基于大数据的城市公共交通安全管理系统及其方法

技术领域

本申请涉及公共交通技术领域，且更为具体地，涉及一种基于大数据的城市公共交通安全管理系统及其方法。

背景技术

为适应现代化城市的发展，地下空间开发已成为城市可持续发展的重要方式。基坑开挖与地下铁路建设成为了地下空间开发的重要组成部分。但基坑工程的施工会对周边的环境与基础设施产生一定的影响，引起基坑周边的土体变形与地表沉降，严重会导致周边房屋出现裂缝，倾斜等。

在复杂的地质情况下，基坑工程是一项具有一定挑战性的地下空间开发活动。因此，在基坑施工过程中，需要对其进行有效的风险评估并保证施工的安全性。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展，为城市地铁基坑的风险预测提供了新的解决思路和解决方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的城市公共交通安全管理系统及其方法，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散射响应补偿损失函数值和分类损失函数值的加权和作为损失函数值对所述预分类器进行训练，通过这样的方式，以提高所述预分类器预测的概率值的准确性，从而对基坑监测点是否存在安全隐患进行更准确的监测。

根据本申请的一个方面，提供了一种基于大数据的城市公共交通安全管理系统，其包括：训练模块，包括：训练数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；训练数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；预分类单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；标签值散射响应补偿损失函数值计算单元，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；权重向量生成单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；加权融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；分类损失计算单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；以及训练单元，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及推断模块，包括：监测数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；监测数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；贡献度计算单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值；贡献度关联单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；特征向量融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及安全监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

根据本申请的另一方面，提供了一种基于大数据的城市公共交通安全管理方法，其包括：训练阶段，包括：获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；将所述分类特征向量通过分类器以得到分类损失函数值；以及以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及推断阶段，包括：获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过训练完成的所述预分类器以得到多个概率值；将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

与现有技术相比，本申请提供的一种基于大数据的城市公共交通安全管理系统及其方法，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散射响应补偿损失函数值和分类损失函数值的加权和作为损失函数值对所述预分类器进行训练，通过这样的方式，以提高所述预分类器预测的概率值的准确性，从而对基坑监测点是否存在安全隐患进行更准确的监测。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统的应用场景图。

图2图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统的框图示意图。

图3图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统中训练数据编码单元的框图。

图4图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统中预分类单元的框图。

图5图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中训练阶段的流程图。

图6图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中推断阶段的流程图。

图7图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中训练阶段的系统架构的示意图。

图8图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中推断阶段的系统架构的示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

具体来说，在本申请的技术场景中，为了进行风险预测，在施工时，会将基坑监测点划分为多个区域，并分别对各个区域进行测量以得到多个测量数据。例如，在本申请的技术场景中，将基坑测试点划分为9个区域，分别为S1.S2.S3....S9，然后分别对这九个区域进行影响因素的监测。在本申请的技术方案中，与基坑风险预测相关的影响因素包括八个，分别为围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷，其中，围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移和地表沉浮为定量指标，其以实测数据为准；静载荷和动载荷为定性指标，需要工程管理人员根据基坑施工过程中的实际情况给予按百分值给予相应的评价。

相应地，在获得上述测量数据后，通过以适当编码方式对上述测量数据进行编码以从上述数据中提取出适于对风险预测的特征，并通过分类器就可以对城市地铁基坑监测点进行风险预测。

具体地，考虑到各个区域的多项监测数据之间存在关联，因此，在本申请实施例中，使用包含嵌入层的上下文编码器分别对所述基坑监测点的多个区域中各个区域的多项监测数据进行基于全文的上下文语义编码以得到对应于各个区域的区域监测全局特征向量。

在进行地铁基坑监测点的风险预测时，各个区域的区域监测全局特征向量对于最终的风险预测分类的贡献度不同。也就是说，在本申请的技术场景中，各个区域的区域监测全局特征对于基坑监测点的风险预测的影响程度不同。因此，在本申请的技术方案中，本申请使用预分类的思想来确定各个区域的区域监测全局特征向量对于风险预测的影响权重。具体地，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值。进一步地考虑到各个区域的区域监测全局特征之间还存在关联，因此，在本申请的技术方案中，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量。然后，以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量。最终，将所述分类特征向量通过分类器就可以得到用于表示风险预测结果的分类结果。

