基于大数据的城市公共交通安全管理系统及其方法技术方案

本申请涉及公共交通技术领域，其具体地公开了一种基于大数据的城市公共交通安全管理系统及其方法，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散射响应补偿损失函数值和分类损失函数值的加权和作为损失函数值对所述预分类器进行训练，通过这样的方式，以提高所述预分类器预测的概率值的准确性，从而对基坑监测点是否存在安全隐患进行更准确的监测。的监测。的监测。

【技术实现步骤摘要】
基于大数据的城市公共交通安全管理系统及其方法


[0001]本申请涉及公共交通
，且更为具体地，涉及一种基于大数据的城市公共交通安全管理系统及其方法。

技术介绍

[0002]为适应现代化城市的发展，地下空间开发已成为城市可持续发展的重要方式。基坑开挖与地下铁路建设成为了地下空间开发的重要组成部分。但基坑工程的施工会对周边的环境与基础设施产生一定的影响，引起基坑周边的土体变形与地表沉降，严重会导致周边房屋出现裂缝，倾斜等。
[0003]在复杂的地质情况下，基坑工程是一项具有一定挑战性的地下空间开发活动。因此，在基坑施工过程中，需要对其进行有效的风险评估并保证施工的安全性。
[0004]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展，为城市地铁基坑的风险预测提供了新的解决思路和解决方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的城市公共交通安全管理系统及其方法，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散射响应补偿损失函数值和分类损失函数值的加权和作为损失函数值对所述预分类器进行训练，通过这样的方式，以提高所述预分类器预测的概率值的准确性，从而对基坑监测点是否存在安全隐患进行更准确的监测。
[0007]根据本申请的一个方面，提供了一种基于大数据的城市公共交通安全管理系统，其包括：训练模块，包括：训练数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；训练数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；预分类单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；标签值散射响应补偿损失函数值计算单元，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器
的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；权重向量生成单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；加权融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；分类损失计算单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；以及训练单元，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及推断模块，包括：监测数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；监测数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；贡献度计算单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值；贡献度关联单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；特征向量融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及安全监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。
[0008]根据本申请的另一方面，提供了一种基于大数据的城市公共交通安全管理方法，其包括：训练阶段，包括：获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；将所述分类特征向量通过分类器以得到分类损失函数值；以及以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及推断阶段，包括：获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过训练完成的所述预分类器以得到多个概率值；将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；以所述概率关联权重向量中各个位置的特征值作为权重，
计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。
[0009]与现有技术相比，本申请提供的一种基于大数据的城市公共交通安全管理系统及其方法，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的城市公共交通安全管理系统，其特征在于，包括：训练模块，包括：训练数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；训练数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；预分类单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；标签值散射响应补偿损失函数值计算单元，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；权重向量生成单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；加权融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；分类损失计算单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；以及训练单元，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及推断模块，包括：监测数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；监测数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；贡献度计算单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值；贡献度关联单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；特征向量融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及安全监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。2.根据权利要求1所述的基于大数据的城市公共交通安全管理系统，其特征在于，所述训练数据编码单元，包括：嵌入向量化子单元，用于使用所述上下文编码器的嵌入层分别将所述基坑监测点的多个区域中各个区域的多项监测数据转化为嵌入向量以得到嵌入向量的序列；上下文编码子单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及级联子单元，用于将所述多个特征向量进行级联以得所述区域监测全局特征向量。3.根据权利要求2所述的基于大数据的城市公共交通安全管理系统，其特征在于，所述预分类单元，包括：全连接编码子单元，用于使用所述预分类器的至少一个全连接层对所述多个区域监测全局特征向量中各个区域监测全局特征向量进行全连接编码以得到多个预分类特征向量；以及预分类概率计算子单元，用于分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述多个概率值。
4.根据权利要求3所述的基于大数据的城市公共交通安全管理系统，其特征在于，所述标签值散射响应补偿损失函数值计算单元，进一步用于：基于所述多个概率值，以如下公式分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值；其中，j为标签值，f为每个区域监测全局特征向量的各个位置的特征值，p
i
是相应的区域监测全局特征向量通过预分类器所获得的概率值。5.根据权利要求4所述的基于大数据的城市公共交通安全管理系统，其特征在于，所述权重向量生成单元，进一步用于：使用一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式...

【专利技术属性】
技术研发人员：吴国辉，李汉辉，
申请(专利权)人：绍兴凌钉科技有限公司，
类型：发明
国别省市：