-
公开(公告)号：CN111367961B
公开(公告)日：2023-03-28
申请号：CN202010124544.4
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/2458 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的时序数据事件预测方法、系统及其应用，包括：将数据清洗后的时序数据以预定的时间间隔转换成事件序列数据，获得事件与事件集合的向量表示；将事件序列数据中每一条序列样本数据最后一个时刻所包含的事件集合作为预测目标，将其作为对应序列样本标签，得到已标注的事件序列数据；当图卷积神经网络模型被训练至满足预设定的收敛条件时，使用测试集对模型预测效果进行测试，取测试效果的模型作为最终的事件预测模型。本发明可弥补传统方法对数据数量及质量要求高、无法充分利用知识图谱的缺陷。
-
Patent Agency Ranking
公开(公告)号：CN111382930B
公开(公告)日：2022-08-16
申请号：CN202010125879.8
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种面向时序数据的风险预测方法及系统，包括：获取样本集合中每个风险事件的时间信息和内容信息；将事件信息通过词嵌入技术转换为等维度高维向量；用风险事件向量对预设的预测模型进行训练，获得训练后的风险预测网络模型；用获得的风险预测网络模型处理待预测的风险事件，输出风险事件的风险水平和影响水平的因素所占比重。本发明通过注意力机制和深度网络，可以在保证模型高精确度的前提下，并行训练网络而且可对预测结果进行分析，可解释性强，具有说服力。
-
公开(公告)号：CN111382930A
公开(公告)日：2020-07-07
申请号：CN202010125879.8
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种面向时序数据的风险预测方法及系统，包括：获取样本集合中每个风险事件的时间信息和内容信息；将事件信息通过词嵌入技术转换为等维度高维向量；用风险事件向量对预设的预测模型进行训练，获得训练后的风险预测网络模型；用获得的风险预测网络模型处理待预测的风险事件，输出风险事件的风险水平和影响水平的因素所占比重。本发明通过注意力机制和深度网络，可以在保证模型高精确度的前提下，并行训练网络而且可对预测结果进行分析，可解释性强，具有说服力。
-
公开(公告)号：CN111370122B
公开(公告)日：2023-12-19
申请号：CN202010125334.7
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G16H50/30 , G16H50/70 , G16H70/20 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/09 , G06F18/2415 , G06F123/02
Abstract: 能够提升时序数据风险预测的准确性。本发明公开了一种基于知识指导的时序数据风险预测方法、系统及其应用，包括以下步骤：采集样本时序数据，将每个样本时序数据转换为输入序列矩阵，从知识图中获取风险事件及事件关系的特征信息；将距离权重矩阵、风险事件及事件关系的特征信息输入到预先设定的网络模型中，获得两个上下文向量，将两个上下文向量进行全连接，进行风险预测；根据各样本时序数据序列以及两个上下文向量训练预先设定的网络模型，进行有监督的训练，得到发生风险的概(56)对比文件陈德华;殷苏娜;乐嘉锦;王梅;潘乔;朱立峰.一种面向临床领域时序知识图谱的链接预测模型.计算机研究与发展.2017,(12),全文.
-
公开(公告)号：CN111370122A
公开(公告)日：2020-07-03
申请号：CN202010125334.7
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于知识指导的时序数据风险预测方法、系统及其应用，包括以下步骤：采集样本时序数据，将每个样本时序数据转换为输入序列矩阵，从知识图中获取风险事件及事件关系的特征信息；将距离权重矩阵、风险事件及事件关系的特征信息输入到预先设定的网络模型中，获得两个上下文向量，将两个上下文向量进行全连接，进行风险预测；根据各样本时序数据序列以及两个上下文向量训练预先设定的网络模型，进行有监督的训练，得到发生风险的概率后训练至预设收敛条件，获得训练好的风险预测模型；通过得到的风险预测模型进行风险预测。本发明对时序序列数据表示更加合理有效，能够提升时序数据风险预测的准确性。
-
公开(公告)号：CN111367961A
公开(公告)日：2020-07-03
申请号：CN202010124544.4
申请日：2020-02-27
Applicant: 西安交通大学
IPC: G06F16/2458 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的时序数据事件预测方法、系统及其应用，包括：将数据清洗后的时序数据以预定的时间间隔转换成事件序列数据，获得事件与事件集合的向量表示；将事件序列数据中每一条序列样本数据最后一个时刻所包含的事件集合作为预测目标，将其作为对应序列样本标签，得到已标注的事件序列数据；当图卷积神经网络模型被训练至满足预设定的收敛条件时，使用测试集对模型预测效果进行测试，取测试效果的模型作为最终的事件预测模型。本发明可弥补传统方法对数据数量及质量要求高、无法充分利用知识图谱的缺陷。
-
-
-
-
-
Search Results
6
records
(took 0.06 seconds)
