公开(公告)号：CN112016671A

公开(公告)日：2020-12-01

申请号：CN202010654064.9

申请日：2020-07-09

Applicant: 北京信息科技大学 ,  深圳市盖瑞智慧科技有限公司

Inventor： 陈启丽 ,  潘广源

IPC: G06N3/04 ,  G06N3/08 ,  G06N3/06

Abstract: 本发明提供基于深度信念网络黑箱可视化技术的交通特征分析方法，有效实现对交通要素的重要性分析，提高交通事故的预测精度。具体步骤为：针对深度信念网络的训练特性，设计基于权值可视化技术，提出无监督训练阶段的特征重要性公式，实现对输入层每个神经元的潜在贡献进行分析；然后，设计有监督训练的权值敏感度分析方法，提出有监督训练阶段的特征重要性公式；最后，通过将前两个公式进行结合，提出深度信念网的全局特征重要性公式，该公式可实现对高速公路六个主要参数的重要性分析。在实际操作时，使用此技术可以剔除对交通事故预测有负向作用的影响因素，强化对交通事故有重要作用的影响因素，为市政部门的决策提供有力支持。

公开(公告)号：CN112016671B

公开(公告)日：2025-02-07

申请号：CN202010654064.9

申请日：2020-07-09

Applicant: 北京信息科技大学 ,  深圳市盖瑞智慧科技有限公司

Inventor： 陈启丽 ,  潘广源

IPC: G06N3/045 ,  G06N3/088 ,  G06N3/09 ,  G06N3/084 ,  G06N3/06

Abstract: 本发明提供基于深度信念网络黑箱可视化技术的交通特征分析方法，有效实现对交通要素的重要性分析，提高交通事故的预测精度。具体步骤为：针对深度信念网络的训练特性，设计基于权值可视化技术，提出无监督训练阶段的特征重要性公式，实现对输入层每个神经元的潜在贡献进行分析；然后，设计有监督训练的权值敏感度分析方法，提出有监督训练阶段的特征重要性公式；最后，通过将前两个公式进行结合，提出深度信念网的全局特征重要性公式，该公式可实现对高速公路六个主要参数的重要性分析。在实际操作时，使用此技术可以剔除对交通事故预测有负向作用的影响因素，强化对交通事故有重要作用的影响因素，为市政部门的决策提供有力支持。