特别地，在本申请实施例中，在将各个区域监测全局特征向量分别通过预分类器以得到对应于各个区域监测全局特征向量的概率值时，由于各个区域监测全局特征向量仅能够表示区域特征，因此其特征分布具有相对于分类器的标签值的敏感性，即存在标签值散射响应，因此，引入标签值散射响应补偿损失函数，表示为：

j为标签值，f为每个区域监测全局特征向量的各个位置的特征值，p

通过引入该损失函数，可以基于特征值位置相对于标签概率值的散射响应来将特征分布在基于特征和标签值的分类问题的解空间内堆叠为深度结构，从而以类响应角形式提升分类解对特征分布的可解释性，以在训练过程中，提升模型的特征提取相对于分类解的迭代优化能力，从而提升预分类器预测的概率值的准确性。

基于此，本申请提供了一种基于大数据的城市公共交通安全管理系统，其包括：训练模块和推断模块。其中，训练模块，包括：训练数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；训练数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；预分类单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；标签值散射响应补偿损失函数值计算单元，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；权重向量生成单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；加权融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；分类损失计算单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；以及，训练单元，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及，推断模块，包括：监测数据采集单元，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；监测数据编码单元，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；贡献度计算单元，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值；贡献度关联单元，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；特征向量融合单元，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及，安全监测结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

图1图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，通过部署在基坑测试点(在所述应用场景中，将所述基坑测试点划分为9个区域，如图1中所示意的S1-S9)的数据采集设备(如图1中所示意的D1-D9)采集基坑监测点的多个区域中各个区域的多项监测数据。然后，将采集的所述基坑监测点的多个区域中各个区域的多项监测数据输入至部署有城市公共交通安全管理算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述城市公共交通安全管理算法以所述基坑监测点的多个区域中各个区域的多项监测数据对城市公共交通安全管理系统中的预分类器进行训练。

在训练完成后，在推断阶段中，首先，通过部署在基坑测试点(在所述应用场景中，将所述基坑测试点划分为9个区域，如图1中所示意的S1-S9)的数据采集设备(如图1中所示意的D1-D9)采集基坑监测点的多个区域中各个区域的多项监测数据。然后，将采集的所述基坑监测点的多个区域中各个区域的多项监测数据输入至部署有城市公共交通安全管理算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述城市公共交通安全管理算法对所述基坑监测点的多个区域中各个区域的多项监测数据进行处理，以生成用于表示待施工城市地铁的基坑监测点是否存在安全隐患的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统的框图示意图。如图2所示，根据本申请实施例的所述基于大数据的城市公共交通安全管理系统100，包括：训练模块110和推断模块120。其中，所述训练模块110，包括：训练数据采集单元111，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；训练数据编码单元112，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；预分类单元113，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；标签值散射响应补偿损失函数值计算单元114，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；权重向量生成单元115，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；加权融合单元116，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；分类损失计算单元117，用于将所述分类特征向量通过分类器以得到分类损失函数值；以及，训练单元118，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练；以及，所述推断模块120，包括：监测数据采集单元121，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；监测数据编码单元122，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；贡献度计算单元123，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值；贡献度关联单元124，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；特征向量融合单元125，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及，安全监测结果生成单元126，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

在本申请实施例中，在所述训练模块110中，所述训练数据采集单元111，用于获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷。如上所述，在本申请的技术场景中，为了进行风险预测，在施工时，会将基坑监测点划分为多个区域，并分别对各个区域进行测量以得到多个测量数据。例如，在本申请的技术场景中，将基坑测试点划分为9个区域，分别为S1.S2.S3....S9，然后分别对这九个区域进行影响因素的监测。在本申请的技术方案中，与基坑风险预测相关的影响因素包括八个，分别为围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷，其中，围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移和地表沉浮为定量指标，其以实测数据为准；静载荷和动载荷为定性指标，需要工程管理人员根据基坑施工过程中的实际情况给予按百分值给予相应的评价。

相应地，在获得上述测量数据后，通过以适当编码方式对上述测量数据进行编码以从上述数据中提取出适于对风险预测的特征，并通过分类器就可以对城市地铁基坑监测点进行风险预测。

