[发明专利]地铁运行状态的预测及模型的训练方法、装置及存储介质

权利要求书

1.一种地铁运行状态的预测方法，其特征在于，所述方法包括：

获取运动数据，所述运动数据用于指示终端的运动状态；

将所述运动数据输入至预测模型，所述预测模型是初始的预测模型基于训练集训练得到的神经网络模型，所述训练集用于对所述初始的预测模型进行k轮训练以得到n个第一样本各自对应的目标参数，所述目标参数用于指示第一样本中包含的噪声的程度，一个第一样本对应k组所述目标参数，所述目标参数用于输入至教师网络以得到所述第一样本的权重，所述权重用于从所述训练集中随机确定两个所述第一样本进行融合以得到第二样本，所述第二样本用于训练所述初始的预测模型以得到训练后的预测模型；

通过所述预测模型确定所述地铁的运行状态，所述运行状态包括行驶状态和停车状态。

2.一种预测模型的训练方法，其特征在于，所述方法包括：

获取初始的预测模型，所述初始的预测模型是未经过训练的神经网络模型；

基于训练集对所述初始的预测模型进行k轮训练，得到n个第一样本各自对应的目标参数，所述目标参数用于指示第一样本中包含的噪声的程度，一个第一样本对应k组所述目标参数；

将每一个所述第一样本的所述k组目标参数输入至教师模型，得到所述第一样本的权重；

基于所述权重随机从所述训练集中选取两个所述第一样本进行融合，得到第二样本；

基于所述第二样本训练所述初始的预测模型，得到训练后的预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于训练集对所述初始的预测模型进行k轮训练，得到n个第一样本各自对应的目标参数，包括：

在一轮训练中，基于所述训练集中的m批的所述第一样本对所述初始的预测模型进行训练，得到n个所述第一样本各自对应的一组目标参数；

基于所述训练集中m批的所述第一样本，重复对所述初始的预测模型进行k-1轮训练，总共得到k轮训练后n个所述第一样本各自对应的所述目标参数。

4.根据权利要求3所述的方法，其特征在于，

所述目标参数包括第一样本在当前轮对应的第一损失和当前轮的第一分位数，所述第一分位数是所述当前轮的全部第一样本的损失排序后中的指定位置的分位数；

或者，

所述目标参数包括第一样本在当前轮对应的第一损失和所述第一样本在所属批的第二分位数，所述第二分位数是所述第一样本所在批的所述第一样本的损失排序后中的指定位置的分位数。

5.根据权利要求4所述的方法，所述目标参数包括第一样本在当前轮对应的第一损失和所述第一样本在所属批的第二分位数，其特征在于，所述第一样本所属批的下一批的分位数为所述第二分位数的指数移动平均值。

6.根据权利要求2所述的方法，其特征在于，所述基于所述权重随机从所述训练集中选取两个所述第一样本进行融合，得到融合后的第二样本，包括：

从所述训练集中确定目标批，遍历所述目标批中的每一个所述第一样本；

从所述目标批中确定一个所述第一样本，从所述目标批中基于所述权重随机确定待融合样本，所述待融合样本是所述目标批中除已确定的第一样本外的第一样本；

将所述已确定的第一样本和所述待融合样本进行融合，得到所述第二样本。

7.根据权利要求2所述的方法，其特征在于，所述基于所述第二样本训练所述初始的预测模型，得到训练后的预测模型，包括：

基于所述第二样本训练所述初始的预测模型，得到待测试的预测模型；

响应于所述待测试的预测模型满足预设性能指标，将所述待测试的预测模型确定为所述训练后的预测模型。

8.根据权利要求2至7任一所述的方法，其特征在于，所述教师网络是循环神经网络。

9.根据权利要求8所述的方法，其特征在于，所述教师网络包括双向长短期记忆网络、第一全连接层、第二全连接层和激活层。