型会对可学习张量数据进行自动调整，使其可以更加准确地表达出对象维度下的不同对象的状态信息，以便于在后续的数据预测过程中可以更加明显的考虑到各个对象之间的相互影响。为目标模型中隐含层的大小，可根据实际场景和需求进行调整。
为了便于说明历史状态数据对应的状态程度特征数据的具体确定过程以及表示，继续沿用上述为了便于说明张量数据格式的历史状态数据的具体表示中的各个交通路口在设定时间段中通过车辆的平均车速的例子来进行介绍，具体可参考如下公式：
其中，表示上述实施例中历史状态数据各个对象（各交通测速传感器）对应的状态程度特征数据，为了便于理解，这里假设状态程度特征数据中的详细数值仅反映各交通测速传感器所处位置的经过车辆的车速快慢程度，从上述例子中可以看出，交通测速传感器C所处的位置处经过车辆的车速普遍较慢，而交通测速传感器A所处的位置处经过车辆的车速普遍较块，所以通过来表示交通测速传感器C的状态程度特征数据，来表示交通测速传感器A的状态程度特征数据。
简单来说，以交通车速为例，目标模型可以根据获取到的各路口在各个历史时间段中的平均车速，以及各个交通路口的相互连接情况，来判断各个交通路口对应的车速快慢程度，从而用上述提及的状态程度特征数据进行表示。上述介绍过程仅是为了便于理解，在实际应用过程中目标模型会考虑各交通路口的各历史交通数据中的多方面数据，从而生成更能代表各交通路口处本身特征的状态程度特征数据。
S103：通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据。
在本说明书中，终端设备可以通过预置的目标模型将历史状态数据对应的状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，将为张量数据形式的各个特征数据在数值方面融合为一个张量数据形式的融合特征数据。
具体的，终端设备可以通过目标模型将历史状态数据对应的状态特征数据映射到低维向量空间上，通过目标模型中预置的隐含层将其维度降低，便于后续的数据融合过程，具体可参考如下公式：
其中，表示为历史状态数据的状态特征数据（即经过正则化处理后的历史状态数据），表示为用于降低状态特征数据维度的权重矩阵，其形状为，表示为目标模型中预置的隐含层的大小，而目标模型中预置的隐含层主要用于将高维度的张量数据映射到低维度的向量空间中，以此减少目标模型的复杂度和计算量。表示为历史状态数据的状态特征数据在低维向量空间的映射结果。需要说明的是，的大小，即目标模型中预置的隐含层的大小可根据实际应用场景而定，本说明书中不对其进行限定，可以根据实际需求进行调整。
然后，终端设备还可以通过目标模型将历史状态数据对应的时间特征数据映射到低维向量空间上，与上述对历史状态数据对应的状态特征数据处理过程类似，通过目标模型中预置的隐含层将其维度降低，便于后续的数据融合过程，具体可参考如下公式：
其中，表示为历史状态数据的时间特征数据，表示为目标模型中根据上述在确定历史状态数据对应的时间特征数据中提及的数据记录点的个数，以及时间范围确认的时间字典嵌入层，表示为历史状态数据的时间特征数据在低维向量空间的映射结果。根据时间特征数据在低维的时间字典嵌入层中的映射数据，确定出时间特征数据在低维向量空间的映射结果。
确定出历史状态数据的状态特征数据，以及时间特征数据在低维向量空间的映射数据后，终端设备会将状态特征数据，以及时间特征数据在低维向量空间的映射数据，以及状态程度特征数据进行数据融合，以得到历史状态数据对应的融合特征数据，具体可参考如下公式：
其中，表示为历史状态数据的状态特征数据在低维向量空间的映射结果，表示为历史状态数据的时间特征数据在低维向量空间的映射结果，表示为历史状态数据对应的状态程度特征数据，表示为历史状态数据对应的融合特征数据。此过程主要目的是将历史状态数据的各特征数据进行数值方面的相加，以得到同时带有历史状态数据的状态特征数据，时间特征数据，以及状态程度特征数据的融合特征数据。
需要说明的是，经过目标模型的数据融合过程后，由于大小为D的隐含层的存在，历史状态数据对应的呈张量数据格式的融合特征数据的形状为X=（B，L，N，D），即通过终端设备中的目标模型使得高维度的历史状态数据到低维度的空间中，以得到低维度的，便于后续数据处理过程的融合特征数据，减少目标模型的复杂度和计算量，并提高了目标模型的泛化能力。
S104：将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据。
在本说明书中，终端设备可以将上述提及的各个交通路口在各历史时刻对应的融合特征数据输入到目标模型中预置的数据关联层，通过数据关联层将融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联，得到各个交通路口在各历史时刻对应的关联特征数据。
其中，目标模型中预置的数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层。终端设备会先将历史状态数据对应的融合特征数据输入到目标模型中的状态数据关联层，通过状态数据关联层以融合特征数据中的状态特征数据为标准，对融合特征数据进行映射处理，以得到第一映射数据，具体可参考如下公式：
其中，表示为历史状态数据对应的融合特征数据，和表示为针对状态特征数据进行映射处理过程中的两个权重矩阵，上述提及的目标模型中预置的隐含层的大小，表示为融合特征数据针对状态特征数据进行映射处理后的第一映射数据。表示为以融合特征数据中的状态特征数据为标准，对融合特征数据进行映射处理，然后再经过权重矩阵的乘积处理后进行加和，得到第一映射数据。
紧接着，终端设备可以将第一映射数据输入到目标模型中的状态程度数据关联层，通过状态程度数据关联层以融合特征数据中的状态程度特征数据为标准，对第一映射数据进行映射处理，以得到第二映射数据，具体可参考如下公式：
其中，表示为融合特征数据对应的第一映射数据，和表示为针对状态程度特征数据进行映射处理过程中的两个权重矩阵，为呈张量数据格式的历史状态程度数据中对象维度对应的各对象的数量，表示为第一映射数据针对状态特征数据进行映射处理后的第二映射数据。表示为以程度状态特征数据为标准，对第一映射数据进行映射处理，然后再经过权重矩阵的乘积处理后进行加和，得到第二映射数据。
需要说明的是，在通过目标模型中的状态程度数据关联层进行针对状态程度特征数据进行映射处理之前，需要将第一映射数据的张量形状进行维度置换，使得第一映射数据中的对象维度转置到第一映射数据的最后一维，便于状态程度数据关联层针对第一映射数据中的状态程度特征数据进行映射处理，具体可以参考如下公式：
其中，公式中等号右边的表示需要进行维度转置的张量数据，表示将张量数据中第三维度与第四维度进行维度置换，与上述针对状态程度特征数据进行映射处理相结合，即将第一映射数据中的对象维度转置到第一映射数据的最后一维，使得目标模型中的状态程度数据关联层可以直接根据最后一维的数据，对第一映射数据中的状态程度特征数据进行映射处理。
还需说明的是，经过目标模型中的状态程度数据关联层生成第一映射数据对应的第二映射数据后，需要再将第二映射数据中的变化后的维度顺序再置换回原来的维度顺序，保证输入状态数据关联层前的张量数据形状与输出后的张量数据形状一致，具体参考如下公式：
然后，终端设备可以将第二映射数据输入到目标模型中的时间数据关联层，通过时间数据关联层以融合特征数据中的时间特征数据为标准，对第二映射进行映射处理，以得到关联特征数据，具体可参考如下公式：
其中，表示为融合特征数据对应的第二映射数据，和表示为针对时间特征数据进行映射处理过程中的两个权重矩阵，为呈张量数据格式的历史状态数据中时间维度对应的各历史时刻的数量，表示为第二映射数据针对时间特征数据进行映射处理后的关联特征数据。表示为以时间特征数据为标准，对第二映射数据进行映射处理，然后再经过权重矩阵的乘积处理后进行加和，得到关联特征数据。
同样需要说明的是，在通过目标模型中的时间数据关联层进行针对时间特征数据进行映射处理之前，需要将第二映射数据的张量形状进行维度置换，使得第二映射数据中的时间维度转置到第二映射数据的最后一维，便于时间数据关联层针对第二映射数据中的时间特征数据进行映射处理，具体可以参考如下公式：
其中，公式中等号右边的表示需要进行维度转置的张量数据，表示将张量数据中第二维度与第四维度进行维度置换，与上述针对时间特征数据进行映射处理相结合，即将第二映射数据中的时间维度转置到第二映射数据的最后一维，使得目标模型中的时间数据关联层可以直接根据最后一维的数据，对第二映射数据中的时间特征数据进行映射处理。
还需说明的是，经过目标模型中的时间数据关联层生成第二映射数据对应的关联特征数据后，需要再将关联特征数据中的变化后的维度顺序再置换回原来的维度顺序，保证输入时间数据关联层前的张量数据形状与输出后的张量数据形状一致，具体参考如下公式：
上述针对各交通路口在各历史时刻的历史状态数据对应的融合特征数据进行数据关联的过程，目的是使得只是在数据方面进行融合的融合特征数据中各个维度之间可以具有更为明显的关联性，为在后续通过目标模型进行数据预测的过程中提供更加可靠的关联特征数据。
S105：通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据。
S106：以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行预测。
在本说明书中，终端设备会通过目标模型中的全连接层来根据各历史状态数据对应的关联特征数据，进行数据预测，以得到各对象在各历史时刻对应的预测结果数据，即各交通路口在设定的未来时间段中的预测结果数据，并以最小化预测结果数据与实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练。
具体的，终端设备会将历史状态数据对应的关联特征数据输入到目标模型中具有数据预测功能的全连接层中，通过上述全连接层进行数据预测，得到对应的预测结果数据，具体可参考如下公式：
其中，表示历史状态数据对应的关联特征数据（即上述数据关联过程中提及的关联特征数据），表示通过目标模型中的全连接层将历史状态数据中的各历史时刻与数据进行乘积联合，表示关联特征数据对应的预测结果数据。总结来说，上述公式根据历史状态数据的多维度联合后的关联特征数据，来预测生成各对象在各未来时刻的未来状态数据，即各个交通路口在各个未来时间段中的交通流量相关数据，例如，根据过去某一时间段中各路口的平均车速来预测未来对应时间段的各路口的平均车速等。
紧接着，终端设备可以以最小化预测结果数据与对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，具体可以参考如下公式：
其中，表示为目标模型根据历史状态数据生成的预测结果数据，表示为历史状态数据对应的实际交通流量相关数据，表示为预测结果数据与实际交通流量相关数据之间的偏差损失。通过以降低损失偏差为目标，对目标模型中各神经网络层的相关参数进行调整，从而优化目标模型，以对所述目标模型进行训练。
