-
Patent Agency Ranking
公开(公告)号：CN114612823A
公开(公告)日：2022-06-10
申请号：CN202210216865.6
申请日：2022-03-06
Applicant: 北京工业大学
Abstract: 本发明提供了一种面向实验室安全管理的人员行为监测方法。本发明基于实验室监控视频，同时计算视频帧中的人脸识别结果和人体位置信息；基于人脸识别结果矩形框和人体位置信息矩形框间的几何关系，将人脸识别结果传递给人体；记录人体在视频每一帧中的足部中心位置，提取人体在视频中的运动轨迹；在实验室平面图中标定若干关键点，在视频序列内寻找与平面图关键点对应的位置并做相同标记，建立监控画面和实验室平面图的二维映射关系将人体在视频中的运动轨迹映射到实验室平面图内，并在实验室中存在多个监控摄像头的情况下对轨迹进行融合，基于平面图内轨迹分析人的行动路线。本发明可检测进入实验室的人员信息，记录人员在实验室内的活动情况。
-
公开(公告)号：CN114611798A
公开(公告)日：2022-06-10
申请号：CN202210249218.5
申请日：2022-03-06
Applicant: 北京工业大学
Abstract: 一种基于动态超图卷积神经网络的OD客流预测方法，涉及深度学习等领域，尤其是面向超图表示以及图卷积网络的OD客流预测任务。该方法在利用超图对交通拓扑结构的高阶表示基础上，引入超图卷积神经网络，并通过历史的OD矩阵挖掘OD客流在起始点(original)和目的地(destination)上的空间关联性构建动态超边，实现了对OD流量复杂的空间关联性的动态建模。相较于传统的数学模型以及机器学习方法，该方法对于OD流量特征的建模更加深入和准确，提高了预测准确率。
-
公开(公告)号：CN114611798B
公开(公告)日：2024-12-27
申请号：CN202210249218.5
申请日：2022-03-06
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q50/40 , G06N3/0464 , G06N3/08
Abstract: 一种基于动态超图卷积神经网络的OD客流预测方法，涉及深度学习等领域，尤其是面向超图表示以及图卷积网络的OD客流预测任务。该方法在利用超图对交通拓扑结构的高阶表示基础上，引入超图卷积神经网络，并通过历史的OD矩阵挖掘OD客流在起始点(original)和目的地(destination)上的空间关联性构建动态超边，实现了对OD流量复杂的空间关联性的动态建模。相较于传统的数学模型以及机器学习方法，该方法对于OD流量特征的建模更加深入和准确，提高了预测准确率。
-
公开(公告)号：CN115146695B
公开(公告)日：2024-04-02
申请号：CN202210295276.1
申请日：2022-03-23
Applicant: 北京工业大学
IPC: G06F18/2413 , G06N3/042 , G06N3/08 , G06Q50/40
Abstract: 一种基于超图注意力网络的公共交通出行群体分类方法属于智能交通系统领域，旨在解决出行群体分类问题。首先，利用KNN(K‑NearestNeighbor)网络将公共交通个体出行特征数据构建出超图表示，其中节点表示出行个体，超边为KNN建模的出行个体间的属性拓扑关系；接下来使用超图注意力网络(HGAT)学习超图中节点的表示，共分为两步。第一步，用节点注意力来学习节点的特征表示。第二步，采用另一个聚合器来聚合节点的最终表示；最后，将节点的表示输入到线性层，进行出行群体的分类，并采用交叉熵损失来优化模型的预测能力。实验证明，本发明能够实现对于公共交通出行群体的精准分类，且准确度有了很大的提升。
-
公开(公告)号：CN115146695A
公开(公告)日：2022-10-04
申请号：CN202210295276.1
申请日：2022-03-23
Applicant: 北京工业大学
Abstract: 一种基于超图注意力网络的公共交通出行群体分类方法属于智能交通系统领域，旨在解决出行群体分类问题。首先，利用KNN(K‑NearestNeighbor)网络将公共交通个体出行特征数据构建出超图表示，其中节点表示出行个体，超边为KNN建模的出行个体间的属性拓扑关系；接下来使用超图注意力网络(HGAT)学习超图中节点的表示，共分为两步。第一步，用节点注意力来学习节点的特征表示。第二步，采用另一个聚合器来聚合节点的最终表示；最后，将节点的表示输入到线性层，进行出行群体的分类，并采用交叉熵损失来优化模型的预测能力。实验证明，本发明能够实现对于公共交通出行群体的精准分类，且准确度有了很大的提升。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
