CN118015568A - 一种基于人工智能的行车风险检测方法及系统 - Google Patents

Abstract

本申请提供一种基于人工智能的行车风险检测方法及系统，在网络调试环节，获取拟调试学习样例库，基于拟调试表征信息挖掘网络提取每一学习样例的表征载体。基于置信度映射组件获取每一学习样例的分类置信度序列，结合每一学习样例的分类置信度序列和先验标记确定得到类别推理代价。此外，结合每一学习样例的表征载体确定得到第一锚点偏离代价。通过两种代价对拟调试表征信息挖掘网络进行优化。基于此，通过多个不同共性程度的相关学习样例库用于网络的调试。采用度量学习完成不同共性程度的度量学习，同时结合多先验标记分类使得网络不仅拥有表征数据语义，加强网络对不同评估区间的共性度量结果的鉴别效果，还增加了网络的表征信息的质量。

Description

一种基于人工智能的行车风险检测方法及系统

技术领域

本申请涉及但不限于人工智能、机器学习技术领域，尤其涉及一种基于人工智能的行车风险检测方法及系统。

背景技术

近年来，随着我国高速公路建设规模的持续扩大，相应的我国高速公路桥梁、隧道也在成正比例的增多。伴随着桥梁、隧道数量的不断增加，桥隧处出现事故的频率也越来越高，桥隧的安全成为了公路建设不可忽视的重要问题。对于各类长距离隧道，一旦发生交通火灾事故，引起空间相对封闭且狭长,疏散条件差，会导致蔓延速度快、产生的烟气大且不易控制排除，安全疏散困难，会造成重大伤亡事故和经济损失。贵州为山区环境，在高速公路建设过程中，为降低建设成本，通常将跨河、跨峡谷的桥梁建设在谷底处，但该建设方式就导致多数桥梁两侧均为长下坡路段，长下坡路段易导致车辆高温引发火灾，会对桥梁结构形成安全隐患。据统计，高速公路车辆着火事故，从车辆着火事故类型来看，车辆自燃类（车辆自燃约占60%和运输货物自燃约占20%）事故占车辆着火事故总数的8成，是着火事故发生的主要类型。因超速、未保持安全车速和车距、疲劳驾驶、车辆反光标识不明显、高速出口违法停车或变道等引发的车辆追尾着火的事故比例占2成。因此对高速公路桥隧路段安装火灾预警在线监测系统并采取有效的控制措施,在高速公路营运过程中显得尤为重要。

现有技术中，采用在桥隧道路布设气体成分传感器来采集分析目标气体浓度，分析火情风险的方案。随着人工智能技术的发展，出现了基于机器学习技术自动识别桥隧红外监测数据来判断火情风险。通过机器学习技术进行桥隧火情预警，具有智能化和及时性的优点，但是，桥隧环境和交通状况复杂多变，通过简单的红外数据进行火情分析具有单一性和局限性，在实际应用中，常出现误报的情况，主要原因在于火情的判定具有综合性，通过单一模态的信息维度进行分析，鲁棒性和精度较差，而融合多模态的数据进行联动分析时，如何合理将已有参考样本作为参照对象，是决定最终分析结果准确性的前提，而这也为机器学习模型的合理调校提出挑战。

发明内容

有鉴于此，本申请至少提供一种基于人工智能的行车风险检测方法及系统。本申请的技术方案是这样实现的：一种基于人工智能的行车风险检测方法，包括：获取目标桥隧区域的联动分析数据集，所述联动分析数据集包括气体成分数据、红外成像数据以及桥隧图像数据；依据所述联动分析数据集，基于表征信息挖掘网络获取目标表征载体；将所述目标表征载体与对照联动数据库中的各对照联动数据的表征载体进行共性度量，获得共性度量结果最大的x个对照联动数据，其中，所述各个对照联动数据的表征载体为通过所述表征信息挖掘网络获取得到，其中，x≥1；所述对照联动数据库中的每一个对照联动数据是事先收集存储的已知预警信息的数据；当所述x个对照联动数据指示的火情预警信息一致时，将所述x个对照联动数据指示的火情预警作为所述联动分析数据集的火情预警信息。

可选地，所述表征信息挖掘网络通过以下步骤调试得到：获取拟调试学习样例库，其中，所述拟调试学习样例库包括基准学习样例和q个相关学习样例库，每个相关学习样例库包括积极学习样例库以及消极学习样例库，同时，采样自不同相关学习样例库的积极学习样例库与所述基准学习样例二元组应不同的共性度量结果，其中，q≥2；基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，其中，所述拟调试学习样例库中的每一学习样例二元组应于一种或多种先验标记（即预先设定的标签）；依据所述每一学习样例的表征载体，基于置信度映射组件获取所述每一学习样例的分类置信度序列（例如是一个概率分布），其中，所述分类置信度序列包括p个推理置信度，每个推理置信度和一种预设先验标记对应，其中，p≥1；基于所述每一学习样例的分类置信度序列以及所述每一学习样例二元组应的一种或多种先验标记，确定类别推理代价；基于所述每一学习样例的表征载体，确定第一锚点偏离代价，其中，所述第一锚点偏离代价通过q个锚点偏离子代价确定得到，每个锚点偏离子代价表征一个或多个相关学习样例库与所述基准学习样例之间的误差；通过所述类别推理代价和所述第一锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，直到符合调试截止要求，获得表征信息挖掘网络。

可选地，所述q个相关学习样例库包括一致学习样例库和同类学习样例库；所述获取拟调试学习样例库，包括：在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记；或者，所述q个相关学习样例库包括一致学习样例库和共享类别学习样例库；所述获取拟调试学习样例库，包括：在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；或者，所述q个相关学习样例库包括相似学习样例库和同类学习样例库；所述获取拟调试学习样例库，包括：在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记；或者，所述q个相关学习样例库包括相似学习样例库和共享类别学习样例库；所述获取拟调试学习样例库，包括：在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

可选地，所述q个相关学习样例库包括一致学习样例库、相似学习样例库、同类学习样例库、共享类别学习样例库和相邻类别学习样例库；所述获取拟调试学习样例库，包括：在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记，所述第一设定次数大于所述第二设定次数；在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库、所述同类学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；在所述历史监测数据库中获取所述相邻类别学习样例库，其中，所述相邻类别学习样例库包含的积极学习样例与所述基准学习样例具有临近的类别，所述相邻类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库、所述同类学习样例库中的积极学习样例库、所述共享类别学习样例库中的积极学习样例库以及相邻类别学习样例库的积极学习样例库以外其他的一个或多个候选学习样例。

可选地，所述拟调试学习样例库中的每一个学习样例属于联动数据分类的学习样例，其中，所述联动数据分类包括气体成分数据和红外成像数据，或者，所述联动数据分类包括气体成分数据和桥隧图像数据；所述基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，包括：依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取所述每一学习样例的气体成分表征载体；依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的红外表征信息挖掘网络，获取所述每一学习样例的红外信息表征载体；依据所述每一学习样例的气体成分表征载体以及红外信息表征载体，基于所述拟调试表征信息挖掘网络包含的表征信息整合组件，获取所述每一学习样例的表征载体；或者，所述基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，包括：依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取所述每一学习样例的气体成分表征载体；依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的桥隧图像表征信息挖掘网络，获取所述每一学习样例的桥隧图像表征载体；依据所述每一学习样例的气体成分表征载体和桥隧图像表征载体，基于所述拟调试表征信息挖掘网络包含的表征信息整合组件，获取所述每一学习样例的表征载体。

可选地，所述基于所述每一学习样例的分类置信度序列以及所述每一学习样例二元组应的一种或多种先验标记，确定类别推理代价，包括：对于p个预设先验标记中的每一预设先验标记，基于所述每一学习样例的分类置信度序列，确定对于预设先验标记的推理置信度；对于所述p个预设先验标记中的每一预设先验标记，基于所述每一学习样例二元组应的一种或多种先验标记，确定对于所述预设先验标记的实际置信度；对于所述p个预设先验标记中的每一预设先验标记，基于所述每一学习样例二元组于所述预设先验标记的推理置信度以及实际置信度，确定所述预设先验标记对应的类别推理子代价；基于所述每个预设先验标记对应的类别推理子代价，确定所述类别推理代价。

可选地，所述基于所述每一学习样例的表征载体，确定第一锚点偏离代价，包括：基于所述q个相关学习样例库和所述基准学习样例，生成q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合，每一第一积极学习样例二元组集合采样自相关学习样例库的积极学习样例库，每个第一消极学习样例二元组集合采样自相关学习样例库的积极学习样例库和消极学习样例库中的一个或多个；基于所述q个第一积极学习样例二元组集合和所述q个第一消极学习样例二元组集合，确定q个锚点偏离子代价；基于所述q个锚点偏离子代价，确定所述第一锚点偏离代价。

可选地，所述方法还包括：获取多个基准学习样例和每个基准学习样例二元组应的q个相关学习样例库；基于所述多个基准学习样例和所述每个基准学习样例二元组应的q个相关学习样例库，生成第二积极学习样例二元组集合和第二消极学习样例二元组集合，其中，所述第二积极学习样例二元组集合中的第二积极学习样例二元组对应的共性程度高于所述第二消极学习样例二元组集合中的第二消极学习样例二元组对应的共性程度，所述共性程度代表对应的两个学习样例之间的相似性程度；基于所述第二积极学习样例二元组集合和所述第二消极学习样例二元组集合，确定第二锚点偏离代价；所述通过所述类别推理代价和所述第一锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，包括：通过所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化。

可选地，所述通过所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，包括：对所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价进行加权，获得目标代价；通过所述目标代价对所述拟调试表征信息挖掘网络的网络可学习变量进行优化。

另一方面，本申请提供一种计算机系统，包括存储器和处理器，所述存储器存储有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以上所述方法中的步骤。

本申请的有益效果：本申请在网络调试环节，获取拟调试学习样例库，拟调试学习样例库包括基准学习样例和包含不同共性等级的q个相关学习样例库。之后基于拟调试表征信息挖掘网络提取拟调试学习样例库中的每一个学习样例的表征载体。那么，基于置信度映射组件获取每一学习样例的分类置信度序列，结合每一学习样例的分类置信度序列和先验标记确定得到类别推理代价。此外，结合每一学习样例的表征载体确定得到第一锚点偏离代价。通过类别推理代价和第一锚点偏离代价对拟调试表征信息挖掘网络的网络可学习变量进行优化，直到符合调试截止要求，获得表征信息挖掘网络。基于此，通过多个不同共性程度的相关学习样例库用于网络的调试。采用度量学习完成不同共性程度的度量学习，同时结合多先验标记分类使得网络不仅拥有表征数据语义，加强网络对不同评估区间的共性度量结果的鉴别效果，还增加了网络的表征信息的质量，进而，帮助在复杂的数据中准确确定近似数据对应的火情模式。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。

图1为本申请实施例提供的一种基于人工智能的行车风险检测方法的实现流程示意图。

图2为本申请实施例提供的一种计算机系统的硬件实体示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。

本申请实施例提供一种基于人工智能的行车风险检测方法，该方法可以由计算机系统的处理器执行。其中，计算机系统可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。

图1为本申请实施例提供的一种基于人工智能的行车风险检测方法的实现流程示意图，如图1所示，该方法包括如下步骤：

步骤S100，获取目标桥隧区域的联动分析数据集。

联动分析数据集包含了多种与桥隧环境安全相关的信息。具体来说，这些数据可以包括气体成分数据、红外成像数据以及桥隧图像数据。气体成分数据能够反映空气中各种气体的浓度，如烟雾、一氧化碳等有害气体，这些气体的异常浓度往往是火灾等风险的征兆。红外成像数据则通过红外传感器捕捉桥隧区域内的热量分布，能够及时发现异常高温区域，这也是火灾预警的重要依据。而桥隧图像数据则提供了直观的视觉信息，可以帮助识别烟雾、火焰等可视化的火灾迹象。

在实际操作中，计算机系统可以通过部署在桥隧区域的传感器网络来实时收集这些数据。例如，气体传感器可以不断监测空气中的气体成分变化，并将数据传输到计算机系统进行处理。红外成像仪则可以定期扫描桥隧区域，生成红外热像图，同样传输给计算机系统进行分析。而摄像头则可以实时拍摄桥隧区域的图像，供计算机系统进行图像处理和识别。

这些收集到的数据会被整合成一个联动分析数据集，用于后续的行车风险检测。这个数据集不仅包含了丰富的环境信息，而且通过多源数据的融合，能够更全面地反映桥隧区域的安全状况。

步骤S200，依据联动分析数据集，基于表征信息挖掘网络获取目标表征载体。

步骤S200中，计算机系统使用表征信息挖掘网络对从目标桥隧区域获取的联动分析数据集进行处理，以获取目标表征载体。表征信息挖掘网络，作为机器学习领域的网络模型，用于从原始数据中提取有代表性的特征信息。在实际应用中，这种网络可以是多种深度学习模型中的一种，例如卷积神经网络（CNN）或循环神经网络（RNN）。在步骤S200中，当联动分析数据集包含图像数据时，可以使用CNN进行特征提取。CNN通过一系列的卷积层和池化层操作，能够从图像中提取出边缘、纹理等低级特征，并逐渐组合成更高级的抽象特征。最终，这些特征会被编码为一个向量或数组，即目标表征载体，用于后续的共性度量。

当数据集包含序列数据，如红外成像数据和气体成分数据随时间的变化序列时，可以使用RNN进行特征提取。RNN通过捕捉序列数据中的时间依赖性，能够提取出序列中的动态特征。同样地，这些特征也会被编码为目标表征载体。

需要注意的是，目标表征载体的具体形式取决于所使用的模型和数据类型。在图像处理中，它可以是一个高维向量；在序列处理中，它可以是一个时间序列数组。但无论形式如何，目标表征载体都包含了原始数据中的关键信息，为后续的共性度量和风险判断提供了依据。

例如，假设从桥隧区域获取了一系列的红外成像数据，每一帧图像都反映了该区域在不同时间点的热量分布。可以使用CNN来处理这些数据，通过多层卷积和池化操作，提取出每一帧图像中的特征。然后，这些特征可以被汇总成一个向量或数组，即目标表征载体。这个载体不仅包含了每一帧图像中的信息，还通过CNN的层次化结构捕捉到了图像之间的关联性。在接下来的步骤中，计算机系统将使用这个载体来与对照联动数据库中的数据进行比较，以判断是否存在行车风险。

步骤S300，将目标表征载体与对照联动数据库中的各对照联动数据的表征载体进行共性度量，获得共性度量结果最大的x个对照联动数据，其中，各个对照联动数据的表征载体为通过表征信息挖掘网络获取得到，其中，x≥1。

步骤S300中，计算机系统将执行共性度量操作，以找出与目标表征载体最为相似的对照联动数据。共性度量是一种计算相似度的方法，它衡量的是两个表征载体之间的相似程度。在实际应用中，这种度量可以基于不同的算法来实现，如余弦相似度、欧几里得距离等。这些算法都能够量化两个向量或数组之间的差异，从而为提供一个衡量相似度的标准。

在步骤S300中，计算机系统遍历对照联动数据库中的每一个对照联动数据的表征载体，并与目标表征载体进行共性度量计算。这个过程可以理解为在多维空间中寻找与目标点最为接近的已知点。每一个对照联动数据的表征载体都是这个多维空间中的一个点，而目标表征载体则是需要定位的点。对照联动数据库中的每一个对照联动数据是事先收集存储的已知预警信息的数据，例如是历史发生火情或未发生火情的数据，作为对照信息，共同构成对照联动数据库。

通过计算目标表征载体与各个对照联动数据表征载体之间的相似度，计算机系统能够得到一个相似度排序列表。在这个列表中，相似度最高的对照联动数据被认为与目标表征载体最为接近。

例如，假设目标表征载体是一个表示桥隧区域红外图像特征的向量A，而对照联动数据库中包含了多个已知火情预警信息的红外图像特征向量B1、B2、B3等。计算机系统分别计算向量A与B1、B2、B3等之间的相似度，如余弦相似度。计算结果可能表明向量A与B2的相似度最高。这意味着目标桥隧区域的红外图像特征与已知具有火情预警信息的B2最为相似。

需要注意的是，在实际应用中，对照联动数据库可能包含大量的数据，因此共性度量的计算可能会非常耗时。为了提高效率，可以使用一些优化技术，如索引、哈希等，来加速相似度搜索过程。

步骤S300的最终目的是找出与目标表征载体最为相似的对照联动数据，为后续的预警信息判断提供依据。通过这一步骤的执行，能够将目标桥隧区域的环境状况与已知的风险状况进行关联，从而实现对行车风险的准确检测。

步骤S400，当x个对照联动数据指示的火情预警信息一致时，将x个对照联动数据指示的火情预警作为联动分析数据集的火情预警信息。

步骤S400中，计算机系统将根据之前步骤获取的信息，判断目标桥隧区域是否存在行车风险，并给出相应的预警信息。具体来说，步骤S400是在步骤S300的基础上进行的。在步骤S300中，计算机系统已经找出了与目标表征载体最为相似的x个对照联动数据。这些对照联动数据不仅与目标表征载体在特征上相似，更重要的是它们关联着已知的火情预警信息。

进入步骤S400，计算机系统检查这x个对照联动数据所指示的火情预警信息是否一致。这里的“一致”意味着这x个对照联动数据所关联的火情预警信息是相同的，即它们都指向了同一种风险状况。例如，如果这x个对照联动数据都关联着“高温预警”或“烟雾预警”，那么就可以认为它们的火情预警信息是一致的。如果这x个对照联动数据的火情预警信息确实一致，那么计算机系统就会将这个一致的火情预警信息作为目标桥隧区域的火情预警信息输出。这个输出的预警信息将是对目标桥隧区域当前环境状况的直接反映，也是行车风险检测的最终结果。

例如，假设在步骤S300中，计算机系统找出了与目标表征载体最为相似的3个对照联动数据，它们分别关联着“高温预警”、“烟雾预警”和“高温预警”。在这种情况下，虽然有两个对照联动数据关联着“高温预警”，但由于存在一个不同的预警信息（“烟雾预警”），因此这3个对照联动数据的火情预警信息并不一致。然而，如果这3个对照联动数据都关联着“高温预警”，那么计算机系统就会确定目标桥隧区域的火情预警信息为“高温预警”。

需要注意的是，步骤S400的输出结果直接关系到行车安全，因此必须确保预警信息的准确性和可靠性。在实际应用中，可以通过增加对照联动数据的数量、提高共性度量的精度等方法来提升预警信息的准确性。

如果x个对照联动数据指示的火情预警信息不一致，可以采取以下几种方式进行决策：

第一种为多数投票法，即统计x个对照联动数据中出现次数最多的火情预警信息作为最终的预警输出。例如，如果有3个数据指示“高温预警”，1个数据指示“烟雾预警”，则选择“高温预警”作为最终输出。

第二种为加权平均法，即为每个对照联动数据分配一个权重，根据权重和对应的火情预警信息计算加权平均结果。权重可以根据数据的可靠性、时间新鲜度等因素来确定。例如，较新的数据或来自更可靠传感器的数据可以被赋予更高的权重。

第三种为引入专家系统，即当预警信息不一致时，可以引入专家系统或人工干预进行决策。专家系统可以根据预设的规则和逻辑来判断哪种预警信息更为可信，或者人工操作员可以根据实际情况进行决策。

第四种为设置阈值，即为每种预警信息设置一个置信度阈值。只有当某个预警信息的置信度超过设定的阈值时，才将其作为最终的预警输出。这种方式可以确保输出的预警信息具有一定的可靠性。

在实际应用中，可以根据具体情况选择一种或多种上述方法来处理不一致的火情预警信息。重要的是确保最终输出的预警信息准确可靠，以保障行车安全。

可以理解的是，本申请实施例要确保最终的判断结果的精确性，取决于表征信息挖掘网络在对联动数据进行表征信息挖掘时得到的表征信息的精度，尤其是针对容易混淆的数据样本，通过特征表达将其进行有效区分，对模型的训练调校提出了较高的要求。在本申请实施例中，提供表征信息挖掘网络的调试方法，具体地，包括以下步骤：

步骤S10：获取拟调试学习样例库，其中，拟调试学习样例库包括基准学习样例和q个相关学习样例库，每个相关学习样例库包括积极学习样例库以及消极学习样例库，同时，采样自不同相关学习样例库的积极学习样例库与基准学习样例对应不同的共性度量结果，其中，q≥2。

本申请实施例中，拟调试学习样例库是指在调试表征信息挖掘网络时所使用的样本集合。这个库包含了用于训练和测试网络性能的各种样本。例如，拟调试学习样例库可能包含了正常情况下的桥隧图像、桥隧区域发生火情的图像以及其他可能干扰检测的图像（如烟雾、光照变化等）。基准学习样例又叫锚点样本，是一组具有代表性的样本，用于作为网络学习的起点或参考点。这些样本通常能够反映出网络在处理类似情况时的期望行为。例如，在桥隧火情检测预警中，基准学习样例可以是多张清晰的、无火情的桥隧正常状态下的图像。

相关学习样例库是与基准学习样例相关联的样本集合，用于进一步丰富网络的训练数据。这些库中的样本与基准样本在某种程度上具有相关性或相似性。例如，一个相关学习样例库可能专注于包含不同火情程度的桥隧图像，而另一个库可能包含各种干扰因素（如不同光照、天气条件下的桥隧图像）。

积极学习样例库可以理解为正样本集合，积极学习样例库中的样本是那些模型应该能够正确分类的样本。在网络训练中，这些样本通常被标记为“正例”或目标类别。例如，对于桥隧火情检测，积极学习样例库将包含实际发生火情的桥隧图像，这些图像被明确标记为“火情”。消极学习样例库中的样本是那些模型应该避免错误分类的样本。在网络训练中，这些样本通常被用作对比或反例。例如，在桥隧火情检测中，消极学习样例库可能包含未发生火情但存在其他视觉干扰（如烟雾、反光等）的桥隧图像。步骤S10中，将获取一个包含基准学习样例和q个相关学习样例库的拟调试学习样例库。相关学习样例库则包括积极学习样例库和消极学习样例库。积极学习样例库中的样本是桥隧区域发生火情时的图像，这些图像应该被网络正确分类为火情。消极学习样例库中的样本则是桥隧区域未发生火情但可能存在其他干扰因素（如烟雾、光照变化等）的图像，这些图像应该被网络避免错误分类为火情。

为了确保网络的泛化能力，从多个不同的桥隧区域收集样本，并确保样本的多样性和代表性。这样，网络就能够学习到不同桥隧区域在不同情况下的特征，从而更准确地检测火情。在获取拟调试学习样例库后，使用这些样本来调试和优化表征信息挖掘网络。通过比较网络对基准学习样例和相关学习样例的分类结果，可以评估网络的性能，并根据需要调整网络的参数和结构，以提高其准确性和可靠性。

步骤S20：基于拟调试表征信息挖掘网络，获取拟调试学习样例库中的每一个学习样例的表征载体，其中，拟调试学习样例库中的每一学习样例对应于一种或多种先验标记。

如前所述，表征载体是指将原始数据（如图像、文本等）通过特定的算法或模型转换后得到的一种抽象表示形式。在机器学习和深度学习的上下文中，表征载体通常是一个向量或数组，包含了原始数据的关键信息和特征，用于后续的分类、识别或预测任务。例如，在桥隧区域火情检测预警的场景中，表征载体可以是通过卷积神经网络（CNN）提取的图像特征向量。这个向量包含了图像的颜色、纹理、形状等关键信息，用于判断图像中是否存在火情。比如，一个表征载体可能包含了一系列数值，这些数值对应于图像中不同区域的特征强度，从而帮助机器识别出火焰的形状和颜色。先验标记是指在机器学习模型训练之前就已经确定并赋予给学习样例的标签。这些标签通常是基于人类专家的判断或某种已知的真实情况来设定的，用于指导模型的训练过程，并作为模型预测结果的参考标准。例如，在桥隧区域火情检测预警的任务中，先验标记可以是“火情”和“无火情”两种标签。对于包含火情的桥隧图像，会被赋予“火情”标签；而对于正常的、无火情的图像，则会被赋予“无火情”标签。这些先验标记将用于训练表征信息挖掘网络，使其能够准确地识别出图像中的火情情况。

步骤S20在桥隧区域火情检测预警的表征信息挖掘网络调试过程中，是一个关键的数据处理步骤。在这一步骤中，计算机系统将利用预先构建的表征信息挖掘网络，对拟调试学习样例库中的每一个学习样例进行深度处理，以获取它们的表征载体。在机器学习领域，表征学习是一个重要的研究方向，旨在让机器能够自动地从原始数据中提取有用的信息。在步骤S20中，计算机系统将使用表征信息挖掘网络中的一系列算法和模型，对拟调试学习样例库中的图像进行处理。这些算法和模型可能包括卷积神经网络（CNN）、支持向量机（SVM）等，它们能够自动提取图像中的特征，如颜色、纹理、形状等，并将这些特征编码成表征载体。通过步骤S20的处理，计算机系统将能够获取到拟调试学习样例库中所有图像的表征载体，为后续的分类和检测任务提供有力的数据支持。这些表征载体不仅包含了图像的关键信息，还通过深度学习算法的优化和处理，使得机器能够更容易地理解和识别图像中的火情特征。

步骤S30：依据每一学习样例的表征载体，基于置信度映射组件获取每一学习样例的分类置信度序列，其中，分类置信度序列包括p个推理置信度，每个推理置信度和一种预设先验标记对应，其中，p≥1。

步骤S30中，计算机系统根据每个学习样例的表征载体，通过置信度映射组件（通常是一个分类器），为每个学习样例生成一个分类置信度序列。分类器在机器学习领域是一种常见的工具，它的作用是根据输入数据的特征来预测数据的类别。在这个场景中，分类器的作用就是根据桥隧图像的表征载体来预测图像是否包含火情。而分类置信度序列，就是分类器对于每个可能的类别（在这里就是“火情”和“无火情”两种类别）给出的预测概率。

首先，计算机系统接收来自步骤S20的表征载体，这些载体是对学习样例（即桥隧图像）的抽象表示，包含了图像的关键信息。然后，计算机系统将这些表征载体输入到置信度映射组件中。这个组件通常是一个预先训练好的分类器，它可以根据输入的特征向量来预测图像的类别。在这个过程中，分类器会计算出图像属于每个类别的概率，这些概率就构成了分类置信度序列。

举个例子来说明，假设有一个桥隧图像，经过步骤S20的处理后得到了它的表征载体。然后，在步骤S30中，将这个表征载体输入到一个预先训练好的分类器中。分类器会根据输入的特征向量计算出图像属于“火情”类别的概率为0.8，属于“无火情”类别的概率为0.2。这样，就得到了一个分类置信度序列：[0.8, 0.2]，其中第一个数字对应于“火情”类别，第二个数字对应于“无火情”类别。需要注意的是，这里的分类置信度序列的长度p是根据预设的先验标记的数量来确定的。在这个例子中，只有两个先验标记（“火情”和“无火情”），所以分类置信度序列的长度为2。但在实际应用中，如果有更多的类别需要考虑，那么分类置信度序列的长度也会相应地增加。

步骤S40：基于每一学习样例的分类置信度序列以及每一学习样例对应的一种或多种先验标记，确定类别推理代价。

步骤S40中，计算机系统根据每个学习样例的分类置信度序列以及对应的先验标记，来确定类别推理代价，或者称为分类代价或分类损失。这个代价值反映了模型预测结果与实际标记之间的差异，是优化模型性能的重要依据。

具体来说，分类置信度序列是步骤S30中置信度映射组件（分类器）的输出，它表示了学习样例属于各个类别的概率分布。而先验标记则是事先为学习样例设定的真实类别标签。在理想情况下，如果模型的预测完全准确，那么分类置信度序列中对应真实类别的置信度应该为1，其他类别的置信度为0，此时分类损失为0。但实际上，模型的预测往往会有偏差，因此需要通过计算分类损失来量化这种偏差。在确定类别推理代价时，可以采用多种损失函数，如交叉熵损失函数、均方误差损失函数等。这些损失函数会根据分类置信度序列和先验标记计算出一个数值，表示模型预测结果与实际标记的不一致程度。例如，在二分类问题中（如“火情”和“无火情”），可以采用二元交叉熵损失函数来计算分类损失。