在本申请一个具体的实施例中，通过部署在基坑测试点的数据采集设备采集基坑监测点的多个区域中各个区域的多项监测数据。

在本申请实施例中，在所述训练模块110中，所述训练数据编码单元112，用于将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量。应可以理解，考虑到各个区域的多项监测数据之间存在关联，因此，在本申请实施例中，使用包含嵌入层的上下文编码器分别对所述基坑监测点的多个区域中各个区域的多项监测数据进行基于全文的上下文语义编码以得到对应于各个区域的区域监测全局特征向量。

图3图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统中训练数据编码单元的框图。如图3所示，在本申请一个具体的实施例中，所述训练数据编码单元112，包括：嵌入向量化子单元1121，用于使用所述上下文编码器的嵌入层分别将所述基坑监测点的多个区域中各个区域的多项监测数据转化为嵌入向量以得到嵌入向量的序列；上下文编码子单元1122，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量；以及，级联子单元1123，用于将所述多个特征向量进行级联以得所述区域监测全局特征向量。

在本申请实施例中，在所述训练模块110中，所述预分类单元113，用于将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值。应可以理解，考虑到在进行地铁基坑监测点的风险预测时，各个区域的区域监测全局特征向量对于最终的风险预测分类的贡献度不同。也就是说，在本申请的技术场景中，各个区域的区域监测全局特征对于基坑监测点的风险预测的影响程度不同。因此，在本申请的技术方案中，本申请使用预分类的思想来确定各个区域的区域监测全局特征向量对于风险预测的影响权重。具体地，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值。

图4图示了根据本申请实施例的基于大数据的城市公共交通安全管理系统中预分类单元的框图。如图4所示，在本申请一个具体的实施例中，所述预分类单元113，包括：全连接编码子单元1131，用于使用所述预分类器的至少一个全连接层对所述多个区域监测全局特征向量中各个区域监测全局特征向量进行全连接编码以得到多个预分类特征向量；以及，预分类概率计算子单元1132，用于分别将所述多个预分类特征向量中各个预分类特征向量输入Softmax分类函数以得到所述多个概率值。

在本申请实施例中，在所述训练模块110中，所述标签值散射响应补偿损失函数值计算单元114，用于基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成。应可以理解，在本申请实施例中，在将各个区域监测全局特征向量分别通过预分类器以得到对应于各个区域监测全局特征向量的概率值时，由于各个区域监测全局特征向量仅能够表示区域特征，因此其特征分布具有相对于分类器的标签值的敏感性，即存在标签值散射响应，因此，引入标签值散射响应补偿损失函数。

在本申请一个具体的实施例中，所述标签值散射响应补偿损失函数值计算单元114，进一步用于：基于所述多个概率值，以如下公式分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值；

j为标签值，f为每个区域监测全局特征向量的各个位置的特征值，p

通过引入该损失函数，可以基于特征值位置相对于标签概率值的散射响应来将特征分布在基于特征和标签值的分类问题的解空间内堆叠为深度结构，从而以类响应角形式提升分类解对特征分布的可解释性，以在训练过程中，提升模型的特征提取相对于分类解的迭代优化能力，从而提升预分类器预测的概率值的准确性。

在本申请实施例中，在所述训练模块110中，所述权重向量生成单元115，用于将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量。应可以理解，进一步地考虑到各个区域的区域监测全局特征之间还存在关联，因此，在本申请的技术方案中，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量。

在本申请一个具体的实施例中，所述权重向量生成单元，进一步用于：使用一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：

其中，X为输入向量，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

在本申请实施例中，在所述训练模块110中，所述加权融合单元116，用于以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量。也就是，将各个区域的区域监测全局特征向量对于最终的风险预测分类的贡献度以权重的形式赋予各个监测全局特征向量，从而提高融合分类的准确性。

在本申请实施例中，在所述训练模块110中，所述分类损失计算单元117，用于将所述分类特征向量通过分类器以得到分类损失函数值。

在本申请一个具体的实施例中，所述分类损失计算单元，包括：训练分类子单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以获得分类结果；以及，交叉熵值计算子单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。

在本申请实施例中，在所述训练模块110中，所述训练单元118，用于以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练。