需要说明的是，本说明书中不对上述终端设备中所使用的目标模型的网络构架进行具体限定，可采用如多层感知器（Multilayer Perceptron ，MLP）等神经网络模型，可根据实际需求和预算进行灵活调整。
在本说明书中所提供的方法主要分为两个阶段，模型训练阶段以及实际应用阶段。上述介绍的模型训练阶段，主要用于获取到经模型训练后具有数据预测能力的目标模型，从而使得在实际应用阶段中，可以针对待预测的各交通路口的交通流量相关数据进行数据预测，得到与之对应的预测结果数据，进而根据预测结果数据执行相应的目标任务。
为了便于介绍基于三维全连接融合的时序数据预测方法，下面将以一个基于三维全连接融合的时序数据预测方法的流程示意图，来进行说明，如图3所示。
图3为本说明书中提供的一种基于三维全连接融合的时序数据预测方法的流程示意图，包括以下步骤：
S301：获取各交通路口的交通流量相关数据。
伴随着科学技术的不断进步，各领域中对于数据处理中的数据预测能力的需求和严格程度也在与日俱增，在交通领域中也普及广泛。而现有手段大多有着预测效率低下，预测准确度不高的严重缺点，对后续根据预测数据执行目标任务造成很严重的影响。因此，如何针对历史交通数据进行准确且高效的数据预测，进而根据预测结果顺利执行目标任务，是个亟待解决的问题。
为此，本说明书提供了一种基于三维全连接融合的时序数据预测方法，其中，本说明书提供的方法所采用的执行主体可以服务器，也可以是是诸如台式电脑、笔记本电脑等终端设备，而除此之外，本说明书的执行主体也可以为软件形式的主体，如安装在终端设备中的客户端等。而为了便于说明，下面本说明书仅以服务器作为执行主体，对所提供的基于三维全连接融合的时序数据预测方法进行说明。
基于此，应用本说明书提供的基于三维全连接融合的时序数据预测方法的服务器根据预测数据所执行的目标任务具体可以根据实际场景而定，例如，根据历史上各交通路口的在各个时间段内的平均车速，通过服务器来预测未来对应的各时间段内的未来平均车速，从而对各交通路段的车辆限速进行及时调整和优化；再例如，根据历史上各交通路口的在各个时间段内的车流量大小，通过服务器来预测未来对应的各时间段内的未来车流量大小，进而根据预测结果对各个路口的信号灯的信号周期进行动态调整，减少交通堵塞和事故的发生。
为了便于介绍张量数据形式的待预测状态数据具体是如何表示的，下面以一个各交通路口在各个时间段通过的车流量大小的待预测状态数据的实施例进行介绍，具体参考如下公式；
其中，表示各交通路口在各预设时间段中经过的车流量大小，即在各历史时间段中经过各交通路口的机动车数量。由公式中数据可知，该待预测状态数据对应的时间序列长度为3，对数据进行采集的时间节点数量也为3（车流量采集传感器A，车流量采集传感器B，车流量采集传感器C），即L=3，而待预测状态数据中对象维度中涉及到的对象数量为3（测温传感器A，测温传感器B，测温传感器C），即N=3，所以该预测状态数据的张量形状为X=（B，3，3，1），最低维度的数据的具体值用于表述在对应时间段中该车流量采集传感器所采集到经过机动车的数量多少。具体的，以公式中为例，该数据行表示为车流量采集传感器A在第二时间节点（例如中午12点至下午14点）采集到所处交通路口的经过车辆数为44；车流量采集传感器B在第二时间节点采集到所处交通路口的经过车辆数为52；车流量采集传感器C在第二时间节点采集到所处交通路口的经过车辆数为40。
S302：将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述模型训练的方法训练得到的。
S303：根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
在本说明书中，服务器可以将呈张量数据格式的各交通路口的交通流量相关数据输入到预先经过训练的目标模型，通过目标模型将各交通路口的交通流量相关数据中的状态特征数据，状态程度特征数据，以及时间特征数据进行数据关联，得到各交通路口的交通流量相关数据对应的关联特征数据，并基于此对各交通路口的交通流量相关数据进行数据预测，以得到与各交通路口的交通流量相关数据对应的预测结果数据。进而根据预测结果数据，执行后续的目标任务。
需另行说明的是，从上述内容中可以看出在本说明书中提及的模型训练方法，以及基于三维全连接融合的时序数据预测方法主要可以应用于交通路段管控领域中，但除交通领域外，本说明书提及的方法还可广泛应用在其他需要对未来数据进行预测的技术领域中。例如，在天气气象预报领域中，可以通过应用了本说明书中提及的方法的服务器根据过去的天气数据进行未来时间段内的天气数据进行预测，进而根据预测结果执行天气预报任务，及时公示未来天气变化，及时提醒市民做好相应措施；再例如，在股票证券交易领域，可以通过应用了本说明书中提及的方法的服务器根据历史各股票的变化趋势以及各股票间的相互影响对未来股票市场的经济走向进行预测，为相关人员提供更为全面的信息，以对后续股票的交易过程进行调整。
为了便于介绍在其他领域中运用本说明书提及方法的进行数据预测时，呈张量数据形式的待预测数据具体是如何表示的，下面以一个在天气预测领域中的呈张量数据形式的待预测数据的实施例进行介绍，具体参考如下公式；
其中，表示在天气预测领域中的表示各地区在各个历史时刻温度的待预测状态数据。由公式中数据可知，该待预测数据对应的时间序列长度为3，对数据进行采集的时间节点数量也为3（第一时间节点，第二时间节点，第三时间节点），即L=3，而待预测状态数据中对象维度中涉及到的对象数量为3（测温传感器A，测温传感器B，测温传感器C），即N=3，所以该待预测数据的张量形状为X=（B，3，3，1），最低维度的数据的具体值用于表述在对应历史时刻该测温传感器所采集到温度大小，单位为摄氏度。具体的，以公式中为例，该数据行表示为测温传感器A在第二时间节点（例如中午12时）采集到所处位置的温度为23.4℃；测温传感器B在第二时间节点采集到所处位置的温度为24.6℃；测温传感器C在第二时间节点采集到所处位置的温度为23.1℃。
进而应用本说明书中提及的方法的服务器便可根据针对天气温度领域的呈张量形式的待预测数据，确定出各个地区对应状态特征数据，时间特征数据以及状态程度特征数据，从而将各特征数据进行数据融合后通过预先训练的目标模型将各特征数据进行关联，根据对应的关联特征数据对未来相应时间段的天气温度进行预测，从而使得相应部门可以及时向民众公示未来的天气变化，并提醒市民做好相应措施。
从上述内容可以看出，本说明书提供的模型训练的方法、基于三维全连接融合的时序数据预测方法，可以通过目标模型中的数据关联层将历史状态数据中的状态特征数据，时间特征数据以状态程度特征数据进行数据关联，从而根据各特征数据之间紧密联系的关联特征数据进行数据预测，并且还能对缺失数据进行补全，使得数据预测过程中利用到的数据更为全面，进而也就使得数据预测的结果更为精准。整体数据预测过程的预测效率也较现有技术相比更为高效，保障了后续根据预测数据所执行的目标任务的顺利执行，使得执行目标任务的执行效率也获得了一定程度的提升。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图4所示。
图4为本说明书提供的一种模型训练的装置的示意图，包括：
获取模块401，用于获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；
特征生成模块402，用于将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；
特征融合模块403，用于通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；
特征关联模块404，用于将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据；
预测模块405，用于通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；
训练模块406，用于以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行数据预测。
可选的，所述特征生成模块402具体用于：将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据；根据所述补全后的历史状态数据，确定所述各对象对应的状态特征数据。
可选的，所述特征生成模块402具体用于：根据预设指令字符，针对所述历史状态数据中缺失数据所处的数据位进行数据标记，以得到标记后的历史状态数据；将所述标记后的历史状态数据输入到所述目标模型中，以使得所述目标模型根据所述历史状态数据中的预设指令字符，从所述历史状态数据中确定出存在缺失数据的数据位，并对所述数据位上的缺失的数据进行预测，以得到补全后的历史状态数据。
可选的，所述数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层；
所述特征关联模块404具体用于：将所述融合特征数据发送到所述目标模型的状态数据关联层，使得所述目标模型以状态特征数据为标准，对所述融合特征数据进行映射处理，得到第一映射数据； 将所述第一映射数据发送到所述目标模型的状态程度数据关联层，使得所述目标模型以状态程度特征数据为标准，对所述第一映射数据进行映射处理，得到第二映射数据；将所述第二映射数据发送到所述目标模型的时间数据关联层，使得所述目标模型以时间特征数据为标准，对所述第二映射数据进行映射处理，得到所述融合特征数据对应的关联特征数据。
基于同样的思路，本说明书还提供了相应的基于三维全连接融合的时序数据预测的装置，如图5所示。
图5为本说明书提供的一种基于三维全连接融合的时序数据预测的装置的示意图，包括：
获取模块501：用于获取各交通路口的交通流量相关数据；
预测模块502：用于将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述模型训练的方法训练得到的；
执行模块503：用于根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1和图3提供的一种模型训练的方法和基于三维全连接融合的时序数据预测方法。
本说明书还提供了图6所示的一种对应于图1和图3的电子设备的示意结构图。如图6所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的模型训练的方法或图3所示的基于三维全连接融合的时序数据预测方法。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种模型训练的方法，其特征在于，包括：
获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；
将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；
通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；
