[go: up one dir, main page]

CN114548608B - 模型处理方法、装置、目标交通设备及存储介质 - Google Patents

模型处理方法、装置、目标交通设备及存储介质 Download PDF

Info

Publication number
CN114548608B
CN114548608B CN202210444861.3A CN202210444861A CN114548608B CN 114548608 B CN114548608 B CN 114548608B CN 202210444861 A CN202210444861 A CN 202210444861A CN 114548608 B CN114548608 B CN 114548608B
Authority
CN
China
Prior art keywords
model
prediction
equipment
sensing
prediction model
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
Application number
CN202210444861.3A
Other languages
English (en)
Other versions
CN114548608A (zh
Inventor
钟子宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210444861.3A priority Critical patent/CN114548608B/zh
Publication of CN114548608A publication Critical patent/CN114548608A/zh
Application granted granted Critical
Publication of CN114548608B publication Critical patent/CN114548608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种模型处理方法、装置、目标交通设备及存储介质，其中方法包括：调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；从路侧处理单元获取目标交通设备和参考交通设备之间的第二预测距离，第二预测距离是由路侧处理单元调用传感预测模型预测得到的；根据第一预测距离和第二预测距离确定模型优化参数，并采用模型优化参数更新设备预测模型的模型权重；模型优化参数还用于使路侧处理单元更新传感预测模型的模型权重；采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，目标模型用于预测不同交通设备之间的设备距离，可提升模型的预测准确性。

