“王森章”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12个，建议您升级VIP下载更多相关专利

[发明专利]一种基于对抗学习的轨迹数据隐私保护方法-CN202310818650.6在审
发明人： 王森章;伦彦涤 -专利权人：中南大学
申请日： 2023-07-05 - 公布日： 2023-10-17 - 主分类号： G06F21/62 文献下载
摘要：本发明实施例中提供了一种基于对抗学习的轨迹数据隐私保护方法，属于数据处理技术领域，具体包括：步骤1，将用户的原始轨迹按天进行分割为多条子轨迹，将每条子轨迹上的每条签到数据进行独热编码并将全部独热编码映射到低维的嵌入空间，得到低维嵌入表示并将其输入长短期记忆网络学习签到数据之间的依赖关系，得到原始轨迹的表征；步骤2，在嵌入空间中利用对抗学习模块为原始轨迹的表征添加噪声，得到扰动轨迹在低维空间的表征向量；步骤3，根据扰动轨迹在低维空间的表征向量生成加密轨迹。通过本发明的方案，对原始数据进行最小的改动来降低TUL从用户的匿名轨迹数据中推断出其身份信息的可能性，提高了数据可用性和安全性。
一种基于对抗学习轨迹数据隐私保护方法

[发明专利]基于迁移学习的不平衡数据条件下强台风形成预测方法-CN202211730886.6在审
发明人：汪祥;潘小天;吴建平;赵成武;王辉赞;王森章;陈思好 -专利权人：中国人民解放军国防科技大学
申请日： 2022-12-30 - 公布日： 2023-06-23 - 主分类号： G06Q10/04 文献下载
摘要：本申请涉及一种基于迁移学习的不平衡数据条件下强台风形成预测方法。所述方法包括：首先获取历史热带气旋最佳路径数据集及对应的环境变量数据集，并将获取的数据集构造平衡数据集和不平衡数据集；然后构建强台风预学习模型，并使用平衡数据集对强台风预学习模型进行训练拟合，并将训练好的强台风预学习模型中的先验知识迁移到不平衡强台风样本再学习模型中，再利用不平衡数据集对不平衡强台风样本再学习模型进行训练拟合，从而得到训练好的强台风形成预测框架；最后采用训练好的强台风形成预测框架对强台风是否形成进行预测，得到台风形成预测结果。采用本方法能够提高不平衡数据条件下的强台风样本的预测准确率。
基于迁移学习不平衡数据条件下强台风形成预测方法

[发明专利]一种基于数据缺失的细粒度城市流数据推断方法-CN202111040879.9在审
发明人：李吉玥;王森章;张家强 -专利权人：南京航空航天大学
申请日： 2021-09-06 - 公布日： 2023-03-10 - 主分类号： G06Q50/26 文献下载
摘要：细粒度城市流推断，其目的是在给定粗粒度城市流观测的情况下推断细粒度城市流，对于城市规划和公共安全等各种智能城市相关应用至关重要。本发明中，我们首次尝试基于不完全粗粒度城市流观测来推断细粒度城市流，并提出了一个多任务城市流补全和超分辨网络来同时补全粗粒度城市流和推断细粒度城市流。具体来说，网络由数据补全网络和数据超分辨网络组成。补全网络由一个基于局部空间信息的数据补全模块和一个基于辅助信息的数据补全模块组成，从而考虑城市流数据的局部和全局语义相关性。超分辨网络旨在捕捉细粒度城市流和粗粒度城市流之间的复杂关联，并通过堆叠设计的超分辨率块对粗粒度数据进行上采样。
一种基于数据缺失细粒度城市推断方法

[发明专利]一种基于多视图多任务时空网络的交通事故风险预测方法-CN202111040880.1在审
发明人：张家强;王森章;李吉玥 -专利权人：南京航空航天大学
申请日： 2021-09-06 - 公布日： 2023-03-10 - 主分类号： G06Q10/04 文献下载
摘要：随着城市化进程的加快，交通事故成为严重的健康威胁。因此，准确预测城市不同区域的交通事故风险具有重要意义。准确的交通风险预测面临的挑战有三个方面。首先，城市地区的交通事故数据比较稀疏。其次，不同地区交通事故的时空相关性较复杂。第三，交通事故的发生受天气、POI和路网特征等各种语义特征的影响。针对上述挑战，本文提出了一种多视图多任务时空网络模型，用于城市交通事故的细、粗两级风险预测。具体来说，为了解决细粒度预测中的数据稀疏性问题，采用多任务学习框架。针对每个粒度，分别设计了通道注意力CNN和多视图GCN，分别捕获局部地理和全局语义相关性。同时，我们引入了融合学习模块，用来建模复杂的外部特征对交通事故的影响。
一种基于视图任务时空网络交通事故风险预测方法

[发明专利]时空数据处理模型的训练、处理方法、装置以及介质-CN202211267605.8在审
发明人：张钧波;李吉玥;孙彦苹;王森章;郑宇 -专利权人：京东城市（北京）数字科技有限公司
申请日： 2022-10-17 - 公布日： 2023-01-13 - 主分类号： G06F16/9537 文献下载
摘要：本公开提供了一种时空数据处理模型的训练、时空数据处理方法、装置以及介质，其中的训练方法包括：使用第一时空数据填补模型并基于历史时空数据和采集历史时空数据的节点之间的地理位置邻接关系信息，对历史时空数据中的缺失时空数据进行补全处理，生成第一时空填补数据；使用第二时空数据填充模型并基于历史时空数据和其他区域的时空数据，对历史时空数据中的缺失时空数据进行补全处理，生成第二时空填补数据；生成历史时空填补数据并生成目标函数，基于目标函数进行调整处理。本公开的方法、装置以及存储介质，能够对多种数据缺失场景中的时空数据进行补全处理，提高时空数据补全的准确性，获得更完整的时空数据，提高了用户的使用感受度。
时空数据处理模型训练处理方法装置以及介质

[发明专利]基于GPS轨迹和图神经网络的出行时间预测方法-CN202211071242.0在审
发明人：钟萍;王安宁;徐爱昆;王森章;高建良 -专利权人：中南大学
申请日： 2022-09-01 - 公布日： 2022-12-02 - 主分类号： G01C21/34 文献下载
摘要：本发明公开了一种基于GPS轨迹和图神经网络的出行时间预测方法，包括获取GPS序列并排序；计算最开始的若干个节点的特征数据；计算GPS序列中每个节点的前若干个节点的特征数据；合并特征数据与节点自身的特征数据得到更新后的节点特征并排序，构建粗‑细粒度二部图；将粗‑细粒度二部图进行图神经网络聚合得到更新的粗‑细粒度二部图；再次进行图神经网络聚合得到每个节点两跳内邻居节点的特征；采用循环神经网络学习特征数据得到局部路径的时间预测结果；对局部路径的时间预测结果加权求和得到最终的全局路径的出行时间预测结果。本发明不仅实现了出行时间预测，而且可靠性高、准确性好，适用范围广。
基于 gps 轨迹神经网络出行时间预测方法

[发明专利]一种基于图卷积神经网络的多尺度交通流量预测方法-CN202011513907.X在审
发明人：张美越;王森章;缪浩;杜金龙 -专利权人：南京航空航天大学
申请日： 2020-12-18 - 公布日： 2021-05-07 - 主分类号： G08G1/01 文献下载
摘要：本文公开了一种基于图神经网络的多任务城市交通流量预测方法，首次研究了预测多尺度(细粒度和粗粒度)交通流量的新问题，具体来说，给定道路图，我们首先基于节点(道路链接)之间的拓扑接近度和交通流相似度构建粗粒度道路图；然后提出了一种跨尺度图卷积Cross‑Scale GCN来提取细粒度和粗粒度的交通流量特征，并将它们进行融合。利用加入了Intra‑Attention与Inter‑Attention的LSTM提取时间特征，为了保证两种尺度数据预测结果的一致性，引入了结构约束。该方案在细粒度和粗粒度流量预测方面的同时体现出优异性能，提高了预测的准确率。
一种基于图卷神经网络尺度交通流量预测方法

[发明专利]一种基于多通道机制的图池化方法-CN202011513298.8在审
发明人：杜金龙;王森章;张美越 -专利权人：南京航空航天大学
申请日： 2020-12-18 - 公布日： 2021-03-16 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于多通道机制的图池化方法，包括：用GCN来学习到图中节点的表示，而后采用三个通道来完成图池化：通道一从图局部拓扑考虑，在图中采样一些节点；通道二从图整体拓扑出发，用一个GNN模型将图中节点分簇并将每个簇坍缩为一个节点，形成一个粗粒度图；通道三考虑特征信息，首先用图读出操作得到一个图表示，而后基于图表示和节点表示来采样节点。最后，在得到的粗粒度和细粒度图间作通道间卷积，并将细粒度子图合并，从而完成池化操作。本发明提出的方法第一次使用了多通道机制进行图池化操作，充分考虑了图数据中丰富的特征及拓扑信息，有助于学习到一个更好的图表示，对于提升图分类相关任务的性能来说具有重要意义。
一种基于通道机制图池化方法

[发明专利]一种基于对抗学习的多任务城市时空预测方法-CN202010433080.5在审
发明人：缪浩;王森章;杜金龙 -专利权人：南京航空航天大学
申请日： 2020-05-20 - 公布日： 2020-09-04 - 主分类号： G06Q10/04 文献下载
摘要：本文公开了一种基于对抗学习的多任务城市时空预测方法，包括：将不同时间的城市时空数据抽象成“图像帧”和“动态图”，并且根据时间划分观测数据；然后结合ConvLSTM和GcnLSTM组成异构时空网络HSTN，提取各个任务的低维时空隐含特征；总体采用多任务学习的思想，利用对抗学习得到多任务的公有特征，利用矩阵正交的思想将公有特征与私有特征分离，最后结合公有特征和私有特征，并输入时序队列，结合注意力机制，利用ConvLSTM生成未来一段时间内的流量。本文提出的方法第一次是使用了基于对抗学习的多任务学习进行城市时空任务预测，结合了外部环境因素，提高了预测的准确率。
一种基于对抗学习任务城市时空预测方法

[发明专利]一种基于深度迁移学习的跨城市交通流量联合预测方法-CN201910306327.4在审
发明人： 王森章;尹成语;缪浩 -专利权人：南京航空航天大学
申请日： 2019-04-16 - 公布日： 2019-08-20 - 主分类号： G08G1/01 文献下载
摘要：本发明提出了一种新的深度知识迁移模型来研究时空数据的预测方法，包括三个部分：首先对城市进行区域的划分，用热力图表示城市车流量，把不同时间点的车流数据抽象成“图像帧”。然后采用ConvLSTM的方法，学习数据的空间依赖和时间依赖。最后利用条件最大平均差异测量不同时空数据的分布距离；通过引入条件最大平均差异以减小源域和目标域之间的差异，实现知识迁移的目的。本发明的提出首次同时使用了ConvLSTM和条件最大平均差异的方法，使用迁移学习的思想将其运用于城市车流预测，解决了相似或相关的城市由于数据不足导致的预测困难的问题，提高了预测的准确率，对未来城市的智慧交通系统的建设、交通规划、风险预测等方面具有重大意义。
预测时空数据迁移差异测量车流数据城市车流分布距离风险预测交通规划交通系统利用条件深度知识时间依赖数据不足学习数据知识迁移重大意义目标域时间点图表示图像帧车流量城市交通准确率减小源域热力抽象学习引入联合研究建设

[发明专利]一种基于Seq2Seq生成对抗网络的城市人流预测方法-CN201910195736.1在审
发明人： 王森章;缪浩;尹成语 -专利权人：南京航空航天大学
申请日： 2019-03-13 - 公布日： 2019-06-18 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于Seq2Seq生成对抗网络的城市人流预测方法，包括：首先将不同时间的城市人流数据抽象成“图像帧”，人流量用热力图表示；根据时间将观测数据划分为训练数据和标签，将本问题转化为图像问题；总体采用WGAN生成对抗网络的思想，生成器基于历史数据使用Seq2Seq方法生成未来某一段时间内的人流量，同时加入天气等外部因素；判别器使用Wasserstein距离判别真假数据；训练过程中结合生成对抗损失和反向传播不断优化生成器和判别器。最终，判别器无法判别真假时，使用被优化的生成器预测未来的城市人流量。本发明提出的方法第一次使用了生成对抗网络进行城市人流量预测，结合了外部环境因素，解决了模糊预测和算法收敛慢的问题。
人流量对抗判别器生成器预测网络外部环境因素反向传播方法生成观测数据距离判别历史数据模糊预测人流数据算法收敛图像问题问题转化训练过程训练数据图表示图像帧热力优化标签抽象外部天气

[发明专利]一种基于生成式对抗网络的短时交通流预测方法-CN201811387842.1在审
发明人：陈兵;张宇轩;王森章 -专利权人：南京航空航天大学
申请日： 2018-11-16 - 公布日： 2019-03-19 - 主分类号： G08G1/01 文献下载
摘要：本发明公开了一种基于生成式对抗网络的短时交通流预测方法，所述预测方法可以应用在城市交通路网中，将历史交通数据建模成矩阵序列，使用深度模型学习数据中的时空相关性，迭代训练对抗网络中的生成器和判别器，训练后的模型可以对未来短时间内路网中所有路段的交通状况进行预测。本发明公开的方法充分利用了交通数据的时空特性，预测对象由单一路段扩展到整个交通网，预测的准确率明显提升。
短时交通流预测预测生成式对抗城市交通路网历史交通数据单一路段迭代训练交通数据交通状况矩阵序列深度模型时空特性学习数据网络判别器生成器交通网准确率建模路网路段时空应用

1
共 12 条