在训练完成后，进入推断模块。也就是，将训练完成后的所述预分类器用于实际的推断中，以得到所述分类特征向量，进而将所述分类特征向量通过分类器以获得用于表示待施工城市地铁的基坑监测点是否存在安全隐患的分类结果。

具体地，在本申请实施例中，在推断模块220中，首先，获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷。接着，将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量，并将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过经训练模块训练完成的所述预分类器以得到多个概率值。然后，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量，并以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

综上，基于本申请实施例的所述基于大数据的城市公共交通安全管理系统，其使用包含嵌入层的上下文编码器对基坑监测点的多个区域中各个区域的多项监测数据进行上下文编码，然后，将多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，进一步的，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值，并以多个标签值散射响应补偿损失函数值和分类损失函数值的加权和作为损失函数值对所述预分类器进行训练，通过这样的方式，以提高所述预分类器预测的概率值的准确性，从而对基坑监测点是否存在安全隐患进行更准确的监测。

如上所述，根据本申请实施例的所述基于大数据的城市公共交通安全管理系统100可以实现在各种终端设备中，例如基于大数据的城市公共交通安全管理系统的服务器等。在一个示例中，根据基于大数据的城市公共交通安全管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的城市公共交通安全管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的城市公共交通安全管理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于大数据的城市公共交通安全管理系统100与该终端设备也可以是分立的设备，并且基于大数据的城市公共交通安全管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图5图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中训练阶段的流程图。如图5所示，根据本申请实施例的基于大数据的城市公共交通安全管理方法，包括：训练阶段，包括步骤：S110，获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；S120，将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；S130，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值；S140，基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值，其中，各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值基于所述预分类器的标签值、所述区域监测全局特征向量中各个位置的特征值和所述区域监测全局特征向量对应的概率值生成；S150，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；S160，以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；S170，将所述分类特征向量通过分类器以得到分类损失函数值；以及，S180，以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练。

图6图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中推断阶段的流程图。如图6所示，根据本申请实施例的基于大数据的城市公共交通安全管理方法，包括：推断阶段，包括步骤：S210，获取基坑监测点的多个区域中各个区域的多项监测数据，所述多项监测数据包括围护结构顶水平位移、围护结构顶竖向位移、地下水位、支撑轴力、深层水平位移、地表沉浮、静载荷和动载荷；S220，将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量；S230，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过训练完成的所述预分类器以得到多个概率值；S240，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量；S250，以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量；以及，S260，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患

图7图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中训练阶段的系统架构的示意图。如图7所示，在本申请实施例的基于大数据的城市公共交通安全管理方法中训练阶段的系统架构中，首先，获取基坑监测点的多个区域中各个区域的多项监测数据，并将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量。然后，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过预分类器以得到多个概率值，并基于所述多个概率值，分别计算各个所述区域监测全局特征向量的标签值散射响应补偿损失函数值以得到多个标签值散射响应补偿损失函数值。同时，将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量，并以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量。接着，将所述分类特征向量通过分类器以得到分类损失函数值。最后，以所述多个标签值散射响应补偿损失函数值和所述分类损失函数值的加权和作为损失函数值对所述预分类器进行训练。

图8图示了根据本申请实施例的基于大数据的城市公共交通安全管理方法中推断阶段的系统架构的示意图。如图8所示，在本申请实施例的基于大数据的城市公共交通安全管理方法中推断阶段的系统架构中，首先，获取基坑监测点的多个区域中各个区域的多项监测数据，并将所述基坑监测点的多个区域中各个区域的多项监测数据分别通过包含嵌入层的上下文编码器以得到多个区域监测全局特征向量。然后，将所述多个区域监测全局特征向量中各个区域监测全局特征向量分别通过训练完成的所述预分类器以得到多个概率值，并将所述多个概率值排列为输入向量通过一维卷积层以得到概率关联权重向量。接着，以所述概率关联权重向量中各个位置的特征值作为权重，计算所述多个区域监测全局特征向量的按位置加权和以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待施工城市地铁的基坑监测点是否存在安全隐患。

这里，本领域技术人员可以理解，上述基于大数据的城市公共交通安全管理方法中的各个步骤的具体操作已经在上面参考图1到图4的基于大数据的城市公共交通安全管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。