基于多通道卷积神经网络的车辆冲突风险评估与预测方法

1.本发明涉及道路交通安全技术领域，尤其涉及一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法。


背景技术：

2.城市道路交通安全问题大多来源于车辆之间的冲突与可能发生的碰撞，车辆的运动行为能够有效反映车辆与车辆之间冲突发生的频率与概率。目前，对于城市交通冲突问题的研究大多集中在车辆运动模型建立和运动行为仿真等方面，且着重对道路交叉口车辆冲突的研究。对在一般城市道路中车辆冲突的研究却少之又少，对于实时评估与短时预测城市各类路段的车辆冲突风险更是无从谈起。然而，车辆数量、不同时段路况特征下的车辆冲突在实际中会产生较大的浮动。采用传统的车辆冲突风险评估方法无法准确对大量车辆行为进行研究，也无法将车辆行为准确的对应实际道路交通状况，更无法将不同日期、不同时段下的交通状况对车辆冲突风险分别进行动态化的实时评估与风险预测。
3.随着互联网技术的不断发展，使得具有实时gps定位及数据交互功能的智能手机快速增长，驾驶员能够实时传输包括车辆位置、速度、行驶状态在内的车辆行为数据，以确定驾驶行为，进而实时评估车辆冲突风险。此外，随着计算机技术的不断发展，人工智能应用领域更加广泛，大批量数据处理及相关算法的建立使结果更加有效，从而有效实现城市道路当中的车辆冲突风险预测。
4.对城市道路当中的车辆冲突风险进行评估与预测，对于提高城市道路交通安全服务水平，改善城市道路交通拥堵具有十分重要的意义。


技术实现要素：

5.为解决上述技术问题，针对现有车辆冲突风险评估与预测算法运算时间长、数据要求高的问题，本发明公开了一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，提高车辆冲突风险评估的有效性与预测结果的准确率。
6.为实现上述目的，本发明采用下述技术方案：
7.根据本发明实施例的第一方面，提出了一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法。
8.在一个实施例中，所述基于多通道卷积神经网络的车辆冲突风险评估与预测方法，包括以下步骤：
9.s1：采集车辆卫星定位数据与个人信息；
10.s2：建立数据处理及分析模型，得到车辆状态数据和道路状态数据；
11.s3：以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对车辆异常行为进行权重分配；
12.s4：利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估；
13.s5：对步骤s2数据进行分类合并与均值处理，得到车辆冲突风险2d张量；
14.s6：将各类车辆运动行为形成2d张量图，进行叠加，得到各类车辆运动行为3d张量图；
15.s7：基于双向多通道卷积神经网络模型，将车辆冲突风险2d张量进行池化，将各类车辆运动行为3d张量进行卷积和池化处理，并进行误差反向传播，实现车辆冲突风险预测。
16.可选地，步骤s1中通过驾驶人智能手机中的gps模块，实时采集车辆卫星定位数据与信息，所述信息包括驾驶人识别号、unix时间戳、经度坐标及纬度坐标，将采集到的数据进行初步筛选，以剔除明显错误数据，坐标异常偏移的信息，并将数据进行道路绑定处理，以精确对应实际道路坐标。
17.可选地，步骤s1中，所述采集车辆卫星定位数据与个人信息，包括对车辆卫星定位数据进行道路绑定处理和个人信息进行处理，其中，对个人信息进行处理包括对驾驶人识别id进行加密与染色处理，以及对驾驶人长时间停车或乘客上车点与下车点坐标进行移除数据处理。
18.可选地，步骤s2中，建立数据处理及分析模型，对车辆运动行为进行建模，并对采集的数据进行计算与分析，得出包括速度、加速度、角速度、角加速度的车辆运动状态数据与包括平均交通速度在内的道路交通状态数据；
19.其中，建立数据处理及分析模型包括：
20.采用第n时刻与第n+1时刻的车辆经纬度坐标，可以得出车辆在两时间节点之间的路程，如式(1)所示：
[0021][0022]
式中，lo
ijn
与la
ijn
分别表示在第n时刻下，第i位驾驶人执行j号订单时的车辆的经纬度坐标；
[0023]
近似得到车辆在每一时间间隔运动的位移如式(2)所示：
[0024][0025]
确定车辆的瞬时速度与瞬时加速度如式(3)及式(4)所示：
[0026][0027][0028]
计算车辆瞬时方位角的改变量如式(5)所示：
[0029][0030]
式中，与表示第n及n+1段的位移，dist2(n-1,n+1)表示第n-1个时间节点与n+1个时间节点之间的位移；
[0031]
确定车辆的瞬时角速度与角加速度如式(6)及式(7)所示：
[0032]
[0033][0034]
计算在第n个时间节点下，该路段的车辆平均速度如式(8)所示：
[0035][0036]
式中，表示该微段内的所有车辆的平均速度之和。
[0037]
可选地，步骤s3中车辆异常运动行为评价体系的建立包括：通过对各类车辆运动状态数据与道路交通状态数据的分析与评估，得出车辆可能发生的冲突类型与车辆运动行为之间的关系，建立车辆异常运动行为评价体系；
[0038]
以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对不同类型路段中车辆的各类异常行为进行权重分配，包括：
[0039]
将车辆速度与角速度两项评价指标，以车辆速度与角速度最大值的85％作为评价的标准，对车辆速度与角速度指标做出调整，如式(9)和式(10)所示：
[0040][0041][0042]
式中，0.85表示以车辆速度与角速度最大值的85％作为评价标准，δpv、δp
ω
分别表示车辆速度与角速度指标；
[0043]
基于构建的城市快速路车辆冲突行为评价指标，构建相应的评价矩阵p，如式(11)所示：
[0044]
p＝(p
ij
)n×mꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0045]
式中，p
ij
为第i号样本的j项评价指标；
[0046]
将评价指标进行标准化处理，包括对纵向加速度、角加速度等大于零的指标进行处理，如式(12)所示，和对纵向减速度等小于零的指标进行处理，如式(13)所示，得到标准化评价矩阵b
ij
＝[b
ij
]：
[0047][0048][0049]
为确定对应评价指标中各值在评价体系当中的比重，计算第j项评价指标下的第i个评价对象的特征比重z
ij
，如式(14)所示：
[0050][0051]
计算第j项指标的熵值ej，如式(15)所示：
[0052][0053]
计算第j项指标的差异化系数gj，如式(16)所示：
[0054]gj
＝1-ejꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)。
[0055]
可选地，步骤s4中，利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估，将车辆异常运动行为熵模型应用于车辆行为数据，通过建立城市道路车辆冲突风险等级热力图，确定车辆冲突风险集中点，实现车辆冲突风险评估；
[0056]
计算第j项评价指标的权重系数wj，得到各类评价指标的最终评价结果，如式(17)所示：
[0057][0058]
可选地，步骤s5中，对步骤s2数据进行分类合并与均值处理，得到车辆冲突风险2d张量，对数据进行分类合并，确定各时间段不同路段中的车辆运动行为，并将列表化的分条数据转化为在不同时间段下各类车辆运动行为的网格化数据；
[0059]
包括：
[0060]
s51将道路经度与纬度坐标网格化，采用就近原则和左上方原则，将点状经度与纬度坐标数据对应至所划分网格化坐标的内部；
[0061]
s52调用python中pytorch api对各类车辆运动行为数据，进行对应化的合并与均值处理；
[0062]
s53建立1024*1024的2d空张量，将处理完善的各类车辆运动行为数据，以5min为一时间节点分别输入张量内部，并储存至内存。
[0063]
可选地，步骤s6中，将各类车辆运动行为形成2d张量图，进行叠加，得到各类车辆运动行为3d张量图，包括：
[0064]
对合并与均值处理后的数据进行矩阵化分类处理，将每5min间隔数据进行提取与划分，如式(18)、式(19)所示：
[0065][0066]
式中，x
mn
中，m表示车辆在城市当中的纬度序号，n表示其经度编号，x代表其车辆平均位移数据；
[0067][0068]
式中，v
mn
中，m表示车辆在城市当中的纬度序号，n表示其经度编号，x代表其车辆平
均速度数据。
[0069]
将平均位移、速度、加速度、角位移、角速度、角加速度的二维矩阵合并为3d张量，如式(20)所示：
[0070]
g=[x
1 v
2 a
3 θ
4 ω
5 α6]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0071]
式中，x
1 v
2 a
3 θ
4 ω
5 α6分别代表了平均位移、速度、加速度、角位移、角速度、角加速度六项指标的均值矩阵。
[0072]
可选地，步骤s7中，基于双向多通道卷积神经网络模型，将车辆冲突风险2d张量进行池化，将各类车辆运动行为3d张量进行卷积和池化处理，并进行反向传播，实现车辆冲突风险预测，包括：
[0073]
对于卷积层，对数据进行卷积处理，如式(21)所示：
[0074][0075]
式中，表示在第l层的第j个图样，表示在l层的第j个权重张量的第i个元素，b为偏置因子；
[0076]
对于池化层，对数据进行池化处理，如式(22)所示：
[0077][0078]
将步骤s5处理后的数据进行池化以及将各类车辆运动行为3d张量进行卷积和池化处理后的结果进行误差反向传播，如式(23)、式(24)所示；
[0079][0080][0081]
式中，对产生的误差值进行偏导求解，计算代价函数，反向传播至最初的一层神经网络模型，进行参数更新，如式(25)、式(26)所示：
[0082][0083][0084]
式中，基于导函数的链式法则，最终对g,b进行处理，以实现参数逐层更新。
[0085]
根据本发明实施例的第二方面，提出了一种上述方法的应用。
[0086]
在一个实施例中，上述方法应用于城市各路段的车辆冲突风险实时评估与预测。
[0087]
本发明的有益效果是，
[0088]
本发明公开了一种基于智能手机gps数据与双向多通道卷积神经网络的车辆冲突风险评估与预测方法。为有效评估车辆冲突风险，通过实时采集机动车驾驶人智能手机gps数据，建立数据处理与分析模型，通过对所采集数据进行筛选、处理与分析，获得包括速度、加速度、角速度、角加速度等在内的车辆状态数据与包括平均交通速度在内的道路状态数
据；对数据进行分析与研判，建立车辆异常运动行为评价指标体系；建立以熵权法为基础的车辆异常运动行为熵模型，对车辆不同类型的异常行为进行权重分配；进而将车辆异常运动行为熵评价体系应用于车辆行为数据，从而得到并确定车辆异常运动行为较多的聚集点，以评估车辆冲突风险。为有效的预测车辆冲突风险，建立双向多通道卷积神经网络模型，先将所筛选及分析的数据进行分类合并，以分别得到各类车辆状态数据在不同时间段下的平均值。随后，将整个城市道路进行离散化处理，并以根据实际交叉口密度，对城市道路划分不同大小的网格，并将网格化数据按照车辆状态类型分别融合为多通道的3d图谱，以进行卷积处理；并同时对车辆冲突数据进行对应的池化处理，以支持双向多通道卷积神经网络模型的训练，最终实现对车辆冲突风险的预测。
附图说明
[0089]
图1为本发明一实施例示出的车辆瞬时位移示意图；
[0090]
图2为本发明一实施例示出的车辆瞬时角位移示意图；
[0091]
图3为本发明一实施例示出的路段平均速度示意图；
[0092]
图4为本发明一实施例示出的数据网格化示意图；
[0093]
图5为本发明一实施例示出的双向多通道卷积神经网络示意图；
[0094]
图6为本发明一实施例示出的车辆冲突风险预测模型示意图。
具体实施方式
[0095]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0096]
一种基于多通道卷积神经网络的车辆冲突风险评估与预测方法，包括以下步骤：
[0097]
s1：采集车辆卫星定位数据与个人信息；
[0098]
s2：建立数据处理及分析模型，得到车辆状态数据和道路状态数据；
[0099]
s3：以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对车辆异常行为进行权重分配；
[0100]
s4：利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估；
[0101]
s5：对步骤s2数据进行分类合并与均值处理，得到车辆冲突风险2d张量；
[0102]
s6：将各类车辆运动行为形成2d张量图，进行叠加，得到各类车辆运动行为3d张量图；
[0103]
s7：基于双向多通道卷积神经网络模型，将车辆冲突风险2d张量进行池化，将各类车辆运动行为3d张量进行卷积和池化处理，并进行误差反向传播，实现车辆冲突风险预测。
[0104]
可选地，步骤s1中通过驾驶人智能手机中的gps模块，实时采集车辆卫星定位数据与信息，所述信息包括驾驶人识别号、unix时间戳、经度坐标及纬度坐标，将采集到的数据进行初步筛选，以剔除明显错误数据，坐标异常偏移的信息，并将数据进行道路绑定处理，以精确对应实际道路坐标。
[0105]
可选地，步骤s1中，所述采集车辆卫星定位数据与个人信息，包括对车辆卫星定位
数据进行道路绑定处理和个人信息进行处理，其中，对个人信息进行处理包括对驾驶人识别id进行加密与染色处理，以及对驾驶人长时间停车或乘客上车点与下车点坐标进行移除数据处理。
[0106]
可选地，步骤s2中，建立数据处理及分析模型，对车辆运动行为进行建模，并对采集的数据进行计算与分析，得出包括速度、加速度、角速度、角加速度的车辆运动状态数据与包括平均交通速度在内的道路交通状态数据；
[0107]
其中，建立数据处理及分析模型包括：
[0108]
采用第n时刻与第n+1时刻的车辆经纬度坐标，可以得出车辆在两时间节点之间的位移，如式(1)所示：
[0109][0110]
式中，lo
ijn
与la
ijn
分别表示在第n时刻下，第i位驾驶人执行j号订单时的车辆的经纬度坐标；
[0111]
如图1所示，因所采集数据的时间节点差为3s，相较于车辆完整的运动时长而言，可以认为在较短时间段内车辆位移可近似等于车辆前进路程，如式(2)所示：
[0112][0113]
确定车辆的瞬时速度与瞬时加速度如式(3)及式(4)所示：
[0114][0115][0116]
车辆横向运动也是造成车辆冲突的主要原因之一，为有效的评估车辆行为与车辆冲突之间的关系，需要进一步确定车辆的角速度及角加速度。
[0117]
为获取车辆瞬时方位角的改变量通过式(1)，采用第n时刻与第n+1时刻的车辆经纬度坐标，可以得出车辆在两时间节点之间的位移，如图2所示。
[0118]
将式(1)计算得出的第n及n+1段的位移与带入式(5)，计算车辆瞬时方位角的改变量
[0119][0120]
式中，与表示第n及n+1段的位移，dist2(n-1,n+1)表示第n-1个时间节点与n+1个时间节点之间的位移；
[0121]
确定车辆的瞬时角速度与角加速度如式(6)及式(7)所示：
[0122][0123][0124]
除车辆自身行为外，包括车辆平均速度在内的道路交通状况也会对车辆冲突的频
率和概率造成影响。通过式(8)计算在第n个时间节点下，该路段的车辆平均速度如图3所示：
[0125][0126]
式中，表示该微段内的所有车辆的平均速度之和。
[0127]
可选地，步骤s3中车辆异常运动行为评价体系的建立包括：通过对各类车辆运动状态数据与道路交通状态数据的分析与评估，得出车辆可能发生的冲突类型与车辆运动行为之间的关系，建立车辆异常运动行为评价体系；
[0128]
以车辆异常运动行为评价体系作为指标，基于车辆异常运动行为熵模型对不同类型路段中车辆的各类异常行为进行权重分配，包括：
[0129]
将车辆速度与角速度两项评价指标，以车辆速度与角速度最大值的85％作为评价的标准，对车辆速度与角速度指标做出调整，如式(9)和式(10)所示：
[0130][0131][0132]
式中，0.85表示以车辆速度与角速度最大值的85％作为评价标准，δpv、δp
ω
分别表示车辆速度与角速度指标；
[0133]
基于构建的城市快速路车辆冲突行为评价指标，构建相应的评价矩阵p，如式(11)所示：
[0134]
p＝(p
ij
)n×mꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0135]
式中，p
ij
为第i号样本的j项评价指标；
[0136]
为进一步消除不同指标量纲的影响，将评价指标进行标准化处理，对于包括车辆纵向加速度、角加速度在内的车辆冲突评价指标，认为车辆静止状态下为最优，包括对纵向加速度、角加速度等大于零的指标进行处理，如式(12)所示，和对纵向减速度等小于零的指标进行处理，如式(13)所示，得到标准化评价矩阵b
ij
＝[b
ij
]：
[0137][0138][0139]
为确定对应评价指标中各值在评价体系当中的比重，计算第j项评价指标下的第i个评价对象的特征比重z
ij
，如式(14)所示：
[0140][0141]
计算第j项指标的熵值ej，如式(15)所示：
[0142][0143]
计算第j项指标的差异化系数gj，如式(16)所示：
[0144]gj
＝1-ejꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)。
[0145]
可选地，步骤s4中，利用车辆异常运动行为熵模型权重分配结果，对车辆冲突风险进行实时评估，将车辆异常运动行为熵模型应用于车辆行为数据，通过建立城市道路车辆冲突风险等级热力图，确定车辆冲突风险集中点，实现车辆冲突风险评估；
[0146]
计算第j项评价指标的权重系数wj，得到各类评价指标的最终评价结果，如式(17)所示：
[0147][0148]
可选地，步骤s5中，对步骤s2数据进行分类合并与均值处理，得到车辆冲突风险2d张量，对数据进行分类合并，确定各时间段不同路段中的车辆运动行为，并将列表化的分条数据转化为在不同时间段下各类车辆运动行为的网格化数据；原始数据均为列表化的分条车辆数据，为有效的进行图预测，需要将列表化的分条数据进行转换，以分别得出各时段下，不同道路中的各类车辆运动行为，从而实现以图像的方式对车辆冲突风险进行卷积神经网络的学习。因而，采用如下方法，基于python下的numpyapi与pandas api数据分析处理。
[0149]
包括：
[0150]
s51将经度与纬度坐标网格化，采用就近原则和左上方原则，将点状经度与纬度坐标数据对应至所划分网格化坐标的内部；
[0151]
s52调用python中pytorch api对各类车辆运动行为数据，进行对应化的合并与均值处理；
[0152]
s53建立1024*1024的2d空张量，将处理完善的各类车辆运动行为数据，以5min为一时间节点分别输入张量内部，并储存至内存。
[0153]
可选地，步骤s6中，将各类车辆运动行为形成2d张量图，进行叠加，得到各类车辆运动行为3d张量图，包括：
[0154]
将数据进行分类与合并，在一次处理之后的数据为分条的车辆状态数据，无法表示特定时间下的车辆运动状态，也无法体现车辆与车辆，车辆与道路之间的相互关联关系，对合并与均值处理后的数据进行矩阵化分类处理，将每5min间隔数据进行提取与划分，并根据车辆定位坐标进行定位。若在某定位位置，存在多辆汽车数据，即对其进行数据合并及均值处理，若在其位置只有单独车辆数据，即认定此数据为该地区车辆运动状态数据，若该地区在时间间隔内均不存在车辆运动状态数据，即认为该地区车辆平均速度为0，如式(18)、式(19)所示：
[0155][0156]
式中，x
mn
中，m表示车辆在城市当中的纬度序号，n表示其经度编号，x代表其车辆平均位移数据；
[0157][0158]
式中，v
mn
中，m表示车辆在城市当中的纬度序号，n表示其经度编号，x代表其车辆平均速度数据。
[0159]
根据式(20)，将平均位移、速度、加速度、角位移、角速度、角加速度的二维矩阵合并为3d张量，以支持随后的双向多通道卷积神经网络的预测，如图4所示：
[0160]
g＝[x
1 v
2 a
3 θ
4 ω
5 α6]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0161]
式中，x
1 v
2 a
3 θ
4 ω
5 α6分别代表了平均位移、速度、加速度、角位移、角速度、角加速度六项指标的均值矩阵。
[0162]
为有效对车辆冲突风险进行评估，建立双向多通道卷积神经网络模型，并提出了一种特殊的神经网络模型训练方法。其中，典型卷积神经网络模型包括卷积层、池化层、全连接层、反向传播、更新参数五个过程，从而实现对模型中参数的学习。而本发明所提出的双向多通道卷积神经网络模型，分别对式(20)所建立的包括道路位置状况信息在内的车辆各类运动行为3d张量和在车辆冲突风险评估模块所实现的包括道路位置信息在内的车辆冲突风险2d张量分别进行学习，并将其最后卷积或池化的结果进行误差的反向传播，以实现双向多通道卷积神经网络模型。所建立的双向多通道卷积神经网络模型结构，如图5所示。
[0163]
可选地，步骤s7中，基于双向多通道卷积神经网络模型，将车辆冲突风险2d张量进行池化，将各类车辆运动行为3d张量进行卷积和池化处理，并进行反向传播，实现车辆冲突风险预测，如图6所示，包括：
[0164]
对于卷积层，对数据进行卷积处理，如式(21)所示：
[0165][0166]
式中，表示在第l层的第j个图样，表示在l层的第j个权重张量的第i个元素，b为偏置因子；
[0167]
对于池化层，对数据进行池化处理，如式(22)所示：
[0168][0169]
对于所建立的包括道路位置状况信息在内的车辆各类运动行为3d张量，按照表1的方式对其进行处理，经过卷积与池化，最终得出(1，8，8)大小的2d张量。
[0170]
表1车辆各类运动行为处理方法
[0171][0172]
对于所建立的包括道路位置信息在内的车辆冲突风险2d张量，按照表2的方式对其进行处理，仅通过池化函数，最终得出(1，8，8)大小的2d张量。
[0173]
表2车辆冲突风险处理方法
[0174][0175]
将车辆冲突风险2d张量进行池化以及将各类车辆运动行为3d张量进行卷积和池化处理后的结果进行误差反向传播，如式(23)、式(24)所示；
[0176][0177][0178]
式中，对产生的误差值进行偏导求解，计算代价函数，反向传播至最初的一层神经网络模型，进行参数更新，如式(25)、式(26)所示：
[0179][0180][0181]
式中，基于导函数的链式法则，最终对g,b进行处理，以实现参数逐层更新。
[0182]
本发明中神经网络模型所采用的运算软件为python3.8，pytorch1.10，并使用了cuda进行加速；所使用的硬件设备为cpuintelcore i7-8750h cpu@2.20ghz及gpu nvidia geforce rtx 2070with max-q design。
[0183]
评价指标：本发明分别采用交叉熵、均方误差、均方根误差作为模型的评价指标，
其中，式(27)为交叉熵评价函数、式(28)为均方误差评价函数、式(29)均方根误差评价函数：
[0184][0185]
式中，y
ic
表示符号函数，p
ic
为观测样本概率；
[0186][0187][0188]
式(28)、式(29)中，为平均值，为样本的预测值。
[0189]
最终，基于python下的pytorchapi，建立上述模型并对模型进行训练，经过双向多通道卷积神经网络的模型的训练与评估，能够保证各类误差均在合理的范围之内，模型有效。
[0190]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。