一种基于行为动机仿真的机器学习系统及方法与流程

1.本发明涉及机器学习技术领域，具体而言，涉及一种基于行为动机仿真的机器学习系统及方法。


背景技术：

2.机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
3.在许多场景下，需要对人们行为或行为动机事件进行分析和处理，同时根据行为动机进行事件预测，以提前做好相关准备工作。例如：在大型活动现场或是轨道交通车站，可以根据人们的行为动机预测出发生突发事件的概率或是类型，从而可以提前预警，以避免突发事件带来的危害。
4.在进行事件预测时，常常会用到各种预测模型，这些预测模型就是机器学习的一种体现，这些预测模型是在大量样本数据进行训练后得到，预测模型训练得越好，得到的预测结果就越精确，但是在训练后无法判断出训练得到的模型的优良，导致无法对预测模型进行性能评估。


技术实现要素：

5.本发明的目的在于提供一种基于行为动机仿真的机器学习系统及方法，用以改善现有技术中预测模型训练后无法判断出训练得到的模型的优良，导致无法对预测模型进行性能评估的问题。
6.第一方面，本技术实施例提供一种基于行为动机仿真的机器学习系统，包括：
7.行为动机数据获取模块，用于获取行为动机数据集；
8.第一事件预测模块，用于将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；
9.行为仿真模块，用于将行为动机数据集进行行为仿真，得到行为仿真数据集；
10.行为分类模块，用于将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；
11.第二事件预测模块，用于根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；
12.对比模块，用于将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；
13.训练结果模块，用于根据对比结果生成预置的事件预测模型的训练结果。
14.上述实现过程中，通过行为动机数据获取模块获取行为动机数据集；然后第一事件预测模块将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后行为仿真模块将行为动机数据集进行行为仿真，得到行为仿真数据集；然后行为分类模
块将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；然后第二事件预测模块根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后训练结果模块根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
15.基于第一方面，在本发明的一些实施例中，还包括：
16.事件样本获取模块，用于获取事件样本数据；
17.样本数据训练模块，用于对事件样本数据采用神经网络算法进行训练，得到事件预测模型。
18.基于第一方面，在本发明的一些实施例中，上述行为仿真模块包括：
19.对抗网络单元，用于将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；
20.行为模块单元，用于分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。
21.基于第一方面，在本发明的一些实施例中，上述训练结果模块包括：
22.判断单元，用于判断对比结果是否为相同，若相同，则生成预置的事件预测模型的训练结果为良好；若否，则生成预置的事件预测模型的训练结果为不合格。
23.基于第一方面，在本发明的一些实施例中，上述第二事件预测模块包括：
24.统计单元，用于统计多种类别的行为数据集中各个异常行为数据的数量；
25.筛选单元，用于筛选出多个异常行为数据的数量最大的异常行为数据；
26.匹配单元，用于将数量最大的异常行为数据在预置的事件预测库中进行匹配，得到匹配的预测事件作为第二事件预测结果。
27.第二方面，本技术实施例提供一种基于行为动机仿真的机器学习方法，包括以下步骤：
28.获取行为动机数据集；
29.将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；
30.将行为动机数据集进行行为仿真，得到行为仿真数据集；
31.将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；
32.根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；
33.将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；
34.根据对比结果生成预置的事件预测模型的训练结果。
35.上述实现过程中，通过获取行为动机数据集；然后将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后将行为动机数据集进行行为仿真，得到行为仿真数据集；然后将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别
的行为数据集；然后根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；然后将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
36.基于第二方面，在本发明的一些实施例中，还包括以下步骤：
37.获取事件样本数据；
38.对事件样本数据采用神经网络算法进行训练，得到事件预测模型。
39.基于第二方面，在本发明的一些实施例中，上述将行为动机数据集进行行为仿真，得到行为仿真数据集的步骤包括以下步骤：
40.将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；
41.分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。
42.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当上述一个或多个程序被上述处理器执行时，实现如上述第二方面中任一项上述的方法。
43.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第二方面中任一项上述的方法。
44.本发明实施例至少具有如下优点或有益效果：
45.本发明实施例提供一种基于行为动机仿真的机器学习系统及方法，通过行为动机数据获取模块获取行为动机数据集；然后第一事件预测模块将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后行为仿真模块将行为动机数据集进行行为仿真，得到行为仿真数据集；然后行为分类模块将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；然后第二事件预测模块根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后训练结果模块根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
附图说明
46.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
47.图1为本发明实施例提供的一种基于行为动机仿真的机器学习系统结构框图；
48.图2为本发明实施例提供的一种基于行为动机仿真的机器学习方法流程图；
49.图3为本发明实施例提供的一种电子设备的结构框图。
50.图标：110-行为动机数据获取模块；120-第一事件预测模块；130-行为仿真模块；131-对抗网络单元；132-行为模块单元；140-行为分类模块；150-第二事件预测模块；151-统计单元；152-筛选单元；153-匹配单元；160-对比模块；170-训练结果模块；171-判断单元；180-事件样本获取模块；190-样本数据训练模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
52.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.实施例
54.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
55.请参看图1，图1为本发明实施例提供的一种基于行为动机仿真的机器学习系统结构框图。该基于行为动机仿真的机器学习系统，包括：
56.行为动机数据获取模块110，用于获取行为动机数据集；上述行为动机数据集包括行人的至少一种行为动作数据集，上述获取的方式可以是通过场景中的摄像头等拍摄装备拍摄得到，也可以是从其他系统中获取得到。例如：在地铁车站日常运营过程中，采集地铁车站内各个摄像头拍摄的视频数据，从上述视频数据中截取选定乘客的行为示范数据，上述行为示范数据为对应一种行为动作的连续动作轨迹图像；将对应同一种行为动作的行为示范数据汇总，得到若干种行为动作数据集，从而得到动作数据集。比如：对应攀越栏杆行为示范数据的截取，通过对各个摄像头采集的视频数据均进行攀越栏杆行为动作的图像识别处理，最终得到大量攀越栏杆行为示范数据，形成攀越栏杆行为动作数据集。同样的，对于抢上抢下、插队、尾随过闸、正常行走、快跑等需要进行模拟的行为动作，采用上述图像识别处理方式逐个截取出对应的行为示范数据，最终得到对应抢上抢下、插队、尾随过闸、正常行走、快跑行为动作的各个行为动作数据集。
57.第一事件预测模块120，用于将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；预置的事件预测模型是通过神经网络算法对大量样本进行训练得到，通过时间预测模型可以预测出可能发生的突发事件。上述突发事件包括踩踏事件、冲突事件等。预置的事件预测模型可以通过以下模块得到：
58.事件样本获取模块180，用于获取事件样本数据；上述事件样本数据包括大量的突发事件的类型，以及对应的行为动机数据。上述获取可以是通过采集设备现场采集数据获
得，还可以是通过其他系统中导入得到。
59.样本数据训练模块190，用于对事件样本数据采用神经网络算法进行训练，得到事件预测模型。上述进行训练可以是根据神经网络算法的不同进行不同的训练，以得到事件预测模型。得到的事件预测模型可以根据输入的多个行为动机数据得到预测的事件。上述训练神经网络采用现有的技术就可以实现，在此就不再赘述。
60.行为仿真模块130，用于将行为动机数据集进行行为仿真，得到行为仿真数据集；上述进行行为仿真是指基于行为动机数据集通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过上述行为生成器生成行人行为仿真数据。上述进行行为仿真可以是通过以下单元完成：
61.对抗网络单元131，用于将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；例如，在上述例子中，可以采用生成式对抗网络进行生成式对抗学习，以训练得到对应上述攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的各个行为生成器。上述生成式对抗网络(gan，generative adversarial networks)是一种深度学习模型，具体为复杂分布上无监督学习的方法。
62.行为模块单元132，用于分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。上述进行行为模拟是指利用生成式对抗网络对抗学习的原理，将行为学习样本的各个行为动作数据集输入生成式对抗网络中进行生成式对抗学习，得到可以生成与实际行为动作数据高度相似的各类行为生成器。通过各类行为生成器来模拟生成攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的行人行为仿真数据。
63.行为分类模块140，用于将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；上述预置的行为分类规则是指根据实际场景设置的行为分类规则，预置的行为分类规则可以是分为异常行为数据和正常行为数据，异常行为数据包括一些会导致突发事件的行为，如：抢上抢下、插队、快跑等；正常行为数据包括正常的行为，如正常行走、正常排队等。上述多种类别的行为数据集包括异常行为数据集和正常行为数据集。例如：对于轨道交通场景，得到的行为仿真数据集包括多个抢上抢下、插队、尾随过闸、正常行走、快跑，则按照预置的行为分类规则可以得到异常行为数据集和正常行为数据集，异常行为数据集包括尾随过闸、插队、抢上抢下；正常行为数据集包括正常行走、快跑。
64.第二事件预测模块150，用于根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；上述预置的事件预测库中包括有各种突发事件以及对应的异常行为数据，比如：发生踩踏事件时对应的异常行为数据有抢上抢下、插队。上述预置的事件预测库可以是根据历史数据综合分析整理得到，上述进行匹配得到对应的突发事件就是第二事件预测结果。上述进行匹配的过程可以是通过以下单元来实现：
65.统计单元151，用于统计多种类别的行为数据集中各个异常行为数据的数量；上述多种类别的行为数据集包括有异常行为数据集，其中异常行为数据集中又包括有多个异常行为数据，各个异常行为数据的数量个不相同。例如：异常行为数据集包括抢上抢下和插队，其中抢上抢下的数量为10个，插队的数量为15个。
66.筛选单元152，用于筛选出多个异常行为数据的数量最大的异常行为数据；上述筛选是指将各个异常行为数据的数量进行对比，从而找到数量最大的异常行为数据，例如：在
上述例子中，得到数量最大的异常行为数据为：插队。
67.匹配单元153，用于将数量最大的异常行为数据在预置的事件预测库中进行匹配，得到匹配的预测事件作为第二事件预测结果。上述进行匹配是指根据得到数量最大的异常行为数据在预置的事件预测库中找到相应的异常行为数据，进而得到对应的预测事件。
68.对比模块160，用于将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；上述进行对比是指判断将第一事件预测结果与第二事件预测结果是否是相同，可以是通过以下单元实现：
69.训练结果模块170，用于根据对比结果生成预置的事件预测模型的训练结果。上述预置的事件预测模型的训练结果是指评价预置的事件预测模型的性能是否良好，上述训练结果包括良好和不合格。上述生成预置的事件预测模型的训练结果可以是通过以下单元完成：
70.判断单元171，用于判断对比结果是否为相同，若相同，则生成预置的事件预测模型的训练结果为良好；若否，则生成预置的事件预测模型的训练结果为不合格。良好即代表了该预置的事件预测模型的性能较好，不合格即代表了该预置的事件预测模型的性能还不够好。
71.上述实现过程中，通过行为动机数据获取模块110获取行为动机数据集；然后第一事件预测模块120将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后行为仿真模块130将行为动机数据集进行行为仿真，得到行为仿真数据集；然后行为分类模块140将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；然后第二事件预测模块150根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；对比模块160将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后训练结果模块170根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
72.基于同样的发明构思，本发明还提出一种基于行为动机仿真的机器学习方法，请参看图2，图2为本发明实施例提供的一种基于行为动机仿真的机器学习方法流程图。该基于行为动机仿真的机器学习方法，包括以下步骤：
73.步骤s110：获取行为动机数据集；
74.步骤s120：将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；
75.步骤s130：将行为动机数据集进行行为仿真，得到行为仿真数据集；
76.步骤s140：将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；
77.步骤s150：根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；
78.步骤s160：将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；
79.步骤s170：根据对比结果生成预置的事件预测模型的训练结果。
80.上述实现过程中，通过获取行为动机数据集；然后将行为动机数据集输入至预置的事件预测模型中，得到第一事件预测结果；然后将行为动机数据集进行行为仿真，得到行为仿真数据集；然后将行为仿真数据集按照预置的行为分类规则进行分类，得到多种类别的行为数据集；然后根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果；然后将第一事件预测结果与第二事件预测结果进行对比，得到对比结果；最后根据对比结果生成预置的事件预测模型的训练结果。通过将行为动机数据集采用不同的方式进行事件预测，得到第一事件预测结果与第二事件预测结果，再通过比较第一事件预测结果与第二事件预测结果得到对比结果，根据对比结果就可以得到采用预置的事件预测模型进行预测的准确度，从而可以知道预置的事件预测模型的性能好坏，进而方便对预测模型进行性能评估。
81.其中，事件预测模型可以通过以下步骤得到：
82.首先，获取事件样本数据；
83.然后，对事件样本数据采用神经网络算法进行训练，得到事件预测模型。
84.其中，上述将行为动机数据集进行行为仿真，得到行为仿真数据集的步骤包括以下步骤：
85.首先，将行为动机数据集采用生成式对抗网络进行训练，生成多种行为生成器；
86.然后，分别采用多种行为生成器进行行为模拟，得到行为仿真数据集。
87.其中，上述根据对比结果生成预置的事件预测模型的训练结果的步骤包括以下步骤：
88.判断对比结果是否为相同，若相同，则生成预置的事件预测模型的训练结果为良好；若否，则生成预置的事件预测模型的训练结果为不合格。
89.其中，上述根据多种类别的行为数据集中异常行为数据在预置的事件预测库中进行匹配，得到第二事件预测结果的步骤包括以下步骤：
90.首先，统计多种类别的行为数据集中各个异常行为数据的数量；
91.然后，筛选出多个异常行为数据的数量最大的异常行为数据；
92.最后，将数量最大的异常行为数据在预置的事件预测库中进行匹配，得到匹配的预测事件作为第二事件预测结果。
93.请参阅图3，图3为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例所提供的一种基于行为动机仿真的机器学习系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
94.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
95.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通
用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
96.可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
97.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
98.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
99.上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
100.以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
101.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。