-
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：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：CN116307293A
公开(公告)日：2023-06-23
申请号：CN202310572084.5
申请日：2023-05-22
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: G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06Q50/30 , G06F16/9537 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 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。
-
Patent Agency Ranking
公开(公告)号：CN116307275A
公开(公告)日：2023-06-23
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：CN116205384A
公开(公告)日：2023-06-02
申请号：CN202310497666.1
申请日：2023-05-06
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: G06Q10/04 , G06Q50/26 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 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：CN115691137A
公开(公告)日：2023-02-03
申请号：CN202211357946.4
申请日：2022-11-01
Applicant: 北京航空航天大学 , 北京市大数据中心 , 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 , G06Q10/04 , G06Q50/30 , G06N3/0442 , G06N3/08
Abstract: 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：CN110781266A
公开(公告)日：2020-02-11
申请号：CN201911031114.1
申请日：2019-10-28
Applicant: 北京航空航天大学
Inventor： 邓攀
IPC: G06F16/29 , G06F16/215 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于时空因果关系的城市传感数据处理方法，用于修复车辆时空轨迹行为数据。本发明通过跳转图模型学习轨迹采集设备的空间相关性，并输出设备分布式向量表示用于后续处理；将噪声数据检测问题作为一个序列标记问题，通过双向LSTM的序列标注模型，检测错误数据和潜在缺失数据，对车辆轨迹点进行标注，利用基于双向LSTM的序列预测器来预测缺失的轨迹点；最后结合预测的缺失数据来修正错误的轨迹点。本发明方法实现自动检测含噪数据，并从时空因果关系的角度对缺失数据进行修复，以避免生成不合理的车辆轨迹，提高了错误轨迹数据修复的正确率。
-
公开(公告)号：CN100579038C
公开(公告)日：2010-01-06
申请号：CN200710179428.7
申请日：2007-12-13
Applicant: 北京航空航天大学 , 北京新奥集团有限公司
Abstract: 本发明为一种照明设备的统一监控平台及实现方法，该方法是通过在照明系统中设置的消息管理机制，利用通信接口单元实现照明设备与业务平台的通讯，通过消息管理模块完成对面向特定设备的请求消息生成和结果消息解析，通过队列管理模块实现请求消息和结果消息的管理。本发明提供的平台及实现方法可以使照明设备破除通讯协议的界限，将照明设备统一监控。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.112 seconds)
