“时空序列”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果246279个，建议您升级VIP下载更多相关专利

[发明专利]模型训练方法、数据调整方法、装置、设备和介质-CN202310113846.5在审
发明人：张钧波;寄家豪;孙彦苹;柯嵩宇;王静远;郑宇 -专利权人：北京京东智能城市大数据研究院
申请日： 2023-02-06 - 公布日： 2023-04-28 - 主分类号： G06F18/214 文献下载
摘要：该方法的一具体实施方式包括：获取时空数据序列；将时空数据序列输入至初始数据时间与空间异质性调整模型，以输出增强时空数据序列；将时空数据序列和增强时空数据序列输入至初始时空数据编码模型，以输出时空编码向量序列和增强时空编码向量序列；根据时空编码向量序列、增强时空编码向量序列和初始损失信息生成模型集中的至少一个，生成至少一个损失信息；对初始时空数据质量调整模型进行模型训练，以输出时空数据质量调整模型。该实施方式与人工智能有关，利用时空数据质量调整模型，可以生成更为精准的、高质量的时空数据。
模型训练方法数据调整装置设备介质

[发明专利]一种图谱学习的方法、装置、电子设备及存储介质-CN202211722322.8在审
发明人：张延;林映如;邓佳佶 -专利权人：拉扎斯网络科技（上海）有限公司
申请日： 2022-12-30 - 公布日： 2023-04-14 - 主分类号： G06N3/047 文献下载
摘要：本申请公开了一种图谱学习方法，包括：对图谱中节点的原始时空信息进行采样，获得所述图谱中节点的时空序列集合；根据时空序列集合中的时空序列，对时空序列集合中的各个节点进行编码，得到各个节点的编码矩阵；根据各个节点的编码矩阵获得时空序列集合中每一个时空序列的编码矩阵序列；对时空序列集合中具有相同目标节点的时空序列对应的编码矩阵序列进行融合处理，获得目标节点的时空属性信息。
一种图谱学习方法装置电子设备存储介质

[发明专利]时空图像数据处理方法、装置、电子设备及存储介质-CN202111333686.2在审
发明人：姚晓闯;唐新宇;朱德海;刘帝佑;李俐;闫帅;俞国江 -专利权人：中国农业大学
申请日： 2021-11-11 - 公布日： 2022-02-25 - 主分类号： G06F16/51 文献下载
摘要：本发明提供一种时空图像数据处理方法、装置、电子设备及存储介质。其中，时空图像数据处理方法包括：获取待处理的时空图像；对所述时空图像对应的时空图像数据序列中各个时空图像数据进行划分，得到时空图像格网数据序列；对所述时空图像格网数据序列中各个时空图像格网数据进行处理，得到存储标识序列；将所述时空图像格网数据存储于存储标识对应的存储区中，其中，所述时空图像格网数据在所述时空图像格网数据序列中和所述存储标识在所述存储标识序列中的序列编号相同。采用本方法能够提高时空图像数据处理的效率。
时空图像数据处理方法装置电子设备存储介质

[发明专利]客户价值评估方法、系统、计算机设备、可读存储介质-CN202010181369.2在审
发明人：陈健良;肖弘智 -专利权人：佛山青藤信息科技有限公司
申请日： 2020-03-16 - 公布日： 2020-07-28 - 主分类号： G06Q30/02 文献下载
摘要：本发明公开了一种基于时空轨迹的客户价值评估方法，包括：获取目标客户的时空轨迹序列，时空轨迹序列包括多个用于记录时间信息及坐标信息的时空轨迹序列点；将时空轨迹序列划分为多个状态轨迹序列，状态轨迹序列包括移动轨迹序列及逗留轨迹序列；根据每一移动轨迹序列中的时空轨迹序列点及事先处理的基础信息判断目标客户的潜在属性；根据每一逗留轨迹序列中的时空轨迹序列点及基础信息判断目标客户的潜在属性；根据潜在属性及基础信息预测目标客户的潜在价值。本发明还公开了一种基于时空轨迹的客户价值评估系统、计算机设备、计算机可读存储介质。采用本发明，可根据目标客户的时空轨迹序列预测目标客户的潜在价值，精确度高，灵活性强。
客户价值评估方法系统计算机设备可读存储介质

