CN117215728B - 一种基于代理模型的仿真模拟方法、装置及电子设备 - Google Patents
一种基于代理模型的仿真模拟方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117215728B CN117215728B CN202311464152.2A CN202311464152A CN117215728B CN 117215728 B CN117215728 B CN 117215728B CN 202311464152 A CN202311464152 A CN 202311464152A CN 117215728 B CN117215728 B CN 117215728B
- Authority
- CN
- China
- Prior art keywords
- model
- simulation
- proxy
- target
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 description 98
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种基于代理模型的仿真模拟方法、装置及电子设备。所述方法包括:将历史业务数据输入仿真模型,得到每个历史业务数据对应的目标仿真结果;确定仿真模型对应的若干种代理模型,代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型;根据历史业务数据以及目标仿真结果,生成训练样本对各代理模型进行训练,得到各训练后代理模型,并将各训练后代理模型集成并部署在仿真环境中;在接收到仿真指令后,获取仿真数据;确定用户选择的至少一种训练后代理模型,作为目标代理模型;将仿真数据输入各目标代理模型,以通过各目标代理模型确定仿真模拟结果。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种基于代理模型的仿真模拟方法、装置及电子设备。
背景技术
目前,与模拟推演相关的研究主要聚焦在模型的建立与扩展、应用领域、参数校准、计算和验证等方面。尤其对于模型的设立和参数选择已经进行了广泛的研究。
然而,在模拟推演问题中,特别是在使用复杂模型时通常需要大量的时间来进行仿真运算,长时间的运算过程与用户针对仿真效率的需求之间差生了严重矛盾,影响了用户体验。
因此,如何在保证仿真结果准确性的前提下,提高在仿真环境中进行仿真模拟的效率,保证用户体验,是一个亟待解决的问题。
发明内容
本说明书提供一种基于代理模型的仿真模拟方法、装置及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于代理模型的仿真模拟方法,包括:
获取目标业务场景下的仿真模型以及历史业务数据;
将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果;
确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度;
根据所述历史业务数据以及所述目标仿真结果,生成训练样本;
通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中;
在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据;
响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型;
将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
可选地,通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,具体包括:
根据所述训练样本所对应的数据信息,对所述训练样本进行特征提取,并对提取到的特征进行特征选择以及特征降维中的至少一种处理,得到所述训练样本对应的目标特征;
将所述目标特征输入每个代理模型,以对所述各代理模型进行训练。
可选地,响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型,具体包括:
确定所述仿真模型针对历史业务数据的采样参数信息;
针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值;
将各训练后代理模型对应的推荐值向所述用户进行展示,以使所述用户根据所述推荐值选取所述各目标代理模型。
可选地,针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值,具体包括:
根据所述历史业务数据以及所述目标仿真结果,生成测试样本;
针对每个训练后代理模型,根据所述测试样本确定该训练后代理模型对应的推理时长;
根据所述推理时长以及该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型对应的推荐值。