Description

模型处理方法、装置、目标交通设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种模型处理方法、装置、目标交通设备及存储介质。
背景技术
随着计算机技术的不断深入发展，基于联邦学习进行模型训练可有效保证双方数据的安全性，因此，基于联邦学习的智能化操控决策方案逐渐兴起，而当前，基于联邦学习的智能化操控决策方案大都是通过联邦学习和云端服务器实现的不同交通设备之间的模型训练过程，而由于不同交通设备的设备数据的类型一致性，导致采用当前的基于联邦学习进行智能化操控决策方案存在准确度较低，且所需数据量较大的问题。
发明内容
本发明实施例提供了一种模型处理方法、装置、目标交通设备及存储介质，可提升模型的预测准确性。
一方面，本发明实施例提供了一种模型处理方法，包括：
调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；
从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；
采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离。
再一方面，本发明实施例提供了一种模型处理装置，包括：
处理单元，用于调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；
获取单元，用于从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
所述处理单元，还用于根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；
所述处理单元，还用于采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离。
再一方面，本发明实施例提供了一种目标交通设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持该目标交通设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如下步骤：
调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；
从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；
采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离。
再一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序指令，所述程序指令被处理器执行时，所述程序指令被处理器执行时，用于执行如第一方面所述的模型处理方法。
在本申请实施例中，目标交通设备可在调用设备预测模型，并基于该目标交通设备采集的设备数据，预测得到该目标交通设备和参考交通设备之间的第一预测距离后，还可从路侧处理单元获取得到该目标交通设备与参考交通设备之间的第二预测距离，从而使该目标交通设备在未从路侧处理单元获取传感数据的情况下，实现对该传感数据的数据特征的使用。在得到该第一预测距离和第二预测距离后，该目标交通设备可基于获取得到的第一预测距离和第二预测距离确定模型优化参数，进而可基于该模型优化参数对设备预测模型的模型权重进行处理，以及使路侧处理单元对传感预测模型的模型权重进行更新处理，进而使得目标交通设备实现了充分利用由目标交通设备采集的设备数据、自身配置数据、以及路段传感器采集的传感数据进行模型训练和优化，能有效提升模型泛化能力和鲁棒性，而基于优化更新后的模型权重构建得到的目标模型则可准确预测得到不同交通设备之间的设备距离，可提升模型的预测准确性。且由于在得到模型优化参数后，该目标交通设备和传感处理单元将分别进行模型权重的更新过程，实现了有效利用交通设备和路侧传感器的实时数据信息进行模型训练预测，也就能更有效辅助车辆的自动驾驶。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种模型处理的场景图；
图2是本发明实施例提供的一种模型处理方法的示意流程图；
图3是本发明实施例提供的一种模型处理方法的示意图；
图4是本发明实施例提供的一种模型处理方法的系统架构图；
图5是本发明实施例提供的另一种模型处理方法的系统架构图；
图6是本发明实施例提供的一种模型处理装置的示意性框图；
图7是本发明实施例提供的一种目标交通设备的示意性框图。
具体实施方式
本申请实施例提出了一种模型处理方法，使目标交通设备可在基于自身的设备数据预测得到该目标交通设备和参考交通设备之间的第一预测距离后，从路侧处理单元获取得到由该路侧处理单元预测得到的目标交通设备和参考交通设备之间的第二预测距离，而基于目标交通设备对第二预测距离的获取，使该目标交通设备实现了在不直接获取由路侧处理单元采集的传感数据的同时，实现了对由该路侧单元采集的传感数据的有效利用，且进一步地，该目标交通设备还可基于获取得到的第一预测距离和第二预测距离，对目标模型的模型权重进行调整，并可基于调整得到的模型权重进行目标模型的构建，从而也就使得针对目标模型的训练可在不对目标交通设备的设备数据和路侧传感器采集的传感数据进行数据交换的前提下，实现对目标交通设备的设备数据，以及路侧传感器采集的传感数据在模型训练过程中进行有效利用，也就可有效提升训练得到的目标模型的泛化能力和鲁棒性。在一个实施例中，目标交通设备是指在目标路段行驶的任一交通设备，具体可以是指各种类型的交通车等，目标路段则可以是该目标交通设备当前的行驶路段，而该设备数据则是指目标交通设备在目标路段的行驶过程中采集的，具体可以是自身速度、前后设备的设备速度、采集的路面图像、前后设备之间的距离、左右设备之间的距离、以及自身的配置数据等，而该第一预测距离则是指该目标交通设备与参考交通设备之间的预测距离，其中，参考交通设备可以是行驶在目标交通设备之前或者之后的交通设备，而在本申请实施例中，一般以该参考交通设备为行驶在目标交通设备之前的交通设备为例进行说明的。
在一个实施例中，路侧处理单元是指用于对路侧传感器采集的传感数据进行数据处理的单元，其中，该路侧处理单元可以指路侧传感器本身，也可以是指路侧传感器的外接处理设备。由于路侧传感器可对该目标路段进行传感数据的采集，那么，该路侧处理单元则可基于该路侧传感器采集的传感数据，预测得到该目标路段中目标交通设备和参考交通设备之间的第二预测距离，从而使路侧处理单元实现对路侧传感器采集的传感数据的使用。其中，路侧传感器采集的传感数据可以包含以下一种或多种：目标路段的路面图像、道路信息、平均车速、限速数据、超速度数据、车祸图像、车流数据、以及等待时长等。而为了使目标交通设备在模型训练过程中对路侧传感器采集的传感数据进行充分利用，而无需进行传感数据的获取，在路侧处理单元基于路侧传感器采集的传感数据计算得到第二预测距离后，则可从该路侧处理单元获取该第二预测距离，进而则可通过该第一预测距离和第二预测距离进行模型权重更新，以及根据更新的模型参数构建目标模型。
在一个实施例中，该模型处理方法的应用场景可如图1所示，该目标交通设备可以是如图1中由10标记的设备，而目标路段中部署有如图1中由11标记的一个或多个路侧传感器，而可以理解，该路侧处理单元可以是由11标记的任一路侧传感器，或者也可以是由11标记的路侧传感器对应的外接设备，而该目标路段则可以是如图1所述的路段，该目标路段中的参考交通设备则可以是如图1所示的交通设备中，除目标交通设备10之外的另一交通设备。在一个实施例中，在该目标交通设备预测得到第一预测距离，该路侧处理单元预测得到第二预测距离后，可由该目标交通设备基于该第一预测距离和第二预测距离进行模型的训练优化过程，或者，也可由其他的外接计算机设备基于该第一预测距离和第二预测距离进行模型的优化训练过程，而如果在其他的外接计算机设备采用该第一预测距离和第二预测距离完成模型优化训练后，可将优化训练完成的模型部署到该目标交通设备中，进而可在后续存在距离预测需求时，采用训练完成的模型进行距离预测。
在一个实施例中，待构建的目标模型为联邦学习模型，其中，联邦学习本质上是一种分布式机器学习技术或机器学习框架，基于联邦学习实现的模型训练过程，可保证在样本数据隐私安全和合法合规的基础上，实现共同建模，从而可提升计算机设备的模型训练效果，而在本申请实施例中的联邦学习则是指，分别由目标交通设备对本端用于进行距离预测的设备预测模型进行训练，并对路侧处理单元侧的传感预测模型进行训练，可以理解，对设备预测模型的训练及对传感预测模型的训练过程，即是对联邦学习模型进行训练的过程，那么，基于对设备预测模型的训练和传感预测模型的训练，则可实现对联邦学习模型（即待构建的目标模型）的训练，也就使得后续可基于训练完成的设备预测模型的模型参数和训练完成的传感预测模型的模型参数构建得到目标模型，使训练得到的目标模型可基于路侧处理单元和目标交通设备数据的联邦训练构建得到，进而也就实现了在模型训练过程中，对各方设备的数据的安全性保证的同时，提升了训练得到的模型的可靠性和稳健性。
请参见图2，是本申请实施例中提出的一种模型处理方法的示意流程图，该模型处理方法主要可分为以下八个阶段，数据输入阶段、联邦学习模型构建阶段、传感预测模型处理阶段、设备预测模型处理阶段、云端服务器模型交互分发阶段、模型权重更新阶段、车距预测阶段、安全距离判断及提示阶段，这8个阶段进行模型处理的过程具体可如图3所示。另外，在这八个阶段中，主要涉及目标交通设备、云端服务器模块（即云端服务器）、联邦学习模块、深度学习模型处理模块、路侧传感器、路侧处理单元和路侧通信单元，下面，结合图2和图3，对本申请实施例所提及的模型处理方法进行具体描述：
S201，调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；目标交通设备及参考交通设备均行驶在目标路段中，目标路段设置有路侧处理单元。
