“苏为华”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于信息稀疏情形的混频预测方法、装置及设备-CN202211238794.6有效
发明人：张崇辉;陈思博;王永恒;苏为华;周家敏;苏田恬 -专利权人：之江实验室;浙江工商大学
申请日： 2022-10-11 - 公布日： 2023-03-10 - 主分类号： G06F16/22 文献下载
摘要：本发明公开了一种基于信息稀疏情形的混频预测方法、装置及设备，通过构建多输入混频数据存取工具包，整合不同类型数据信息；制定信息稀疏水平判断规则以及指标频率转化目标；若指标信息稀疏水平无法满足指标频率转化要求，则对指标集进行插值处理，直至达到频率转化要求，形成分析指标集；混合不同模型开展预测，利用AIC信息准则形成预测结果；存储预测结果，并转化为形状数据，并通过可视化技术进行展示。本发明解决了混频预测分析中因低频指标观测数量过少，导致无法得到准确结果的问题。
一种基于信息稀疏情形混频预测方法装置设备

[发明专利]一种基于时间序列数据的混频预测方法及系统-CN202210663909.X有效
发明人：张崇辉;陈思超;陈骥;苏为华;王永恒 -专利权人：之江实验室;浙江工商大学
申请日： 2022-06-14 - 公布日： 2022-09-16 - 主分类号： G06F16/2458 文献下载
摘要：本发明公开了一种基于时间序列数据的混频预测方法及系统，包括原始数据获取模块、时间序列处理模块、混频数据预测模块和存储与展示模块；其中，原始数据获取模块，集成了多种平台获取数据的方式，从而获取高频和低频时间序列数据；时间序列处理模块对获取到的原始数据进行傅里叶变换，捕捉时间序列数据的周期频率，然后对时间序列进行分解，获取趋势序列、周期序列和残差序列；混频数据预测模块以高频时间序列数据作为自变量，以低频时间序列数据作为因变量，构建MIDAS混频模型，并拟合得到低频变量的预测值；存储与展示模块对最终的预测结果进行存储和展示。本发明适用范围广、操作便捷，预测时效性和准确率较高。
一种基于时间序列数据混频预测方法系统

[发明专利]一种基于半变异函数的地理空间点数据采样方法-CN202110918781.2有效
发明人：周志光;郑凤玲;温晋;陈圆圆;刘玉华;苏为华 -专利权人：杭州电子科技大学
申请日： 2021-08-11 - 公布日： 2022-09-13 - 主分类号： G06F16/29 文献下载
摘要：本发明公开了一种基于半变异函数的地理空间点数据采样方法。本发明方法首先利用半变异函数，捕捉地理空间点数据的地理统计特征，并在采样过程中实时动态统计采样前后半变异函数差异；然后以差异最小化为目标，驱动模拟退火优化算法，对Z‑order采样生成的初始采样点进行替换，实现地理统计特征的保持，采样结果既保持了地理空间点数据的空间分布，又提高了属性插值准确性。本发明方法从空间分布和属性插值两方面进行采样结果的可视化评估与定量比较，通过等高线图增强了采样前后差异的视觉表现。本发明实现了一个用于大规模地理空间点数据的采样模型，使用户能够轻松地通过采样点还原原始数据特征，可视化地探索和分析地理空间。
一种基于变异函数地理空间数据采样方法

[发明专利]基于变异系数的地理空间区域数据多尺度可视化方法-CN202110974113.1有效
发明人：周志光;倪瑜那;王浩轩;陈圆圆;张翔;刘玉华;苏为华 -专利权人：杭州电子科技大学
申请日： 2021-08-24 - 公布日： 2022-09-13 - 主分类号： G06F16/26 文献下载
摘要：本发明公开了基于变异系数的地理空间区域数据多尺度可视化方法。本发明方法首先利用空间相似性将地理空间区域数据进行层次聚类，形成层次结构；然后利用变异系数对层次结构中每个聚类的属性分布进行估计，并依据其变异系数的值进行最优尺度划分，以同时呈现变异系数较低聚类的多尺度可视化。此外，从变异系数和信息熵两方面进行多尺度可视化结果的评估与定量比较，并通过雷达图的使用，从形状方面增强可视化差异的视觉表现，进而直观地评估和比较本多尺度可视化方法。本发明方法实现了一个用于地理空间区域数据的多尺度可视化模型，使用户能够同时可视化地探索原始地理数据的全局特征和细节特征，并深入地了解地理空间区域数据中的潜在特征。
基于变异系数地理空间区域数据尺度可视化方法

[发明专利]一种基于先行关系的指标自优化预测方法及装置-CN202210090890.4有效
发明人：张崇辉;陈思博;姚鑫童;王永恒;苏为华 -专利权人：之江实验室;浙江工商大学
申请日： 2022-01-26 - 公布日： 2022-06-10 - 主分类号： G06F17/00 文献下载
摘要：本发明公开了一种基于先行关系的指标自优化预测方法及装置，包括：制定协同调整规则，计算时滞协同相关度形成时滞相关分析表，以及对时间序列指标进行筛选形成先行分析表；若指标时间长度远小于指标个数，则对指标集进行重抽样处理，并进行逐步回归；构造指标重要性测度公式，自优化先行指标集，形成关键先行指标集；利用关键先行指标集进行再逐步回归，开展参数估计与预测。本发明的基于先行关系的指标自优化预测算法，解决了高维数据分析过程中指标维度远高于指标数量而导致的预测失效问题。
一种基于先行关系指标优化预测方法装置

[发明专利]基于属性增强表征学习的多元图数据库可视化检索方法-CN202111092445.3在审
发明人：周志光;孙玲;王浩轩;刘玉华;苏为华;王毅刚 -专利权人：杭州电子科技大学
申请日： 2021-09-17 - 公布日： 2022-01-14 - 主分类号： G06F16/903 文献下载
摘要：本发明公开了基于属性增强表征学习的多元图数据库可视化检索方法。本发明方法首先利用图表征学习模型和数理统计方法提取多元图的结构和属性特征，并结合其特征提取结果，利用典型相关分析建立基于属性增强的图表征学习模型，将结构向量和属性向量融合到综合嵌入空间中；然后将高维结构‑属性融合向量投影到二维空间中并聚类，构建一种基于距离的图检索模型。通过利用节点链接图和平行坐标视图分别从结构相似度和属性相似度对检索结果进行可视化评估，并设计交互帮助用户构建目标图实现检索以及比较检索结果。本发明方法实现了一个基于属性增强表征学习的多元图数据库可视化检索工具，使用户能够轻松地构建图检索并可视化评估和比较图检索的结果。
基于属性增强表征学习多元数据库可视化检索方法