CN117973870A - 消防场景的风险评估模型的训练系统及方法 - Google Patents
消防场景的风险评估模型的训练系统及方法 Download PDFInfo
- Publication number
- CN117973870A CN117973870A CN202410159568.1A CN202410159568A CN117973870A CN 117973870 A CN117973870 A CN 117973870A CN 202410159568 A CN202410159568 A CN 202410159568A CN 117973870 A CN117973870 A CN 117973870A
- Authority
- CN
- China
- Prior art keywords
- risk
- feature
- training
- environmental
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 200
- 238000012502 risk assessment Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 209
- 238000012545 processing Methods 0.000 claims abstract description 140
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims description 233
- 239000011159 matrix material Substances 0.000 claims description 102
- 230000008859 change Effects 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 28
- 238000013210 evaluation model Methods 0.000 claims description 15
- 230000007480 spreading Effects 0.000 claims description 10
- 230000001172 regenerating effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Abstract
本发明公开了一种消防场景的风险评估模型的训练系统及方法,包括至少一个服务器,服务器用于:首先获取训练样本集合;再利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;最终利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。可以保证模型训练的可靠性和稳定性,即保证训练得到的风险特征处理模块和特征评估模块均具备较优的性能。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种消防场景的风险评估模型的训练系统及方法。
背景技术
随着经济和社会的快速发展,城市化进程加快,城市规模不断扩大,人口密度不断增加,建筑内的结构复杂,功能特殊,人员密度也在逐渐提高。
如果发生火灾,则可能造成重大人员伤亡和财产损失。
因此,火灾风险评估是提高防火能力,降低火灾可能性的有效途径,如何提高火灾风险评估的可靠性成为亟待解决的问题。
发明内容
本发明的目的在于提供一种消防场景的风险评估模型的训练系统及方法。
第一方面,本发明实施例提供一种消防场景的风险评估模型的训练系统,所述系统包括至少一个服务器,所述服务器用于:
获取训练样本集合;所述训练样本集合中包括具备关联标注的环境数据集和评估结果数据集,所述环境数据集和所述评估结果数据集对应预设数据集数量;
利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;所述风险特征处理模块包括特征提取单元和特征处理单元,所述特征提取单元用于将评估结果数据集转化为风险特征矩阵,所述特征处理单元用于基于所述风险特征矩阵重新生成评估结果数据集;所述特征评估模块用于基于环境数据集确定风险特征矩阵;
利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。
第二方面,本发明实施例提供消防场景的风险评估模型的训练方法,包括:
获取训练样本集合;所述训练样本集合中包括具备关联标注的环境数据集和评估结果数据集,所述环境数据集和所述评估结果数据集对应预设数据集数量;
利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;所述风险特征处理模块包括特征提取单元和特征处理单元,所述特征提取单元用于将评估结果数据集转化为风险特征矩阵,所述特征处理单元用于基于所述风险特征矩阵重新生成评估结果数据集;所述特征评估模块用于基于环境数据集确定风险特征矩阵;
利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。
相比现有技术,本发明提供的有益效果包括:可以对风险特征处理模块和特征评估模块交替前行训练,先训练风险特征处理模块,待完成对于风险特征处理模块的训练后,再训练特征评估模块,可以保证模型训练的可靠性和稳定性,即保证训练得到的风险特征处理模块和特征评估模块均具备较优的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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。
图1为本发明实施例提供的消防场景的风险评估模型的训练方法的步骤流程示意图;
图2为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本发明的具体实施方式进行详细说明。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的消防场景的风险评估模型的训练方法的流程示意图,该方法例如可以应用于服务器或者计算机或者服务器系统如消防场景的风险评估模型的训练系统,如图1所示,下面对该图1为本公开实施例提供的消防场景的风险评估模型的训练方法进行详细介绍,该方法的具体流程可以如下:
图1为本申请实施例提供的模型训练方法的流程示意图,该方法可以应用于计算机设备例如服务器,具体的,该方法可以应用于消防场景的风险评估模型的训练系统中的服务器,下述实施例以该模型训练方法应用于服务器为例进行介绍。
如图1所示,该模型训练方法包括以下步骤:
步骤201:获取训练样本集合;所述训练样本集合中包括具备关联标注的环境数据集和评估结果数据集,所述环境数据集和所述评估结果数据集对应预设数据集数量。
在本申请实施例中,服务器训练风险评估模型前,可以先获取用于训练该风险评估模型的训练样本集合。
需要说明的是,风险评估模型可以用于推理相应的场景中的风险情况,具体例如可以包括环境中存在风险的环境元素,以及环境中需进行的操作指令以降低环境的火灾风险的神经网络模型。
可以理解的是,训练样本集合可以是本申请实施例中在基于样本集的模型训练阶段使用的数据,其中包括具备关联标注的环境数据集和评估结果数据集,并且该环境数据集和评估结果数据集均对应预设数据集数量,该预设数据集数量是预先设定的数量,例如该数量为5时,可以包括5个场景下的环境数据以及对应的评估结果。
在本申请实施例中,火灾风险大小可以是用于表征相应的环境中发生火灾的风险大小的数据。
在一种可能的实现方式中,服务器可以利用以下方式获取训练样本集合:获取火灾样本数据,该火灾样本数据中包括在真实火灾场景中采集的真实环境数据集,例如环境图像或环境视频等,和真实评估结果数据集;然后,依据预设数据集数量,对火灾样本数据中的真实环境数据集和真实评估结果数据集分别进行数据分箱,得到具备关联标注的环境数据集和评估结果数据集,利用该环境数据集和该评估结果数据集构建训练样本集合。
其中,火灾样本数据可以是在真实火灾场景中采集到的数据,该火灾样本数据中包括在真实火灾场景中采集的真实环境数据集和真实评估结果数据集。
作为一种示例,本申请实施例可以针对不同场景下的风险评估模型的需求,训练具备对应于特定场景的风险评估模型,例如家居场景、仓库场景、商场场景等等。
示例地,训练此类风险评估模型时,服务器获取的火灾样本数据可以包括目标场景下的真实环境数据集、和相应的真实评估结果数据集。
步骤202:利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;所述风险特征处理模块包括特征提取单元和特征处理单元,所述特征提取单元用于将评估结果数据集转化为风险特征矩阵,所述特征处理单元用于基于所述风险特征矩阵重新生成评估结果数据集;所述特征评估模块用于基于环境数据集确定风险特征矩阵。
其中,服务器获取到训练样本集合后,可以利用基于样本集的模型训练算法,基于所获取的训练样本集合,交替前行训练风险特征处理模块和特征评估模块。
其中,基于训练样本集合对模型进行训练可以是一种监督学习的过程。
需要说明的是,本申请实施例中的交替前行训练可以指,在训练风险特征处理模块和特征评估模块的过程中,利用风险特征处理模块生成的中间处理结果协助训练特征评估模块,示例地,可以先对风险特征处理模块进行训练后,再基于训练后的风险特征处理模块对特征评估模块进行训练,并交替进行直至训练结束。
其中,对于特征评估模块的训练依赖对于风险特征处理模块的训练。
在一些示例中,风险特征处理模块可以用于对复杂特征或数据进行处理,其能够降低数据的复杂度以便后续处理和训练。
此外,风险特征处理模块也是一种生成模型,其可以在低维空间中进行转化,得到数据集中不存在但相似的数据。
在一些实施例中,风险特征处理模块包括特征提取单元和特征处理单元;其中,该特征提取单元可以用于将高维数据集转化到低维空间中,例如用于将复杂的评估结果数据集转化为维度较低的风险特征矩阵;该特征处理单元可以用于在低维空间中采样以生成重新生成数据,也即用于将维度较低的风险特征矩阵解码为评估结果数据集。
在一些实施例中,训练风险特征处理模块时,服务器可以将训练样本集合中的评估结果数据集输入风险特征处理模块,风险特征处理模块中的特征提取单元利用处理该评估结果数据集可以得到对应的风险特征矩阵,然后风险特征处理模块中的特征处理单元可以基于特征提取单元输出的风险特征矩阵重新生成评估结果数据集,进而,可以基于重新生成的评估结果数据集与初始输入风险特征处理模块的评估结果数据集之间的相似度指标,训练该风险特征处理模块。
训练特征评估模块时,服务器可以将训练样本集合中的环境数据集输入特征评估模块,特征评估模块利用处理该环境数据集,可以得到对应的风险特征矩阵;进而,可以基于该特征评估模块输出的风险特征矩阵与风险特征处理模块中特征提取单元基于该训练样本集合中的评估结果数据集确定的风险特征矩阵之间的相似度指标,训练该特征评估模块。
在一种可能的实现方式中,服务器可以同时训练风险特征处理模块和特征评估模块。
具体的,服务器可以利用风险特征处理模块中的特征提取单元,基于某训练样本集合中的评估结果数据集确定第一风险特征矩阵,利用风险特征处理模块中的特征处理单元,基于该第一风险特征矩阵确定重新生成评估结果数据集;和,利用特征评估模块,基于该训练样本集合中的环境数据集确定第二风险特征矩阵。
进而,基于该重新生成评估结果数据集与该评估结果数据集之间的相似度指标、和第二风险特征矩阵与第一风险特征矩阵之间的相似度指标,同时训练风险特征处理模块和特征评估模块。
示例性的,服务器可以将某训练样本集合中的评估结果数据集和环境数据集,分别输入待训练的风险特征处理模块和特征评估模块。
风险特征处理模块中的特征提取单元对所输入的评估结果数据集进行处理,可以将该评估结果数据集转化为对应的第一风险特征矩阵,风险特征处理模块中的特征处理单元对特征提取单元确定的第一风险特征矩阵进行处理,可以得到重新生成评估结果数据集,该重新生成评估结果数据集可以理解为特征处理单元基于风险特征矩阵重新生成的评估结果数据集。
特征评估模块对所输入的环境数据集进行处理,可以生成第二风险特征矩阵。
进而,服务器可以利用上述重新生成评估结果数据集与上述评估结果数据集之间的相似度指标训练风险特征处理模块,和利用上述第二风险特征矩阵与第一风险特征矩阵之间的相似度指标训练特征评估模块。