可选地,将所述各训练后代理模型集成并部署在仿真环境中,具体包括:
基于每个训练后代理模型对应的预设权重,将所述各训练后代理模型集成并部署在仿真环境中;
将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果,具体包括:
将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;
根据每个目标代理模型对应的权重以及每个目标代理模型所输出的预测结果,确定所述仿真模拟结果。
可选地,将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果,具体包括:
将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;
根据每个目标代理模型所输出的预测结果,确定每种预测结果所对应的置信度;
根据所述置信度,在每个目标代理模型所输出的预测结果中选取出所述仿真模拟结果。
可选地,所述仿真模型包括:用于预测未来指定时刻交通信息的信息预测模型,所述历史业务数据包括:历史交通数据。
本说明书提供了一种基于代理模型的仿真模拟装置,包括:
获取模块,获取目标业务场景下的仿真模型以及历史业务数据;
输入模块,将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果;
确定模块,确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度;
生成模块,根据所述历史业务数据以及所述目标仿真结果,生成训练样本;
部署模块,通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中;
接收模块,在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据;
选择模块,响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型;
仿真模块,将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于代理模型的仿真模拟方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于代理模型的仿真模拟方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的基于代理模型的仿真模拟方法中,将历史业务数据输入仿真模型,得到每个历史业务数据对应的目标仿真结果;确定仿真模型对应的若干种代理模型,代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型;根据历史业务数据以及目标仿真结果,生成训练样本对各代理模型进行训练,得到各训练后代理模型,并将各训练后代理模型集成并部署在仿真环境中;在接收到仿真指令后,获取仿真数据;确定用户选择的至少一种训练后代理模型,作为目标代理模型;将仿真数据输入各目标代理模型,以通过各目标代理模型确定仿真模拟结果。
从上述方法可以看出,本方案通过在仿真环境中使用复杂度较低的若干种代理模型来代替原有的复杂度较高的仿真模型,充分提高了仿真模拟效率,并且,在仿真模拟的过程中可以使用户自行选择合适的目标代理模型,并通过多个代理模型的输出结果确定最终的仿真结果,从而在充分满足用户仿真需求的同时,提高仿真结果的准确性,有效提高了用户体验。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种基于代理模型的仿真模拟方法的流程示意图;
图2为本说明书中提供的一种代理模型的构建框架示意图;
图3为本说明书中提供的一种不同代理模型的推理效果示意图;
图4为本说明书中提供的一种基于代理模型的仿真模拟装置的示意图;
图5为本说明书中提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
传统模拟推演方法通常需要大量的计算时间,特别是在处理复杂模型和大数据时。这导致用户必须等待较长时间才能获得所需的模拟结果,严重制约了决策的及时性。
复杂模型的模拟通常需要大规模的计算资源,包括高性能计算机集群或云计算资源。这使得模拟成本高昂,对于资源有限的用户来说是一个负担。
一些技术可能需要大量的训练数据才能构建准确的代理模型。这可能是一个问题,因为在某些情况下,收集足够的训练数据可能是困难或昂贵的,尤其是在新兴领域或数据稀缺的环境中。
现有模拟中可能无法提供足够的不确定性估计。在一些决策制定过程中,对不确定性的准确估计至关重要。缺乏这种估计可能导致决策风险增加。
一些复杂模型具有高度非线性和多维度特征,传统方法在处理这些模型时表现不佳,难以提供准确的模拟结果。
现有方法通常需要用户具备高级技术知识和专业背景,以操作和解释模拟结果。这对于非专业用户来说是一个障碍。
图1为本说明书中提供的一种基于代理模型的仿真模拟方法的流程示意图,包括以下步骤:
S101:获取目标业务场景下的仿真模型以及历史业务数据。
传统的模拟推演方法通常需要耗费大量计算资源和时间来执行复杂的模型运算,这使得多次模拟或参数探索工作变得低效且不切实际。根据以往研究,代理模型被广泛用于低成本模拟复杂***模型或进行评估的场景下。主要情况包括需要进行大量重复评估的情况,例如在优化或不确定性量化方面,代理模型通常被用来替代已知的昂贵计算模型。
但是单一的代理模型往往应用场景是有限的。每种方法都有其适用的场景和局限性,选择方法取决于数据的性质、问题的复杂性以及可用的计算资源。
基于此,本说明书提高了一种创新性的方法,即在用户建立仿真模型和提出需要快速模拟的需求后,针对该模型构建高度准确的代理模型,为用户提供快速模拟的环境,从而满足他们的迅速决策需求。
在本说明书中,用于实现一种基于代理模型的仿真模拟方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备、当然,也可以是服务器或客户端,为了便于描述,以下仅以终端设备作为执行主体为例,对本说明书中的基于代理模型的仿真模拟方法进行说明。
其中,终端设备可以先获取目标业务场景下的仿真模型,仿真模型可以是用户提供的目标业务场景下的复杂大模型,由于其本身具有复杂的模型结构和复杂的运算逻辑,导致预测过程中会涉及大量运算,耗时较长,如果应用在仿真环境中会严重拖慢仿真的整体时间。
在本说明书中,目标业务场景可以包括:天气分析、交通状况分析(如车流量、人流量、交通堵塞情况等)、环境分析、经济趋势分析以及金融风险分析等,本说明书对此不做具体限定。
此外,终端设备可以接收用户输入的目标业务场景的历史业务数据,对于不同的业务场景,其对应的历史业务数据也是不同的,例如,当业务场景为交通状况分析场景时,历史业务数据可以为目标区域在历史时间内的人流量和车流量等交通数据的时间序列,再例如,当业务场景为金融风险分析场景时,历史业务数据可以为历史时间内关于金融数据(如股票价格、金价、汇率等)的时间序列。
S102:将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果。
S103:确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度。
终端设备可以进一步确定上述历史业务数据对应的标签,即仿真环境所输出的仿真结果,其中,该标签可以通过上述仿真模型来进行确定,在将历史数据输入仿真模型后,可以同时输入相应变量(如仿真模拟过程所指向的未来时间),仿真模型的最终输出目标仿真结果可以作为该历史业务数据对应的标签。
另外,终端设备可以确定上述仿真模型所对应的若干种代理模型,在实际应用中,代理模型(Surrogate model)的计算结果与原模型(仿真模型)非常接近,但是复杂度相对较低,求解计算量较小。代理模型采用一个数据驱动的、自下而上的办法来建立,其运算时间要远远小于复杂的大模型。代理模型可以基于用户声明的输入x和输出y进行构建,构建后的代理模型可以表示为:y=f(x))。
在本说明书中,可以包含有多种目标业务场景对应的代理模型,包括:高斯过程模型、神经网络模型、克里金模型以及插值模型等。当然,还可以包含有诸如如决策树、支持向量机等其他代理模型,本说明书对此不做具体限定。
其中,高斯过程(Gaussian Process)模型是一种强大的统计工具,可用于建模不确定性和复杂关系。允许在不依赖特定函数形式的情况下,通过已知数据点来估计未知数据点的分布。这对于决策模型的构建和不确定性估计至关重要。
神经网络(Neural Networks)模型是一种强大的机器学习工具,适用于模式识别和复杂数据建模。通过神经网络,可以从大量数据中提取关键特征,帮助构建更准确的代理模型。
克里金(Kriging)模型特别适用于空间数据和地理信息***。它能够通过已知数据点之间的关系来估计未知点的值,可用于建立代理模型中的空间关联性。
插值(Interpolation)模型是一种数学技术,用于估计两个或多个已知数据点之间的值。它在代理模型中用于填补数据缺失或增加数据密度,以便更好地进行决策分析。
S104:根据所述历史业务数据以及所述目标仿真结果,生成训练样本。
S105:通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中。
终端设备可以对历史业务数据进行预处理,包括处理缺失值、异常值和数据标准化,确保数据适合用于代理模型的构建。
而后终端设备可以对历史业务数据进行划分,并根据各历史业务数据及其对应的目标仿真结果(标签)生成训练样本、测试样本以及验证样本,以便模型的训练、调优和评估。
具体的,终端设备可以根据历史业务数据所对应的数据信息进行特征提取,并对提取到的特征进行特征选择以及特征降维等处理,得到历史业务数据所对应的特征表示。
其中,上述特征提取过程可以由用户来完成,得到的特征为业务数据对应的结构化信息。当然,也可以通过深度学习中的特征提取网络来进行自动的特征提取。终端设备可以将训练样本对应的特征表示作为训练样本对应的目标特征。
