【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种模型训练方法和装置、拥挤程度识别及预测方法和装置。
技术介绍
1、后勤管理是各级院校行政生活工作的重要组成部分。做好后勤管理与服务工作，提升后勤管理的效率与质量，不仅能创造育人环境，而且能提高教师教书育人的积极性，提高教学质量。
2、校园后勤智能管理的一个重要应用是对校园内部各个场所、活动进行监控，由于校园中学生人数较多，在开学或举行活动等典型场景下很容易造成现场拥挤，极有可能发生风险。相关技术中，通过人工方式判断校园活动现场是否拥挤，该方法效率较低。
技术实现思路
1、为了解决上述技术问题，本申请提供了一种模型训练方法和装置、拥挤程度识别及预测方法和装置、电子设备及存储介质。
2、根据本申请的第一方面，提供了一种拥挤程度识别及预测模型训练方法，所述方法，包括：
3、针对目标场景下包含的k个任务中的每个任务，周期性采集所述任务现场的图像，并获取每个采集时刻所述任务的已完成任务量；k为正整数；
4、基于预先设置的m个拥挤程度，确定每个采集时刻所述任务现场的实际拥挤程度向量，并确定下一个周期所述任务现场可能发生拥挤的实际预测值；m为大于1的整数；
5、利用n个矩阵窗口，对每个采集时刻的k个任务现场的图像分别进行卷积处理，得到n×k个响应图；
6、将每个采集时刻对应的n×k个响应图和所述k个任务的已完成任务量输入预先构建的初始模型，得到所述采集时刻k个任务现场的估计拥挤程度向量和下一个
7、根据以下损失函数：
8、；
9、计算损失值；
10、其中，表示所述采集时刻k个任务现场的实际拥挤程度向量及下一个周期k个任务现场可能发生拥挤的实际预测值所构成的向量；
11、表示所述采集时刻k个任务现场的估计拥挤程度向量和下一个周期k个任务现场可能发生拥挤的估计预测值所构成的向量；
12、表示预设控制系数，，表示所述采集时刻第k个任务现场的实际拥挤程度向量，表示所述采集时刻第k个任务现场的估计拥挤程度向量，表示所述采集时刻的下一个周期第k个任务现场可能发生拥挤的实际预测值，表示所述采集时刻的下一个周期第k个任务现场可能发生拥挤的估计预测值；表示所述采集时刻第k个任务现场的估计拥挤程度向量中拥挤程度最高的维度对应的值；
13、根据所述损失值，对所述初始模型中的网络参数值进行调整，直至满足收敛条件，得到拥挤程度识别及预测模型。
14、可选地，n为3；3个矩阵窗口分别为：
15、；
16、；
17、；
18、所述利用n个矩阵窗口，对每个采集时刻的k个任务现场的图像分别进行卷积处理，得到n×k个响应图，包括：
19、假设采集时刻t采集的第k个任务现场的图像为，图像像素值取值范围为[0,1]，根据以下公式：
20、；
21、得到对应的响应图、、；其中，为卷积运算符，t表示采集周期，t∈{0, t, 2t, … }。
22、可选地，所述初始模型包括：输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
23、将每个采集时刻对应的n×k个响应图和所述k个任务的已完成任务量输入预先构建的初始模型，得到所述采集时刻k个任务现场的估计拥挤程度向量和下一个周期k个任务现场可能发生拥挤的估计预测值，包括：
24、每个采集时刻对应的n×k个响应图表示为：
25、；
26、c表示三个通道，、、表示采集时刻t第k个任务的响应图，分别对应三个不同的通道，表示响应图中坐标为(x,y)的点的值，表示响应图中坐标为(x,y)的点的值，表示响应图中坐标为(x,y)的点的值；
27、利用第一隐藏层的连接公式：
28、；
29、确定第一隐藏层的输出特征；
30、其中，；表示通道c的卷积窗口，所对应的窗口大小均为 12*12，p、q 表示卷积窗口中位置的正整数坐标，p、q 的取值范围为 0~11；表示线性偏置量；表示控制参数，用于控制输出值随输入值的变化速度；用于使函数在 x=0 点处产生一个不连续断点；
31、利用第二隐藏层的连接公式：
32、；
33、确定第二隐藏层的输出特征；
34、表示对应的权值，表示线性偏置量；
35、利用第三隐藏层的连接公式：
36、；
37、确定第三隐藏层的输出特征；
