公开(公告)号：CN113935531A

公开(公告)日：2022-01-14

申请号：CN202111202800.8

申请日：2021-10-15

Applicant: 中电积至(海南)信息技术有限公司

Inventor： 黄园园 ,  朱嵬 ,  刘方浩 ,  杨世宇 ,  姜誉

IPC: G06Q10/04 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的交通事故风险预测方法，包括以下步骤：S1：获取实时交通数据，S2：CNN模型训练，S3：结果分拣，S4：风险告警。本发明提供的基于深度学习的交通事故风险预测方法，采用的CNN算法无需手动选取特征，其共享卷积核的特性使得多维特征能够被自动提取，轻松处理高维数据的同时特征分类效果极佳，在VANET场景下，轻量设备路边微云执行部分被卸载的深度学习任务，最终结果处理由云端的交通指挥中心完成，告警信息将被及时传输至车辆单元，提醒驾驶员及时调整车速，注意观察四周，从而降低交通事故发生的风险性。

公开(公告)号：CN113934831A

公开(公告)日：2022-01-14

申请号：CN202111217083.6

申请日：2021-10-19

Applicant: 中电积至(海南)信息技术有限公司

Inventor： 黄园园 ,  苏俊 ,  龙绍楠 ,  杨世宇

IPC: G06F16/332 ,  G06F16/33 ,  G06F16/338 ,  G06F16/36 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的知识图谱问答方法。所述基于深度学习的知识图谱问答方法，包括以下操作步骤：S1、获取知识图谱问答数据集：获取知识图谱问答数据集，再利用CNN加Transformer模型进行建模，然后将数据输入到模型中进行训练模型。本发明提供一种基于深度学习的知识图谱问答方法，主要是利用知识图谱问答的特点，构建出一种基于CNN和Transformer的深度学习模型，其中分别利用CNN和Transformer的特点实现自然语言问题与关系之间字符级别的匹配和上下文语义之间的匹配，进而有效提升了匹配的准确性，同时通过使用Bi‑LSTM神经网络有效识别出自然语言问题中的实体，能够有效减少传统字符串匹配所产生噪声问题，从而进一步提升知识图谱问答性能。