之后终端设备可以将训练样本的目标特征分别输入不同的代理模型中,以对各代理模型进行训练。
具体的,将目标特征输入高斯过程模型后,高斯过程模型可以根据目标特征建模数据的空间相关性,根据该控件相关系确定均值函数和协方差函数,进而根据该均值函数与协方差函数确定预测结果并输出。之后终端设备可以以最小化高斯过程模型对应的预测结果与训练样本对应的标签之间的偏差为优化目标,对高斯过程模型进行训练。
在构建神经网络模型的过程中,终端设备可以确定用户选择的网络架构,包括层数、神经元数目和激活函数。之后将训练样本的目标特征输入构建好的神经网络模型,确定其预测结果,根据预测结果与上述标签构建损失函数并以损失函数最小化为优化目标对神经网络模型进行训练。
将目标特征输入克里金模型后,克里金模型可以基于该目标特征对应的空间信息进行拟合,之后基于预设的半变异函数确定预测结果并输出。之后终端设备可以以最小化克里金模型对应的预测结果与训练样本对应的标签之间的偏差为优化目标,对克里金模型进行训练。
将目标特征输入插值模型后,差值模型可以基于内置的插值算法(如多项式插值、样条插值等)进行数据插值,并根据插值结果建立空间数据的插值模型,进而根据该插值模型确定预测结果并输出。之后终端设备可以以最小化差值模型对应的预测结果与训练样本对应的标签之间的偏差为优化目标,对差值模型进行训练。
终端设备可以通过划分出的测试样本对各代理模型进行测试,并在测试完成后通过划分出的验证数据对各代理模型进行校准以及评估。
具体的,终端设备将验证数据对应的特征表示输入各代理模型之后,可以进一步确定代理模型的推理时长,该推理时长用于表征代理模型得到预测结果所用的时间。
另外,终端设备可以确定仿真模型针对历史业务数据的采样参数信息,该采样参数信息可以包括:采样方式(如拉丁超立方采样、随机采样、正态抽样以及截断稀疏网络采样等)、采样频率以及被采样数据的数据类型(包括空间数据、地理信息数据、时间数据、金融数据、流量数据等)。
在实际应用中,不同的代理模型与上述采样参数信息之间的匹配度也是不同的,例如,克里金模型更加适用于处理空间数据、地理信息数据,因此当业务数据为具有空间信息或者地理信息的数据时,克里金模型的匹配度则会较高。另外,克里金模型和差值模型更加适用于采样频率较低的数据,而神经网络模型和高斯模型更加适用于采样频率较高的模型,因此当仿真模型对业务数据的采样频率较低时,克里金模型和差值模型可以具有较高的匹配度,而神经网络模型和高斯模型的匹配度则相对较低。
终端设备可以确定根据每个代理模型与上述采样参数信息之间的匹配度,以及每个代理模型对应的推理时长,确定各代理模型对应的推荐值。其中,代理模型的匹配度越高以及推理时长越短,则代理模型的推荐值越大,反之则越小。
当然,除了各代理模型对应的推理时长外,终端设备还可以根据测试样本确定各代理模型的稳定性以及准确性等其他性能参数,进而将这些性能参数作为代理模型推荐值的评估指标。
对代理模型的校准可以采用不同的策略,包括遗传算法、粒子群优化等优化方法等,以获得更准确的代理模型。
之后终端设备可以将上述各代理模型进行融合,并集成部署在仿真程序所提供的仿真环境中。
在本说明书中,终端设备可以基于每个训练后代理模型对应的预设权重,将各训练后代理模型集成并部署在仿真环境中,其中,该预设权重可以由用户进行设定,当然,也可以根据上述推荐值来自动生成,推荐值越高则代理模型的权重越大。
当然,终端设备也可以采用堆叠或其他模型集成方式,将各代理模型部署在仿真环境中。为了便于理解,本说明书提供了一种代理模型的构建框架示意图,如图2所示。
图2为本说明书中提供的一种代理模型的构建框架示意图。
其中,可以假设一个复杂***的一百组输入输出,但又有十组想要快速得到的结果,此时就可以通过代理模型来快速模拟,假设复杂***中仿真模型的输入是2维,输出是1维,参数设置为:x=(x1,x2),输入:y,假设真实***的输入输出存在关系y=f(x)。
在数据采集的过程中,收集历史业务数据和仿真模型输出的目标仿真结果,并将历史业务数据的目标仿真结果作为标签构建训练样本和测试样本。
之后终端设备可以通过上述训练样本分别对各代理模型进行训练,并将训练完成后的各代理模型集成部署在仿真环境中,通过测试样本确定每个代理模型的仿真效果并提供给用户。
在实际的仿真过程中,用户可以基于上述仿真效果以及实际场景选择出合适的目标代理模型,并在输入仿真数据后根据各目标代理模型输出的预测结果确定最终的仿真结果。
S105:在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据。
S106:响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型。
S107:将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
在实际仿真的过程中,终端设备可以根据用户的输入接收仿真指令,并获取用户输入的仿真数据,该仿真数据可以包括仿真参数(如需要仿真的时间)、初始状态数据以及所仿真的业务场景的场景数据等。
