基于智能交通模型神经元特性的变异测试方法、装置及计算机设备与流程

本发明涉及智能交通系统，更具体地说是指基于智能交通模型神经元特性的变异测试方法、装置及计算机设备。

背景技术：

1、智能交通系统的进步在很大程度上依赖于深度学习模型的应用，特别是在交通管理、辅助决策和环境感知等关键领域。这些模型能够处理复杂的输入数据并做出高效的响应，已经成为提升交通系统智能化和安全性的核心技术。然而，深度学习模型在实际应用中面临着诸多挑战，尤其是其准确性和稳定性直接影响到智能交通系统的可靠性和安全性。因此，确保这些模型在各种交通场景下表现出色至关重要。

2、与传统软件系统测试不同，深度学习模型的测试需要针对其独特的结构和功能特性进行设计。在智能交通领域尤其如此，模型的测试不仅要验证其预测准确性，还需要评估模型在异常或变异输入下的反应能力。当前的测试方法，如集成测试和系统测试，主要关注模型在理想环境下的整体性能，却往往忽视了模型对异常情况的敏感性和鲁棒性。尽管传统软件领域广泛应用的变异测试技术可以提高测试用例的覆盖率并发现潜在错误，但这些技术并不适用于深度学习模型。深度学习模型的决策逻辑和内部参数复杂，传统的变异算子难以有效模拟模型在实际运行中可能遇到的数据变异和环境扰动。此外，智能交通软件模型的测试还需考虑到实时数据流和动态交通环境的影响，增加了测试的复杂性。

3、因此，有必要设计一种新的方法，实现有效地模拟各种交通情景下可能出现的异常输入，从而更全面地评估模型的鲁棒性和可靠性，不仅提高了测试的针对性和有效性，而且为智能交通系统的安全运行提供了更强的保障。

4、

技术实现思路

1、本发明的目的在于克服现有技术的缺陷，提供基于智能交通模型神经元特性的变异测试方法、装置及计算机设备。

2、为实现上述目的，本发明采用以下技术方案：基于智能交通模型神经元特性的变异测试方法，包括：

3、设置深度依赖变异算子；

4、根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型；

5、获取测试用例；

6、利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果；

7、根据所述分析结果优化已训练的智能交通模型。

8、其进一步技术方案为：所述深度依赖变异算子包括已训练的智能交通模型的神经元权重变异算子、已训练的智能交通模型的神经元偏置变异算子、激活函数变异算子、神经元冻结变异算子、噪声注入变异算子、神经元连接重组变异算子、神经元复制变异算子。

9、其进一步技术方案为：所述根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型，包括：

10、根据所述深度依赖变异算子与已训练的智能交通模型生成多个初始变异模型；

11、对多个初始变异模型进行训练，以得到目标变异模型。

12、其进一步技术方案为：所述根据所述深度依赖变异算子与已训练的智能交通模型生成多个初始变异模型，包括：

13、复制多份已训练的智能交通模型，以得到模型副本；

14、为每个模型副本选择所述深度依赖变异算子内的不同类型变异算子，并确保每个模型副本只应用一种类型的变异算子，以得到多个初始变异模型。

15、其进一步技术方案为：所述对多个初始变异模型进行训练，以得到目标变异模型，包括：

16、对每个初始变异模型进行训练；

17、初步验证训练后的初始变异模型；

18、记录每个训练后的初始变异模型的变异类型、结构和初步验证结果，以得到目标变异模型。

19、其进一步技术方案为：所述利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果，包括：

20、比较已训练的智能交通模型与各个目标变异模型的输出结果，识别所述测试结果差异显著的测试用例，以得到识别结果；

21、根据所述识别结果，分析并定位已训练的智能交通模型在特定输入条件下的缺陷；

22、计算已训练的智能交通模型与各个目标变异模型所对应的关键性能指标，比较不同模型的性能差异，并评估已训练的智能交通模型在异常输入下的稳定性和鲁棒性；

23、整理识别结果的比例、具体测试用例分析、模型缺陷识别结果及性能评估数据，形成分析结果。

24、其进一步技术方案为：所述根据所述分析结果优化已训练的智能交通模型，包括：

25、根据所述分析结果整理出模型在各种变异条件下的表现差异和发现的缺陷，并确定优先级，根据缺陷的严重程度和影响范围，确定需要优先解决的问题；

26、根据缺陷类型和变异算子，对已训练的智能交通模型进行针对性的改进；

27、使用验证集评估改进后的智能交通模型在未见过的数据上的表现，并对智能交通模型进行迭代优化。

28、本发明还提供了基于智能交通模型神经元特性的变异测试装置，包括：

29、变异算子设置单元，用于设置深度依赖变异算子；

30、变异单元，用于根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型；

31、用例获取单元，用于获取测试用例；

32、分析单元，用于利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果；

33、优化单元，用于根据所述分析结果优化已训练的智能交通模型。

34、其进一步技术方案为：所述变异单元包括：

35、生成子单元，用于根据所述深度依赖变异算子与已训练的智能交通模型生成多个初始变异模型；

36、训练子单元，用于对多个初始变异模型进行训练，以得到目标变异模型。

37、本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

38、本发明与现有技术相比的有益效果是：本发明通过引入多种深度依赖变异算子，对已训练的智能交通模型进行多样化的改进和测试，以提升其性能和适应性，实现有效地模拟各种交通情景下可能出现的异常输入，从而更全面地评估模型的鲁棒性和可靠性，不仅提高了测试的针对性和有效性，而且为智能交通系统的安全运行提供了更强的保障。

39、下面结合附图和具体实施例对本发明作进一步描述。

40、

技术特征：

1.基于智能交通模型神经元特性的变异测试方法，其特征在于，包括：

2.根据权利要求1所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述深度依赖变异算子包括已训练的智能交通模型的神经元权重变异算子、已训练的智能交通模型的神经元偏置变异算子、激活函数变异算子、神经元冻结变异算子、噪声注入变异算子、神经元连接重组变异算子、神经元复制变异算子。

3.根据权利要求2所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型，包括：

4.根据权利要求3所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述根据所述深度依赖变异算子与已训练的智能交通模型生成多个初始变异模型，包括：

5.根据权利要求3所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述对多个初始变异模型进行训练，以得到目标变异模型，包括：

6.根据权利要求1所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果，包括：

7.根据权利要求1所述的基于智能交通模型神经元特性的变异测试方法，其特征在于，所述根据所述分析结果优化已训练的智能交通模型，包括：

8.基于智能交通模型神经元特性的变异测试装置，其特征在于，包括：

9.根据权利要求8所述的基于智能交通模型神经元特性的变异测试装置，其特征在于，所述变异单元包括：

10.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。

技术总结本发明实施例公开了基于智能交通模型神经元特性的变异测试方法、装置及计算机设备。所述方法包括：设置深度依赖变异算子；根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型；获取测试用例；利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果；根据所述分析结果优化已训练的智能交通模型。通过实施本发明实施例的方法可实现有效地模拟各种交通情景下可能出现的异常输入，从而更全面地评估模型的鲁棒性和可靠性，不仅提高了测试的针对性和有效性，而且为智能交通系统的安全运行提供了更强的保障。技术研发人员：刘咏平,陈振宇,房春荣,沐燕舟,罗瑞发,杜水荣受保护的技术使用者：深圳市金溢科技股份有限公司技术研发日：技术公布日：2024/9/26