-
公开(公告)号：CN118627702B
公开(公告)日：2024-11-12
申请号：CN202411117155.3
申请日：2024-08-15
Applicant: 北京航空航天大学 , 中国移动通信集团北京有限公司
Abstract: 本发明属于时空数据挖掘领域，公开了一种基于先验因果传递的城市出行需求预测方法。所述预测方法首先收集历史城市出行需求数据，构造训练集；接着构建基于先验因果传递的深度学习模型，包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；采用训练集对深度学习模型完成训练；最后将训练好的深度学习模型应用于未来城市出行需求数据的预测。本发明的预测方法能够有效提升预测模型的精度和鲁棒性。
-
公开(公告)号：CN118643949B
公开(公告)日：2024-11-01
申请号：CN202411117220.2
申请日：2024-08-15
Applicant: 北京航空航天大学 , 中国移动通信集团北京有限公司
IPC: G06Q10/04 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06Q10/067 , G06Q50/26
Abstract: 本发明属于时空数据挖掘领域，公开了一种基于时间引导的因果结构学习的城市时空数据预测方法。所述预测方法首先收集待预测地域内的城市时空数据，并以此构造标准数据集；接着构建基于时间引导的因果结构学习的预测模型，所述预测模型包括多个串联的增强时空因果特征提取模块和一个融合预测模块；采用标准数据集对所述预测模型完成训练；最后将训练好的预测模型应用于未来城市时空数据的预测。本发明的预测方法能够有效提升预测模型的精度、鲁棒性和泛化性。
-
公开(公告)号：CN118627702A
公开(公告)日：2024-09-10
申请号：CN202411117155.3
申请日：2024-08-15
Applicant: 北京航空航天大学 , 中国移动通信集团北京有限公司
Abstract: 本发明属于时空数据挖掘领域，公开了一种基于先验因果传递的城市出行需求预测方法。所述预测方法首先收集历史城市出行需求数据，构造训练集；接着构建基于先验因果传递的深度学习模型，包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；采用训练集对深度学习模型完成训练；最后将训练好的深度学习模型应用于未来城市出行需求数据的预测。本发明的预测方法能够有效提升预测模型的精度和鲁棒性。
-
公开(公告)号：CN118643949A
公开(公告)日：2024-09-13
申请号：CN202411117220.2
申请日：2024-08-15
Applicant: 北京航空航天大学 , 中国移动通信集团北京有限公司
IPC: G06Q10/04 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06Q10/067 , G06Q50/26
Abstract: 本发明属于时空数据挖掘领域，公开了一种基于时间引导的因果结构学习的城市时空数据预测方法。所述预测方法首先收集待预测地域内的城市时空数据，并以此构造标准数据集；接着构建基于时间引导的因果结构学习的预测模型，所述预测模型包括多个串联的增强时空因果特征提取模块和一个融合预测模块；采用标准数据集对所述预测模型完成训练；最后将训练好的预测模型应用于未来城市时空数据的预测。本发明的预测方法能够有效提升预测模型的精度、鲁棒性和泛化性。
-
公开(公告)号：CN116227756A
公开(公告)日：2023-06-06
申请号：CN202310517345.3
申请日：2023-05-10
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种城市时空数据预测因果模型的评价方法，包括构建城市时空数据预测因果模型并采用城市用电数据集进行学习，利用神经网络搭建城市时空数据预测因果模型的学习框架对城市时空数据预测因果模型进行训练，采用训练后的城市时空数据预测因果模型，使用城市用电历史数据来预测下一时间段用电数据，使用均方根误差、平均绝对误差和平均绝对百分比误差三个指标来评价训练后的城市时空数据预测因果模型性能，本方法采用合理的训练、验证、预测评价比例，提高了评价效果。
-
Patent Agency Ranking
公开(公告)号：CN112799128A
公开(公告)日：2021-05-14
申请号：CN202110151055.2
申请日：2021-02-03
Applicant: 北京航空航天大学
Abstract: 本发明是一种地震信号检测和震相提取的方法，用于基于边缘设备的地震检测系统。本发明的边缘设备采用Jetson Nano芯片实现，构建轻量级深度学习模型LCANet布置在边缘设备上；设备端采集的地震波形数据输入边缘设备，实时输出地震信号时间序列、纵波震相和横波震相。本发明的LCANet模型将输入的地震波形数据经基于逆向瓶颈残差块的编码器提取描述地震数据内在物理含义的特征向量序列，再经上下文感知注意模块获取三个任务下的关注时间序列上下文信息的特征向量序列，最后经多尺度异构解码器将特征向量映射到对应任务的特征空间。本发明模型非常适合部署在边缘设备上，满足地震预警系统对数据处理低延迟、高性能的要求。
-
公开(公告)号：CN116740949B
公开(公告)日：2023-10-24
申请号：CN202311027776.8
申请日：2023-08-16
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G08G1/01 , G06F18/24 , G06F18/23213 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于持续学习的时空因果预测的城市交通数据预测方法，属于城市时空数据预测技术领域，解决了现有技术对城市交通数据预测不准确、训练及预测所需的时间和硬件资源过多，难以满足对城市交通数据预测的实际应用需求的问题。本发明的任务数据为多批次任务的实时数据，构建时空历史记忆库，分类筛选出能代表旧的任务数据分布的时序数据和图数据，满足前向迁移需求，预测效果准确；结合模型权重的正交参数空间，从时空历史记忆库中计算出正交投影算子，实现在新任务上训练时在正交参数空间中更新参数，在旧任务上的预测效果稳定，高效利用过去的城市交通数据，节省训练及预测所需的时间和硬件资源，满足预测的实际应用需求。
-
公开(公告)号：CN116307274B
公开(公告)日：2023-08-18
申请号：CN202310558819.9
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。
-
公开(公告)号：CN116307275B
公开(公告)日：2023-07-28
申请号：CN202310558821.6
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于智能交通技术领域，公开了一种基于空域因果传递的自行车流量预测方法。该方法利用门控循环单元提取时域特征，并且设计了可学习的因果嵌入向量，以此构建区域间的因果传递矩阵，并利用区域间距离和交互量等先验知识，构建相应的图结构作为归纳偏置，进而通过空域因果传递过程，得到时空因果特征；最后通过预测模块输出预测结果。本发明的预测方法消除了非因果关联区域间的空域虚假相关性，有效地提升了自行车流量预测的准确性。
-
公开(公告)号：CN116204792A
公开(公告)日：2023-06-02
申请号：CN202310473305.3
申请日：2023-04-28
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06F18/214 , G06N20/00
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种生成因果解释模型的训练方法，包括构建生成因果解释模型，利用神经网络搭建生成因果解释模型的训练框架，并将生成因果解释模型的可识别性条件作为神经网络的约束条件，采集不同时刻各区域的观测数据，对生成因果解释模型进行训练，本发明基于生成因果解释模型GCIM的可识别条件，提出了一种基于变分推断的生成因果解释模型学习框架，进一步了提升模型的可解释性，提升整体的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.067 seconds)