由于该设备预测模型被配置在目标交通设备中，而传感预测模型被配置在路侧传感器（或路侧处理单元），其中，路侧处理单元主要用于处理路侧传感器采集的传感数据，该路侧处理单元包含深度学习、机器学习模块，而该路侧处理单元和路侧传感器依赖于路侧通信单元进行数据交互，另外，该路侧通讯单元还主要用于将处理单元处理好的数据、模型传输到云端服务器，实现车路协同的信息交互，具体可如图4或图5所示。其中，车路协同是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。而基于联邦学习技术应用到模型的训练预测时，通过云端服务器作为独立的第三方协助者，能够有效保护目标交通设备采集的设备数据，以及由路侧传感器采集的传感数据的数据隐私安全，同时也能在数据安全的情况下，实现模型交互更新。
在一个实施例中，在对设备预测模型的模型参数和传感预测模型的模型参数分别进行优化更新之前，首先，在数据输入阶段将先分别将相关数据输入到目标交通设备和路侧处理单元中，在一个实施例中，输入该目标交通设备的相关数据为该目标交通设备的设备数据，该设备数据主要包含两部分，一是该目标交通设备采集的道路信息数据，二是该目标交通设备自身的配置参数，其中，该目标交通设备为车辆时，由该目标交通设备采集的道路信息数据包含如下的一种或多种：车辆自身车速、前后车车速、车辆采集的路面图像、前后车距离、左右车距离、车辆兴趣点（Point Of Interest，POI）数据等，而该目标交通设备自身的配置参数则可包含车辆类型、车辆长度、高度、宽度、车辆核载人数、车辆实载人数、车辆最高时速、车辆排量等。除了由目标交通设备采集的设备数据，在数据输入阶段，还包含路侧传感器采集的传感数据，传感数据即是指由该路侧传感器采集到的路面数据，具体可包含：路段路面的图像、道路信息、平均车速、限速数据、超速度数据、车祸图像、车流数据、等待时长、路段POI信息等中的一种或多种，可以理解，基于目标交通设备采集的设备数据，可使目标交通设备基于该设备数据对设备预测模型的模型参数进行优化训练，而基于路侧传感器采集的传感数据，则可实现基于传感数据对传感预测模型的模型参数进行优化训练。
在一个实施例中，该传感预测模型和设备预测模型可被统称为联邦学习模型（即目标模型），在本申请实施例中的联邦学习模型的模型表达式可如式1所示，其中，该联邦学习模型是由联邦学习模块构建的，联邦学习模块主要提供车辆数据和路段传感器数据经过深度学习、机器学习进行训练后的模型融合、模型加密、梯度交互、损失交互等。
Figure 164089DEST_PATH_IMAGE001
式1
其中，
Figure 550071DEST_PATH_IMAGE002
可被认为是设备预测模型的模型表达式，
Figure 533071DEST_PATH_IMAGE003
则可被认为是传感预测模型的模型表达式，而XC表示目标交通设备采集的道路信息数据和自身的配置参数，XR,i表示第i个路侧传感器采集的传感数据，也就可以理解，基于上述的联邦学习模型的表达式可知，
Figure 397122DEST_PATH_IMAGE004
为设备预测模型的模型参数，而
Figure 932533DEST_PATH_IMAGE005
则为第i个路侧传感器对应传感预测模型（或传感预测模块）的模型参数。
在一个实施例中，基于上述由该目标交通设备采集得到的设备数据，该目标交通设备可触发设备预测模型处理阶段，以在后续对该设备预测模型的模型权重进行优化更新，在该设备预测模型处理阶段，该目标交通设备可预测得到该目标交通设备和参考交通设备之间的第一预测距离，进而则可基于该第一距离对设备预测模型的模型权重进行优化更新。在具体实现中，该目标交通设备在调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离时，可在获取到目标交通设备采集的设备数据后，对设备预测模型的模型权重进行初始化处理，得到设备预测模型的初始模型权重。在一个实施例中，该设备预测模型的初始模型权重可由Wc,0进行表示，具体的，该初始模型权重Wc,0满足如下的式2：
Wc,0=[1,…,1]T式2
在得到该设备预测模型的初始模型权重后，若该设备预测模型的设备数据采用XC表示，那么，则可采用设备预测模型的初始模型权重Wc,0对设备数据XC进行距离预测处理，得到目标交通设备和参考交通设备之间的第一预测距离，得到的第一预测举例若由
Figure 20574DEST_PATH_IMAGE006
表示，那么，该第一预测距离满足如下的式3：
Figure 756449DEST_PATH_IMAGE007
式3
在一个实施例中，数据输入阶段，由路侧传感器采集的传感数据将在传感预测模型处理阶段中预测得到该目标交通设备和参考交通设备之间的第二预测距离，那么，基于对第二预测距离的确定，该目标交通设备可获取得到该第二预测距离，从而基于该第一预测距离和第二预测距离对联邦学习模型进行优化更新。其中，该设备预测模型处理阶段和传感预测模型处理阶段没有必然的处理先后关系。
S202，从路侧处理单元获取目标交通设备和参考交通设备之间的第二预测距离，第二预测距离是由路侧处理单元调用传感预测模型预测得到的。
该路侧处理单元是针对路侧传感器的处理单元，在一个实施例中，在目标路段设置的路侧传感器的数量为一个或多个，那么，该路侧处理单元则将基于每个路侧传感器采集的传感数据进行第二预测距离的预测，从而基于每个路侧路侧传感器对应的第二预测距离的预测结果，最终预测得到该目标交通设备和参考交通设备之间的第二预测距离。具体地，该路侧处理单元在预测得到该目标交通设备和参考交通设备之间的第二预测距离时，首先将对传感预测模型的模型权重进行初始化处理，得到传感预测模型的初始模型权重，该传感预测模型的初始模型权重可由WR,0表示，且满足WR,0=[1,…,1]T，那么，该路侧处理单元则可根据初始模型权重WR,0和采集的传感数据XR计算得到第二预测距离
Figure 424191DEST_PATH_IMAGE008
，其中，第二预测距离
Figure 296332DEST_PATH_IMAGE009
。在一个实施例中，在目标路段包含多个（假设为n个）路侧传感器的情况下，该传感预测模型的初始模型权重则可表示为WR,i,0，且WR,i,0=[1,…,1]T，（i,…,n），也即是说，传感数据是由一个或多个路侧传感器采集得到的，其具体可表示为XR，（i,…,n），且传感预测模型的初始模型权重的数量与路侧传感器的数量相同，传感预测模型的任一初始模型权重用于指示相应路侧传感器采集的传感数据的重要程度。
在目标路段中所包含的路侧传感器的数量为n个时，路侧处理单元在根据初始模型权重和采集的传感数据计算得到第二预测距离时，可先获取任一路侧传感器采集的传感数据，及对应的初始模型权重，然后则可根据对应的初始模型权重，对相应路侧传感器采集的传感数据进行加权求和处理，得到第二预测距离，在一个实施例中，基于n个路侧传感器所计算得到的第二预测距离则为离
Figure 7805DEST_PATH_IMAGE010
。
路侧处理单元基于目标路段中设置的n个路侧传感器采集的传感数据计算得到目标交通设备和参考交通设备之间的第二预测距离之后，还可计算得到该传感预测模型对应损失函数的初始函数值，在一个实施例中，该传感预测模型对应的损失函数可由式4表示。
Figure 27714DEST_PATH_IMAGE011
式4
其中，
Figure 233567DEST_PATH_IMAGE012
的取值一般可取值为1。那么，基于该传感预测模型的初始模型权重
Figure 225794DEST_PATH_IMAGE013
，以及由n个路侧传感器采集的传感数据XR,i，可计算得到该传感预测模型对应损失函数的初始函数值，在一个实施例中，该初始函数值可由LR,0进行表示，那么，该初始函数值满足
Figure 858900DEST_PATH_IMAGE014
。
在路侧处理单元基于目标路段中的n个路侧传感器采集的传感数据，以及传感预测模型的初始模型权重WR,0确定出目标交通设备和参考交通设备之间的第二预测距离
Figure 818635DEST_PATH_IMAGE015
，以及传感预测模型对应损失函数的初始函数值LR,0后，则可将第二预测距离
Figure 562600DEST_PATH_IMAGE015
及传感预测模型对应损失函数的初始函数值LR,0加密上传到云端服务器中，进而也就使得目标交通设备可在云端服务器模型交互分发阶段，从云端服务器获取加密数据，实现对第二预测距离
Figure 471650DEST_PATH_IMAGE015
及传感预测模型对应损失函数的初始函数值LR,0的获取。其中，云端服务器模块主要用于存储目标交通设备上传的数据及训练好的模型、路侧传感器上传的路面数据及训练好的模型、联邦学习平台、模型融合服务、模型加密传输等。
在一个实施例中，路侧处理单元在将第二预测距离
Figure 275658DEST_PATH_IMAGE015
及传感预测模型对应损失函数的初始函数值LR,0加密上传到云端服务器时，可将第二预测距离
Figure 473421DEST_PATH_IMAGE015
及传感预测模型对应损失函数的初始函数值LR,0进行分别加密上传，或者，该路侧处理单元也可将第二预测距离
Figure 270345DEST_PATH_IMAGE015
及传感预测模型对应损失函数的初始函数值LR,0进行联合加密上传，在本申请实施例中不做限定，而该目标交通设备在从路侧处理单元获取目标交通设备和参考交通设备之间的第二预测距离时，则可通过云端服务器从路侧处理单元获取加密数据，进而则可对加密数据进行解密处理，并从解密数据中获取得到第二预测距离。在一个实施例中，基于对加密数据的界面处理，还可获取得到该传感预测模型对应损失函数的初始函数值。
