一种多因素的神经网络模型管理方法和系统技术方案

本发明专利技术提供了一种多因素的神经网络模型管理方法和系统，所述方法包括：判断车辆是否处于导航状态；结合车辆的行驶情况、气象情况和光照情况查询相应的神经网络模型；向车辆的终端发送检索指令，终端根据查询到的模型编号分别检索本地存储的模型；检索成功，将检索到的模型加载到内存；失败时向服务器发送下载指令，下载匹配的神经网络模型；下载成功时按照各路段的顺序将对应的神经网络模型加载到内存；下载失败时，选中与查询到的神经网络模型符合度最高的替代神经网络模型，将替代神经网络模型加载到内存。本发明专利技术通过对神经网络模型的动态管理以及考虑多因素提高了模型在不同情况下的实用性和适用性，同时降低了模型的复杂度，缩短训练周期。缩短训练周期。缩短训练周期。

【技术实现步骤摘要】
一种多因素的神经网络模型管理方法和系统


[0001]本专利技术涉及模型管理领域，尤其涉及一种多因素的神经网络模型管理方法和系统。

技术介绍

[0002]近年来，AI技术被广泛应用于自动驾驶/辅助驾驶领域。例如深度学习、增强学习等在自动驾驶/辅助驾驶领域都取的较好的研究成果。而感知处理是AI技术中一种较为典型的应用场景。由于车辆行驶过程中会遇到复杂的环境，已有的感知技术在检测或识别的精度方面尚无法满足需要，基于深度学习的图像处理逐渐受到越来越多的关注。例如基于HOG特征的行人检测技术在提取图像的HOG特征后通过支持向量机算法进行行人检测；基于激光雷达与摄像头的车辆检测技术中，需对激光雷达数据做聚类处理；而线性回归算法、支持向量机算法、人工神经网络算法也常被用于车道线和交通标志的检测。
[0003]在实际应用中，深度学习具有模型越复杂、训练集越大、效果越好的特点，而较小的神经网络模型对应用环境变化的自适应性差，无法满足实际使用需求；复杂的神经网络模型需要在终端上配置的计算资源大，影响实时性且具有较高的成本，同时训练周期长，所需的训练成本也高。

