龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：昆明理工大学;湖北文理学院
申请日：2023-11-02
公开（公告）日：2024-05-24
公开（公告）号：CN117521882B
主分类号：G06Q10/04
分类号：G06Q10/04;G06Q10/0637;G06Q50/26;G06N3/045;G06N3/0464;G06N3/098
优先权：
专利状态码：有效-授权
法律状态：2024.05.24#授权;2024.03.29#实质审查的生效;2024.02.06#公开
摘要：本发明涉及城市轨道交通技术领域，涉及一种基于集成学习模型预测城市轨道交通事故后果的方法，其建立了基于卷积神经网络CNN和BERT模型的集成学习模型EMBC；EMBC中，CNN用于提取数值类数据如列车行驶速度、列车所在线路等的有效信息，BERT用于学习事故文本描述中的复杂关系，使用基于自学习参数的Bagging方法聚合BERT和CNN的分类结果，获得最终的城市轨道交通事故后果预测结果。本发明具有更高的预测准确性与更广泛的适用场景。
主权项：1.基于集成学习模型预测城市轨道交通事故后果的方法，其特征在于：建立基于卷积神经网络CNN和BERT模型的集成学习模型EMBC；EMBC中，CNN用于捕获数值类的事故信息，BERT用于学习事故文本描述中的复杂关系，使用基于自学习参数的Bagging方法聚合BERT和CNN的分类结果，获得最终的城市轨道交通事故后果预测结果；在CNN中，使用具有7个单元的完全连接层，然后使用softmax函数来生成事故后果预测的概率；CNN使用二元交叉熵损失函数进行训练，并利用Adam优化算法对其进行优化；在BERT中，在每个Transformer层中，使用自注意力机制学习不同嵌入表示之间的关系；并使用多头注意力使模型能够同时关注不同位置的不同标记子空间中的信息：MultiHeadQ,K,V＝Concathead1,…,headnWO 其中Q,K,V分别表示查询嵌入、键值嵌入和实值嵌入；为可学习参数矩阵；BERT的输出来自顶部transformer编码器，[CLS]标记作为放置在文本开头的特殊符号，重点被放在[CLS]标记的最终表示上，该标记位于文本的开头，被用作分类任务的聚合序列用来表示其最终表达，然后将此[CLS]标记表示传递给分类层；BERT使用softmax层对城市轨道交通事故后果的类别进行分类。
全文数据：
权利要求：
百度查询： 昆明理工大学;湖北文理学院 基于集成学习模型预测城市轨道交通事故后果的方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号