在目标交通设备获取得到由设备预测模型预测得到的目标交通设备与参考交通设备之间的第一预测距离，以及有传感预测模型预测得到的目标交通设备与参考交通设备之间的第二预测距离后，则可基于该第一预测距离和第二预测距离确定针对联邦学习模型的模型优化参数，并进一步可采用该模型优化参数进行模型权重的更新优化，即转而执行步骤S203。
S203，根据第一预测距离和第二预测距离确定模型优化参数，并采用模型优化参数更新设备预测模型的模型权重；模型优化参数还用于使路侧处理单元更新传感预测模型的模型权重。
S204，采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，目标模型用于预测不同交通设备之间的设备距离。
在一个实施例中，该目标交通设备可在模型权重更新阶段，实现基于第一预测距离和第二预测距离确定出的模型优化参数，来进行模型权重的更新，其中，该目标交通设备在根据第一预测距离和第二预测距离确定出模型优化参数时，则可先获取目标预测距离，在一个实施例中，目标预测距离是指：结合设备数据和设备预测模型，以及传感数据和传感预测模型进行联合预测得到的距离，可以理解，该目标预测距离也就是上述的联邦学习模型对应函数表达式的函数值，其中，该目标预测距离可由Y进行标识，在该目标交通设备获取得到该目标预测距离后，则可根据第一预测距离，第二预测距离和目标预测距离，计算得到模型优化参数。其中，计算得到的模型优化参数可由D0表示，那么，按照该第一预测距离，第二预测距离和目标预测距离，计算得到模型优化参数D0则可满足式5。
Figure 971585DEST_PATH_IMAGE016
式5
在目标交通设备得到模型优化参数后，采用该模型优化参数进行联邦学习模型的权重更新过程，即是采用该模型优化参数分别对设备预测模型的模型权重进行更新的过程，以及对传感预测模型的模型权重进行更新的过程。在一个实施例中，设备预测模型更新后的模型权重和传感预测模型更新后的模型权重均是在一轮或多轮更新后得到的，模型优化参数被用于在当前轮更新设备预测模型的模型权重，以及用于使路侧处理单元更新传感预测模型的模型权重；其中，该目标交通设备在采用模型优化参数在首轮更新设备预测模型的模型权重，以及使路侧处理单元更新传感预测模型的模型权重时，可在获取到设备预测模型的初始模型权重Wc,0后，采用模型优化参数更新设备预测模型的初始模型权重；以及，将模型优化参数发送给路侧处理单元，以便路侧处理单元根据模型优化参数更新传感预测模型的初始模型权重。
在一个实施例中，目标交通设备在采用模型优化参数更新设备预测模型的初始模型权重时，可先根据模型优化参数，确定出当前对设备预测模型的初始模型权重Wc,0进行更新处理时的更新梯度值。在具体实现中，该目标交通设备可先获取当前总损失，以及对设备预测模型的初始模型权重进行更新处理时对应的第一梯度函数，然后则可根据当前总损失对第一梯度函数进行反向传播，并结合模型优化参数计算得到当前对设备预测模型的初始模型权重进行更新处理时的更新梯度值。在一个实施例中，基于上述的联邦学习模型，由于该联邦学习模型包含设备预测模型和传感预测模型，那么，则可基于设备预测模型的损失函数，传感预测模型的损失函数，以及设备预测模型和传感预测模型之间的交互损失函数构建得到该联邦学习模型对应的总损失，其中，该总损失可由L进行表示，传感预测模型的损失函数可由LR表示，且具体可如上述式4所示，而设备预测模型的损失函数可由LC表示，而设备预测模型和传感预测模型之间的交互损失则可由LCR进行表示，具体损失函数的表达式可如式6所示
Figure 212073DEST_PATH_IMAGE017
式6
由上述的式6可知，L=LC+LR-LCR，而基于上述的损失函数，该目标交通设备获取的在首轮更新后的当前总损失可由L0进行表示，该当前总损失可由目标交通设备根据设备预测模型的损失函数，并结合设备预测模型的初始模型权重和目标交通设备采集的设备数据，计算得到设备预测模型的当前损失，并从路侧处理单元获取传感预测模型的当前损失，以及根据从路侧处理单元获取得到的第二预测距离，设备预测模型的初始模型权重，以及目标交通设备采集的设备数据，计算得到设备预测模型和传感预测模型之间的当前交互损失后，根据设备预测模型的当前损失，传感预测模型的当前损失，以及当前交互损，计算得到当前总损失。该当前总损失L0的表达式可如式7所示。
Figure 631553DEST_PATH_IMAGE018
式7
基于该目标交通设备获取到的当前总损失，由于对损失函数求导处理，可得到对应的梯度函数，那么，基于总损失函数L进行求导处理得到的梯度函数D，进而该目标交通设备可确定出针对设备预测模型的初始模型权重的更新梯度值D0，然后，该目标交通设备则可采用设备预测模型的初始模型权重的更新梯度值，并按照第一学习率对设备预测模型的初始模型权重进行更新处理。在一个实施例中，基于对总损失L进行求导处理得到的针对设备预测模型的初始模型权重的梯度函数可由
Figure 779638DEST_PATH_IMAGE019
进行表示，且其具体的函数表达式如式8所示：
Figure 853161DEST_PATH_IMAGE020
式8
基于针对设备预测模型的初始模型权重的梯度函数，以及由目标交通设备采集的设备数据，可得到该设备预测模型的初始模型权重对应的更新梯度值
Figure 998971DEST_PATH_IMAGE021
，且该设备预测模型的初始模型权重对应的更新梯度值满足：
Figure 905747DEST_PATH_IMAGE022
。其中，该目标交通设备获取到的针对该设备预测模型的初始模型权重对应的更新梯度值也可被称为设备预测模型的初始梯度值，那么，该计算机设备可进一步获取学习率
Figure 795206DEST_PATH_IMAGE023
，从而可根据梯度下降法对设备预测模型的模型权重进行更新。在一个实施例中，目标交通设备在采用梯度下降法对设备预测模型的模型权重进行更新时，则可基于上述的
Figure 533355DEST_PATH_IMAGE019
和确定出的学习率对设备预测模型的模型权重进行更新，其更新公式可如式9所示：
Figure 364913DEST_PATH_IMAGE024
式9
其中，t为更新轮数。在其他实现方式中，该目标交通设备还可基于设备预测模型的损失函数LC确定出对该设备预测模型进行更新的梯度函数，具体地，可用过对设备预测模型的损失函数LC进行求导处理，从而得到针对设备预测模型的更新梯度函数，其中，根据设备预测模型的损失函数LC确定出的梯度函数为：
Figure 758986DEST_PATH_IMAGE025
，因此，该目标交通设备根据备预测模型的损失函数LC确定出的梯度函数对设备预测模型进行更新的公式可如式10所示：
Figure 452135DEST_PATH_IMAGE026
式10
其中，t为更新轮数。也就是说，该目标交通设备在对设备预测模型的初始模型权重进行更新后，则可获取更新设备预测模型的初始模型权重之后得到的设备预测模型的中间模型权重，并采用中间模型权重对模型优化参数进行更新；进而可迭代更新设备预测模型的模型权重和模型优化参数，直至得到设备预测模型更新后的模型权重，其中，得到的设备预测模型更新后的模型权重可记为
Figure 716894DEST_PATH_IMAGE027
。通过在目标交通设备部署深度学习、机器学习模块，并利用深度学习、机器学习模块构建安全车距预测模型，基于目标交通设备采集的数据、以及自身的配置参数，然后结合路侧训练的模型，能够有效提升目标模型的训练精度，有效提升针对目标交通设备的操控安全。
在目标交通设备对设备预测模型的模型权重进行更新时，另外，本申请实施例还将采用联邦学习构建融合模型机制，结合目标路段中每个路侧处理器采用深度学习、机器学习模块训练传感数据得到的梯度、损失，更新通过深度学习、机器学习模块训练目标交通设备采集的设备数据、车辆数据得到的模型梯度及损失，从而得到更新后的车机端模型。在一个实施例中，该传感预测模型包括被配置到任一路侧传感器中的传感预测模块，路侧传感器的数量为一个或多个，那么，当路侧传感器的数量为多个时，路侧处理单元根据模型优化参数更新传感预测模型的初始模型权重的方式则可以是，首先，该路侧处理单元将从云端服务器获取得到该目标交通设备计算得到的模型优化参数D0，然后，该路侧处理单元则可根据任一路侧传感器采集的传感数据和模型优化参数，确定任一路侧传感器中的传感预测模块对传感预测模型的初始模型权重进行更新时的参考梯度值，其中，路侧处理单元从云端服务器获取到模型优化参数D0后，会将该模型优化参数D0发送到每个路侧传感器，进而得到针对任一路侧传感器中传感预测模块的参考梯度值可表示为
Figure 719354DEST_PATH_IMAGE028
，且
Figure 600723DEST_PATH_IMAGE029
。每个路侧传感器在得到相应传感预测模块的参考梯度值后，则可将每个路侧传感器对应的参考梯度值进行求和，得到针对传感预测模型的初始模型权重的更新梯度值；其中，得到的针对传感预测模型的初始模型权重的更新梯度值可由
Figure 894301DEST_PATH_IMAGE030
进行表示，且满足式11。
Figure 544725DEST_PATH_IMAGE031
式11
在传感处理单元得到针对传感预测模型的初始模型权重的更新梯度值后，则可采用传感预测模型的初始模型权重的更新梯度值，并按照第二学习率对传感预测模型的初始模型权重进行迭代更新处理，其中，该第二学习率可和上述的第一学习率相同，也可以和上述的第一学习率不同，在该第二学习率和上述的第一学习率相同时，该第二学习率也可由
Figure 203239DEST_PATH_IMAGE032
进行表示。在一个实施例中，该传感处理单元按照第二学习率对传感预测模型的初始模型权重进行迭代更新处理的过程，也是采用梯度下降法对传感预测模型的模型权重进行更新的过程，其更新公式可如式12所示。
Figure 821171DEST_PATH_IMAGE033