将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据，其中，所述数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层，将所述融合特征数据发送到所述目标模型的状态数据关联层，使得所述目标模型以状态特征数据为标准，对所述融合特征数据进行映射处理，得到第一映射数据，将所述第一映射数据发送到所述目标模型的状态程度数据关联层，使得所述目标模型以状态程度特征数据为标准，对所述第一映射数据进行映射处理，得到第二映射数据，将所述第二映射数据发送到所述目标模型的时间数据关联层，使得所述目标模型以时间特征数据为标准，对所述第二映射数据进行映射处理，得到所述融合特征数据对应的关联特征数据，其中，所述第一映射数据是以所述融合特征数据中的状态特征数据为标准，对所述融合特征数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述第二映射数据是以所述融合特征数据中的状态程度特征数据为标准，对所述第一映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述关联特征数据是以所述融合特征数据中的时间特征数据为标准，对所述第二映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的；
通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；
以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行预测。
2.如权利要求1所述的方法，其特征在于，将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据，具体包括：
将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据；
根据所述补全后的历史状态数据，确定所述各对象对应的状态特征数据。
3.如权利要求2所述的方法，其特征在于，所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据，具体包括：
根据预设指令字符，针对所述历史状态数据中缺失数据所处的数据位进行数据标记，以得到标记后的历史状态数据；
将所述标记后的历史状态数据输入到所述目标模型中，以使得所述目标模型根据所述历史状态数据中的预设指令字符，从所述历史状态数据中确定出存在缺失数据的数据位，并对所述数据位上的缺失的数据进行预测，以得到补全后的历史状态数据。
4.一种基于三维全连接融合的时序数据预测方法，其特征在于，包括：
获取各交通路口的交通流量相关数据；
将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述权利要求1~3任一项所述的方法训练得到的；
根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
5.一种模型训练的装置，其特征在于，包括：
获取模块，用于获取各对象在各历史时刻的历史状态数据，所述各对象包括预设区域内的各交通路口，所述历史状态数据包括所述预设区域内的各交通路口的交通流量相关数据；
特征生成模块，用于将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型根据所述历史状态数据，生成所述各对象对应的状态特征数据以及所述各对象在各历史时刻对应的时间特征数据和状态程度特征数据；
特征融合模块，用于通过所述目标模型将所述状态特征数据，时间特征数据以及状态程度特征数据进行数据融合，以得到所述各对象在各历史时刻对应的融合特征数据；
特征关联模块，用于将所述各对象在各历史时刻对应的融合特征数据输入到所述目标模型的数据关联层，使得所述目标模型以对所述融合特征数据中的状态特征数据，时间特征数据以及状态程度特征数据进行数据关联为目标，对所述融合特征数据进行处理，生成所述各对象在各历史时刻对应的关联特征数据，其中，所述数据关联层包含有状态数据关联层，时间数据关联层，以及状态程度数据关联层，将所述融合特征数据发送到所述目标模型的状态数据关联层，使得所述目标模型以状态特征数据为标准，对所述融合特征数据进行映射处理，得到第一映射数据，将所述第一映射数据发送到所述目标模型的状态程度数据关联层，使得所述目标模型以状态程度特征数据为标准，对所述第一映射数据进行映射处理，得到第二映射数据，将所述第二映射数据发送到所述目标模型的时间数据关联层，使得所述目标模型以时间特征数据为标准，对所述第二映射数据进行映射处理，得到所述融合特征数据对应的关联特征数据，其中，所述第一映射数据是以所述融合特征数据中的状态特征数据为标准，对所述融合特征数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述第二映射数据是以所述融合特征数据中的状态程度特征数据为标准，对所述第一映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的，所述关联特征数据是以所述融合特征数据中的时间特征数据为标准，对所述第二映射数据进行映射处理后，再经过权重矩阵的乘积处理后进行加和得到的；
预测模块，用于通过所述目标模型根据所述各对象在各历史时刻对应的关联特征数据，进行数据预测，以得到所述各对象在设定时段对应的预测结果数据；
训练模块，用于以最小化所述预测结果数据与所述各对象在设定时段对应的实际交通流量相关数据之间的偏差为优化目标，对所述目标模型进行训练，所述目标模型用于对各交通路口的交通流量相关数据进行数据预测。
6.如权利要求5所述的装置，其特征在于，所述特征生成模块具体用于：将所述各对象在各历史时刻的历史状态数据输入到待训练的目标模型中，以通过所述目标模型对所述历史状态数据中缺失的数据进行预测，并根据得到的预测结果，得到补全后的历史状态数据；根据所述补全后的历史状态数据，确定所述各对象对应的状态特征数据。
7.一种基于三维全连接融合的时序数据预测的装置，其特征在于，包括：
获取模块：用于获取各交通路口的交通流量相关数据；
预测模块：用于将所述各交通路口的交通流量相关数据输入到目标模型中，通过所述目标模型得到所述各交通路口的交通流量相关数据对应的预测结果数据，其中，所述目标模型是通过如上述权利要求1~3任一项所述的方法训练得到的；
执行模块：用于根据所述各交通路口的交通流量相关数据对应的预测结果数据，执行目标任务。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311702608.4A CN117390585B (zh) | 2023-12-12 | 2023-12-12 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311702608.4A CN117390585B (zh) | 2023-12-12 | 2023-12-12 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390585A CN117390585A (zh) | 2024-01-12 |
| CN117390585B true CN117390585B (zh) | 2024-03-22 |
Family
ID=89463535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311702608.4A Active CN117390585B (zh) | 2023-12-12 | 2023-12-12 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390585B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786417B (zh) * | 2024-02-28 | 2024-05-10 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
| CN117875522A (zh) * | 2024-03-12 | 2024-04-12 | 之江实验室 | 一种事件数量预测的方法、装置、存储介质、设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112677993A (zh) * | 2021-01-05 | 2021-04-20 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
| CN112819222A (zh) * | 2021-01-29 | 2021-05-18 | 清华大学 | 打车需求量和交通流量联合预测模型的预测方法和装置 |
| CN113011483A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练和业务处理的方法及装置 |
| CN113570396A (zh) * | 2021-01-26 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 时间序列数据异常检测方法、装置、设备及存储介质 |
| CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
| WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
| CN115796259A (zh) * | 2022-11-24 | 2023-03-14 | 北京百度网讯科技有限公司 | 模型训练方法、数据处理方法、预测方法及装置、设备 |
| KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
| CN116757278A (zh) * | 2023-08-21 | 2023-09-15 | 之江实验室 | 一种预测模型的训练方法、装置、存储介质及电子设备 |
-
2023
- 2023-12-12 CN CN202311702608.4A patent/CN117390585B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112677993A (zh) * | 2021-01-05 | 2021-04-20 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
| CN113570396A (zh) * | 2021-01-26 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 时间序列数据异常检测方法、装置、设备及存储介质 |
| CN112819222A (zh) * | 2021-01-29 | 2021-05-18 | 清华大学 | 打车需求量和交通流量联合预测模型的预测方法和装置 |
| CN113011483A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种模型训练和业务处理的方法及装置 |
| WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
| CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
| KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
| CN115796259A (zh) * | 2022-11-24 | 2023-03-14 | 北京百度网讯科技有限公司 | 模型训练方法、数据处理方法、预测方法及装置、设备 |
| CN116757278A (zh) * | 2023-08-21 | 2023-09-15 | 之江实验室 | 一种预测模型的训练方法、装置、存储介质及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| MuSeFFF: Multi-stage feature fusion framework for traffic prediction;Arun Kumar等;《Intelligent Systems with Applications》;20220430;全文 * |
| 基于SVM与自适应时空数据融合的短时交通流量预测模型;李巧茹;赵蓉;陈亮;;北京工业大学学报;20150430(第04期);全文 * |
| 基于多通道Transformer的交通量预测方法;周楚昊等;《计算机应用研究》;20220228;第40卷(第2期);全文 * |
| 多层特征融合和并行自注意力的孪生网络目标跟踪算法;束平等;《计算机应用研究》;20220430;第39卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390585A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117390585B (zh) | 基于三维全连接融合的时序数据预测方法及模型训练方法 | |
| CN109887272B (zh) | 一种交通人流量的预测方法及装置 | |
| CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
| CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
| WO2022144010A1 (zh) | 无人驾驶设备的控制 | |
| CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN116740361B (zh) | 一种点云分割方法、装置、存储介质及电子设备 | |
| CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
| CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
| CN117197781A (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN116578877A (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN114153207B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
| Buijse et al. | A Deep Learning-Based Approach for Train Arrival Time Prediction | |
| CN117744731B (zh) | 一种基于阻变存储器的模型训练方法、装置、介质及设备 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| CN114972909B (zh) | 一种模型训练的方法、构建地图的方法及装置 | |
| CN117237744B (zh) | 一种图像分类模型的训练方法、装置、介质及电子设备 | |
| CN114611517B (zh) | 基于深度学习的命名实体识别方法、装置、设备和介质 | |
| CN117933707A (zh) | 一种风控模型解释方法、装置、存储介质及电子设备 | |
| CN115983398A (zh) | 一种业务模型调整方法、装置及设备 | |
| CN116935055A (zh) | 一种基于注意力掩码的弱监督语义分割方法及装置 | |
| CN117909738A (zh) | 一种预测模型训练以及获取建筑物高度的方法及装置 | |
| CN116721316A (zh) | 一种模型训练和地磁图优化方法、装置、介质及设备 | |
| CN117079274A (zh) | 一种识别模型的训练方法、装置、存储介质及电子设备 | |
| CN117333509A (zh) | 一种目标跟踪方法、装置及设备 |
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 |