-
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
申请人： 北京航空航天大学 , 中国移动通信集团北京有限公司
IPC分类号： G06Q10/04 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06Q10/067 , G06Q50/26
摘要： 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
申请人： 北京航空航天大学 , 中国移动通信集团北京有限公司
摘要： 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：CN115691137B
公开(公告)日：2024-04-30
申请号：CN202211357946.4
申请日：2022-11-01
IPC分类号： G08G1/01 , G06Q10/04 , G06Q50/40 , G06N3/0442 , G06N3/08
摘要： 本发明提供了一种基于因果马尔科夫模型的多模态数据预测方法，属于智能交通技术领域。本发明方法包括：采集研究区域的区域数据和多模态交通数据，将时间点、区域兴趣点和天气信息视为背景特征变量，将区域吸引力因子、自行车需求因子、出租车需求因子、公交车需求因子、交通速度因子视为物理概念变量，将自行车流量、出租车流量、公交车流量、区域速度视为多模态交通数据观测变量，利用因果马尔科夫过程描述多模态交通量的生成过程；利用神经网络求解因果马尔科夫过程，训练搭建的神经网络，用于多模态交通数据观测。本发明能够有效地预测多模态交通流，并提升了预测准确度，可进一步用于指导管理人员制定相关交通诱导策略。
-
公开(公告)号：CN116307293B
公开(公告)日：2023-07-28
申请号：CN202310572084.5
申请日：2023-05-22
IPC分类号： G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06Q50/30 , G06F16/9537 , G06N3/0442 , G06N3/048 , G06N3/084
摘要： 本发明属于智能城市技术领域，公开了一种基于混杂感知与因果去偏的城市时空数据预测方法。该方法构建了基于混杂感知与因果去偏的深度学习模型（CADN），将历史城市时空数据经过预处理转化为各区域分时段观测数据，输入深度学习模型，对各区域未来城市时空数据进行预测。本发明的深度学习模型将输入的历史观测数据经时域因果去偏模块提取无偏的时域因果特征，再经过空域因果传递模块提取无偏的时空因果特征，最后经融合预测器输出预测结果。本发明对于城市中的时空数据预测准确性高，具有鲁棒性。
-
公开(公告)号：CN116205384B
公开(公告)日：2023-07-04
申请号：CN202310497666.1
申请日：2023-05-06
IPC分类号： G06Q10/04 , G06Q50/26 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
摘要： 本发明属于城市数据的预测或优化技术领域，具体公开了一种基于生成因果解释模型的城市数据预测方法，所述生成因果解释模型包括外生变量、时空条件父变量、受控因果转移函数和时空混合函数，通过从观测数据中推断出模型外生变量，因果描述子，时空条件父变量等因果隐变量并拟合受控因果转移函数和时空混合函数等相应函数后，基于模型预测城市级时空数据，本发明可以将城市复杂系统的观测数据分解为具有物理含义的因果描述子，在稳定的因果结构影响下，可以提升模型整体的鲁棒性和适用性，使得预测结果更加符合城市复杂系统运行情况。
-
公开(公告)号：CN115222247A
公开(公告)日：2022-10-21
申请号：CN202210846150.9
申请日：2022-07-04
申请人： 北京航空航天大学
摘要： 本发明提供了一种建模异质出行模式的网约出租车需求预测方法，属于交通流预测领域。本发明方法建立了网约出租车需求的预测模型HTPSTGCN，将历史订单数据经过数据清洗和重构转化为栅格网约出租车需求量输入预测模型，该模型通过同质区域生成器对栅格聚合为同质区域，输出区域的历史网约出租车需求量，再经异质固有影响提取器提取表征不同区域异质固有影响的特征向量，经外部影响提取器提取表征相近区域和高交互区域影响的两组特征向量输入融合预测器，融合两组特征向量并映射到需求量空间，输出需求预测值。经试验证明，本发明对于高需求量区域和低需求量区域都有较好的预测效果，具有鲁棒性，可以满足网约出租车需求预测的要求。
-
公开(公告)号：CN115204478A
公开(公告)日：2022-10-18
申请号：CN202210771084.3
申请日：2022-06-30
申请人： 北京航空航天大学
摘要： 本发明提供了一种结合城市兴趣点和时空因果关系的公共交通流量预测方法，属于交通流预测技术领域。本发明方法首先对公共交通流量数据进行周期性预处理；其次，对城市兴趣点地理坐标数据进行信息提取并完成站点群的分类；最后，利用一个基于时空因果关系的深度学习模型对未来时间窗的公共交通站点流量做出预测，其中不同的站点群将使用不同的可训练参数。本发明的应用解决了传统交通流量预测中无法有效应对城市交通复杂时空因果关系的问题，还将交通系统外部因素兴趣点融入了深度学习模型的构建和训练阶段，适用于城市的公共交通流量预测，具有很好的预测准确性和较小的误差。
-
公开(公告)号：CN114492507A
公开(公告)日：2022-05-13
申请号：CN202111608363.X
申请日：2021-12-24
申请人： 北京航空航天大学
摘要： 本发明提供一种数模协同驱动下的轴承剩余寿命预测方法，方法步骤如下：一、健康指标的建立与提取；二、轴承运行阶段的划分；三、针对轴承退化期利用线性维纳模型进行模型驱动的剩余寿命预测；四、利用BP神经网络进行数据驱动下的剩余寿命预测；五：基准融合法下的剩余寿命预测；本方法的运行阶段划分算法简单易行，且保证了对轴承实时状态判定的准确性；本方法对模型反映系统的精确性以及样本的数据量要求相对较低，并且通过数模协同显著提高了寿命预测的精度，从而对提升轴承的健康管理水平具有重要意义。
-
公开(公告)号：CN112799128B
公开(公告)日：2021-10-22
申请号：CN202110151055.2
申请日：2021-02-03
申请人： 北京航空航天大学
摘要： 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：CN105046079B
公开(公告)日：2018-04-27
申请号：CN201510424647.1
申请日：2015-07-17
申请人： 北京航空航天大学
IPC分类号： G06F19/00
摘要： 本发明提供一种基于D‑最优内表设计的田口试验设计方法，该方法的具体步骤是：1.根据试验目的、条件及工程经验，给出试验响应、因子、因子间约束等基本试验信息；2.根据噪声因子的个数以及拟采用的水平个数，选择合适的均匀设计表；3.确定响应与因子之间的关系模型以及内表试验次数；4.在设计区域内，采用D‑最优设计方法给出给定试验次数的内表设计方案，完成内表设计；5.采用基于经验分布函数等分位点方法，完成外表设计；6.根据试验方案进行试验，根据试验得到性能指标计算质量特性信噪比，计算得到使信噪比最大化的可控因子最佳水平；7.基于灵敏度分析法确定稳定因子最佳水平；8.变动调整因子，确定最佳因子水平组合。
-
-
-
-
-
-
-
-
-
搜索结果
67 条记录 (耗时 0.1 秒)