式12
在另一种实现方式中，在采用梯度下降算法那对传感预测模型的模型权重进行更新时，还可参考由相应的路侧传感器采集的传感数据，也就是说，该传感处理单元还可按照式13所示的更新公式，对传感预测模型的模型权重进行更新处理。
Figure 590544DEST_PATH_IMAGE034
式13
其中，t为迭代更新的轮数，而i为第i个路侧传感器。基于对传感预测模型的模型权重的迭代更新，可得到传感预测模型对应更新后的模型权重
Figure 361054DEST_PATH_IMAGE035
，且满足：
Figure 190470DEST_PATH_IMAGE036
。在路侧处理单元得到传感预测模型对应更新后的模型权重后，也可通过云端将该传感预测模型对应更新后的模型权重发送到目标交通设备中，而在该目标交通设备获取到该传感预测模型对应更新后的模型权重后，则可结合设备预测模型对应更新后的模型权重构建得到目标模型，即可转而执行步骤S204。在一个实施例中，得到的目标模型的模型表达式可如式14或式15所示。
Figure 843168DEST_PATH_IMAGE037
式14
Figure 945727DEST_PATH_IMAGE038
式15
在得到目标模型的模型表达式后，则可在车距预测阶段进行目标车距
Figure 305164DEST_PATH_IMAGE039
的预测处理。在一个实施例中，在得到目标模型的模型表达式后，还可在安全距离判断及提升阶段，调用该目标模型进行模型预测后进行安全提示，在具体实现中，该目标交通设备可在获取距离预测需求后，获取由目标模型预测得到的目标交通设备和参考交通设备之间的目标预测距离
Figure 571061DEST_PATH_IMAGE039
；进而则可在目标预测距离小于等于距离阈值时，输出提醒信息，以提醒目标交通设备对应的操作对象保持目标交通设备与参考交通设备之间的安全距离。其中，该距离阈值可以是50米等，而如果预测得到的目标预测距离
Figure 383159DEST_PATH_IMAGE039
大于该距离阈值，则说明该目标交通设备和参考交通设备之间保持在安全距离内，并不需进行提示信息的输出显示，而在该目标交通设备进行提示信息的输出时，可具体通过车载语音或者屏幕进行提示信息的输出，以保证对目标交通设备的安全操控。
在本申请实施例中，目标交通设备可在调用设备预测模型，并基于该目标交通设备采集的设备数据，预测得到该目标交通设备和参考交通设备之间的第一预测距离后，还可从路侧处理单元获取得到该目标交通设备与参考交通设备之间的第二预测距离，从而使该目标交通设备在未从路侧处理单元获取传感数据的情况下，实现对该传感数据的数据特征的使用。在得到该第一预测距离和第二预测距离后，该目标交通设备可基于获取得到的第一预测距离和第二预测距离确定模型优化参数，进而可基于该模型优化参数对设备预测模型的模型权重进行处理，以及使路侧处理单元对传感预测模型的模型权重进行更新处理，进而使得目标交通设备实现了充分利用由目标交通设备采集的设备数据、自身配置数据、以及路段传感器采集的传感数据进行模型训练和优化，能有效提升模型泛化能力和鲁棒性，而基于优化更新后的模型权重构建得到的目标模型则可准确预测得到不同交通设备之间的设备距离，可提升模型的预测准确性。且由于在得到模型优化参数后，该目标交通设备和传感处理单元将分别进行模型权重的更新过程，实现了有效利用交通设备和路侧传感器的实时数据信息进行模型训练预测，也就能更有效辅助车辆的自动驾驶。
基于上述模型处理方法实施例的描述，本发明实施例还提出了一种模型处理装置，该模型处理装置可以是运行于上述目标交通设备中的一个计算机程序（包括程序代码）。该模型处理装置可用于执行如图2所述的模型处理方法，请参见图6，该模型处理装置包括：处理单元601和获取单元602。
处理单元601，用于调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；
获取单元602，用于从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
所述处理单元601，还用于根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；
所述处理单元601，还用于采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离。
在一个实施例中，所述设备预测模型更新后的模型权重和所述传感预测模型更新后的模型权重均是在一轮或多轮更新后得到的，所述模型优化参数被用于在当前轮更新所述设备预测模型的模型权重，以及用于使所述路侧处理单元更新所述传感预测模型的模型权重；所述处理单元601，在采用所述模型优化参数在首轮更新所述设备预测模型的模型权重，以及使所述路侧处理单元更新所述传感预测模型的模型权重时，具体用于：
获取所述设备预测模型的初始模型权重，并采用所述模型优化参数更新所述设备预测模型的初始模型权重；以及，
将所述模型优化参数发送给所述路侧处理单元，以便所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重。
在一个实施例中，所述处理单元601，具体用于：
根据所述模型优化参数，确定出当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值；
采用所述设备预测模型的初始模型权重的更新梯度值，并按照第一学习率对所述设备预测模型的初始模型权重进行更新处理。
在一个实施例中，所述处理单元601，具体用于：
获取当前总损失，以及对所述设备预测模型的初始模型权重进行更新处理时对应的第一梯度函数；
根据所述当前总损失对所述第一梯度函数进行反向传播，并结合所述模型优化参数计算得到当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值。
在一个实施例中，所述处理单元601，具体用于：
根据设备预测模型的损失函数，并结合所述设备预测模型的初始模型权重和所述目标交通设备采集的设备数据，计算得到设备预测模型的当前损失；
从所述路侧处理单元获取所述传感预测模型的当前损失；
根据从所述路侧处理单元获取得到的第二预测距离，所述设备预测模型的初始模型权重，以及所述目标交通设备采集的设备数据，计算得到所述设备预测模型和所述传感预测模型之间的当前交互损失；
根据所述设备预测模型的当前损失，所述传感预测模型的当前损失，以及所述当前交互损，计算得到当前总损失。
在一个实施例中，所述处理单元601，还用于获取更新所述设备预测模型的初始模型权重之后得到的设备预测模型的中间模型权重，并采用所述中间模型权重对所述模型优化参数进行更新；
所述处理单元601，还用于迭代更新设备预测模型的模型权重和模型优化参数，直至得到设备预测模型更新后的模型权重。
在一个实施例中，所述传感预测模型包括被配置到任一路侧传感器中的传感预测模块，所述路侧传感器的数量为一个或多个，当所述路侧传感器的数量为多个时，所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重的方式包括：
所述路侧处理单元根据任一路侧传感器采集的传感数据和所述模型优化参数，确定所述任一路侧传感器中的传感预测模块对所述传感预测模型的初始模型权重进行更新时的参考梯度值；
所述路侧处理单元将每个路侧传感器对应的参考梯度值进行求和，得到针对所述传感预测模型的初始模型权重的更新梯度值；
采用所述传感预测模型的初始模型权重的更新梯度值，并按照第二学习率对所述传感预测模型的初始模型权重进行迭代更新处理。
在一个实施例中，所述获取单元602，具体用于：
从所述路侧处理单元获取加密数据，所述加密数据是所述路侧处理单元根据采集的传感数据和传感预测模型计算得到第二预测距离，以及传感预测模型对应损失函数的函数值之后，对所述第二预测距离和所述传感预测模型对应损失函数的函数值进行加密处理后得到的；
对所述加密数据进行解密处理，并从解密数据中获取得到第二预测距离。
在一个实施例中，所述路侧处理单元计算得到所述第二预测距离和所述传感预测模型对应损失函数的函数值的方式包括：
所述路侧处理单元对所述传感预测模型的模型权重进行初始化处理，得到所述传感预测模型的初始模型权重；
所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离，以及所述传感预测模型对应损失函数的初始函数值。
在一个实施例中，所述传感数据是由一个或多个路侧传感器采集得到的，所述传感预测模型的初始模型权重的数量与所述路侧传感器的数量相同，所述传感预测模型的任一初始模型权重用于指示相应路侧传感器采集的传感数据的重要程度；
当所述传感数据由多个路侧传感器采集得到时，所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离的方式包括：
所述路侧处理单元获取任一路侧传感器采集的传感数据，及对应的初始模型权重；
所述路侧处理单元根据对应的初始模型权重，对相应路侧传感器采集的传感数据进行加权求和处理，得到所述第二预测距离。
在一个实施例中，所述处理单元601，具体用于：
获取所述目标交通设备采集的设备数据，并对所述设备预测模型的模型权重进行初始化处理，得到设备预测模型的初始模型权重；
采用所述设备预测模型的初始模型权重对所述设备数据进行距离预测处理，得到目标交通设备和参考交通设备之间的第一预测距离。
在一个实施例中，所述处理单元601，具体用于：
获取目标预测距离，所述目标预测距离是指：结合设备数据和设备预测模型，以及传感数据和传感预测模型进行联合预测得到的距离；
根据所述第一预测距离，所述第二预测距离和所述目标预测距离，计算得到模型优化参数。
在一个实施例中，所述获取单元602，还用于获取距离预测需求，获取由所述目标模型预测得到的所述目标交通设备和所述参考交通设备之间的目标预测距离；
所述处理单元601，还用于若所述目标预测距离小于等于距离阈值，则输出提醒信息，以提醒所述目标交通设备对应的操作对象保持所述目标交通设备与所述参考交通设备之间的安全距离。
在本申请实施例中，处理单元601可在调用设备预测模型，并基于该处理单元601采集的设备数据，预测得到目标交通设备和参考交通设备之间的第一预测距离后，获取单元602还可从路侧处理单元获取得到该目标交通设备与参考交通设备之间的第二预测距离，从而使该处理单元601在未从路侧处理单元获取传感数据的情况下，实现对该传感数据的数据特征的使用。在得到该第一预测距离和第二预测距离后，该处理单元601可基于获取得到的第一预测距离和第二预测距离确定模型优化参数，进而可基于该模型优化参数对设备预测模型的模型权重进行处理，以及使路侧处理单元对传感预测模型的模型权重进行更新处理，进而使得处理单元601实现了充分利用采集的设备数据、自身配置数据、以及路段传感器采集的传感数据进行模型训练和优化，能有效提升模型泛化能力和鲁棒性，而基于优化更新后的模型权重构建得到的目标模型则可准确预测得到不同交通设备之间的设备距离，可提升模型的预测准确性。且由于在得到模型优化参数后，该处理单元601和传感处理单元将分别进行模型权重的更新过程，实现了有效利用交通设备和路侧传感器的实时数据信息进行模型训练预测，也就能更有效辅助车辆的自动驾驶。
请参见图7，是本发明实施例提供的一种目标交通设备的结构示意性框图。如图7所示的本实施例中的目标交通设备可包括：一个或多个处理器701；一个或多个输入设备702，一个或多个输出设备703和存储器704。上述处理器701、输入设备702、输出设备703和存储器704通过总线705连接。存储器704用于存储计算机程序，所述计算机程序包括程序指令，处理器701 用于执行所述存储器704存储的程序指令。
所述存储器704可以包括易失性存储器（volatile memory），如随机存取存储器（random-access memory，RAM）；存储器704也可以包括非易失性存储器（non-volatilememory），如快闪存储器（flash memory），固态硬盘（solid-state drive，SSD）等；存储器704还可以包括上述种类的存储器的组合。
所述处理器701可以是中央处理器（central processing unit，CPU）。所述处理器701还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（application-specific integrated circuit，ASIC），可编程逻辑器件（programmable logic device，PLD）等。该PLD可以是现场可编程逻辑门阵列（field-programmable gate array，FPGA），通用阵列逻辑（generic array logic，GAL）等。所述处理器701也可以为上述结构的组合。
本发明实施例中，所述存储器704用于存储计算机程序，所述计算机程序包括程序指令，处理器701用于执行存储器704存储的程序指令，用来实现上述如图2中相应方法的步骤。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；
从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；
采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离。
在一个实施例中，所述设备预测模型更新后的模型权重和所述传感预测模型更新后的模型权重均是在一轮或多轮更新后得到的，所述模型优化参数被用于在当前轮更新所述设备预测模型的模型权重，以及用于使所述路侧处理单元更新所述传感预测模型的模型权重；所述处理器701被配置调用所述程序指令，用于执行：
获取所述设备预测模型的初始模型权重，并采用所述模型优化参数更新所述设备预测模型的初始模型权重；以及，
将所述模型优化参数发送给所述路侧处理单元，以便所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
根据所述模型优化参数，确定出当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值；
采用所述设备预测模型的初始模型权重的更新梯度值，并按照第一学习率对所述设备预测模型的初始模型权重进行更新处理。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
获取当前总损失，以及对所述设备预测模型的初始模型权重进行更新处理时对应的第一梯度函数；
根据所述当前总损失对所述第一梯度函数进行反向传播，并结合所述模型优化参数计算得到当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
根据设备预测模型的损失函数，并结合所述设备预测模型的初始模型权重和所述目标交通设备采集的设备数据，计算得到设备预测模型的当前损失；
从所述路侧处理单元获取所述传感预测模型的当前损失；
根据从所述路侧处理单元获取得到的第二预测距离，所述设备预测模型的初始模型权重，以及所述目标交通设备采集的设备数据，计算得到所述设备预测模型和所述传感预测模型之间的当前交互损失；
根据所述设备预测模型的当前损失，所述传感预测模型的当前损失，以及所述当前交互损，计算得到当前总损失。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
获取更新所述设备预测模型的初始模型权重之后得到的设备预测模型的中间模型权重，并采用所述中间模型权重对所述模型优化参数进行更新；
迭代更新设备预测模型的模型权重和模型优化参数，直至得到设备预测模型更新后的模型权重。
在一个实施例中，所述传感预测模型包括被配置到任一路侧传感器中的传感预测模块，所述路侧传感器的数量为一个或多个，当所述路侧传感器的数量为多个时，所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重的方式包括：
所述路侧处理单元根据任一路侧传感器采集的传感数据和所述模型优化参数，确定所述任一路侧传感器中的传感预测模块对所述传感预测模型的初始模型权重进行更新时的参考梯度值；
所述路侧处理单元将每个路侧传感器对应的参考梯度值进行求和，得到针对所述传感预测模型的初始模型权重的更新梯度值；
采用所述传感预测模型的初始模型权重的更新梯度值，并按照第二学习率对所述传感预测模型的初始模型权重进行迭代更新处理。
在一个实施例中，所述从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，包括：
从所述路侧处理单元获取加密数据，所述加密数据是所述路侧处理单元根据采集的传感数据和传感预测模型计算得到第二预测距离，以及传感预测模型对应损失函数的函数值之后，对所述第二预测距离和所述传感预测模型对应损失函数的函数值进行加密处理后得到的；
对所述加密数据进行解密处理，并从解密数据中获取得到第二预测距离。
在一个实施例中，所述路侧处理单元计算得到所述第二预测距离和所述传感预测模型对应损失函数的函数值的方式包括：
所述路侧处理单元对所述传感预测模型的模型权重进行初始化处理，得到所述传感预测模型的初始模型权重；
所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离，以及所述传感预测模型对应损失函数的初始函数值。
在一个实施例中，所述传感数据是由一个或多个路侧传感器采集得到的，所述传感预测模型的初始模型权重的数量与所述路侧传感器的数量相同，所述传感预测模型的任一初始模型权重用于指示相应路侧传感器采集的传感数据的重要程度；当所述传感数据由多个路侧传感器采集得到时，所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离的方式包括：
所述路侧处理单元获取任一路侧传感器采集的传感数据，及对应的初始模型权重；
所述路侧处理单元根据对应的初始模型权重，对相应路侧传感器采集的传感数据进行加权求和处理，得到所述第二预测距离。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
获取所述目标交通设备采集的设备数据，并对所述设备预测模型的模型权重进行初始化处理，得到设备预测模型的初始模型权重；
采用所述设备预测模型的初始模型权重对所述设备数据进行距离预测处理，得到目标交通设备和参考交通设备之间的第一预测距离。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
获取目标预测距离，所述目标预测距离是指：结合设备数据和设备预测模型，以及传感数据和传感预测模型进行联合预测得到的距离；
根据所述第一预测距离，所述第二预测距离和所述目标预测距离，计算得到模型优化参数。
在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
获取距离预测需求，获取由所述目标模型预测得到的所述目标交通设备和所述参考交通设备之间的目标预测距离；
若所述目标预测距离小于等于距离阈值，则输出提醒信息，以提醒所述目标交通设备对应的操作对象保持所述目标交通设备与所述参考交通设备之间的安全距离。
本发明实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述如图2所示的方法实施例。其中，所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。
以上所揭露的仅为本发明的局部实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (16)

1.一种模型处理方法，其特征在于，包括：
调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；第一预测距离满足
Figure 304307DEST_PATH_IMAGE002
，
Figure 108315DEST_PATH_IMAGE004
表示设备预测模型的设备数据，
Figure 804613DEST_PATH_IMAGE006
表示设备预测模型的初始模型权重；
Figure 352269DEST_PATH_IMAGE008
是对
Figure 319088DEST_PATH_IMAGE009
进行转置运算得到的；
从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；模型优化参数满足：
Figure 356315DEST_PATH_IMAGE011
；其中，
Figure 775795DEST_PATH_IMAGE013
表示n个路侧处理单元调用传感预测模型预测得到的第二预测距离，
Figure 127141DEST_PATH_IMAGE015
表示第i个路侧处理单元对应传感预测模型的初始模型权重，XR,i表示第i个路侧传感器采集的传感数据，Y表示目标预测距离；
Figure 948467DEST_PATH_IMAGE017
是对
Figure 359857DEST_PATH_IMAGE015
进行转置运算得到的；
采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离；所述目标模型的模型表达式包括：
Figure 266633DEST_PATH_IMAGE018
；
Figure 389047DEST_PATH_IMAGE019
为设备预测模型更新后的模型权重，
Figure 330459DEST_PATH_IMAGE020
为第i个路侧处理单元对应传感预测模型更新后的模型权重；
Figure 912750DEST_PATH_IMAGE021
是对
Figure 306822DEST_PATH_IMAGE019
进行转置运算得到的，
Figure 796709DEST_PATH_IMAGE022
是对
Figure 327048DEST_PATH_IMAGE023
进行转置运算得到的。
2.如权利要求1所述的方法，其特征在于，所述设备预测模型更新后的模型权重和所述传感预测模型更新后的模型权重均是在一轮或多轮更新后得到的，所述模型优化参数被用于在当前轮更新所述设备预测模型的模型权重，以及用于使所述路侧处理单元更新所述传感预测模型的模型权重；其中，采用所述模型优化参数在首轮更新所述设备预测模型的模型权重，以及使所述路侧处理单元更新所述传感预测模型的模型权重的方式包括：
获取所述设备预测模型的初始模型权重，并采用所述模型优化参数更新所述设备预测模型的初始模型权重；以及，
将所述模型优化参数发送给所述路侧处理单元，以便所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重。
3.如权利要求2所述的方法，其特征在于，所述采用所述模型优化参数更新所述设备预测模型的初始模型权重，包括：
根据所述模型优化参数，确定出当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值；
采用所述设备预测模型的初始模型权重的更新梯度值，并按照第一学习率对所述设备预测模型的初始模型权重进行更新处理。
4.如权利要求3所述的方法，其特征在于，所述根据所述模型优化参数，确定出当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值，包括：
获取当前总损失，以及对所述设备预测模型的初始模型权重进行更新处理时对应的第一梯度函数；
根据所述当前总损失对所述第一梯度函数进行反向传播，并结合所述模型优化参数计算得到当前对所述设备预测模型的初始模型权重进行更新处理时的更新梯度值。
5.如权利要求4所述的方法，其特征在于，所述获取当前总损失，包括：
根据设备预测模型的损失函数，并结合所述设备预测模型的初始模型权重和所述目标交通设备采集的设备数据，计算得到设备预测模型的当前损失；
从所述路侧处理单元获取所述传感预测模型的当前损失；
根据从所述路侧处理单元获取得到的第二预测距离，所述设备预测模型的初始模型权重，以及所述目标交通设备采集的设备数据，计算得到所述设备预测模型和所述传感预测模型之间的当前交互损失；
根据所述设备预测模型的当前损失，所述传感预测模型的当前损失，以及所述当前交互损，计算得到当前总损失。
6.如权利要求2~5任一项所述的方法，其特征在于，所述方法还包括：
获取更新所述设备预测模型的初始模型权重之后得到的设备预测模型的中间模型权重，并采用所述中间模型权重对所述模型优化参数进行更新；
迭代更新设备预测模型的模型权重和模型优化参数，直至得到设备预测模型更新后的模型权重。
7.如权利要求2所述的方法，其特征在于，所述传感预测模型包括被配置到任一路侧传感器中的传感预测模块，所述路侧传感器的数量为一个或多个，当所述路侧传感器的数量为多个时，所述路侧处理单元根据所述模型优化参数更新所述传感预测模型的初始模型权重的方式包括：
所述路侧处理单元根据任一路侧传感器采集的传感数据和所述模型优化参数，确定所述任一路侧传感器中的传感预测模块对所述传感预测模型的初始模型权重进行更新时的参考梯度值；
所述路侧处理单元将每个路侧传感器对应的参考梯度值进行求和，得到针对所述传感预测模型的初始模型权重的更新梯度值；
采用所述传感预测模型的初始模型权重的更新梯度值，并按照第二学习率对所述传感预测模型的初始模型权重进行迭代更新处理。
8.如权利要求1所述的方法，其特征在于，所述从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，包括：
从所述路侧处理单元获取加密数据，所述加密数据是所述路侧处理单元根据采集的传感数据和传感预测模型计算得到第二预测距离，以及传感预测模型对应损失函数的函数值之后，对所述第二预测距离和所述传感预测模型对应损失函数的函数值进行加密处理后得到的；
对所述加密数据进行解密处理，并从解密数据中获取得到第二预测距离。
9.如权利要求8所述的方法，其特征在于，所述路侧处理单元计算得到所述第二预测距离和所述传感预测模型对应损失函数的函数值的方式包括：
所述路侧处理单元对所述传感预测模型的模型权重进行初始化处理，得到所述传感预测模型的初始模型权重；
所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离，以及所述传感预测模型对应损失函数的初始函数值。
10.如权利要求9所述的方法，其特征在于，所述传感数据是由一个或多个路侧传感器采集得到的，所述传感预测模型的初始模型权重的数量与所述路侧传感器的数量相同，所述传感预测模型的任一初始模型权重用于指示相应路侧传感器采集的传感数据的重要程度；
当所述传感数据由多个路侧传感器采集得到时，所述路侧处理单元根据所述传感预测模型的初始模型权重和采集的传感数据计算得到所述第二预测距离的方式包括：
所述路侧处理单元获取任一路侧传感器采集的传感数据，及对应的初始模型权重；
所述路侧处理单元根据对应的初始模型权重，对相应路侧传感器采集的传感数据进行加权求和处理，得到所述第二预测距离。
11.如权利要求1所述的方法，其特征在于，所述调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离，包括：
获取所述目标交通设备采集的设备数据，并对所述设备预测模型的模型权重进行初始化处理，得到设备预测模型的初始模型权重；
采用所述设备预测模型的初始模型权重对所述设备数据进行距离预测处理，得到目标交通设备和参考交通设备之间的第一预测距离。
12.如权利要求1所述的方法，其特征在于，所述根据所述第一预测距离和所述第二预测距离确定出模型优化参数，包括：
获取目标预测距离，所述目标预测距离是指：结合设备数据和设备预测模型，以及传感数据和传感预测模型进行联合预测得到的距离；
根据所述第一预测距离，所述第二预测距离和所述目标预测距离，计算得到模型优化参数。
13.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取距离预测需求，获取由所述目标模型预测得到的所述目标交通设备和所述参考交通设备之间的目标预测距离；
若所述目标预测距离小于等于距离阈值，则输出提醒信息，以提醒所述目标交通设备对应的操作对象保持所述目标交通设备与所述参考交通设备之间的安全距离。
14.一种模型处理装置，其特征在于，包括：
处理单元，用于调用设备预测模型预测目标交通设备和参考交通设备之间的第一预测距离；所述目标交通设备及所述参考交通设备均行驶在目标路段中，所述目标路段设置有路侧处理单元；第一预测距离满足
Figure 814661DEST_PATH_IMAGE024
，
Figure 961608DEST_PATH_IMAGE004
表示设备预测模型的设备数据，
Figure 192869DEST_PATH_IMAGE025
表示设备预测模型的初始模型权重；
Figure 347688DEST_PATH_IMAGE008
是对
Figure 6203DEST_PATH_IMAGE026
进行转置运算得到的；
获取单元，用于从所述路侧处理单元获取所述目标交通设备和所述参考交通设备之间的第二预测距离，所述第二预测距离是由所述路侧处理单元调用传感预测模型预测得到的；
所述处理单元，还用于根据所述第一预测距离和所述第二预测距离确定模型优化参数，并采用所述模型优化参数更新所述设备预测模型的模型权重；所述模型优化参数还用于使所述路侧处理单元更新所述传感预测模型的模型权重；模型优化参数满足：
Figure 374867DEST_PATH_IMAGE027
；其中，
Figure 409819DEST_PATH_IMAGE028
表示n个路侧处理单元调用传感预测模型预测得到的第二预测距离，
Figure 977067DEST_PATH_IMAGE015
表示第i个路侧处理单元对应传感预测模型的初始模型权重，XR,i表示第i个路侧传感器采集的传感数据，Y表示目标预测距离；
Figure 806482DEST_PATH_IMAGE017
是对
Figure 662443DEST_PATH_IMAGE029
进行转置运算得到的；
所述处理单元，还用于采用设备预测模型更新后的模型权重及传感预测模型更新后的模型权重构建目标模型，所述目标模型用于预测不同交通设备之间的设备距离；所述目标模型的模型表达式包括：
Figure 969928DEST_PATH_IMAGE030
；
Figure 562321DEST_PATH_IMAGE019
为设备预测模型更新后的模型权重，
Figure 828217DEST_PATH_IMAGE020
为第i个路侧处理单元对应传感预测模型更新后的模型权重；
Figure 702632DEST_PATH_IMAGE031
是对
Figure 344966DEST_PATH_IMAGE019
进行转置运算得到的，
Figure 824489DEST_PATH_IMAGE022
是对
Figure 261286DEST_PATH_IMAGE023
进行转置运算得到的。
15.一种目标交通设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1~13任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1~13任一项所述的方法。
CN202210444861.3A 2022-04-26 2022-04-26 模型处理方法、装置、目标交通设备及存储介质 Active CN114548608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210444861.3A CN114548608B (zh) 2022-04-26 2022-04-26 模型处理方法、装置、目标交通设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210444861.3A CN114548608B (zh) 2022-04-26 2022-04-26 模型处理方法、装置、目标交通设备及存储介质