之后终端设备可以向用户展示出每种训练后代理模型所对应的推荐值,以使用户根据该推荐值选择出参与仿真模拟的目标代理模型。
当然,终端设备也可以基于预设数量,自动选取出推荐值位于上述预设数量所对应排序位次之前的各训练后代理模型作为目标代理模型。该预设数量可以根据实际情况进行设定,本说明书对此不做具体限定。
之后终端设备可以将上述仿真数据分别输入各目标代理模型,以通过各目标代理模型确定仿真模拟结果。
具体的,若各代理模型以加权的方式部署在仿真环境中,终端设备在将仿真数据输入各目标代理模型并确定每个目标代理模型所输出的预测结果后,可以根据每个目标代理模型对应的权重对每个目标代理模型所输出的预测结果进行加权平均,从而得到最终的仿真模拟结果。
而若各代理模型以堆叠等其他方式部署在仿真环境中,则终端设备可以根据每个目标代理模型所输出的预测结果,确定每种预测结果所对应的置信度,进而根据该置信度,在每个目标代理模型所输出的预测结果中选取出所述仿真模拟结果。
例如,若大部分代理模型都指向同一种预测结果,则说明该预测结果对应的置信度最高,因此终端设备可以将该置信度最高的预测结果作为最终的仿真模拟结果。
之后终端设备可以在仿真环境中将上述仿真模拟结果以数值、图形等形式,在诸如图形界面、Web界面等用户界面中进行展示,以提供更灵活的用户体验。
以仿真模拟场景为交通分析场景为例,该场景下的仿真模型可以为用于预测未来指定时刻交通信息的信息预测模型,历史业务数据包括:历史交通数据。将代理模型部署在仿真环境后,用户可以向仿真环境中输入之前一段时间内的交通数据,初始交通状态以及指定的未来时间,之后通过仿真环境中的各目标代理模型进行仿真模拟,得到上述未来时间所对应的交通信息(如人流量、车流量、堵车时长、堵车概率、事故发生率等)。
需要指出的是,在一些特定场景下用户提供的仿真模型的推理时长也可能小于各代理模型的推理时长,因此,终端设备可以向用户提供选择代理模型还是仿真模型进行仿真模拟的选项,从而由用户自行选择使用那种模型进行仿真模拟,当然,终端设备也可以自动选择耗时最小的方式进行仿真模拟。
从上述方法可以看出,本方案通过在仿真环境中使用复杂度较低的若干种代理模型来代替原有的复杂度较高的仿真模型,充分提高了仿真模拟效率,并且,在仿真模拟的过程中可以使用户自行选择合适的目标代理模型,并通过多个代理模型的输出结果确定最终的仿真结果,从而在充分满足用户仿真需求的同时,提高仿真结果的准确性,有效提高了用户体验。
另外,本说明书中还提供了一种不同代理模型的推理效果示意图,如图3所示。
图3为本说明书中提供的一种不同代理模型的推理效果示意图。
其中,图中的圆点表示预测值,虚线表示真实值,从图3可以看出,融合有多个代理模型的推理结果的准确性要明显高于单独使用每个代理模型的推理结果。
以上为本说明书的一个或多个实施基于代理模型的仿真模拟方法,基于同样的思路,本说明书还提供了相应的基于代理模型的仿真模拟装置,如图4所示。
图4为本说明书提供的一种基于代理模型的仿真模拟装置的示意图,包括:
获取模块401,用于获取目标业务场景下的仿真模型以及历史业务数据;
输入模块402,用于将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果;
确定模块403,用于确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度;
生成模块404,用于根据所述历史业务数据以及所述目标仿真结果,生成训练样本;
部署模块405,用于通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中;
接收模块406,用于在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据;
选择模块407,用于响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型;
仿真模块408,用于将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
可选地,所述部署模块405具体用于,根据所述训练样本所对应的数据信息,对所述训练样本进行特征提取,并对提取到的特征进行特征选择以及特征降维中的至少一种处理,得到所述训练样本对应的目标特征;
将所述目标特征输入每个代理模型,以对所述各代理模型进行训练。
可选地,所述选择模块407具体用于,确定所述仿真模型针对历史业务数据的采样参数信息;针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值;将各训练后代理模型对应的推荐值向所述用户进行展示,以使所述用户根据所述推荐值选取所述各目标代理模型。
可选地,所述选择模块407具体用于,根据所述历史业务数据以及所述目标仿真结果,生成测试样本;针对每个训练后代理模型,根据所述测试样本确定该训练后代理模型对应的推理时长;根据所述推理时长以及该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型对应的推荐值。
