公开(公告)号：CN115796017A

公开(公告)日：2023-03-14

申请号：CN202211453961.9

申请日：2022-11-21

Applicant: 湖南大学

Inventor： 安吉尧 ,  钱欣姣 ,  赵谨 ,  刘清钦 ,  陈佳丽

IPC: G06F30/27 ,  G06F18/214 ,  G06F119/02

Abstract: 本发明涉及一种基于模糊理论的可解释交通认知方法，属于人工智能技术领域。交通场景实时交通数据被组织成外部属性特征矩阵、交通认知特征矩阵和邻接矩阵，预处理后的外部属性特征矩阵被送入模糊推理机制中，经过特征演算后输出属性影响特征矩阵，该矩阵和交通认知特征矩阵、邻接矩阵一同输入图卷积神经网络中，之后再输入基于门控循环单元的时间特性捕获网络中，最后输出预测结果并用于属性影响模糊分类和交通认知工作。本发明能够高效的提取交通场景中多条道路之间的时间和空间依赖特性，具有更高的交通数据认知性能和可解释性，解决了深度神经网络的透明度低、可解释性差，以及交通认知过程中对交通场景的外部属性特征考虑不足的问题。

公开(公告)号：CN116227537A

公开(公告)日：2023-06-06

申请号：CN202310139505.5

申请日：2023-02-20

Applicant: 湖南大学

Inventor： 安吉尧 ,  赵谨 ,  刘清钦 ,  钱欣姣 ,  陈佳丽

IPC: G06N3/043 ,  G06N3/045 ,  G06N3/082 ,  G06N5/025 ,  G06Q10/047

Abstract: 本发明公开了一种面向交通路径认知的深度模糊模型自构建方法，交通数据被组织成时空数据、周期数据与外部数据，使用处理过的输入数据能够提高模型的整体性能，解决了传统基于统计的方法无法提取多种特征属性的深层信息的问题。能够在智能交通路径认知领域保持优秀性能的同时，拥有高度可解释性与灵活性，解决了传统深度神经网络在交通路径认知领域的可解释性低难题，推动了交通路径认知模型实际应用过程。本发明使用改进了王‑孟德尔算法从数据中提取模糊规则，提取的模糊规则大大提高了模型的可解释性，减少了生成的模糊规则数量，提高了算法在面对高维度问题时的性能，大幅缩短了训练时间。