[发明专利]一种时空序列异常模式挖掘方法及装置-CN202210730876.6在审
发明人：王玲;周南 -专利权人：北京科技大学
申请日： 2022-06-24 - 公布日： 2023-04-28 - 主分类号： G06F16/909 文献下载
摘要：本发明提出一种时空序列异常模式挖掘方法及装置，涉及异常模式挖掘及时空协同技术领域。确定所有空间位置的异常子序列集合；确定异常子序列之间的空间直接近邻关系与时间相交关系，确定时空协同异常事件的空间范围和持续时间；根据确定的空间范围和持续时间得到时空协同异常事件的自适应近邻值，通过所述自适应近邻值聚类时空协同异常事件，确定最终的时空异常模式，完成时空序列异常模式挖掘。针对时空序列数据的异常模式挖掘问题，提出了基于时空协同异常事件的时空序列异常模式挖掘算法，利用空间直接近邻的概念挖掘时空协同异常模式，通过一个时空协同异常事件度量，确定各事件密度，实现时空序列数据的异常模式挖掘
一种时空序列异常模式挖掘方法装置

[发明专利]基于时空邻近搜索的移动轨迹序列模式快速挖掘方法-CN201410605481.9有效
发明人：张海涛;张波波;黄慧慧;霍晓宇;葛国栋;姜杰;胡栋;沙超 -专利权人：南京邮电大学
申请日： 2014-10-31 - 公布日： 2018-01-19 - 主分类号： G06F17/30 文献下载
摘要：本发明提供一种基于时空邻近搜索的移动轨迹序列模式快速挖掘方法，基于空间转换的数据预处理，首先对原始的移动轨迹数据进行时空划分，并基于移动轨迹数据与时空格的匹配得到对应的时空格序列，然后建立时空格空间中2维几何空间所对应的有向无权图，并基于无权图的顶点与时空格序列的匹配得到对应的时空格序列集合；基于图的深度优先遍历的移动轨迹序列模式挖掘，在深度优先遍历的过程中，采用基于时空邻近搜索的方式进行模式增长，并利用顶点的时空格序列集合的关系运算进行移动轨迹序列模式支持度的计算
基于时空邻近搜索移动轨迹序列模式快速挖掘方法

[发明专利]一种风电场出力的时空序列模拟方法-CN201810186524.2在审
发明人：邹金;朱继忠;谢平平;禤培正 -专利权人：南方电网科学研究院有限责任公司
申请日： 2018-03-07 - 公布日： 2018-09-11 - 主分类号： G06F17/50 文献下载
摘要：本发明公开了一种风电场出力的时空序列模拟方法，包括：获取至少两个风电场的空间位置，得到所述风电场的空间权重矩阵；根据反变换公式对风电场出力的原始序列进行平稳正态化变换，得到变换后的序列；对变换后的序列根据时空自相关函数和时空偏自相关函数进行计算，得到时空自相关函数和时空偏自相关函数随空间延迟和时间延迟的变化关系；根据所得的时空自相关函数和时空偏自相关函数确定时空自相关移动平均模型的形式；利用样本数据对所述时空自相关移动平均模型进行参数估计，得到风电场出力时空序列模型采用本发明的实施例，能够模拟实测风电场出力序列的时间自相关性，也保证了多风电场出力序列的空间相关性在时间维度上的变化规律。
风电场自相关函数时空出力时空序列移动平均模型自相关矩阵空间相关性变化关系变化规律参数估计空间位置时间维度样本数据原始序列自相关性反变换空间权正态化实测延迟保证

[发明专利]一种时空数据预测方法和装置、及存储介质-CN202211299549.6在审
发明人：范俊杰;朱琳;袁向阳 -专利权人：中国移动通信有限公司研究院;中国移动通信集团有限公司
申请日： 2022-10-21 - 公布日： 2023-10-27 - 主分类号： G06N3/049 文献下载
摘要：本申请实施例提供了一种时空数据预测方法，该方法包括：获取时空序列数据；使用目标数据预测模型对时空序列数据进行预测，获得时空序列数据对应的预测结果；其中，目标数据预测模型包括注意力模块，注意力模块包括时间维度注意力、空间维度注意力以及时空维度注意力，通过目标数据预测模型中的注意力模块可以捕捉时空序列数据的时间维度相关性、空间维度相关性和时空维度相关性，使得时空序列数据对应的预测结果更加精准。
一种时空数据预测方法装置存储介质

[发明专利]时空序列异常检测方法、装置、设备、介质及程序产品-CN202210605854.7在审
发明人：胡铮;郭翊豪;朱新宁;孟昭阳 -专利权人：北京邮电大学
申请日： 2022-05-30 - 公布日： 2022-08-26 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种时空序列异常检测方法、装置、设备、介质及程序产品，该方法包括：根据历史时空序列的属性信息，对历史时空序列进行分桶离散处理，得到离散序列，确定离散序列对应的嵌入层参数矩阵；对离散序列进行独热编码操作，得到独热向量序列，根据嵌入层参数矩阵与独热向量序列，计算得到嵌入向量序列；将编码后的嵌入向量序列输入到特征提取器，得到目标嵌入向量；对嵌入向量序列和目标嵌入向量进行解码，得到解码结果，确定解码结果对应的分类结果；根据分类结果，确定待检测时空序列的异常程度。本发明通过分桶离散，独热编码和特征提取等操作实现了无监督的时空序列异常检测。
时空序列异常检测方法装置设备介质程序产品

[发明专利]用于对时空序列数据进行分类/预测的设备和方法-CN201510690684.7有效
发明人：刘博;杨文涛;祁仲昂;胡卫松;刘晓炜;邓敏 -专利权人：日本电气株式会社
申请日： 2015-10-22 - 公布日： 2022-03-18 - 主分类号： G06F16/29 文献下载
摘要：提供了一种用于对时空序列数据进行分类/预测的设备，包括：接收单元，被配置为接收时空序列数据；建模单元，被配置为基于时空序列数据产生与地理上的异构性有关的权重参数，并基于所产生的权重参数构建用于分类/预测的模型；以及分类/预测单元，被配置为采用所构建的用于分类/预测的模型对时空序列数据进行分类/预测。还提供了一种用于对时空序列数据进行分类/预测的方法。本发明提出的地理加权极限学习机考虑到地理空间的异构性，能够提高对时空序列数据进行分类或预测的精度。
用于时空序列数据进行分类预测设备方法

[发明专利]一种跨模态三维点云序列时空特征网络的行为识别方法-CN202210652520.5在审
发明人：侯振杰;尤凯军;钟卓锟;施海勇 -专利权人：常州大学
申请日： 2022-06-09 - 公布日： 2022-08-30 - 主分类号： G06V40/20 文献下载
摘要：本发明涉及神经网络技术领域，尤其涉及一种跨模态三维点云序列时空特征网络的行为识别方法，包括：通过坐标转换将深度图跨模态转换成点云序列；将每一帧点云序列输入由时空建模模块和时空信息注入模块构成的跨模态三维点云序列时空特征网络，得到带有时序信息的特征向量序列和空间结构信息特征向量序列，进行拼接作为全连接层的输入，并通过分类器进行人类行为识别。本发明通过抽象操作中加入了通道注意力和空间注意力层；并设计了时空建模模块和时空信息注入模块；通过时空信息注入模块为特征序列注入时间和空间特征信息以此加强时空维度的信息表征来弥补FPS带来的信息损失。
一种跨模态三维序列时空特征网络行为识别方法

[发明专利]用于构建时空神经网络和利用其进行预测的方法和设备-CN201510127794.2在审
发明人：祁仲昂;刘博;胡卫松 -专利权人：日本电气株式会社
申请日： 2015-03-23 - 公布日： 2016-11-23 - 主分类号： G06N3/02 文献下载
摘要：本公开涉及用于构建时空神经网络和利用其进行预测的方法和设备。根据本公开的一个示例实施方式，用于构建时空神经网络的方法可以包括：对时空序列数据集进行聚类，以将所述时空序列数据集在空间区域上划分成多个子区域；确定所述多个子区域中的各个子区域的时空相关性；以及基于所述各个子区域的时空相关性来构建所述时空神经网络根据本公开，通过考虑时空序列数据的异质性而构建出一种异质时空神经网络。利用该方法，时空模型可以构建得更加合理，而且能够在提高训练数据的拟合性能的同时，提高时空序列数据的预测精度。
用于构建时空神经网络利用进行预测方法设备

[发明专利]一种时空数据序列的压缩方法、装置及收集系统-CN201911100162.1在审
发明人：耿晓亮 -专利权人：北京京东振世信息技术有限公司
申请日： 2019-11-12 - 公布日： 2021-05-28 - 主分类号： H03M7/30 文献下载
摘要：本发明公开了一种时空数据序列的压缩方法、装置及收集系统，涉及计算机技术领域。该方法的一具体实施方式包括：根据时空数据序列中的位置坐标信息构建平滑去噪模型，其中，平滑去噪模型包括噪音测量矩阵、状态转换矩阵以及卡尔曼滤波方程；根据平滑去噪模型对时空数据序列进行平滑去噪处理；根据有损压缩算法对经过平滑去噪处理的时空数据序列进行压缩处理，以实现对时空数据序列的压缩。该实施方式能够识别并剔除噪音数据，实现了在保证较高精确度的情况下对时空数据序列压缩。
一种时空数据序列压缩方法装置收集系统

[发明专利]一种面向时空序列数据建模的多阶段深度学习方法及应用-CN202010570618.7在审
发明人：刘宏刚;李峰 -专利权人：苏州浪潮智能科技有限公司
申请日： 2020-06-19 - 公布日： 2020-11-03 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种面向时空序列数据建模的多阶段深度学习方法及应用。所述方法包括预处理时空序列数据；利用分类深度学习模型C‑CNN和回归深度学习模型R‑CNN进行时空序列数据中空间维度特征提取及模型训练；利用seq2seq模型进行时空序列数据中时间维度特征提取及模型训练本发明还公开了一种面向时空序列数据建模的多阶段深度学习设备，包括数据准备模块、空间特征提取模块和时间特征提取模块，适用于解决时空序列数据中的格栅数据问题，结合时间及空间特性完成预测结果生成，能有效减少异常值，可以自动化完成时空数据时间及空间特征提取、模型训练及测试，无需人工干预。
一种面向时空序列数据建模阶段深度学习方法应用

[发明专利]基于Transformer的视频时空超分辨率方法-CN202210346886.X在审
发明人：邢晓芬;曹俏钰;徐向民;郭锴凌 -专利权人：华南理工大学;中山市华南理工大学现代产业技术研究院
申请日： 2022-04-02 - 公布日： 2022-07-15 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了基于Transformer的视频时空超分辨率方法。所述方法包括以下步骤：采集视频时空超分辨率的模型训练样本；构建高帧率低分辨率视频序列生成模型，基于Transformer注意力机制的时域特征融合的生成中间帧，生成高帧率低分辨率视频序列；构建高帧率高分辨率视频序列生成模型，基于Transformer注意力机制的时空域特征融合，重建高帧率高分辨率视频序列；构建基于Transformer的视频时空超分辨率模型并训练，根据训练好的基于Transformer的视频时空超分辨率模型对视频序列进行视频时空超分辨率重建本发明结合了Transformer注意力机制获取了视频序列中的时空联系，实现了视频在时空上的超分辨率增强。
基于 transformer 视频时空分辨率方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条