技术实现思路

[0004]本专利技术提供了一种多因素的神经网络模型管理方法和系统，以解决神经网络模型管理在不同环境因素下的适应性。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种多因素的神经网络模型管理方法，包括：
[0006]判断行驶车辆是否处于导航状态，根据判断结果，结合所述行驶车辆的车辆行驶情况、气象情况和光照情况查询相应的神经网络模型；
[0007]向所述行驶车辆的终端发送检索指令，以使所述终端根据查询到的所有神经网络模型各自对应的编号，分别检索所述行驶车辆上的终端在本地存储的神经网络模型，并在检索成功时，将检索到的神经网络模型加载到所述终端的内存；以及在检索失败时，向服务器发送符合各路段气象情况和各路段光照情况的所有第一神经网络模型的下载请求；
[0008]当接收到所述下载请求时，与所述终端建立连接，以供所述终端下载所有第一神经网络模型，继而使所述终端在下载成功时，按照各路段的顺序，将各路段对应的第一神经网络模型加载到内存；以及在下载失败时，选中与查询到的神经网络模型符合度最高的替代神经网络模型，将所述替代神经网络模型加载到内存。
[0009]进一步地，所述根据判断结果，结合车辆行驶情况、气象情况和光照情况查询相应的神经网络模型，具体为：
[0010]若所述判断结果为行驶车辆处于导航状态，获取所述行驶车辆的行车路线，并将所述行车路线划分为若干个路段；预测各路段的行驶时间、在行驶时间内各路段的气象情
况和在行驶时间内各路段的光照情况；根据预测的各路段的气象情况和各路段的光照情况查询符合条件的所有第一神经网络模型；其中，所述第一神经网络模型与各路段一一对应；
[0011]若所述判断结果为行驶车辆未处于导航状态，预测所述行驶车辆在当前路段的行驶时间、当前行驶方向上的下一路段的行驶时间、当前路段在行驶时间内的气象情况、当前路段在行驶时间内的光照情况、所述下一路段在行驶时间内的气象情况和所述下一路段在行驶时间内的光照情况；根据预测的各气象情况和各光照情况查询符合条件的所有第二神经网络模型；其中，所述第二神经网络模型与当前路段或所述下一路段对应。
[0012]进一步地，在向所述行驶车辆的终端发送检索指令之前，还包括：
[0013]将所述车辆行驶情况和所述行驶车辆的当前位置进行位置匹配，若位置匹配结果为所述行驶车辆发生偏航，则重新执行以下步骤，直到所述位置匹配结果为所述行驶车辆未发生偏航：
[0014]判断所述行驶车辆是否处于导航状态，根据判断结果，结合所述行驶车辆的车辆行驶情况、气象情况和光照情况查询相应的神经网络模型。
[0015]进一步地，在向所述行驶车辆的终端发送检索指令之前，还包括：
[0016]若所述行驶车辆处于导航状态，将划分出来的各路段的路段信息、预测的各路段的行驶时间、以及各路段在预测的行驶时间内的气象情况、各路段在预测的行驶时间内的光照情况和查询到的所有第一神经网络模型各自对应的编号发送至所述行驶车辆的终端；
[0017]若所述行驶车辆未处于导航状态，将当前行驶路段的路段信息、所述下一路段的路段信息、预测的当前路段的行驶时间、预测所述下一路段的行驶时间、当前路段在预测的行驶时间内的气象情况、当前路段在预测的行驶时间内的光照情况、所述下一路段在预测的行驶时间内的气象情况、所述下一路段在预测的行驶时间内的光照象情况和查询到的所有第二神经网络模型各自对应的编号发送至终端。
[0018]进一步地，所述预测各路段的行驶时间、在行驶时间内各路段的气象情况和在行驶时间内各路段的光照情况，具体为：
[0019]根据各路段的道路等级预测各路段的行驶时间，根据天气服务预测在行驶时间内各路段的气象情况和在行驶时间内各路段的光照情况。
[0020]进一步地，所述预测所述行驶车辆当前路段的行驶时间、当前行驶方向上的下一路段的行驶时间、当前路段在行驶时间内的气象情况、当前路段在行驶时间内的光照情况、所述下一路段在行驶时间内的气象情况和所述下一路段在行驶时间内的光照情况，具体为：
[0021]根据当前路段的道路等级预测所述行驶车辆当前路段的行驶时间，根据所述下一路段的道路等级预测所述下一路段的行驶时间，根据天气服务预测当前路段在行驶时间内的气象情况、当前路段在行驶时间内的光照情况、所述下一路段在行驶时间内的气象情况和所述下一路段在行驶时间内的光照情况。
[0022]相应的，本专利技术还提供了一种多因素的神经网络模型管理系统，包括查询模块、检索模块、行驶车辆上的终端和服务器；其中，
[0023]所述查询模块用于判断所述行驶车辆是否处于导航状态，根据判断结果，结合所述行驶车辆的车辆行驶情况、气象情况和光照情况查询相应的神经网络模型；
[0024]所述检索模块用于向所述行驶车辆的终端发送检索指令，以使所述终端根据查询
到的所有神经网络模型各自对应的编号，分别检索所述行驶车辆上的终端在本地存储的神经网络模型，并在检索成功时，将检索到的神经网络模型加载到所述终端的内存；以及在检索失败时，向所述服务器发送符合各路段气象情况和各路段光照情况的所有第一神经网络模型的下载请求；
[0025]当所述服务器接收到所述下载请求时，与所述终端建立连接，以供所述终端下载所有第一神经网络模型，继而使所述终端在下载成功时，按照各路段的顺序，将各路段对应的第一神经网络模型加载到内存；以及在下载失败时，选中与查询到的神经网络模型符合度最高的替代神经网络模型，将所述替代神经网络模型加载到内存。
[0026]进一步地，所述查询模块根据判断结果，结合车辆行驶情况、气象情况和光照情况查询相应的神经网络模型，具体为：
[0027]若所述判断结果为行驶车辆处于导航状态，所述查询模块获取所述行驶车辆的行车路线，并将所述行车路线划分为若干个路段；预测各路段的行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多因素的神经网络模型管理方法，其特征在于，包括：判断行驶车辆是否处于导航状态，根据判断结果，结合所述行驶车辆的车辆行驶情况、气象情况和光照情况查询相应的神经网络模型；向所述行驶车辆的终端发送检索指令，以使所述终端根据查询到的所有神经网络模型各自对应的编号，分别检索所述行驶车辆上的终端在本地存储的神经网络模型，并在检索成功时，将检索到的神经网络模型加载到所述终端的内存；以及在检索失败时，向服务器发送符合各路段气象情况和各路段光照情况的所有第一神经网络模型的下载请求；当接收到所述下载请求时，与所述终端建立连接，以供所述终端下载所有第一神经网络模型，继而使所述终端在下载成功时，按照各路段的顺序，将各路段对应的第一神经网络模型加载到内存；以及在下载失败时，选中与查询到的神经网络模型符合度最高的替代神经网络模型，将所述替代神经网络模型加载到内存。2.如权利要求1所述的一种多因素的神经网络模型管理方法，其特征在于，所述根据判断结果，结合车辆行驶情况、气象情况和光照情况查询相应的神经网络模型，具体为：若所述判断结果为行驶车辆处于导航状态，获取所述行驶车辆的行车路线，并将所述行车路线划分为若干个路段；预测各路段的行驶时间、在行驶时间内各路段的气象情况和在行驶时间内各路段的光照情况；根据预测的各路段的气象情况和各路段的光照情况查询符合条件的所有第一神经网络模型；其中，所述第一神经网络模型与各路段一一对应；若所述判断结果为行驶车辆未处于导航状态，预测所述行驶车辆在当前路段的行驶时间、当前行驶方向上的下一路段的行驶时间、当前路段在行驶时间内的气象情况、当前路段在行驶时间内的光照情况、所述下一路段在行驶时间内的气象情况和所述下一路段在行驶时间内的光照情况；根据预测的各气象情况和各光照情况查询符合条件的所有第二神经网络模型；其中，所述第二神经网络模型与当前路段或所述下一路段对应。3.如权利要求1所述的一种多因素的神经网络模型管理方法，其特征在于，在向所述行驶车辆的终端发送检索指令之前，还包括：将所述车辆行驶情况和所述行驶车辆的当前位置进行位置匹配，若位置匹配结果为所述行驶车辆发生偏航，则重新执行以下步骤，直到所述位置匹配结果为所述行驶车辆未发生偏航：判断所述行驶车辆是否处于导航状态，根据判断结果，结合所述行驶车辆的车辆行驶情况、气象情况和光照情况查询相应的神经网络模型。4.如权利要求2所述的一种多因素的神经网络模型管理方法，其特征在于，在向所述行驶车辆的终端发送检索指令之前，还包括：若所述行驶车辆处于导航状态，将划分出来的各路段的路段信息、预测的各路段的行驶时间、以及各路段在预测的行驶时间内的气象情况、各路段在预测的行驶时间内的光照情况和查询到的所有第一神经网络模型各自对应的编号发送至所述行驶车辆的终端；若所述行驶车辆未处于导航状态，将当前行驶路段的路段信息、所述下一路段的路段信息、预测的当前路段的行驶时间、预测所述下一路段的行驶时间、当前路段在预测的行驶时间内的气象情况、当前路段在预测的行驶时间内的光照情况、所述下一路段在预测的行驶时间内的气象情况、所述下一路段在预测的行驶时间内的光照象情况和查询到的所有第二神经网络模型各自对应的编号发送至终端。
5.如权利要求2所述的一种多因素的神经网络模型管理方法，其特征在于，所述预测各路段的行驶时间、在行驶时间内各路段的气象情况和在行驶时间内各路段的光照情况，具体为：根据各路段的道路等级预测各路段的行驶时间，根据天气服务预测在行驶时间内各路段的气象情况和在行驶时间内各路段的光照情况。6.如权利要求2所述的一种多因素的神经网络模型管理方法，其特征在于，所述预测所述行驶车辆当前路段的行驶时间、当前行驶方向上的下一路段的行驶时间、当前路段在行驶时间内的气象情况、当前路段在行驶时间内的光照情况、所述下一路段在行驶时间内的气象情况和所述下一路段在行驶时间内的光照情况，...

【专利技术属性】
技术研发人员：朱贵冬，尹文宾，刘圣阳，周炜，高山，
申请(专利权)人：广州海格星航信息科技有限公司，
类型：发明
国别省市：