可选地,所述部署模块405具体用于,基于每个训练后代理模型对应的预设权重,将所述各训练后代理模型集成并部署在仿真环境中;
所述仿真模块408具体用于,将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;根据每个目标代理模型对应的权重以及每个目标代理模型所输出的预测结果,确定所述仿真模拟结果。
所述仿真模块408具体用于,将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;根据每个目标代理模型所输出的预测结果,确定每种预测结果所对应的置信度;根据所述置信度,在每个目标代理模型所输出的预测结果中选取出所述仿真模拟结果。
可选地,所述仿真模型包括:用于预测未来指定时刻交通信息的信息预测模型,所述历史业务数据包括:历史交通数据。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种基于代理模型的仿真模拟方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的基于代理模型的仿真模拟方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种基于代理模型的仿真模拟方法,其特征在于,包括:
获取目标业务场景下的仿真模型以及历史业务数据;
将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果;
确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度;
根据所述历史业务数据以及所述目标仿真结果,生成训练样本;
通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中;
在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据;
响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型,其中,确定所述仿真模型针对历史业务数据的采样参数信息;针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值;将各训练后代理模型对应的推荐值向所述用户进行展示,以使所述用户根据所述推荐值选取所述各目标代理模型,所述采样参数信息包括采样方式、采样频率以及被采样数据的数据类型,其中,该训练后代理模型与所述采样参数信息之间的匹配度用于表征该训练后代理模型对所述采样参数信息的适用程度,若该训练后代理模型与所述采样参数信息之间的匹配度越高,则该训练后代理模型越适合处理所述采样参数信息对应的业务数据;
将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
2.如权利要求1所述的方法,其特征在于,通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,具体包括:
根据所述训练样本所对应的数据信息,对所述训练样本进行特征提取,并对提取到的特征进行特征选择以及特征降维中的至少一种处理,得到所述训练样本对应的目标特征;
将所述目标特征输入每个代理模型,以对所述各代理模型进行训练。
3.如权利要求1所述的方法,其特征在于,针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值,具体包括:
根据所述历史业务数据以及所述目标仿真结果,生成测试样本;
针对每个训练后代理模型,根据所述测试样本确定该训练后代理模型对应的推理时长;
根据所述推理时长以及该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型对应的推荐值。
4.如权利要求1所述的方法,其特征在于,将所述各训练后代理模型集成并部署在仿真环境中,具体包括:
基于每个训练后代理模型对应的预设权重,将所述各训练后代理模型集成并部署在仿真环境中;
将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果,具体包括:
将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;
根据每个目标代理模型对应的权重以及每个目标代理模型所输出的预测结果,确定所述仿真模拟结果。
5.如权利要求1所述的方法,其特征在于,将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果,具体包括:
将所述仿真数据输入各目标代理模型,确定每个目标代理模型所输出的预测结果;
根据每个目标代理模型所输出的预测结果,确定每种预测结果所对应的置信度;
根据所述置信度,在每个目标代理模型所输出的预测结果中选取出所述仿真模拟结果。
6.如权利要求1所述的方法,其特征在于,所述仿真模型包括:用于预测未来指定时刻交通信息的信息预测模型,所述历史业务数据包括:历史交通数据。
7.一种基于代理模型的仿真模拟装置,其特征在于,包括:
获取模块,获取目标业务场景下的仿真模型以及历史业务数据;
输入模块,将所述历史业务数据输入所述仿真模型,得到每个历史业务数据对应的目标仿真结果;
确定模块,确定所述仿真模型对应的若干种代理模型,所述代理模型包括:高斯过程模型、神经网络模型、克里金模型以及插值模型中的至少一种,其中,每种代理模型的复杂度均低于所述仿真模型的复杂度;
生成模块,根据所述历史业务数据以及所述目标仿真结果,生成训练样本;
部署模块,通过所述训练样本,对各代理模型进行训练,得到各训练后代理模型,并将所述各训练后代理模型集成并部署在仿真环境中;
接收模块,在接收到仿真指令后,获取用户在所述仿真环境中输入的仿真数据;
选择模块,响应于所述用户的指定操作,确定所述用户选择的至少一种训练后代理模型,作为目标代理模型,其中,确定所述仿真模型针对历史业务数据的采样参数信息;针对每个训练后代理模型,根据该训练后代理模型与所述采样参数信息之间的匹配度,确定该训练后代理模型所对应的推荐值;将各训练后代理模型对应的推荐值向所述用户进行展示,以使所述用户根据所述推荐值选取所述各目标代理模型,所述采样参数信息包括采样方式、采样频率以及被采样数据的数据类型,其中,该训练后代理模型与所述采样参数信息之间的匹配度用于表征该训练后代理模型对所述采样参数信息的适用程度,若该训练后代理模型与所述采样参数信息之间的匹配度越高,则该训练后代理模型越适合处理所述采样参数信息对应的业务数据;
仿真模块,将所述仿真数据输入各目标代理模型,以通过所述各目标代理模型确定仿真模拟结果。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464152.2A CN117215728B (zh) | 2023-11-06 | 2023-11-06 | 一种基于代理模型的仿真模拟方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464152.2A CN117215728B (zh) | 2023-11-06 | 2023-11-06 | 一种基于代理模型的仿真模拟方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117215728A CN117215728A (zh) | 2023-12-12 |
CN117215728B true CN117215728B (zh) | 2024-03-15 |
Family
ID=89048508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464152.2A Active CN117215728B (zh) | 2023-11-06 | 2023-11-06 | 一种基于代理模型的仿真模拟方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117215728B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852315B (zh) * | 2024-03-07 | 2024-05-10 | 北京适创科技有限公司 | 用于确定计算机辅助工程的初始条件的方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016167A (zh) * | 2020-10-22 | 2020-12-01 | 中国人民解放军国防科技大学 | 基于仿真和优化耦合的飞行器气动外形设计方法及*** |
CN113868956A (zh) * | 2021-10-09 | 2021-12-31 | 大连理工大学 | 一种二阶段自适应组合代理模型建模方法 |
CN113955097A (zh) * | 2021-11-01 | 2022-01-21 | 广东汇天航空航天科技有限公司 | 一种旋翼飞行器的舵机位移处理方法和装置 |
CN115310348A (zh) * | 2022-07-08 | 2022-11-08 | 天津大学 | 基于Stacking的灌浆量集成代理预测模型及预测方法 |
CN115935761A (zh) * | 2023-01-10 | 2023-04-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 |
CN116305522A (zh) * | 2023-01-09 | 2023-06-23 | 北京航空航天大学 | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220129791A1 (en) * | 2020-10-28 | 2022-04-28 | Oracle International Corporation | Systematic approach for explaining machine learning predictions |
-
2023
- 2023-11-06 CN CN202311464152.2A patent/CN117215728B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016167A (zh) * | 2020-10-22 | 2020-12-01 | 中国人民解放军国防科技大学 | 基于仿真和优化耦合的飞行器气动外形设计方法及*** |
CN113868956A (zh) * | 2021-10-09 | 2021-12-31 | 大连理工大学 | 一种二阶段自适应组合代理模型建模方法 |
CN113955097A (zh) * | 2021-11-01 | 2022-01-21 | 广东汇天航空航天科技有限公司 | 一种旋翼飞行器的舵机位移处理方法和装置 |
CN115310348A (zh) * | 2022-07-08 | 2022-11-08 | 天津大学 | 基于Stacking的灌浆量集成代理预测模型及预测方法 |
CN116305522A (zh) * | 2023-01-09 | 2023-06-23 | 北京航空航天大学 | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 |
CN115935761A (zh) * | 2023-01-10 | 2023-04-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于组合近似模型的可靠性优化方法在行人柔性腿型碰撞中应用研究;吕晓江;谷先广;王国荣;周大永;刘卫国;;机械工程学报(10);148-155 * |
Also Published As
Publication number | Publication date |
---|---|
CN117215728A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7157154B2 (ja) | 性能予測ニューラルネットワークを使用したニューラルアーキテクチャ探索 | |
KR102302609B1 (ko) | 신경망 아키텍처 최적화 | |
KR101880907B1 (ko) | 비정상 세션 감지 방법 | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
JP7043596B2 (ja) | ニューラルアーキテクチャ検索 | |
CN110807515A (zh) | 模型生成方法和装置 | |
CN105446988B (zh) | 预测类别的方法和装置 | |
CN117215728B (zh) | 一种基于代理模型的仿真模拟方法、装置及电子设备 | |
CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
CN114580263A (zh) | 基于知识图谱的信息***故障预测方法及相关设备 | |
CN110163417A (zh) | 一种业务量的预测方法、装置及设备 | |
KR102142943B1 (ko) | 클라우드 기반의 인공지능 연산 서비스 방법 및 이를 수행하는 장치 | |
KR20210066545A (ko) | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
CN111369258A (zh) | 实体对象类型的预测方法、装置及设备 | |
Demertzis et al. | Geo-AI to aid disaster response by memory-augmented deep reservoir computing | |
CN113609337A (zh) | 图神经网络的预训练方法、训练方法、装置、设备及介质 | |
Knudde et al. | Active learning for feasible region discovery | |
JP7188856B2 (ja) | 動的な画像解像度評価 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN113837635B (zh) | 风险检测处理方法、装置及设备 | |
CN116804964A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN113239272B (zh) | 一种网络管控***的意图预测方法和意图预测装置 | |
CN114445692A (zh) | 图像识别模型构建方法、装置、计算机设备及存储介质 | |
CN111667028A (zh) | 一种可靠负样本确定方法和相关装置 | |
CN112613544A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |