申请/专利权人：华南理工大学;广州运星科技有限公司

申请日：2021-12-10

公开（公告）日：2024-06-25

公开（公告）号：CN114153976B

主分类号：G06F16/35

分类号：G06F16/35;G06F16/951;G06F18/25;G06F18/241;G06F18/2431;G06F18/21;G06F18/214;G06N3/0442;G06N3/0455;G06N3/084;G06N3/0985;G06Q50/00;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.03.25#实质审查的生效;2022.03.08#公开

摘要：本发明公开了基于社交媒体数据的交通事件分类方法、系统及介质，通过从预设社交媒体平台上爬取交通事件数据并构建数据集；将预处理后的数据集进行文本编码并划分为训练集、验证集和测试集；将训练集和验证集输入至交通事件分类模型进行模型训练与效果评价得到最优超参数，其中交通事件分类模型中包括预训练模型；基于最优超参数对交通事件分类模型进行多组交叉验证后对测试集进行交通分类预测，通过投票算法在多组预测结果中确认最佳交通事件分类结果。本发明通过在社交媒体平台上自动采集海量的交通事件信息作为数据源，并对以预训练模型为基础建立的交通事件分类模型进行训练与效果验证，使得模型能实现高效且准确的交通事件智能分类。

主权项：1.一种基于社交媒体数据的交通事件分类方法，其特征在于，包括：从预设社交媒体平台上爬取交通事件数据并构建数据集；对所述数据集进行预处理；将预处理后的数据集进行文本编码，并将文本编码后的数据集划分为训练集、验证集和测试集；将所述训练集和验证集输入至预先构建的交通事件分类模型进行模型训练与效果评价，得到所述交通事件分类模型的最优超参数，其中所述交通事件分类模型中包括预训练模型；基于所述最优超参数对所述交通事件分类模型进行多组交叉验证后对所述测试集进行交通分类预测，并通过投票算法在多组预测结果中确认最佳交通事件分类结果；所述将所述训练集和验证集输入至预先构建的交通事件分类模型进行模型训练与效果评价，得到所述交通事件分类模型的最优超参数，其中所述交通事件分类模型中包括预训练模型之前，所述方法还包括：构建所述交通事件分类模型、用于训练所述交通事件分类模型的损失函数、用于控制参数更新的学习率策略以及用于评价模型效果的评价指标，其中，所述交通事件分类模型包括预训练模型和下游分类模型；所述将所述训练集和验证集输入至预先构建的交通事件分类模型进行模型训练与效果评价，得到所述交通事件分类模型的最优超参数，包括：将所述训练集和验证集输入至所述交通事件分类模型中进行周期性的训练与效果验证，得到相应的损失函数值与评价指标值；根据每个周期的所述损失函数值与评价指标值控制所述预训练模型以第一学习率进行参数更新，并控制所述下游分类模以第二学习率进行参数更新，所述第一学习率小于所述第二学习率；当验证所述交通事件分类模型的效果达到最优时得到对应的最优超参数；其中，在模型训练过程中，采用学习率下降策略控制所述第二学习率随着训练进度逐步减小，所述学习率下降策略采用余弦下降策略，其计算公式如下： 表示第次启动，表当前的学习率，表示学习率的最大值，表示学习率的最小值，表示当前执行完的epoch个数，表示第次运行中总的epoch个数；所述基于所述最优超参数对所述交通事件分类模型进行多组交叉验证后对所述测试集进行交通分类预测，并通过投票算法在多组预测结果中确认最佳交通事件分类结果，包括：获取交叉验证的折数，并根据所述折数将所述数据集随机划分N次，得到N组训练子集、N组验证子集和N组测试子集；保持所述最优超参数不变，通过所述N组训练子集和N组验证子集对所述交通事件分类模型进行交叉验证训练后得到N个分类子模型；通过N个分类子模型分别对所述测试集进行交通事件分类预测，得到N组预测结果；根据投票算法在所述N组预测结果中确认最佳交通事件分类结果；所述预训练模型为bert模型或roberta模型。

全文数据：

权利要求：

百度查询： 华南理工大学;广州运星科技有限公司 基于社交媒体数据的交通事件分类方法、系统及介质

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD