-
公开(公告)号:CN118999606A
公开(公告)日:2024-11-22
申请号:CN202411086059.7
申请日:2024-08-08
Applicant: 重庆城市综合交通枢纽(集团)有限公司 , 重庆交通大学
Abstract: 本发明公开了基于多元动态网络数据的公共交通换乘引导系统,涉及大数据分析技术领域,包括监控中心,所述监控中心连接有数据采集模块、数据处理模块、智能规划模块以及综合推荐模块;通过数据采集模块采集综合出行数据;在数据处理模块对综合出行数据进行调取配对和筛选,获得备选出行路线并进行区段分析,获得额外时间开销系数;在智能规划模块根据额外时间开销系数获得备选路线成本,根据所获得的备选路线成本构建路线成本动态图;在综合推荐模块对所获得的路线成本动态图进行综合提取和结合排序,获得优选推送路线,对优选推送路线进行替换校验,获得优化替换节点;提高出行效率,大大减少出行成本,增加换乘站点引导的准确性。
-
公开(公告)号:CN117033596A
公开(公告)日:2023-11-10
申请号:CN202311019385.1
申请日:2023-08-14
Applicant: 重庆交通大学
IPC: G06F16/332 , G06F16/33 , G06F40/211 , G06F40/289 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及抽取式问答任务技术领域,具体涉及一种基于进阶训练的少样本抽取式问答方法,包括:构建数据格式统一的伪问答对数据和问答对数据;伪问答对数据中将问题末尾存在的实体或名词短语进行掩盖;获取预训练语言模型;通过伪问答对数据对预训练语言模型进行进阶训练,得到进阶训练模型;对进阶训练模型进行微调,得到最终的语言模型;将待预测的问题文本和给定的上下文文本输入最终的语言模型中,预测得到对应的答案。本发明能够有效改善预训练语言模型在预训练阶段和微调阶段存在的任务差异以及输入数据格式差异,从而提高少样本抽取式问答的有效性和实用性,并为少样本抽取式问答任务提供一种新的解决思路。
-
公开(公告)号:CN116303971A
公开(公告)日:2023-06-23
申请号:CN202310335356.X
申请日:2023-03-29
Applicant: 重庆交通大学
IPC: G06F16/332 , G06F16/33 , G06F40/177 , G06F16/36
Abstract: 本发明涉及桥梁管理养护领域,具体涉及面向桥梁管养领域的少样本表格问答方法,包括:构建包含问题文本和SQL查询语句的问题‑SQL对作为训练样本,并进行标注;在训练样本的问题文本中注入桥梁管养领域实体关系知识;建立输入为问题文本、输出为SQL查询语句的语义解析模型,并通过带标注的训练样本对语义解析模型进行预训练;对预训练后的语义解析模型进行模型微调,得到最终的语义解析模型;通过最终的语义解析模型基于给定问题文本输出SQL查询语句,以实现问答。本发明能够通过构建伪数据来让模型学习到表格问答Text‑To‑SQL任务的形式与方法,并且能够让模型精准识别桥梁管养领域的语言表述及领域词汇。
-
公开(公告)号:CN118170913A
公开(公告)日:2024-06-11
申请号:CN202410280051.8
申请日:2024-03-12
Applicant: 重庆交通大学 , 重庆中科云从科技有限公司
Abstract: 本发明属于智能运算技术领域,具体涉及大语言模型驱动的混合上下文神经‑符号协同推理方法,包括:S1、获取交通基础设施运维语料进行处理并编码,得到数据集编码及知识图谱嵌入编码VG;S2、构建协同推理模型,包括答案生成模块Mgen、问题分类模块Mclass和多个分类问题处理模块;S3、使用思维链技术,将复杂问题文本Q分解为简单问题集合;S4、使用问题分类模块Mclass对简单问题进行分类后,使用分类问题处理模块求解;并通过知识图谱推理引擎RDFox判断是否符合逻辑规范;得到正确的简单答案集合Aset;S5、将简单答案集合Aset输入答案生成模块Mgen中生成最终答案A。本方法能够在交通基础设施运维等领域智能决策复杂场景下,实现有效的复杂推理以及数值计算。
-
公开(公告)号:CN119962685A
公开(公告)日:2025-05-09
申请号:CN202510049460.1
申请日:2025-01-13
Applicant: 重庆交通大学
IPC: G06N5/04 , G06N3/045 , G06F40/18 , G06F40/126
Abstract: 本发明属于智能模型处理技术领域,尤其涉及多文本‑多表格问答的思维链和思维程序联合推理方法,包括:S1、构建多文本‑多表格数据集;S2、对多文本‑多表格数据集中的文本、表格编码;S3、采用思维链CoT方法将待处理的复杂问题分解为顺序组合的多个子问题;S4、使用大语言模型F对各子问题进行求解,得到各子问题的初步答案;S5、将各子问题及相应上下文输入GPT‑4模型重新求解,并将重新求解的结果记为预设参考答案;比较各子问题的预设参考答案与初步答案是否一致;完成大语言模型F的校验调优;S6、通过校验调优后的大语言模型F生成复杂问题的最终答案。本方法可以精准、高效的桥梁检测结果与分析关键信息获取,为桥梁管养领域提供了有力的技术支持。
-
-
-
-