38、表示对应的权重；表示第二隐藏层中与第k个任务现场对应的所有节点加权求和；表示第k个任务的已完成任务量，表示对应的权重，表示线性偏置量；
39、利用输出层的连接公式：
40、；
41、确定输出结果；
42、p表示任务现场的编号, 表示与之间的连接权重，z 表示输出结果的维度，z的取值为 1、2、3、4、…、(m+1)k，表示线性偏置量。
43、可选地，所述获取每个采集时刻所述任务的已完成任务量，包括：
44、接收每个任务现场发送的任务已完成信号；
45、根据每个采集时刻前接收到的任务已完成信号的数量，确定每个采集时刻所述任务的已完成任务量。
46、根据本申请的第二方面，提供了一种拥挤程度识别及预测方法，所述方法包括：
47、周期性采集目标场景下k个任务现场的图像，并获取每个采集时刻所述k个任务的已完成任务量；
48、针对每个采集时刻，利用n个矩阵窗口，对所述采集时刻k个任务现场的图像分别进行卷积处理，得到n×k个响应图；
49、将所述n×k个响应图和所述k个任务的已完成任务量输入预先训练的拥挤程度识别及预测模型，得到所述采集时刻k个任务现场的估计拥挤程度向量和下一个周期k个任务现场可能发生拥挤的估计预测值；其中，所述拥挤程度识别及预测模型基于第一方面所述的方法训练得到。
50、根据本申请的三方面，提供了一种拥挤程度识别及预测模型训练装置，包括：
51、样本输入数据获取模块，用于针对目标场景下包含的k个任务中的每个任务，周期性采集所述任务现场的图像，并获取每个采集时刻所述任务的已完成任务量；k为正整数；
52、样本标签数据确定模块，用于基于预先设置的m个拥挤程度，确定每个采集时刻所述任务现场的实际拥挤程度向量，并确定下一个周期所述任务现场可能发生拥挤的实际预测值；m为大于1的整数；
53、响应图确定模块，用于利用n个矩阵窗口，对每个采集时刻的k个任务现场的图像分别进行卷积处理，得到n×k个响应图；
54、预测结果确定模块，用于将每个采集时刻对应的n×k个响应图和所述k个任务的已完成任务量输入预先构建的初始模型，得到所述采集时刻k个任务现场的估计拥挤程度向量和下一个周期k本文档来自技高网...
【技术保护点】
1.一种拥挤程度识别及预测模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，N为3；3个矩阵窗口分别为：
3.根据权利要求2所述的方法，其特征在于，所述初始模型包括：输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
4.根据权利要求1所述的方法，其特征在于，所述获取每个采集时刻所述任务的已完成任务量，包括：
5.一种拥挤程度识别及预测方法，其特征在于，所述方法包括：
6.一种拥挤程度识别及预测模型的训练装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，N为3；3个矩阵窗口分别为：
8.根据权利要求7所述的装置，其特征在于，所述初始模型包括：输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
9.根据权利要求6所述的装置，其特征在于，所述样本输入数据获取模块，具体用于通过下述步骤获取每个采集时刻所述任务的已完成任务量：
10.一种拥挤程度识别及预测装置，其特征在于，所述装置包括：
【技术特征摘要】
1.一种拥挤程度识别及预测模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，n为3；3个矩阵窗口分别为：
3.根据权利要求2所述的方法，其特征在于，所述初始模型包括：输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；
4.根据权利要求1所述的方法，其特征在于，所述获取每个采集时刻所述任务的已完成任务量，包括：
5.一种拥挤程度识别及预测方法，其特征在于，所述方法包括：
6.一种拥挤程...
【专利技术属性】
技术研发人员：庄泽帆，徐进哲，古鸿宇，邝祖传，邢泽阳，陈伟洪，黄万吉，黄诗怡，
申请(专利权)人：广东致盛技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。