“蔺依铭”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]基于GPS数据的公交线路规划与影响因素可视分析方法-CN202310497318.4在审
发明人：张慧杰;夏秋实;蔺依铭;曲德展 -专利权人：东北师范大学
申请日： 2023-05-05 - 公布日： 2023-07-28 - 主分类号： G06Q10/047 文献下载
摘要：本发明涉及基于GPS数据的公交线路规划与影响因素可视分析方法，首先对城市出租车订单数据和城市兴趣点数据进行预处理得到乘客出行起始地‑目的地数据和POI类别数据；提取乘客上下车热点网格，基于网格聚类挖掘候选公交站点；进一步构建公交线路规划多目标模型，通过多目标优化方法生成最优公交线路集合，在统计线路属性信息基础上得到属性权重量化和排序结果；最后，可视分析系统支持规划人员探索分析最优线路集合中的线路，并支持更改线路属性权重，系统会根据调整的属性权重或主观排序重新训练以更新排序结果，通过交互式探索分析得到最优公交线路规划方案，为交通部门进行公交线路规划提供科学的决策依据和实践手段，助力智慧城市发展。
基于 gps 数据公交线路规划影响因素可视分析方法

[发明专利]一种基于时序多变量数据的模式提取与演化可视分析方法-CN202110594978.5有效
发明人：张慧杰;吕程;任珂;付佳;蔺依铭 -专利权人：东北师范大学
申请日： 2021-05-28 - 公布日： 2022-07-15 - 主分类号： G06F17/16 文献下载
摘要：本发明涉及数据可视化与可视分析领域，目的是提供一种基于时序多变量数据的模式提取与演化可视分析方法，包含下列步骤：S1：将待处理的数据样本点进行处理，建立时序多变量数据集合，通过异常检测算法筛选出常规点和异常点，执行步骤2；S2：对常规点通过常规模式提取，对异常点通过异常模式下选择，执行步骤3；S3：通过可视分析系统PEVis建立多个相互联动视图，通过前端交互进行展示，在保持数据中模式与异常的时间一致性基础上，设计新颖的可视化表达方案，帮助用户直观感知常规模式和异常事件的演化规律。
一种基于时序多变数据模式提取演化可视分析方法

[发明专利]一种基于网约车轨迹的路径选择潜在因素可视分析方法-CN202110592935.3有效
发明人：张慧杰;吕程;蔺依铭;田良;曲德展 -专利权人：东北师范大学
申请日： 2021-05-28 - 公布日： 2022-06-28 - 主分类号： G06Q10/08 文献下载
摘要：本发明公开了一种基于网约车轨迹的路径选择潜在因素可视分析方法，包括如下步骤：获取网约车订单的轨迹数据点集合，对每个轨迹点进行路网匹配后获得所在道路的编号；对于每条网约车订单，提取出该订单的网约车在所选区间内经过的道路编号，将每条网约车订单的道路编号转化为道路序列，计算道路序列的相似度矩阵；将得到的相似度矩阵作为输入进行投影，并提取具有相似属性的轨迹簇，提取频繁出现的子序列作为关键路径；对每条路径统计与驾驶员路径选择相关的影响因素，通过权重模型得到用户对各路径相关因素的主观选择并分析不同因素对排名结果重要程度。本发明为城市区域间出行路径规划、网约车调度和交通疏导提供可视依据。
一种基于网约车轨迹路径选择潜在因素可视分析方法

[发明专利]基于深度学习模型的时变体数据时间超分辨率可视化方法-CN202110542377.X有效
发明人：张慧杰;吴奕瑶;曲德展;吕程;蔺依铭 -专利权人：东北师范大学
申请日： 2021-05-18 - 公布日： 2022-05-13 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及数据处理与建模技术领域。本发明提出了一种基于深度学习模型的时变体数据时间超分辨率可视化方法，首先基于梯度直方图提取关键体素，在保留原始数据空间特征的同时缩减数据规模。接下来，训练多尺度的变分自编码器，获得具有特征提取功能的编码器，以及体数据生成功能的解码器，由此可以将时变体数据序列的生成问题转换为隐变量序列的生成问题，从而可以在更加简洁且能够表达体数据潜在信息的低维特征空间中，对体数据进行处理和生成。在隐空间中，提出两种思路拟合各个时间步数据隐变量之间的时序关系：一种方法是将数据直接投影到二维，在数据整体时序发展趋势的基础上插值得到新数据的隐变量，并进一步得到对应的体数据序列。
基于深度学习模型变体数据时间分辨率可视化方法

[发明专利]时空数据渐进式多维模式提取与异常检测可视分析方法-CN202010501600.1有效
发明人：张慧杰;蔺依铭;吕程;曲德展;徐劭斌 -专利权人：东北师范大学
申请日： 2020-06-04 - 公布日： 2021-03-09 - 主分类号： G06F16/904 文献下载
摘要：本发明公开了时空数据渐进式多维模式提取与异常检测可视分析方法，涉及时空数据可视化领域，首先将多维时空数据建模成连续的张量时间序列，将最新时间段的张量作为当前张量，临近多个时间段的数据张量加权平均得到历史张量。然后，使用张量分解方法分别对历史张量和当前张量进行多维模式提取，得到两组rank‑one分量用来描述历史数据和当前数据中的潜在模式。最后基于两组模式的差异计算当前时间段的区域和时间异常分数，并结合可视化技术直观地展示模式的差异，为异常模式的解释提供支撑。
时空数据渐进多维模式提取异常检测可视分析方法

[发明专利]一种基于空气质量数据的时空模式可视分析系统及方法-CN201910678017.5在审
发明人：张慧杰;任珂;曲德展;吕程;蔺依铭;王蓉 -专利权人：东北师范大学
申请日： 2019-07-25 - 公布日： 2019-10-29 - 主分类号： G06F16/26 文献下载
摘要：本发明涉及可视化技术领域，目的是提供一种基于空气质量数据的时空模式可视分析系统，系统包括数据预处理模块、数据分析模块和可视化模块，可视分析主要从单个城市时序变化探索，及地理空间上相邻城市群不同模式的时序变化和模式内城市间空间关联性展开，通过多视图联动协调分析结果；通过设计交互视图表征具有特定数据分布特征模式，探索时空特征中的规则模式、异常模式，进一步分析这些模式以提取有价值的信息，能够帮助分析者直观、全面地分析空气质量数据的常规模式，发掘隐式数据模式探索模式分布特征，探索时变趋势，为分析人员提供决策支持为空气污染治理政策的制定提供科学依据。
空气质量数据可视分析系统时空模式时序变化分析数据预处理模块空气污染治理数据分布特征数据分析模块可视化技术可视化模块空间关联性常规模式地理空间规则模式决策支持模式分布模式探索时空特征异常模式隐式数据探索联动时变直观协调帮助制定政策