以二元交叉熵损失函数为例，假设某个学习样例的分类置信度序列为[0.6,0.4]，表示属于“火情”类别的概率为0.6，属于“无火情”类别的概率为0.4。如果该样例的实际标签是“火情”（即先验标记为1），那么根据交叉熵损失函数的计算公式，可以计算出该样例的分类损失。这个损失值将用于后续的模型优化过程中，通过梯度下降等优化算法来调整模型的参数，以降低总体分类损失并提高模型的预测准确率。

步骤S50：基于每一学习样例的表征载体，确定第一锚点偏离代价，其中，第一锚点偏离代价通过q个锚点偏离子代价确定得到，每个锚点偏离子代价表征一个或多个相关学习样例库与基准学习样例之间的误差。

步骤S50涉及到对学习样例之间相似性和差异性的度量。在这一步骤中，计算机系统根据每个学习样例的表征载体来确定第一锚点偏离代价，也被称为对比代价。这个代价反映了学习样例与基准学习样例之间的误差，是优化模型性能和提高检测准确率的重要参考。具体来说，第一锚点偏离代价是通过计算q个锚点偏离子代价来得到的。锚点在这里可以理解为一种参考点或基准点，它用于衡量其他学习样例与基准学习样例之间的相似度。每个锚点偏离子代价则表征了一个或多个相关学习样例库与基准学习样例之间的误差。这种误差可以通过计算学习样例的表征载体在特征空间中的距离来量化。

为了更具体地说明这个过程，假设有一个基准学习样例A，它的表征载体是一个特征向量[0.5, 0.3, 0.2]。另外，还有两个相关学习样例B和C，它们的表征载体分别是[0.6,0.2, 0.2]和[0.4, 0.4, 0.2]。在这里，可以将A作为锚点，然后计算B和C与A之间的偏离代价。

偏离代价的计算可以采用多种方法，如欧氏距离、余弦相似度等。以欧氏距离为例，可以计算B和C的表征载体与A的表征载体之间的欧氏距离作为偏离代价。欧氏距离是一种衡量两个向量在特征空间中实际距离的方法，计算公式为两个向量对应元素之差的平方和再开方。在这个例子中，B与A之间的欧氏距离为：

，

C与A之间的欧氏距离为：

。

这两个距离就分别代表了B和C与基准学习样例A之间的偏离代价。

步骤S60：通过类别推理代价和第一锚点偏离代价，对拟调试表征信息挖掘网络的网络可学习变量进行优化，直到符合调试截止要求，获得表征信息挖掘网络。

步骤S60中，计算机系统利用之前计算得到的类别推理代价和第一锚点偏离代价对网络的可学习变量进行优化调整，以提升网络的性能并满足调试截止要求。

具体来说，表征信息挖掘网络是一种深度学习模型，它能够从输入的原始数据中提取出有用的特征信息，并用于后续的分类或回归任务。在网络训练过程中，可学习变量（如神经网络的权重和偏置）根据损失函数的梯度信息进行更新，以最小化损失函数的值。在这个场景中，损失函数由类别推理代价和第一锚点偏离代价共同构成。类别推理代价反映了模型预测结果与实际类别标签之间的差异，而第一锚点偏离代价则衡量了学习样例与基准学习样例之间的相似性误差。通过将这两者结合起来作为损失函数进行优化，可以使得模型在准确预测类别的同时，也能够保持学习样例之间的一致性。

在优化过程中，计算机系统采用梯度下降等优化算法来计算损失函数关于可学习变量的梯度，并根据梯度信息来更新可学习变量的值。这个过程会迭代进行多次，直到达到预设的调试截止要求（如损失函数的值低于某个阈值或迭代次数达到上限）。举个例子来说明，假设表征信息挖掘网络是一个卷积神经网络（CNN），它用于从输入的桥隧图像中提取特征并进行火情分类。在训练过程中，计算机系统将输入的图像经过卷积层、池化层等多个层的处理后得到特征图，然后基于特征图进行分类预测并计算类别推理代价。同时，计算机系统根据基准学习样例和其他相关学习样例之间的相似性误差来计算第一锚点偏离代价。最后，计算机系统将这两部分代价结合起来作为损失函数进行优化调整网络的可学习变量。

在机器学习中，训练样本的合理选择对后续的网络训练起到重要的作用，本申请实施例在确定拟调试学习样例库时，给出了不同的实施方式，首先，在第一种实施方式中，q个相关学习样例库包括一致学习样例库和同类学习样例库。那么，基于此，步骤S10中，获取拟调试学习样例库，具体可以包括：

步骤A11：在历史监测数据库中获取基准学习样例和基准学习样例的目标前置调试特征信息，其中，历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息。

历史监测数据库是一个存储了大量过往监测数据的系统。在桥隧区域火情检测预警系统中，这个数据库可能包含了过去桥隧区域的图像、视频、温度读数、烟雾浓度等监测信息。候选学习样例是指从历史监测数据库中选取的、可能用于机器学习模型训练的数据样本。在桥隧火情检测的场景中，一个候选学习样例可能是一张包含或不包含火情的图像。前置调试特征信息是指在机器学习模型训练之前，对候选学习样例进行预处理和特征提取后得到的信息。这些信息能够描述样例的关键特性，有助于模型更好地学习和理解数据。

步骤A11的主要任务是从历史监测数据库中获取基准学习样例及其对应的目标前置调试特征信息。历史监测数据库存储了过往的监测数据，包括多个候选学习样例以及每个样例的前置调试特征信息。前置调试特征信息可以是通过预训练模型提取的表征向量，用于描述样例的关键特性。由于桥隧区域发生火灾的样本量相对较少，这可能导致训练数据的不足，在实际应用中，可以对已有的样本进行增强处理，如通过图像旋转、裁剪、亮度调整等方式来扩充数据库，或者对气体成分数据进行数值更改、线性插值、删除等增强。这样，即使在样本量有限的情况下，也能提升模型的泛化能力。

在步骤A11中，计算机系统从历史监测数据库中检索并提取出基准学习样例及其目标前置调试特征信息。基准学习样例是后续网络训练的重要参考，它的选择将直接影响模型的性能。同时，目标前置调试特征信息也是网络训练过程中不可或缺的一部分，它包含了样例的关键特征描述，有助于模型更准确地理解和学习样例的本质。

例如，假设历史监测数据库中存储了100个桥隧区域的监测图像，每个图像都附带有前置调试特征信息，这些信息可以是通过某种预训练模型提取的图像特征向量。在步骤A11中，计算机系统可能会根据某种策略（如随机选择、基于特征向量的相似性选择等）从这些图像中选择一个或多个作为基准学习样例，并提取出它们对应的目标前置调试特征信息。这些信息和样例将被用于后续的网络训练和模型优化过程中。

步骤A12：基于目标前置调试特征信息，在历史监测数据库中获取一致学习样例库，其中，一致学习样例库包含的积极学习样例与基准学习样例之间共性度量结果的顺次不小于预设顺次值，一致学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

共性度量是指衡量两个或多个学习样例之间相似性或共同特征的一种度量方法。在机器学习中，共性度量常用于确定样本之间的相似度，以便进行分类或聚类操作。积极学习样例是指那些与目标任务（如桥隧火情检测）高度相关，且有助于机器学习模型正确学习和预测的样本。这些样例通常与基准学习样例具有较高的相似性。消极学习样例是指那些与目标任务相关性较低，或者容易被机器学习模型误分类的样本。引入消极学习样例的目的是增加模型的泛化能力，防止过拟合。一致学习样例库是指根据共性度量结果，从历史监测数据库中选取的与基准学习样例具有高度一致性的样本集合。这个库中的样例被认为是积极学习样例，用于后续的机器学习模型训练。顺次值是一个用于衡量共性度量结果相对大小的数值或等级。在步骤A12中，顺次值用于确定积极学习样例与基准学习样例之间的相似程度。顺次值越高，表示两个样例之间的共性越大，相似度越高。

例如，假设对桥隧区域的图像进行共性度量计算，得到了每个候选学习样例与基准学习样例之间的相似度分数。可以根据这些分数对所有候选样例进行排序，赋予它们不同的顺次值。例如，与基准学习样例最相似的候选样例可能被赋予最高的顺次值（如1），次相似的被赋予次高的顺次值（如2），以此类推。

步骤A12负责基于目标前置调试特征信息从历史监测数据库中获取一致学习样例库。具体来说，步骤A12包括两个主要部分：积极学习样例的选择和消极学习样例的采样。首先，计算机系统根据目标前置调试特征信息，在历史监测数据库中寻找与基准学习样例具有共性度量的积极学习样例。这些积极学习样例与基准学习样例在特征空间中的距离较近，或者说它们的特征向量之间的相似性较高。共性度量结果的顺次不小于预设顺次值，意味着只有那些与基准学习样例足够相似的样例才会被选中作为积极学习样例。这种选择策略有助于确保一致学习样例库中的样例具有高度的内聚性和一致性。

举个例子，假设目标前置调试特征信息是一个多维特征向量，计算机系统可以使用诸如欧氏距离、余弦相似度等指标来衡量特征向量之间的相似性。只有那些与基准学习样例的特征向量相似性高于某个阈值的样例才会被选入积极学习样例库。其次，步骤A12还包括从除积极学习样例库以外的其他候选学习样例中采样消极学习样例。消极学习样例是与基准学习样例在特征空间中距离较远、相似性较低的样例。通过引入消极学习样例，可以增加模型的泛化能力，防止模型对训练数据的过拟合。

在实际操作中，计算机系统可以采用随机采样、基于特征的采样策略等方法来选择消极学习样例。例如，可以设定一个相似性阈值，将那些与基准学习样例的相似性低于该阈值的样例作为消极学习样例的候选集，然后从中随机选择一定数量的样例作为最终的消极学习样例。

步骤A13：在历史监测数据库中获取同类学习样例库，其中，同类学习样例库包含的积极学习样例与基准学习样例对应一致的大类先验标记，同类学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以及同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，大类先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记。

同类学习样例库是指在历史监测数据库中，与基准学习样例具有相同大类先验标记的学习样例的集合。这些样例与基准学习样例在类别上是一致的，即它们都属于同一大类（如都是火情图像）。在桥隧火情检测预警系统中，如果基准学习样例是一张包含火焰的图像，那么同类学习样例库就将包含其他所有也被标记为“火情”的图像。这些图像与基准学习样例在视觉上可能有所不同，但它们都共享相同的大类先验标记，即都是火情图像。大类先验标记是指基于历史监测数据库中每个候选学习样例的先验标记，通过统计等方法确定出的产生次数不小于第一设定次数的先验标记。这些标记用于将候选学习样例划分为不同的大类，如火情和非火情。

同类学习样例库包含积极学习样例和消极学习样例，它们的选择都基于与基准学习样例的特定关系。首先，计算机系统在历史监测数据库中识别与基准学习样例对应一致的大类先验标记的积极学习样例。大类先验标记是基于历史监测数据库中每个候选学习样例的先验标记统计得出的，它代表了样例所属的大类别。例如，在桥隧火情检测中，大类先验标记可能包括“火灾”、“非火灾”等。只有那些与基准学习样例共享相同大类先验标记的样例才会被选入同类学习样例库的积极学习样例部分。

举个例子，如果基准学习样例是一个被标记为“火灾”的图像，那么同类学习样例库中的积极学习样例也会是那些被标记为“火灾”的图像。这些图像在视觉特征、烟雾浓度等方面可能与基准学习样例相似，从而有助于模型学习识别火灾的关键特征。

其次，步骤A13还包括从剩余候选学习样例中采样消极学习样例。消极学习样例的选择是为了增加模型的辨别能力，使其能够更好地区分不同类别的样例。消极学习样例采样自除一致学习样例库中的积极学习样例库以及同类学习样例库中的积极学习样例库以外的其他一个或多个候选学习样例。这意味着消极学习样例与基准学习样例在大类先验标记上可能不同，或者在特征空间中存在较大的差异。

例如，在桥隧火情检测的场景中，消极学习样例可能包括被标记为“非火灾”的图像，如正常的交通场景、桥梁维修等。通过将这些与火灾无关的样例纳入训练集，模型可以学会区分火灾和其他非火灾事件，从而提高其在实际应用中的准确性。步骤A13通过精心选择积极学习样例和合理采样消极学习样例，构建了一个具有类别区分能力的同类学习样例库。这个库不仅有助于模型学习识别特定类别的关键特征，还能提升模型在不同类别之间的辨别能力，为桥隧区域火情检测预警系统的准确性和可靠性提供了坚实的基础。

在第二种实施方式中，q个相关学习样例库包括一致学习样例库和共享类别学习样例库。基于此，步骤S10中，获取拟调试学习样例库，具体可以包括：

步骤B11：在历史监测数据库中获取基准学习样例和基准学习样例的目标前置调试特征信息，其中，历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息。

步骤B11是桥隧区域火情检测预警系统在获取拟调试学习样例库时的关键步骤之一。与步骤A11类似，这一步的主要任务是从历史监测数据库中检索并提取出基准学习样例及其对应的目标前置调试特征信息。这些信息对于后续的网络训练和模型性能优化至关重要。

在执行步骤B11时，计算机系统访问历史监测数据库，这是一个存储了过往监测数据的宝贵资源。数据库中包含了多个候选学习样例，每个样例都附带有前置调试特征信息。这些特征信息可能是通过预训练模型提取的向量，用于描述样例的某些关键特性。与步骤A11不同的是，在第二种实施方式中，相关学习样例库包括了一致学习样例库和共享类别学习样例库。这意味着在步骤B11之后，计算机系统还会根据基准学习样例及其特征信息，进一步构建这两个样例库。这些样例库将用于后续的网络训练过程，以提高模型的准确性和泛化能力。

步骤B12：基于目标前置调试特征信息，在历史监测数据库中获取一致学习样例库，其中，一致学习样例库包含的积极学习样例与基准学习样例之间共性度量结果的顺次不小于预设顺次值，一致学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

一致学习样例库的介绍可以参照步骤A12中的描述。

步骤B13：在历史监测数据库中获取共享类别学习样例库，其中，共享类别学习样例库包含的积极学习样例与基准学习样例对应一致的类别，共享类别学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以及共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

共享类别学习样例库中的积极学习样例是与基准学习样例对应一致的类别。这意味着，如果基准学习样例是一张包含火焰的图像，那么积极学习样例也将是包含火焰的图像。这些积极学习样例在视觉特征、温度特征或其他相关特征上与基准学习样例相似，因此它们被归类为同一类别。计算机系统通过比较历史监测数据库中的图像与基准学习样例的特征，筛选出与基准学习样例类别一致的图像，形成积极学习样例库。其次，共享类别学习样例库还包含消极学习样例。这些消极学习样例是从除了一致学习样例库中的积极学习样例库以及共享类别学习样例库中的积极学习样例库以外的其他一个或多个候选学习样例中采样得到的。换句话说，消极学习样例是与基准学习样例不同类别的样例。在桥隧火情检测的场景中，消极学习样例可能包括正常的交通场景、天气变化等不含火焰的图像。计算机系统从候选学习样例中随机选择或根据某种策略选择一定数量的消极学习样例，加入到共享类别学习样例库中。

为了更具体地说明这个过程，可以假设历史监测数据库中存储了大量桥隧区域的图像，其中一部分图像被标记为“火情”，另一部分图像被标记为“非火情”。计算机系统首先根据基准学习样例（如一张包含火焰的图像）的特征，从数据库中筛选出所有被标记为“火情”的图像，形成积极学习样例库。然后，设备再从被标记为“非火情”的图像中随机选择一部分，作为消极学习样例加入到共享类别学习样例库中。在构建共享类别学习样例库时，计算机系统可以采用各种机器学习算法和模型来辅助筛选和分类样例。例如，可以使用卷积神经网络（Convolutional Neural Network，CNN）来提取图像的特征，并使用支持向量机（Support Vector Machine，SVM）或决策树等分类器来根据这些特征对图像进行分类。通过训练和优化这些模型，计算机系统能够更准确地识别出与基准学习样例相同类别的积极学习样例以及不同类别的消极学习样例。

最终，共享类别学习样例库将包含大量的积极学习样例和消极学习样例，这些样例将被用于训练机器学习模型，以提高模型对桥隧区域火情的检测准确性和泛化能力。

在第三种实施方式中，q个相关学习样例库包括相似学习样例库和同类学习样例库。基于此，步骤S10中，获取拟调试学习样例库，具体可以包括：步骤C11：在历史监测数据库中获取基准学习样例和基准学习样例的目标前置调试特征信息，其中，历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息。

步骤C11可以参照步骤A11和B11。

步骤C12：基于目标前置调试特征信息，在历史监测数据库中获取相似学习样例库，其中，相似学习样例库包含的积极学习样例与目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，相似学习样例库包含的消极学习样例采样自除相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，低频先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记。

步骤C12的执行过程可以分为两部分：一是获取积极学习样例，二是获取消极学习样例。对于积极学习样例的获取，计算机系统遍历历史监测数据库中的每一个候选学习样例，计算它们与目标前置调试特征信息之间的共性度量结果。共性度量结果是一个数值或评分，用于量化两个特征集合之间的相似程度。当某个候选学习样例的共性度量结果不小于设定共性度量结果时，它就被认为是与目标前置调试特征信息相似的，因此被选入相似学习样例库作为积极学习样例。同时，这些积极学习样例还需要满足一定的先验标记条件，即对应一致的低频先验标记或具有多个重合的先验标记。低频先验标记是指那些在历史监测数据库中出现次数较少的标记，它们可能代表了罕见但重要的火情情况。

对于消极学习样例的获取，计算机系统从历史监测数据库中除相似学习样例库中的积极学习样例库以外的其他一个或多个候选学习样例中采样。这些消极学习样例在特征上与目标前置调试特征信息存在较大的差异，因此被用来增加模型的泛化能力，防止模型对训练数据中的噪声或异常值产生过拟合。

在实际操作中，计算机系统可能会使用各种机器学习算法和模型来辅助筛选和分类样例。例如，可以使用深度学习模型来提取和比较图像的特征，或者使用聚类算法来根据特征将样例分组。这些技术和方法的应用将有助于提高步骤C12的执行效率和准确性。

步骤C13：在历史监测数据库中获取同类学习样例库，其中，同类学习样例库包含的积极学习样例与基准学习样例对应一致的大类先验标记，同类学习样例库包含的消极学习样例采样自除相似学习样例库中的积极学习样例库以及同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，大类先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记。

步骤C13可以参照前述步骤A13，二者仅排除对象不同。

在第四种实施方式中，q个相关学习样例库包括相似学习样例库和共享类别学习样例库；基于此，步骤S10，获取拟调试学习样例库，具体可以包括：

步骤D11：在历史监测数据库中获取基准学习样例和基准学习样例的目标前置调试特征信息，其中，历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息。

步骤D11可以参照前述步骤A11、B11、C11。

步骤D12：基于目标前置调试特征信息，在历史监测数据库中获取相似学习样例库，其中，相似学习样例库包含的积极学习样例与目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，相似学习样例库包含的消极学习样例采样自除相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，低频先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记。

步骤D12可以参照前述步骤C12。

步骤D13：在历史监测数据库中获取共享类别学习样例库，其中，共享类别学习样例库包含的积极学习样例与基准学习样例对应一致的类别，共享类别学习样例库包含的消极学习样例采样自除相似学习样例库中的积极学习样例库以及共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

共享类别学习样例库可以参照前述B13的描述，二者仅排除对象不同。

在第五种实施方式中，q个相关学习样例库包括一致学习样例库、相似学习样例库、同类学习样例库、共享类别学习样例库和相邻类别学习样例库；基于此，步骤S10中，获取拟调试学习样例库，包括：

步骤E11：在历史监测数据库中获取基准学习样例和基准学习样例的目标前置调试特征信息，其中，历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

步骤E12：基于目标前置调试特征信息，在历史监测数据库中获取一致学习样例库，其中，一致学习样例库包含的积极学习样例与基准学习样例之间共性度量结果的顺次不小于预设顺次值，一致学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

步骤E13：基于目标前置调试特征信息，在历史监测数据库中获取相似学习样例库，其中，相似学习样例库包含的积极学习样例与目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，相似学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库以及相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，低频先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；

步骤E14：在历史监测数据库中获取同类学习样例库，其中，同类学习样例库包含的积极学习样例与基准学习样例对应一致的大类先验标记，同类学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库、相似学习样例库中的积极学习样例库以及同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，大类先验标记为基于历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记，第一设定次数大于第二设定次数；

步骤E15：在历史监测数据库中获取共享类别学习样例库，其中，共享类别学习样例库包含的积极学习样例与基准学习样例对应一致的类别，共享类别学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库、相似学习样例库中的积极学习样例库、同类学习样例库中的积极学习样例库以及共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

E11~E15可以参照前述四种实施方式中的相关介绍。

步骤E16：在历史监测数据库中获取相邻类别学习样例库，其中，相邻类别学习样例库包含的积极学习样例与基准学习样例具有临近的类别，相邻类别学习样例库包含的消极学习样例采样自除一致学习样例库中的积极学习样例库、相似学习样例库中的积极学习样例库、同类学习样例库中的积极学习样例库、共享类别学习样例库中的积极学习样例库以及相邻类别学习样例库的积极学习样例库以外其他的一个或多个候选学习样例。

在桥隧火情检测的场景中，不同的火情、烟雾、光照等条件可能形成多个不同的类别。相邻类别指的是那些与基准学习样例所属类别在特征上相近或容易混淆的类别。例如，小火情与大火情、烟雾与正常天气之间的边界可能较为模糊，它们就可以被视为相邻类别。步骤E16的执行过程可以分为两部分：一是获取积极学习样例，二是获取消极学习样例。

对于积极学习样例的获取，计算机系统遍历历史监测数据库中的候选学习样例，筛选出与基准学习样例具有临近类别的样例。这里的“临近类别”可以通过比较样例的类别标签、特征向量或相似性度量来确定。例如，可以使用余弦相似度、欧氏距离等指标来衡量两个样例之间的相似性。当某个候选学习样例与基准学习样例的相似性度量结果超过一定阈值时，它就被认为是属于相邻类别的，因此被选入相邻类别学习样例库作为积极学习样例。对于消极学习样例的获取，计算机系统从历史监测数据库中除一致学习样例库、相似学习样例库、同类学习样例库、共享类别学习样例库以及相邻类别学习样例库的积极学习样例库以外的其他一个或多个候选学习样例中采样。这些消极学习样例在特征上可能与基准学习样例存在较大的差异，但它们对于提高模型的区分能力和鲁棒性非常重要。通过引入这些消极学习样例，模型可以更好地学习如何区分不同类别的输入数据，尤其是那些容易混淆的相邻类别。

在实际操作中，计算机系统可能会使用各种机器学习算法和模型来辅助筛选和分类样例。例如，可以使用支持向量机（SVM）等分类器来根据特征将样例分为不同的类别，然后使用聚类算法来进一步细分相邻类别。这些技术和方法的应用将有助于提高步骤E16的执行效率和准确性。

由前述内容可以知道，本申请实施例中，拟调试学习样例库中的每一个学习样例属于联动数据分类的学习样例，对于联动数据分类的组成，作为一种实施方式，联动数据分类包括气体成分数据和红外成像数据，或者，联动数据分类包括气体成分数据和桥隧图像数据。那么，基于此，步骤S20中，基于拟调试表征信息挖掘网络，获取拟调试学习样例库中的每一个学习样例的表征载体，可以包括：

步骤S21a：依据拟调试学习样例库，基于拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取每一学习样例的气体成分表征载体；

步骤S22a：依据拟调试学习样例库，基于拟调试表征信息挖掘网络包含的红外表征信息挖掘网络，获取每一学习样例的红外信息表征载体；

步骤S23a：依据每一学习样例的气体成分表征载体以及红外信息表征载体，基于拟调试表征信息挖掘网络包含的表征信息整合组件，获取每一学习样例的表征载体；

或者，基于拟调试表征信息挖掘网络，获取拟调试学习样例库中的每一个学习样例的表征载体，包括：

步骤S21b：依据拟调试学习样例库，基于拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取每一学习样例的气体成分表征载体；

步骤S21b：依据拟调试学习样例库，基于拟调试表征信息挖掘网络包含的桥隧图像表征信息挖掘网络，获取每一学习样例的桥隧图像表征载体；

步骤S21b：依据每一学习样例的气体成分表征载体和桥隧图像表征载体，基于拟调试表征信息挖掘网络包含的表征信息整合组件，获取每一学习样例的表征载体。

步骤S20的实施方式中，当联动数据分类包括气体成分数据和红外成像数据，或者包括气体成分数据和桥隧图像数据时，计算机系统执行特定的步骤来获取拟调试学习样例库中每个学习样例的表征载体。这些表征载体是后续机器学习模型训练和调试的关键输入。

首先，对于包含气体成分数据和红外成像数据的联动数据分类情况：

步骤S21a中，计算机系统利用拟调试表征信息挖掘网络中的气体成分表征信息挖掘网络，处理拟调试学习样例库中的每个学习样例的气体成分数据。这个网络可能是由多个神经网络层组成的深度学习模型，专门用于从气体成分数据中提取关键特征，并形成气体成分表征载体。例如，如果气体成分数据包括氧气、二氧化碳、一氧化碳等气体的浓度，气体成分表征信息挖掘网络可能会学习到这些气体浓度与火情之间的复杂关系，并将这种关系编码为表征载体。

步骤S22a中，计算机系统使用红外表征信息挖掘网络处理每个学习样例的红外成像数据。这个网络同样可能是一个深度学习模型，专门设计用于从红外图像中提取与火情相关的特征，如温度分布、热点位置等，并将这些特征转化为红外信息表征载体。

步骤S23a中，计算机系统利用表征信息整合组件将步骤S21a和步骤S22a中得到的气体成分表征载体和红外信息表征载体进行融合。这个整合组件可以是一个特征拼接层、一个全连接层或者更复杂的网络结构，如concat层，将不同类型的表征信息有效地结合在一起，形成一个全面描述学习样例的表征载体。

类似地，对于包含气体成分数据和桥隧图像数据的联动数据分类情况：

步骤S21b与步骤S21a类似，都是利用气体成分表征信息挖掘网络处理气体成分数据，获取气体成分表征载体。如利用卷积神经网络（CNN）或循环神经网络（RNN）的变体处理气体成分数据。

例如，假设气体成分数据包括氧气、二氧化碳、一氧化碳、氮氧化物等气体的浓度值，这些数据可以形成一个特征向量，如[氧气浓度，二氧化碳浓度，一氧化碳浓度，氮氧化物浓度]。气体成分表征信息挖掘网络会接收这个特征向量作为输入，并通过一系列的网络层（如卷积层、池化层、全连接层等）进行特征提取和转换，最终输出一个包含学习样例气体成分关键信息的表征载体。

步骤S22b中，计算机系统使用桥隧图像表征信息挖掘网络处理每个学习样例的桥隧图像数据。这个网络会专注于从桥隧图像中提取与火情检测相关的视觉特征，如烟雾、火焰的形状和颜色等，并将这些特征转化为桥隧图像表征载体。步骤S23b同样利用表征信息整合组件将步骤S21b和步骤S22b中得到的气体成分表征载体和桥隧图像表征载体进行融合，形成一个综合的表征载体。例如，如果气体成分表征载体是一个长度为m的向量，桥隧图像表征载体是一个长度为n的向量，那么特征拼接层可能会将它们拼接成一个长度为m+n的向量作为输出。而全连接层则可能会通过学习到的权重矩阵将这两个向量转换成一个新的向量，这个新的向量就包含了学习样例的综合表征信息。

在这些步骤中，涉及的机器学习模型、算法和神经网络都是根据桥隧区域火情检测的具体需求和数据特性进行设计和训练的。它们的目标是从多源异构数据中提取出对火情检测最有用的信息，为后续的模型调试和优化提供高质量的输入。

在一种实施方式中，步骤S40，基于每一学习样例的分类置信度序列以及每一学习样例对应的一种或多种先验标记，确定类别推理代价，具体可以包括：

步骤S41：对于p个预设先验标记中的每一预设先验标记，基于每一学习样例的分类置信度序列，确定对于预设先验标记的推理置信度；

步骤S42：对于p个预设先验标记中的每一预设先验标记，基于每一学习样例对应的一种或多种先验标记，确定对于预设先验标记的实际置信度；

步骤S43：对于p个预设先验标记中的每一预设先验标记，基于每一学习样例二元组于预设先验标记的推理置信度以及实际置信度，确定预设先验标记对应的类别推理子代价；

步骤S44：基于每个预设先验标记对应的类别推理子代价，确定类别推理代价。

步骤S41中，计算机系统针对预设的p个先验标记中的每一个，根据每个学习样例的分类置信度序列来确定对于该先验标记的推理置信度。分类置信度序列反映了模型对于学习样例属于各个类别的信心程度。例如，假设有三个类别：火灾、烟雾和正常，每个学习样例都会有一个与之对应的分类置信度序列，如[0.8, 0.1, 0.1]，表示模型有80%的信心认为该样例属于火灾类别，10%的信心认为属于烟雾类别，以及10%的信心认为属于正常类别。对于某个特定的先验标记，比如“火灾”，计算机系统提取出与“火灾”类别相关的置信度值，即上述例子中的0.8，作为对于该先验标记的推理置信度。

步骤S42中，计算机系统进一步根据每个学习样例对应的一种或多种先验标记来确定对于每个预设先验标记的实际置信度。先验标记是基于人的经验或其他信息源对学习样例进行的预先标记，它们提供了关于学习样例真实类别的额外信息。例如，如果一个学习样例被先验标记为“火灾”，那么对于“火灾”这个先验标记的实际置信度就会被设置为一个较高的值，比如1.0，表示完全确信该样例属于火灾类别。

步骤S43中，计算机系统结合每个学习样例对于每个预设先验标记的推理置信度和实际置信度来计算该先验标记对应的类别推理子代价。这个子代价反映了模型推理结果与先验知识之间的差异或一致性程度。一种可能的计算方式是使用某种形式的损失函数，比如均方误差（MSE）或交叉熵损失（Cross-Entropy Loss），来衡量推理置信度和实际置信度之间的差距。差距越大，子代价就越高；差距越小，子代价就越低。

最后，在步骤S44中，计算机系统基于每个预设先验标记对应的类别推理子代价来确定最终的类别推理代价。这个总代价可以是所有子代价的简单加和，也可以是经过某种权重调整后的加和。类别推理代价作为一个整体指标，反映了模型在整合先验知识进行类别推理时的性能表现。较低的类别推理代价意味着模型的推理结果与先验知识更加一致，反之则意味着存在较大的不一致性。

在一种实施方式中，步骤S50，基于每一学习样例的表征载体，确定第一锚点偏离代价，具体可以包括：

步骤S51：基于q个相关学习样例库和基准学习样例，生成q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合，每一第一积极学习样例二元组集合采样自相关学习样例库的积极学习样例库，每个第一消极学习样例二元组集合采样自相关学习样例库的积极学习样例库和消极学习样例库中的一个或多个；

步骤S52：基于q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合，确定q个锚点偏离子代价；

步骤S53：基于q个锚点偏离子代价，确定第一锚点偏离代价。

步骤S51中，计算机系统根据q个相关学习样例库和基准学习样例来生成两组集合：q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合。积极学习样例库通常包含与基准学习样例相似或同类的样例，而消极学习样例库则包含与基准学习样例不同类或不相似的样例。每个第一积极学习样例二元组集合是从相关学习样例库的积极学习样例中采样得到的，这意味着这些二元组中的两个样例都是积极的，即它们与基准样例相似或属于同一类别。而每个第一消极学习样例二元组集合则是从积极学习样例库和消极学习样例库中的一个或多个中采样得到的，这意味着这些二元组中的样例可能是一个积极的和一个消极的，或者两个都是消极的，即它们与基准样例不相似或属于不同类别。这样的采样过程有助于捕捉学习样例之间的相似性和差异性。

步骤S52中，计算机会基于上一步生成的q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合来确定q个锚点偏离子代价。锚点偏离子代价衡量了学习样例相对于某个锚点（通常是基准学习样例或类别中心）的偏离程度。对于每个二元组集合，计算机会考虑其中样例的表征载体之间的差异或相似性来计算偏离子代价。例如，对于积极学习样例二元组集合，偏离子代价可能较低，因为其中的样例都相似；而对于消极学习样例二元组集合，偏离子代价可能较高，因为其中的样例存在差异。具体的计算方式可能涉及距离度量（如欧氏距离、余弦相似度等）或概率分布比较（如KL散度）等方法。

最后，在步骤S53中，计算机会基于上一步得到的q个锚点偏离子代价来确定第一锚点偏离代价。这个总代价可以是所有偏离子代价的简单加和、平均值或其他聚合方式得到的。第一锚点偏离代价作为一个整体指标，反映了学习样例集合相对于基准学习样例或类别中心的偏离程度。较低的第一锚点偏离代价意味着学习样例集合整体上与基准相似或紧密围绕锚点分布；而较高的第一锚点偏离代价则可能意味着存在较大的差异或离散度。这样的度量有助于评估学习样例的质量和一致性，并在后续的机器学习任务中进行优化和调整。

在一种实施方式中，本申请实施例提供的方法还包括：

步骤S1：获取多个基准学习样例和每个基准学习样例对应的q个相关学习样例库。

步骤S2：基于多个基准学习样例和每个基准学习样例对应的q个相关学习样例库，生成第二积极学习样例二元组集合和第二消极学习样例二元组集合，其中，第二积极学习样例二元组集合中的第二积极学习样例二元组对应的共性程度高于第二消极学习样例二元组集合中的第二消极学习样例二元组对应的共性程度。

步骤S3：基于第二积极学习样例二元组集合和第二消极学习样例二元组集合，确定第二锚点偏离代价。

在一种实施方式中，本申请实施例提供的方法涉及对表征信息挖掘网络的优化过程，具体包括以下步骤：

步骤S1涉及获取多个基准学习样例以及每个基准学习样例对应的q个相关学习样例库。基准学习样例是那些已经被准确标记或分类的样本，它们在机器学习中被用作参考点。相关学习样例库则是与每个基准学习样例相关联的样本集合，这些样本在某种程度上与基准学习样例具有相似性。

步骤S2基于多个基准学习样例和它们对应的相关学习样例库来生成两组样例二元组集合：第二积极学习样例二元组集合和第二消极学习样例二元组集合。积极学习样例二元组是指那些在学习任务中具有高度共性的样例对，即它们很可能属于同一类别或具有相似的特征。相反，消极学习样例二元组则是指那些共性程度较低的样例对，它们可能属于不同的类别或具有较大的差异。这一步骤的目的是为了构建一个能够反映样例间相似性和差异性的数据集，以便后续用于网络的优化。可以理解，共性程度代表两个对象之间的相似性程度，例如，第二积极学习样例二元组集合中的第二积极学习样例二元组对应的共性程度代表第二积极学习样例二元组中的两个学习样例之间的相似程度。在实际应用中，可以通过获取两个学习样例对应的特征距离来确定对应的相似程度，如欧式距离、余弦距离等距离计算方式。

步骤S3则是基于生成的第二积极学习样例二元组集合和第二消极学习样例二元组集合来确定第二锚点偏离代价。锚点偏离代价是衡量学习样例相对于某个基准点（锚点）的偏离程度的指标。在这个上下文中，第二锚点偏离代价反映了学习样例集合与基准学习样例之间的相似性和差异性。较低的第二锚点偏离代价意味着学习样例与基准学习样例更加相似，而较高的代价则可能意味着存在较大的差异。这一步骤的输出将作为一个重要的优化目标，用于指导后续的网络学习过程。

基于此，步骤S60，通过类别推理代价和第一锚点偏离代价，对拟调试表征信息挖掘网络的网络可学习变量进行优化，具体可以包括：通过类别推理代价、第一锚点偏离代价和第二锚点偏离代价，对拟调试表征信息挖掘网络的网络可学习变量进行优化。

例如，对类别推理代价、第一锚点偏离代价和第二锚点偏离代价进行加权，获得目标代价，然后，通过目标代价对拟调试表征信息挖掘网络的网络可学习变量进行优化。

具体地，计算机系统将使用三个不同的代价指标来进行优化：类别推理代价、第一锚点偏离代价和第二锚点偏离代价。这三个代价指标分别从不同角度评估了网络的性能。类别推理代价反映了模型在进行类别推断时的准确性；第一锚点偏离代价和第二锚点偏离代价则衡量了学习样例与基准样例或类别中心的偏离程度。为了将这三个代价指标综合起来进行优化，计算机系统首先会对它们进行加权。加权的方式可以是线性的，即每个代价乘以一个权重系数后相加，形成一个目标代价函数。这个权重系数的选择取决于具体的应用场景和优化目标，通常需要通过实验或经验来确定。

举个例子，假设表征信息挖掘网络是一个深度卷积神经网络（DCNN），用于图像分类任务。网络的可学习变量就是DCNN中各层的权重和偏置。类别推理代价可以通过交叉熵损失函数来计算，它衡量了模型预测的概率分布与真实标签之间的差异。而第一锚点偏离代价和第二锚点偏离代价则可以通过计算学习样例与基准样例在特征空间中的距离来获得。

在实际操作中，计算机系统会使用优化算法（如随机梯度下降SGD、Adam等）来最小化这个目标代价函数。优化算法会根据目标代价函数的梯度信息来调整网络的可学习变量，从而使得网络在后续的输入上能够做出更准确的预测或更紧密地围绕基准样例进行特征提取。这个优化过程通常会迭代多次，直到目标代价函数的值收敛到一个稳定的状态或者达到预设的停止条件。通过这样的方式，计算机系统能够有效地利用类别推理代价和锚点偏离代价来提升表征信息挖掘网络的性能。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的基于人工智能的行车风险检测方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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系统(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。

本申请实施例提供一种计算机系统，包括存储器和处理器，所述存储器存储有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方法中的部分或全部步骤。

本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

本申请实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机系统中运行的情况下，所述计算机系统中的处理器执行用于实现上述方法中的部分或全部步骤。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

图2为本申请实施例提供的一种计算机系统的硬件实体示意图，如图2所示，该计算机系统1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。

存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及计算机系统1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。处理器1001执行程序时实现上述任一项的基于人工智能的行车风险检测方法的步骤。处理器1001通常控制计算机系统1000的总体操作。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种基于人工智能的行车风险检测方法，其特征在于，应用于计算机系统，所述方法包括：

获取目标桥隧区域的联动分析数据集，所述联动分析数据集包括气体成分数据、红外成像数据以及桥隧图像数据；

依据所述联动分析数据集，基于表征信息挖掘网络获取目标表征载体；

将所述目标表征载体与对照联动数据库中的各对照联动数据的表征载体进行共性度量，获得共性度量结果最大的x个对照联动数据，其中，所述各个对照联动数据的表征载体为通过所述表征信息挖掘网络获取得到，其中，x≥1；所述对照联动数据库中的每一个对照联动数据是事先收集存储的已知预警信息的数据；

当所述x个对照联动数据指示的火情预警信息一致时，将所述x个对照联动数据指示的火情预警作为所述联动分析数据集的火情预警信息。

2.如权利要求1所述的方法，其特征在于，所述表征信息挖掘网络通过以下步骤调试得到：

获取拟调试学习样例库，其中，所述拟调试学习样例库包括基准学习样例和q个相关学习样例库，每个相关学习样例库包括积极学习样例库以及消极学习样例库，同时，采样自不同相关学习样例库的积极学习样例库与所述基准学习样例二元组应不同的共性度量结果，其中，q≥2；

基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，其中，所述拟调试学习样例库中的每一学习样例二元组应于一种或多种先验标记；

依据所述每一学习样例的表征载体，基于置信度映射组件获取所述每一学习样例的分类置信度序列，其中，所述分类置信度序列包括p个推理置信度，每个推理置信度和一种预设先验标记对应，其中，p≥1；

基于所述每一学习样例的分类置信度序列以及所述每一学习样例二元组应的一种或多种先验标记，确定类别推理代价；

基于所述每一学习样例的表征载体，确定第一锚点偏离代价，其中，所述第一锚点偏离代价通过q个锚点偏离子代价确定得到，每个锚点偏离子代价表征一个或多个相关学习样例库与所述基准学习样例之间的误差；

通过所述类别推理代价和所述第一锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，直到符合调试截止要求，获得表征信息挖掘网络。

3.如权利要求2所述的方法，其特征在于，所述q个相关学习样例库包括一致学习样例库和同类学习样例库；所述获取拟调试学习样例库，包括：

在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记；

或者，所述q个相关学习样例库包括一致学习样例库和共享类别学习样例库；所述获取拟调试学习样例库，包括：

在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

或者，所述q个相关学习样例库包括相似学习样例库和同类学习样例库；所述获取拟调试学习样例库，包括：

在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；

在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记；

或者，所述q个相关学习样例库包括相似学习样例库和共享类别学习样例库；所述获取拟调试学习样例库，包括：

在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；

在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述相似学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例。

4.如权利要求2所述的方法，其特征在于，所述q个相关学习样例库包括一致学习样例库、相似学习样例库、同类学习样例库、共享类别学习样例库和相邻类别学习样例库；所述获取拟调试学习样例库，包括：

在历史监测数据库中获取所述基准学习样例和所述基准学习样例的目标前置调试特征信息，其中，所述历史监测数据库包括多个候选学习样例和每一候选学习样例的前置调试特征信息；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述一致学习样例库，其中，所述一致学习样例库包含的积极学习样例与所述基准学习样例之间共性度量结果的顺次不小于预设顺次值，所述一致学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

基于所述目标前置调试特征信息，在所述历史监测数据库中获取所述相似学习样例库，其中，所述相似学习样例库包含的积极学习样例与所述目标前置调试特征信息之间的共性度量结果不小于设定共性度量结果，同时，对应一致的低频先验标记或具有多个重合的先验标记，所述相似学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库以及所述相似学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述低频先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不大于第二设定次数的先验标记；

在所述历史监测数据库中获取所述同类学习样例库，其中，所述同类学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的大类先验标记，所述同类学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库以及所述同类学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例，所述大类先验标记为基于所述历史监测数据库中每个候选学习样例的先验标记确定出产生次数不小于第一设定次数的先验标记，所述第一设定次数大于所述第二设定次数；

在所述历史监测数据库中获取所述共享类别学习样例库，其中，所述共享类别学习样例库包含的积极学习样例与所述基准学习样例二元组应一致的类别，所述共享类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库、所述同类学习样例库中的积极学习样例库以及所述共享类别学习样例库中的积极学习样例库以外其他的一个或多个候选学习样例；

在所述历史监测数据库中获取所述相邻类别学习样例库，其中，所述相邻类别学习样例库包含的积极学习样例与所述基准学习样例具有临近的类别，所述相邻类别学习样例库包含的消极学习样例采样自除所述一致学习样例库中的积极学习样例库、所述相似学习样例库中的积极学习样例库、所述同类学习样例库中的积极学习样例库、所述共享类别学习样例库中的积极学习样例库以及相邻类别学习样例库的积极学习样例库以外其他的一个或多个候选学习样例。

5.如权利要求2所述的方法，其特征在于，所述拟调试学习样例库中的每一个学习样例属于联动数据分类的学习样例，其中，所述联动数据分类包括气体成分数据和红外成像数据，或者，所述联动数据分类包括气体成分数据和桥隧图像数据；所述基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，包括：

依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取所述每一学习样例的气体成分表征载体；

依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的红外表征信息挖掘网络，获取所述每一学习样例的红外信息表征载体；

依据所述每一学习样例的气体成分表征载体以及红外信息表征载体，基于所述拟调试表征信息挖掘网络包含的表征信息整合组件，获取所述每一学习样例的表征载体；

或者，所述基于拟调试表征信息挖掘网络，获取所述拟调试学习样例库中的每一个学习样例的表征载体，包括：

依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的气体成分表征信息挖掘网络，获取所述每一学习样例的气体成分表征载体；

依据所述拟调试学习样例库，基于所述拟调试表征信息挖掘网络包含的桥隧图像表征信息挖掘网络，获取所述每一学习样例的桥隧图像表征载体；

依据所述每一学习样例的气体成分表征载体和桥隧图像表征载体，基于所述拟调试表征信息挖掘网络包含的表征信息整合组件，获取所述每一学习样例的表征载体。

6.如权利要求2所述的方法，其特征在于，所述基于所述每一学习样例的分类置信度序列以及所述每一学习样例二元组应的一种或多种先验标记，确定类别推理代价，包括：

对于p个预设先验标记中的每一预设先验标记，基于所述每一学习样例的分类置信度序列，确定对于预设先验标记的推理置信度；

对于所述p个预设先验标记中的每一预设先验标记，基于所述每一学习样例二元组应的一种或多种先验标记，确定对于所述预设先验标记的实际置信度；

对于所述p个预设先验标记中的每一预设先验标记，基于所述每一学习样例二元组于所述预设先验标记的推理置信度以及实际置信度，确定所述预设先验标记对应的类别推理子代价；

基于所述每个预设先验标记对应的类别推理子代价，确定所述类别推理代价。

7.如权利要求2所述的方法，其特征在于，所述基于所述每一学习样例的表征载体，确定第一锚点偏离代价，包括：

基于所述q个相关学习样例库和所述基准学习样例，生成q个第一积极学习样例二元组集合和q个第一消极学习样例二元组集合，每一第一积极学习样例二元组集合采样自相关学习样例库的积极学习样例库，每个第一消极学习样例二元组集合采样自相关学习样例库的积极学习样例库和消极学习样例库中的一个或多个；

基于所述q个第一积极学习样例二元组集合和所述q个第一消极学习样例二元组集合，确定q个锚点偏离子代价；

基于所述q个锚点偏离子代价，确定所述第一锚点偏离代价。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

获取多个基准学习样例和每个基准学习样例二元组应的q个相关学习样例库；

基于所述多个基准学习样例和所述每个基准学习样例二元组应的q个相关学习样例库，生成第二积极学习样例二元组集合和第二消极学习样例二元组集合，其中，所述第二积极学习样例二元组集合中的第二积极学习样例二元组对应的共性程度高于所述第二消极学习样例二元组集合中的第二消极学习样例二元组对应的共性程度，所述共性程度代表对应的两个学习样例之间的相似性程度；

基于所述第二积极学习样例二元组集合和所述第二消极学习样例二元组集合，确定第二锚点偏离代价；

所述通过所述类别推理代价和所述第一锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，包括：

通过所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化。

9.如权利要求8所述的方法，其特征在于，所述通过所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价，对所述拟调试表征信息挖掘网络的网络可学习变量进行优化，包括：

对所述类别推理代价、所述第一锚点偏离代价和所述第二锚点偏离代价进行加权，获得目标代价；

通过所述目标代价对所述拟调试表征信息挖掘网络的网络可学习变量进行优化。

10.一种计算机系统，包括存储器和处理器，所述存储器存储有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权利要求1至9任一项所述方法中的步骤。