Publications (2)

Publication Number Publication Date
CN114548608A CN114548608A (zh) 2022-05-27
CN114548608B true CN114548608B (zh) 2022-08-05

Family

ID=81667688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210444861.3A Active CN114548608B (zh) 2022-04-26 2022-04-26 模型处理方法、装置、目标交通设备及存储介质

Country Status (1)

Country Link
CN (1) CN114548608B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311860B (zh) * 2022-08-09 2024-06-14 中国科学院计算技术研究所 一种交通流量预测模型的在线联邦学习方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032131B (zh) * 2018-07-05 2021-07-27 东南大学 一种应用于无人驾驶汽车的动态超车避障方法
CN112052959B (zh) * 2020-09-04 2023-08-25 深圳前海微众银行股份有限公司 基于联邦学习的自动驾驶训练方法、设备及介质
US20220076164A1 (en) * 2020-09-09 2022-03-10 DataRobot, Inc. Automated feature engineering for machine learning models
CN113163366B (zh) * 2021-04-25 2022-04-15 武汉理工大学 车联网中基于联邦学习的隐私保护模型聚合系统及方法
CN113987551A (zh) * 2021-11-22 2022-01-28 湖南科技学院 一种面向车联网的自适应联邦学习方法
CN114268923A (zh) * 2021-12-15 2022-04-01 南京邮电大学 车联网任务卸载调度方法和系统

Also Published As

Publication number Publication date
CN114548608A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US11449771B2 (en) Systems and methods for processing vehicle data
US11940803B2 (en) Method, apparatus and computer storage medium for training trajectory planning model
US9768801B1 (en) Method and device for compressing flow data
CN112256006B (zh) 一种数据的处理方法、装置及电子设备
CN114548608B (zh) 模型处理方法、装置、目标交通设备及存储介质
CN112699765B (zh) 评估视觉定位算法的方法、装置、电子设备及存储介质
CN115951587A (zh) 自动驾驶控制方法、装置、设备、介质及自动驾驶车辆
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN111381585A (zh) 一种构建占据栅格地图的方法及其装置、相关设备
CN117033882A (zh) 车辆数据处理方法、装置、计算机设备和存储介质
CN115952916A (zh) 基于人工智能的风电功率预测误差修正方法、装置及设备
HK40070913B (zh) 模型处理方法、装置、目标交通设备及存储介质
HK40070913A (zh) 模型处理方法、装置、目标交通设备及存储介质
CN116558541B (zh) 模型训练方法和装置、轨迹预测方法和装置
JP2016540293A5 (zh)
CN115002163B (zh) 基于物联网的环境检测方法、装置、设备及存储介质
CN112017462A (zh) 用于生成场景信息的方法、装置、电子设备和介质
CN118092525A (zh) 一种自动驾驶车辆的速度控制方法、装置、设备及介质
CN116109698A (zh) 目标虚拟车位坐标值的确定方法、装置及存储介质
US11182652B2 (en) Methods and system for inferring perception based on augmented feature maps of a perception network
CN117424897B (zh) 一种储能电站远程监控的方法及系统
CN113409096A (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN118157999B (zh) 模型训练方法、装置、终端及存储介质
US20250162611A1 (en) Method and a system for generating training data for training a motion planner
CN117933752A (zh) 基于贝叶斯估计的任务完成率预测方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40070913

Country of ref document: HK