其中,服务器可以依据上述两种相似度指标,对风险特征处理模块和特征评估模块进行训练;也即,服务器可以基于上述重新生成评估结果数据集与上述评估结果数据集之间的相似度指标、和上述第二风险特征矩阵与第一风险特征矩阵之间的相似度指标,生成一个训练总代价,来训练风险特征处理模块和特征评估模块。
示例的,服务器可以基于上述重新生成评估结果数据集与上述评估结果数据集之间的相似度指标,生成第一训练代价参数,和基于上述第二风险特征矩阵与上述第一风险特征矩阵之间的相似度指标,生成第二训练代价参数;然后,基于该第一训练代价参数和该第二训练代价参数,确定训练总代价;进而,依据该训练总代价,更新该风险特征处理模块的参数指标和该特征评估模块的参数指标。
具体的,服务器可以基于上述重新生成评估结果数据集与上述评估结果数据集之间的相似度指标确定数据重建的第一差距,并依据该第一差距确定第一训练代价参数;同时,服务器还可以基于上述第二风险特征矩阵与上述第一风险特征矩阵,确定二者之间的相似度距离,并依据该相似度距离确定第二训练代价参数。
然后,服务器可以将上述第一训练代价参数和第二训练代价参数相加,得到训练总代价;或者,服务器可以依据预设的权重,对上述第一训练代价参数和第二训练代价参数进行加权求和,得到训练总代价。
进而,服务器可以以最小化该训练总代价作为目标,依据梯度下降算法同时更新风险特征处理模块的参数指标和特征评估模块的参数指标,直至风险特征处理模块和特征评估模块均达到停止迭代指标为止。
在一种可能的实现方式中,服务器也可以先训练风险特征处理模块,完成对于风险特征处理模块的训练后,再训练特征评估模块。
具体的,服务器可以先利用待训练的风险特征处理模块,基于某训练样本集合中的评估结果数据集,确定重新生成评估结果数据集,并基于该重新生成评估结果数据集与该评估结果数据集之间的相似度指标,训练该风险特征处理模块;风险特征处理模块达到停止迭代指标后,服务器可以利用待训练的特征评估模块,基于某训练样本集合中的环境数据集,确定第三风险特征矩阵,并基于该第三风险特征矩阵与第四风险特征矩阵之间的相似度指标,训练该特征评估模块;此处的第四风险特征矩阵是达到停止迭代指标的风险特征处理模块中的特征提取单元基于该训练样本集合中的评估结果数据集确定的。
示例性的,服务器可以先训练风险特征处理模块。
具体训练该风险特征处理模块时,可以将训练样本集合中的评估结果数据集输入风险特征处理模块,风险特征处理模块中的特征提取单元利用对输入的评估结果数据集进行处理,可以输出对应的风险特征矩阵,风险特征处理模块中的特征处理单元利用对特征提取单元输出的风险特征矩阵进行处理,可以生成重新生成评估结果数据集;进而,服务器可以基于该重新生成评估结果数据集和该评估结果数据集确定重构误差,依据该重构误差生成训练代价参数,以最小化该训练代价参数为目标,更新风险特征处理模块的参数指标。
如此,依据所获取的每一训练样本集合中的评估结果数据集,反复迭代进行上述操作,直至该风险特征处理模块达到停止迭代指标为止。
完成对于风险特征处理模块的训练后,服务器可以进一步训练特征评估模块。
具体训练特征评估模块时,可以将训练样本集合中的环境数据集输入特征评估模块,特征评估模块利用对输入的环境数据集进行处理,可以输出对应的第三风险特征矩阵;同时,服务器可以将该训练样本集合中的评估结果数据集输入已达到停止迭代指标的风险特征处理模块,并获取该风险特征处理模块中的特征提取单元处理该评估结果数据集生成的第四风险特征矩阵;进而,服务器可以确定该第三风险特征矩阵和该第四风险特征矩阵之间的相似度,并依据该相似度生成训练代价参数,最小化该训练代价参数为目标,更新特征评估模块的参数指标。
如此,依据所获取的每一训练样本集合中的环境数据集,反复迭代进行上述操作,直至该特征评估模块达到停止迭代指标为止。
本申请实施例利用对风险特征处理模块和特征评估模块交替前行训练,先训练风险特征处理模块,待完成对于风险特征处理模块的训练后,再训练特征评估模块,可以保证模型训练的可靠性和稳定性,即保证训练得到的风险特征处理模块和特征评估模块均具备较优的性能。
步骤203:利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。
服务器完成对于风险特征处理模块和特征评估模块的训练后,可以得到用于基于环境数据集确定风险特征矩阵的特征评估模块、和风险特征处理模块中用于基于风险特征矩阵重新生成评估结果数据集的特征处理单元,依据此,服务器可以利用该特征评估模块和该特征处理单元,生成用于基于环境数据集确定评估结果数据集的风险评估模型。
考虑到在基于样本集的模型训练阶段使用的训练样本集合的数量可能不够充足,难以保证训练出的特征评估模块的可靠性满足实际需求。
因此,在本申请实施例中,服务器可以利用基于仿真数据的增强训练算法,对上述依据特征评估模块和特征处理单元生成的风险评估模型做进一步训练,以重点提升其中特征评估模块的强度。
在一种可能的实现方式中,服务器可以在风险评估模型中额外建立一个独立于特征评估模块的更新步长确定模块,不再对特征评估模块进行更新,而是仅学习该更新步长确定模块。
即,服务器可以利用基于仿真数据的增强训练算法,训练风险评估模型中的更新步长确定模块;此时的风险评估模型中包括特征评估模块、更新步长确定模块和特征处理单元,该更新步长确定模块用于确定对于特征评估模块输出的风险特征矩阵的更新步长。
也就是说,服务器在基于仿真数据的增强训练阶段固定风险评估模型中特征评估模块和特征处理单元的参数指标,仅对风险评估模型中的更新步长确定模块的参数指标进行更新。
在一些实施例中,对于更新步长确定模块的训练过程具体包括以下步骤:(1)获取仿真环境范例中的范例环境数据集。
服务器可以依据风险评估模型与仿真环境范例之间的交互,对该风险评估模型中的更新步长确定模块进行训练。
具体的,可以获取仿真环境范例中的范例环境数据集,以供风险评估模型中的特征评估模块和更新步长确定模块来处理。
(2)利用所述特征评估模块,基于所述范例环境数据集,确定第五风险特征矩阵;利用所述更新步长确定模块,基于所述范例环境数据集,确定更新步长;利用所述特征处理单元,基于所述第五风险特征矩阵和所述更新步长,确定预测评估结果数据集。
在一些实施例中,服务器可以将所获取的范例环境数据集,输入风险评估模型,即输入风险评估模型中的特征评估模块和更新步长确定模块。
特征评估模块利用处理该范例环境数据集,可以相应地输出第五风险特征矩阵;更新步长确定模块利用处理该范例环境数据集,可以相应地输出用于更新上述第五风险特征矩阵的更新步长;进而,风险评估模型中的特征处理单元可以基于特征评估模块输出的第五风险特征矩阵和更新步长确定模块输出的更新步长,确定预测评估结果数据集。
需要说明的是,预测评估结果数据集是风险评估模型基于输入的范例环境数据集预测的评估结果数据集,该预测评估结果数据集用于指导风险评估模型对应的仿真环境元素接下来可以进行的操作指令以使得仿真环境元素的火灾风险能够得到降低,该预测评估结果数据集与上文中介绍的训练样本集合中的评估结果数据集相类似,并且该预测评估结果数据集也对应预设数据集数量。
(3)指示所述仿真环境范例中的仿真环境元素进行所述预测评估结果数据集指示的环境更新操作,获取所述仿真环境元素进行所述环境更新操作时导致的风险分数变化。
进而,服务器可以指示仿真环境元素(即仿真环境范例中由当前训练的风险评估模型指示的仿真环境元素),进行风险评估模型输出的预测评估结果数据集指示的环境更新操作。
仿真环境元素进行该环境更新操作中的操作指令,会引起仿真环境范例中火灾风险大小的变化,相应地,服务器需要获取该仿真环境元素进行该环境更新操作时导致的风险分数变化。
该风险分数变化是用于指示因该仿真环境元素进行操作指令而导致的火灾风险大小数值变化的数据。
作为一种示例,服务器可以利用以下方式获取上述风险分数变化:获取环境更新操作中每一操作指令分别对应的风险分数变化,构建风险分数变化曲线;此处的操作指令对应的风险分数变化用于指示仿真环境元素进行完该操作指令后火灾风险大小的数值变化。
具体的,风险评估模型输出预设数据集数量的预测评估结果数据集后,服务器可以依据该预测评估结果数据集中包括的每个操作指令,指示仿真环境元素按序进行每个操作指令;仿真环境元素每进行一个操作指令均会引起仿真环境范例中火灾风险大小发生对应的变化,此时,服务器可以获取用于指示该火灾风险大小的数值变化的风险分数变化,作为仿真环境元素进行的该操作指令对应的风险分数变化。
如此,仿真环境元素每进行完一个操作数据指示的操作指令,服务器即可获得一个对应于该操作指令的风险分数变化;仿真环境元素进行完预测评估结果数据集指示的环境更新操作后,服务器可以相应地获得预设数据集数量的风险分数变化,进而利用风险分数变化构建风险分数变化曲线。
该风险分数变化曲线后续可作为确定用于训练更新步长确定模块的反馈指标的依据。
(4)利用反馈回路,基于所述风险分数变化确定反馈指标;依据所述反馈指标,训练所述更新步长确定模块。
可选地,服务器获取到风险分数变化后,可以利用反馈回路,基于所获取的风险分数变化确定反馈指标。
进而,以获得最大反馈指标为目标,训练风险评估模型中的更新步长确定模块,更新该更新步长确定模块的参数指标。
需要说明的是,上述反馈回路可以是一种用于基于火灾风险大小的数值变化确定对于风险评估模型的反馈参数的函数;上述反馈指标是利用反馈回路基于火灾风险大小数值变化确定的反馈参数,其可用于确定训练更新步长确定模块的参数指标时的梯度。
作为一种示例,若服务器获取的用于确定反馈指标的风险分数变化为风险分数变化曲线,则服务器可以利用以下方式确定该反馈指标:利用反馈回路,确定该风险分数变化曲线中每个风险分数变化对应的反馈参数;进而,基于风险分数变化曲线中每一风险分数变化分别对应的反馈参数,确定该反馈指标。
示例性的,服务器可以利用反馈回路,逐一确定风险分数变化曲线中每个风险分数变化对应的反馈参数,所谓风险分数变化对应的反馈参数可以理解为针对该火灾风险大小数值变化赋予的反馈参数。
进而,服务器可以对风险分数变化曲线中每一风险分数变化分别对应的反馈参数进行求和处理,得到的总反馈参数即为反馈指标。
如此,综合考虑预测评估结果数据集中每一操作指令引起的总体火灾风险大小数值变化,据此确定反馈指标,并依据该反馈指标训练风险评估模型中的更新步长确定模块,更有利提升所训练的更新步长确定模块的性能。
当然,在实际应用中,服务器也可以利用反馈回路,基于单个风险分数变化确定上述反馈指标,并依据该反馈指标,更新风险评估模型中的更新步长确定模块,本申请对此不做任何限定。
作为一种示例,服务器可以利用基于重要性的采样算法,依据反馈指标训练风险评估模型中的更新步长确定模块。
即,服务器可以基于预测评估结果数据集与第一评估结果数据集之间的相似度指标,确定训练代价参数权重,此处的第一评估结果数据集是特征处理单元基于第五风险特征矩阵确定的;进而,利用以上算法,基于训练代价参数权重和反馈指标,生成目标训练代价参数;并依据该目标训练代价参数,更新步长确定模块的参数指标。
具体的,服务器可以利用风险评估模型中的特征处理单元,对特征评估模块输出的第五风险特征矩阵单独进行处理,得到第一评估结果数据集,进而,服务器可以基于该第一评估结果数据集与风险评估模型输出的预测评估结果数据集,计算二者之间的相似度距离,并将该相似度距离作为训练代价参数权重。
然后,服务器可以利用上述训练代价参数权重,对依据反馈指标生成的训练代价参数进行调整,从而得到目标训练代价参数。
如此,循环执行上述步骤,直至达到停止迭代指标为止,即可得到可投入实际应用的风险评估模型。
在一种可能的实现方式中,服务器也可以在基于仿真数据的增强训练阶段,对风险评估模型中的特征评估模块做进一步训练,以进一步提升该特征评估模块的准确性。
即服务器可以利用基于仿真数据的增强训练算法,训练风险评估模型中的特征评估模块;其中,风险评估模型用于利用特征评估模块基于环境数据集确定风险特征矩阵,和利用特征处理单元基于该风险特征矩阵确定评估结果数据集。
在一些实施例中,风险评估模型可以利用特征评估模块基于范例环境数据集确定风险特征矩阵,再利用特征处理单元基于该特征评估模块确定的风险特征矩阵确定预测评估结果数据集,即风险评估模型中不涉及更新步长确定模块的相关处理;利用反馈回路基于火灾风险大小的变化确定出反馈指标后,依据该反馈指标更新的是特征评估模块的参数指标,而不是更新步长确定模块的参数指标,但对特征评估模块的参数指标的更新方式与对更新步长确定模块的参数指标的更新方式基本相同。
在一些实施例中,风险评估模型如目标风险评估模型用于根据环境数据集,对环境中存在的火灾风险进行评估得到风险特征矩阵,并确定相应的评估结果数据集。
在一些实施例中,该方法还包括以下步骤中的至少一者,其中,下述步骤的一者或多者可以是服务利用目标风险评估模型执行的:
(1)基于环境数据集中的环境元素,生成环境数据集对应的环境元素分布网络,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系。
(2)基于环境元素分布网络,得到环境元素对应的环境特征信息;具体地,环境特征信息可以包括环境元素特征和环境元素关系特征中的至少之一,环境元素特征用于指示环境元素自身的特征,环境元素关系特征用于指示环境元素分布网络中的与该环境元素之间存在连接关系的环境元素。
(3)将环境特征信息输入特征评估层进行特征评估,得到环境元素对应的影响力特征,影响力特征包括环境元素、以及与环境元素之间存在风险影响关系的其他环境元素的环境特征信息;具体地,目标风险评估模型包括多个特征评估层,每一个特征评估层均可以是基于注意力的层。
(4)将影响力特征进行类别划分,得到多个类别团;基于各类别团涵盖的影响力特征,提取环境数据集中的风险特征矩阵。
由于特征评估层对特征维度进行了一定的压缩,因此在较低的维度上类别划分的效果会比在较高的维度上类别划分的效果更好。
经过特征评估层得到的影响力特征,不仅包括该环境元素(环境元素实例)自身的信息,还融合了邻近环境元素(环境元素实例)的信息,最终能够提高风险特征矩阵的提取准确度。
示例地,可以基于聚类算法,确定多个聚类,每一聚类可以是一个类别团。
在一些实施例中,该方法还包括,以及,目标风险评估模型具体用于:
(1)基于环境数据集中的环境元素,生成环境数据集对应的环境元素分布网络,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系。
示例地,环境元素是基于环境中的实例确定的,例如家居环境中的沙发、冰箱、电视等。
可选地,风险影响关系包括火势蔓延关系。火势蔓延关系是基于多个环境元素对应的元素实例面积确定的,用于表示多个环境元素的元素实例面积存在覆盖区域。
示例性的,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系。
在两个环境元素之间存在风险影响关系时,则将这两个环境元素对应的环境元素实例连接。
示例地,基于环境数据集中的环境元素,生成环境数据集对应的环境元素分布网络,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系。
在一些实施例中,基于环境数据集中的实例,将环境数据集划分为多个环境元素。
基于环境元素之间是否存在风险影响关系,生成环境数据集对应的环境元素分布网络,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系。
(2)基于环境元素分布网络,得到环境元素对应的环境特征信息。
其中,环境特征信息是基于环境元素分布网络确定的每个环境元素对应的特征。
示例的,基于环境元素分布网络,得到环境元素对应的环境特征信息。
可选地,环境特征信息包括环境元素特征和环境元素关系特征中的至少之一,环境元素特征用于指示环境元素自身的特征,环境元素关系特征用于指示环境元素分布网络中的与该环境元素之间存在连接关系的环境元素。
(3)将环境特征信息输入特征评估层进行特征评估,得到环境元素对应的影响力特征,影响力特征包括环境元素、以及与环境元素之间存在风险影响关系的其他环境元素的环境特征信息。
特征评估层是用于对数据进行处理的神经网络结构。
可选地,特征评估层是预先训练好的特征评估层。
影响力特征可以是经过特征评估层进行特征评估后的环境特征信息。
可选地,将环境特征信息输入特征评估层进行特征评估,得到环境元素对应的影响力特征,影响力特征包括环境元素、以及与环境元素之间存在风险影响关系的其他环境元素的环境特征信息。
示例地,影响力特征对应的特征的秩小于环境特征信息对应的特征的秩,相当于对环境特征信息的特征的秩进行了一定的缩小。
(4)将影响力特征进行类别划分,得到多个类别团;基于各类别团涵盖的影响力特征,提取环境数据集中的风险特征矩阵。
类别划分是指将所有的影响力特征分成由类似的影响力特征组成的多个类别团。
同一个类别团中的影响力特征彼此相似,与其他类别团中的影响力特征不相似。
综上所述,通过基于环境数据集中的环境元素,生成环境数据集对应的环境元素分布网络,环境元素分布网络包括多个环境元素实例和多个环境元素实例之间的连接关系,环境元素实例用于指示环境元素,连接关系用于指示环境元素之间存在的风险影响关系;基于环境元素分布网络,得到环境元素对应的环境特征信息;将环境特征信息输入特征评估层进行特征评估,得到环境元素对应的影响力特征,影响力特征包括环境元素、以及与环境元素之间存在风险影响关系的其他环境元素的环境特征信息;将影响力特征进行类别划分,得到多个类别团;基于各类别团涵盖的影响力特征,提取环境数据集中的风险特征矩阵。
据此,通过特征评估层,能够使得环境元素的影响力特征不仅包括该环境元素自身的信息,还融合了邻近环境元素的信息,实现对环境元素之间的风险影响关系的捕捉。
在一些实施例中,该方法还包括:
(1)将每个类别团涵盖的影响力特征对应的环境元素进行环境映射,得到每个类别团对应的元素实例面积环境位置。
其中,元素实例面积环境位置是指由类别团中的影响力特征对应的环境元素所组成的整体元素实例面积。
(2)基于元素实例面积环境位置对应的坐标参数,提取环境数据集中的风险特征矩阵。
示例的,服务器获取元素实例面积环境位置对应的坐标参数,基于元素实例面积环境位置对应的坐标参数,确定环境数据集中的风险特征矩阵。
其中,坐标参数与风险特征矩阵之间存在预先存储的对应关系。
在一些实施例中,可以将环境特征信息输入特征评估层进行特征评估,得到环境元素对应的影响力特征。
示例性的,将环境特征信息输入目标风险评估模型特征评估层,通过特征评估层进行特征评估,得到环境元素对应的影响力特征。
在一些实施例中,可以将环境特征信息输入特征评估层,通过目标风险评估模型中的多个特征评估层依次进行特征评估,得到环境元素对应的影响力特征。
示例地,服务器将环境特征信息输入目标风险评估模型,通过目标风险评估模型中的多个特征评估层依次进行特征评估,得到环境元素对应的影响力特征。
在一些实施例中,该方法还包括:
(1)确定环境数据集中的X个环境元素。
(2)确定当前访问的X个环境元素中的第Y个环境元素。
(3)将第Y个环境元素的元素实例面积进行扩大,得到扩大后的第Y个环境元素。
(4)在扩大后的第Y个环境元素的扩大后的元素实例面积,与第Z个环境元素的元素实例面积存在覆盖区域时,确定第Y个环境元素与第Z个环境元素之间存在火势蔓延关系。
(5)将Y迭代为Y+1,返回确定当前访问的X个环境元素中的第Y个环境元素的步骤,直至X个环境元素全部访问结束,确定X个环境元素之间存在的火势蔓延关系。
(6)基于X个环境元素以及X个环境元素之间存在的火势蔓延关系,生成环境数据集对应的环境元素分布网络;其中,Y、Z小于等于X,Y不等于Z。
具体地,将一个街区作为环境数据集中的一个环境元素。
确定环境数据集中的X个环境元素,确定当前访问的X个环境元素中的第Y个环境元素;对第Y个环境元素的元素实例面积进行扩大,例如扩大至1平方米对应的面积。
扩大后的第Y个环境元素的扩大后元素实例面积,若与第Z个环境元素的元素实例面积存在覆盖区域(重叠),则确定第Y个环境元素与第Z个环境元素之间存在火势蔓延关系,即第Y个环境元素在环境元素分布网络中对应的第Y个环境元素实例与第Z个环境元素在环境元素分布网络中对应的第Z个环境元素实例之间需要生成连接关系。
将Y迭代为Y+1,返回确定当前访问的X个环境元素中的第Y个街区的步骤,直至X个环境元素全部访问结束,确定X个环境元素之间存在的火势蔓延关系。
基于X个环境元素以及X个环境元素之间存在的火势蔓延关系,X个环境元素对应于X个环境元素实例,存在火势蔓延关系的环境元素实例之间连连接关系,生成环境数据集对应的环境元素分布网络。
在一些实施例中,消防场景的风险评估模型的训练方法具体可以包括以下步骤:
1、依据需要使用风险评估模型的密保火灾风险识别场景,收集火灾样本数据。
进而,依据预设数据集数量对所收集的火灾样本数据进行数据分箱,即将该火灾样本数据中的环境数据集分箱为若干对应于预设数据集数量的环境数据集,和将该火灾样本数据中的评估结果数据集分箱为若干对应于预设数据集数量的评估结果数据集,并且利用分箱得到的每对具备关联标注的环境数据集和评估结果数据集,构建训练样本集合。
2、利用基于样本集的模型训练算法,训练风险特征处理模块和特征评估模块。
即服务器可以将某训练样本集合中的评估结果数据集和环境数据集,分别输入风险特征处理模块和特征评估模块;风险特征处理模块中的特征提取单元利用处理所输入的评估结果数据集,可以相应地得到风险特征矩阵,进而该风险特征处理模块中的特征处理单元可以利用处理该特征提取单元输出的风险特征矩阵,输出重新生成评估结果数据集;特征评估模块利用处理所输入的环境数据集,可以相应地得到风险特征矩阵。
进而,服务器可以基于输入风险特征处理模块的评估结果数据集与该风险特征处理模块输出的重新生成评估结果数据集之间的相似度指标、和特征评估模块输出的风险特征矩阵与风险特征处理模块中特征提取单元输出的风险特征矩阵之间的相似度指标,同步更新风险特征处理模块和特征评估模块各自的参数指标。
3、利用基于样本集的模型训练算法完成对于风险特征处理模块和特征评估模块的训练后,可以在单独创建一个更新步长确定模块,进而利用该特征评估模块、该更新步长确定模块和该风险特征处理模块中的特征处理单元,构建一个风险评估模型;在该风险评估模型中,特征评估模块用于基于输入的环境数据集确定第五风险特征矩阵,更新步长确定模块用于基于输入的火灾风险大小曲线确定对于上述第五风险特征矩阵的更新步长,特征处理单元用于基于第五风险特征矩阵与更新步长的和值,确定用于指示仿真环境元素的预测评估结果数据集。
4、利用基于仿真数据的增强训练算法,对上述风险评估模型中的更新步长确定模块进行训练,以提升该风险评估模型的整体能力。
在另一方面,本发明实施例还提供一种消防场景的风险评估模型的训练系统,该系统包括至少一个服务器,该服务器例如可以被提供为图2所示的计算机设备100,计算机设备100可以用于执行上述方法实施例中涉及的部分或全部步骤,例如从消防场景的风险评估模型的训练系统中的其他计算机或其他服务器获取数据或模型,但不限于此,此处不作赘述。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的消防场景的风险评估模型的训练方法。
如图2所示,图2为本发明实施例提供的计算机设备100的结构框图。
计算机设备100包括存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。
例如,可利用一条或多条通讯总线或信号线实现这些元件相互之间电性连接。
出于说明目的,前面的描述是参考具体实施例而进行的。
但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。
根据上述教导,众多修改和变化都是可行的。
选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用包括不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种消防场景的风险评估模型的训练系统,其特征在于,所述系统包括至少一个服务器,所述服务器用于:
获取训练样本集合;所述训练样本集合中包括具备关联标注的环境数据集和评估结果数据集,所述环境数据集和所述评估结果数据集对应预设数据集数量;
利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;所述风险特征处理模块包括特征提取单元和特征处理单元,所述特征提取单元用于将评估结果数据集转化为风险特征矩阵,所述特征处理单元用于基于所述风险特征矩阵重新生成评估结果数据集;所述特征评估模块用于基于环境数据集确定风险特征矩阵;
利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。
2.根据权利要求1所述的系统,其特征在于,所述利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块,包括:
利用所述风险特征处理模块中的所述特征提取单元,基于所述训练样本集合中的所述评估结果数据集,确定第一风险特征矩阵;利用所述风险特征处理模块中的所述特征处理单元,基于所述第一风险特征矩阵,确定重新生成评估结果数据集;
利用所述特征评估模块,基于所述训练样本集合中的所述环境数据集,确定第二风险特征矩阵;
基于所述重新生成评估结果数据集与所述评估结果数据集之间的相似度指标、和所述第二风险特征矩阵与所述第一风险特征矩阵之间的相似度指标,训练所述风险特征处理模块和所述特征评估模块;
所述基于所述重新生成评估结果数据集与所述评估结果数据集之间的相似度指标、和所述第二风险特征矩阵与所述第一风险特征矩阵之间的相似度指标,训练所述风险特征处理模块和所述特征评估模块,包括:
基于所述重新生成评估结果数据集与所述评估结果数据集之间的相似度指标,生成第一训练代价参数;基于所述第二风险特征矩阵与所述第一风险特征矩阵之间的相似度指标,生成第二训练代价参数;
基于所述第一训练代价参数和所述第二训练代价参数,确定训练总代价;
依据所述训练总代价,更新所述风险特征处理模块的参数指标和所述特征评估模块的参数指标。
3.根据权利要求1所述的系统,其特征在于,所述利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块,包括:
利用所述风险特征处理模块,基于所述训练样本集合中的所述评估结果数据集,确定重新生成评估结果数据集;基于所述重新生成评估结果数据集与所述评估结果数据集之间的相似度指标,训练所述风险特征处理模块;
利用所述特征评估模块,基于所述训练样本集合中的所述环境数据集,确定第三风险特征矩阵;基于所述第三风险特征矩阵与第四风险特征矩阵之间的相似度指标,训练所述特征评估模块;所述第四风险特征矩阵是达到停止迭代指标的所述风险特征处理模块中的特征提取单元基于所述训练样本集合中的评估结果数据集确定的。
4.根据权利要求1所述的系统,其特征在于,所述利用基于仿真数据的增强训练算法,训练目标风险评估模型,包括:
利用基于仿真数据的增强训练算法,训练所述目标风险评估模型中的更新步长确定模块;所述目标风险评估模型中包括所述特征评估模块、所述更新步长确定模块和所述特征处理单元,所述更新步长确定模块用于确定对于所述特征评估模块输出的风险特征矩阵的更新步长。
5.根据权利要求4所述的系统,其特征在于,所述利用基于仿真数据的增强训练算法,训练所述目标风险评估模型中的更新步长确定模块,包括:
获取仿真环境范例中的范例环境数据集;
利用所述特征评估模块,基于所述范例环境数据集,确定第五风险特征矩阵;利用所述更新步长确定模块,基于所述范例环境数据集,确定更新步长;利用所述特征处理单元,基于所述第五风险特征矩阵和所述更新步长,确定预测评估结果数据集;
指示所述仿真环境范例中的仿真环境元素进行所述预测评估结果数据集指示的环境更新操作,获取所述仿真环境元素进行所述环境更新操作时导致的风险分数变化;
利用反馈回路,基于所述风险分数变化确定反馈指标;依据所述反馈指标,训练所述更新步长确定模块;
所述获取所述仿真环境元素进行所述环境更新操作时导致的风险分数变化,包括:
获取所述环境更新操作中每一操作指令分别对应的风险分数变化,构建风险分数变化曲线;所述操作指令对应的风险分数变化用于指示所述仿真环境元素进行所述操作指令后火灾风险大小的数值变化;
所述利用反馈回路,基于所述风险分数变化确定反馈指标,包括:
利用所述反馈回路,确定所述风险分数变化曲线中每个所述风险分数变化对应的反馈参数;基于所述风险分数变化曲线中每一所述风险分数变化分别对应的反馈参数,确定所述反馈指标;
所述依据所述反馈指标,训练所述更新步长确定模块,包括:
基于所述预测评估结果数据集与第一评估结果数据集之间的相似度指标,确定训练代价参数权重;所述第一评估结果数据集是所述特征处理单元基于所述第五风险特征矩阵确定的;
利用基于重要性的采样算法,基于所述训练代价参数权重和所述反馈指标,生成目标训练代价参数;
依据所述目标训练代价参数,更新所述更新步长确定模块的参数指标。
6.根据权利要求1所述的系统,其特征在于,所述利用基于仿真数据的增强训练算法,训练目标风险评估模型,包括:
利用基于仿真数据的增强训练算法,训练所述目标风险评估模型中的所述特征评估模块;所述目标风险评估模型用于利用所述特征评估模块基于环境数据集确定风险特征矩阵,和利用所述特征处理单元基于所述风险特征矩阵确定评估结果数据集。
7.根据权利要求1所述的系统,其特征在于,所述获取训练样本集合,包括:
获取火灾样本数据;所述火灾样本数据中包括在真实火灾场景中采集的真实环境数据集和真实评估结果数据集;
依据所述预设数据集数量,对所述火灾样本数据中的所述真实环境数据集和所述真实评估结果数据集分别进行数据分箱,得到具备关联标注的所述环境数据集和所述评估结果数据集,利用所述环境数据集和所述评估结果数据集构建所述训练样本集合。
8.根据权利要求1所述的系统,其特征在于,所述目标风险评估模型用于:
基于环境数据集中的环境元素,生成所述环境数据集对应的环境元素分布网络,所述环境元素分布网络包括多个环境元素实例和所述多个环境元素实例之间的连接关系,所述环境元素实例用于指示所述环境元素,所述连接关系用于指示所述环境元素之间存在的风险影响关系;
基于所述环境元素分布网络,得到所述环境元素对应的环境特征信息;
将所述环境特征信息输入特征评估层进行特征评估,得到所述环境元素对应的影响力特征,所述影响力特征包括所述环境元素、以及与所述环境元素之间存在风险影响关系的其他环境元素的环境特征信息;
将所述影响力特征进行类别划分,得到多个类别团;基于各所述类别团涵盖的所述影响力特征,提取所述环境数据集中的风险特征矩阵;
基于所述风险特征矩阵,生成评估结果数据集。
9.根据权利要求8所述的系统,其特征在于,所述目标风险评估模型用于:
将每个所述类别团涵盖的所述影响力特征对应的环境元素进行环境映射,得到每个所述类别团对应的元素实例面积环境位置;
基于所述元素实例面积环境位置对应的坐标参数,提取所述环境数据集中的所述风险特征矩阵;
所述目标风险评估模型包括多个所述特征评估层;
所述将所述环境特征信息输入所述特征评估层,通过所述目标风险评估模型进行特征评估,得到所述环境元素对应的所述影响力特征,包括:
将所述环境特征信息输入所述多个特征评估层依次进行特征评估,得到所述环境元素对应的所述影响力特征;
所述环境元素之间存在的风险影响关系包括火势蔓延关系;
所述基于环境数据集中的环境元素,生成所述环境数据集对应的环境元素分布网络,包括:
确定所述环境数据集中的X个环境元素;
确定当前访问的所述X个环境元素中的第Y个环境元素;
将所述第Y个环境元素的元素实例面积进行扩大,得到扩大后的第Y个环境元素;
在所述扩大后的第Y个环境元素的扩大后的元素实例面积,与第Z个环境元素的元素实例面积存在覆盖区域时,确定所述第Y个环境元素与所述第Z个环境元素之间存在火势蔓延关系;
将所述Y迭代为Y+1,返回确定当前访问的所述X个环境元素中的第Y个环境元素的步骤,直至所述X个环境元素全部访问结束,确定所述X个环境元素之间存在的火势蔓延关系;
基于所述X个环境元素以及所述X个环境元素之间存在的火势蔓延关系,生成所述环境数据集对应的所述环境元素分布网络;
其中,所述Y、所述Z小于等于所述X,所述Y不等于所述Z。
10.一种消防场景的风险评估模型的训练方法,其特征在于,包括:
获取训练样本集合;所述训练样本集合中包括具备关联标注的环境数据集和评估结果数据集,所述环境数据集和所述评估结果数据集对应预设数据集数量;
利用基于样本集的模型训练算法,基于所述训练样本集合,交替前行训练风险特征处理模块和特征评估模块;所述风险特征处理模块包括特征提取单元和特征处理单元,所述特征提取单元用于将评估结果数据集转化为风险特征矩阵,所述特征处理单元用于基于所述风险特征矩阵重新生成评估结果数据集;所述特征评估模块用于基于环境数据集确定风险特征矩阵;
利用基于仿真数据的增强训练算法,训练目标风险评估模型;所述目标风险评估模型是依据所述特征评估模块和所述特征处理单元生成的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159568.1A CN117973870A (zh) | 2024-02-04 | 2024-02-04 | 消防场景的风险评估模型的训练系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410159568.1A CN117973870A (zh) | 2024-02-04 | 2024-02-04 | 消防场景的风险评估模型的训练系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973870A true CN117973870A (zh) | 2024-05-03 |
Family
ID=90857734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410159568.1A Pending CN117973870A (zh) | 2024-02-04 | 2024-02-04 | 消防场景的风险评估模型的训练系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973870A (zh) |
-
2024
- 2024-02-04 CN CN202410159568.1A patent/CN117973870A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Review of bridge structural health monitoring aided by big data and artificial intelligence: From condition assessment to damage detection | |
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
US20190272553A1 (en) | Predictive Modeling with Entity Representations Computed from Neural Network Models Simultaneously Trained on Multiple Tasks | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN117034143B (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN110704668B (zh) | 基于网格的协同注意力vqa方法和装置 | |
Nwankwo et al. | Prediction of House Prices in Lagos-Nigeria Using Machine Learning Models | |
CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、系统及设备 | |
CN112966547A (zh) | 一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质 | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN117973870A (zh) | 消防场景的风险评估模型的训练系统及方法 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN115905953A (zh) | 状态数据处理方法、装置、计算机设备会和存储介质 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN114818783A (zh) | 一种电缆绝缘劣化类型判别方法及系统 | |
Fang et al. | Insulator Image Dataset Generation based on Generative Adversarial Network | |
CN117745053A (zh) | 基于轻量级的TFDeepNN空间火灾风险预测 | |
Mo et al. | Evolutionary Optimization of Convolutional Extreme Learning Machine for Remaining Useful Life Prediction | |
Singh et al. | Prediction and Forecasting Municipal Solid Waste Generation of Northeastern Cities by Retrofitting ML Models of Guwahati, India |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |