“陆超伦”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9个，建议您升级VIP下载更多相关专利

[发明专利]一种基于多智能体Actor-Critic和GRU的城市大路网交通信号控制方法-CN202310797286.X在审
发明人：虞妍;陆超伦;韩振兴;吴越 -专利权人：银江技术股份有限公司;浙江工业大学
申请日： 2023-06-29 - 公布日： 2023-10-17 - 主分类号： G08G1/07 文献下载
摘要：一种基于多智能体Actor‑Critic和GRU的城市大路网交通信号控制方法,具体步骤如下：S1、对于城市大型交通路网，将每个交叉口视为多智能体Actor‑Critic网络中的一个Agent，将路网上同一交叉口的车辆数量组合成对应交叉口的车辆总数Lkj，k表示从训练开始的第k时刻，j＝1,2,…,N，N为路网中交叉口的总数；同时记录k时刻该交叉口所有车辆的平均行驶速度Tkj和信号灯状态信息Akj；S2、数据预处理，删去不符合逻辑的异常卡口数据；S3、搭建路网模型，用于神经网络的训练平台；S4、将步骤S1中获取的路网实时交通信息组合成Actor‑Critic训练中的状态信息Skj和信号灯动作信息即信号灯状态信息Akj，进行Actor‑Critic训练；S5、最终得到的训练模型，根据各交叉口的交通信息和信号灯状态信息确定下一个状态的灯态。
一种基于智能 actor critic gru 城市路网交通信号控制方法

[发明专利]一种基于Double DQN和卷积神经网络的双交叉口交通信号控制方法-CN202310791738.3在审
发明人：虞妍;陆超伦;王瑞慷;张文广;罗鹏 -专利权人：银江技术股份有限公司;浙江工业大学
申请日： 2023-06-29 - 公布日： 2023-10-13 - 主分类号： G08G1/07 文献下载
摘要：一种基于Double DQN和卷积神经网络的双交叉口交通信号控制方法,具体步骤如下：S1、将相邻的两个交叉口的车道进行分段，以路段为单位收集两个交叉口之间的路网车辆交通信息数据，同时收集路网图像信息数据Mk和路网信号灯相位信息数据Pk；S2、对步骤S1中的数据进行预处理，并将数据输入卷积神经网络中得到路网交通状态‑动作集{Sk,Pk}，其中Sk为路网图像信息数据和车辆交通信息数据连接构成的路网交通状态向量，并搭建交通模拟平台的仿真模型；S3、利用路网交通状态‑动作集{Sk,Pk}和搭建的仿真模型训练Double DQN网络，并更新Double DQN网络中目标Q网络的参数；S4、根据训练得到的深度神经网络，该交叉口下一时刻所需的路网信号灯相位Pk+1。
一种基于 double dqn 卷积神经网络交叉口交通信号控制方法

[发明专利]一种基于动态知识表示学习的案件推理方法-CN201911097694.4有效
发明人：李永强;陈宇;冯远静;陆超伦;阮嘉烽;陈浩;周宇;陈成;任聪 -专利权人：浙江工业大学
申请日： 2019-11-12 - 公布日： 2022-04-05 - 主分类号： G06N3/04 文献下载
摘要：一种基于动态知识表示学习的案件推理方法，包括以下步骤：1)获取已破获案件的所有有关数据，划分为人员、案(事)件、物品、地点、机构五大类实体，并提取对应关系；2)将所提取出的事件以时间、实体、关系的形式存储为四元组的格式，并存入图数据库；3)基于梯度下降算法对高斯过程回归的超参数进行优化；4)使用的是一种循环神经网络模型，对四元组数据进行循环事件推理；5)使用图数据库进行一度、二度的关系查找，基于查找后的结果进行链接预测；6)对预测结果进行评价和排序。本发明以动态知识表示学习算法对四元组进行实体、关系嵌入，在已构建的知识图谱基础上进行训练和学习，推理出可能的犯罪嫌疑人，简化警务工作。
一种基于动态知识表示学习案件推理方法

[发明专利]一种基于自注意力的三元组抽取方法-CN202110539577.X在审
发明人：李永强;周宇;冯远静;陆超伦;陈成;姚辉;赵永智;李文伟 -专利权人：浙江工业大学
申请日： 2021-05-18 - 公布日： 2021-10-12 - 主分类号： G06F16/28 文献下载
摘要：一种基于自注意力的三元组抽取方法，包括以下步骤：1)根据登记在数据库中案件的简要描述，预先设定好案件需要抽取的实体类型和描述案件的三元组的模板；2)在案件的简要描述中，通过标注工具根据设定好的模板标注出描述中的三元组；3)利用Transformer模型作为核心来构建管道式的抽取系统；4)利用模型自身的自注意力结构来对实体冗余情况下的三元组进行建模；5)使用共享位置信息的方式和带有偏差的自注意力对三元组预测进行加速；6)对预测结果进行评价和排序。本发明以管道式关系抽取算法对数据中的非结构化数据进行提取，从而获得结构化的三元组数据，对数据的后续分析提供有力的帮助。
一种基于注意力三元抽取方法

[发明专利]基于高斯回归算法的K-Means聚类分析车道流量方法-CN201910021716.2有效
发明人：李永强;阮嘉烽;冯远静;杨程赞;陆超伦;童帅;陈宇;陈浩 -专利权人：浙江工业大学
申请日： 2019-01-10 - 公布日： 2020-12-01 - 主分类号： G06K9/62 文献下载
摘要：一种基于高斯回归算法的K‑Means聚类分析车道流量方法，包括以下步骤：1)获取某条交叉路口的过车流量统计数据；2)运用超参数优化的高斯回归算法进行平滑处理，得到回归后的车流函数；3)根据得到的车流函数，拟合画出平滑的流量曲线；4)设置初始最大聚类簇数，用K‑Means聚类的方法遍历各簇数值；5)利用轮廓系数法对聚类结果处理；6)通过阈值计算，合并近似簇后得到一个最佳聚类簇数值；7)以最佳聚类簇数值为新簇值，用K‑Means方法再一次聚类得到最后这一周最佳聚类效果；8)参考聚类结果给出相应的周最佳调度方案。本发明利用聚类算法把类似的流量分布的日期归为同一类，得到更加精确的流量分类结果。
基于回归算法 means 聚类分析车道流量方法

[发明专利]一种基于联合学习的警情知识图谱构建方法-CN202010413365.2在审
发明人：李永强;陈宇;冯远静;陆超伦;阮嘉烽;陈浩;周宇;陈成;任聪 -专利权人：浙江工业大学
申请日： 2020-05-15 - 公布日： 2020-10-02 - 主分类号： G06F16/36 文献下载
摘要：一种基于联合学习的警情知识图谱构建方法，包括以下步骤：1)获取已破获案件的所有有关数据，并以类型、时间、地点、人名、机构五大类实体对数据进行标注；2)对数据进行分词，并将分词后的文本作为输入，通过Transformer模型提取特征向量；3)将提取到的特征向量拆分为句子向量和词向量两部分，针对词向量，使用循环神经网络计算每个标签概率，针对句子向量，使用一个全连接层对样本进行分类；4)将两个任务的损失函数进行求和，得到最终的损失函数，基于该损失函数对模型进行学习和训练；5)将抽取出的结果保存图数据库中，并基于可视化结果进行案件分析。本发明构建知识图谱，简化警务分析工作。
一种基于联合学习情知图谱构建方法

[发明专利]基于高斯过程回归算法的智能交通时段划分方法-CN201910021704.X有效
发明人：李永强;冯远静;陈宇;杨程赞;陆超伦;童帅;阮嘉烽;陈浩 -专利权人：浙江工业大学
申请日： 2019-01-10 - 公布日： 2020-08-04 - 主分类号： G08G1/01 文献下载
摘要：一种基于高斯过程回归算法的智能交通时段划分方法，包括以下步骤：1)获取交叉口道路流量信息；2)运用高斯过程回归算法对获取的数据进行平滑处理；3)基于梯度下降算法对高斯过程回归的超参数进行优化；4)通过回归后的数据进行差分计算，得到相应的导数，即车流量的变化趋势；5)根据车流导数的不同变化特征，进行进一步的数据判别，将一日的交通状态划分成多个时段，为下一步配时方案的设计提供依据。本发明以高斯过程回归对数据进行处理，可以较好地反应实际的车流变化规律，更以导数为依据对时段进行划分，能够更加灵敏地反应车流的数据变化趋势，对路网的交通状况进行更为准确的识别，提高配时方案的有效性。
基于过程回归算法智能交通时段划分方法

[发明专利]基于傅里叶变换的数据驱动交叉口信号控制实际执行周期估计方法-CN201910021705.4在审
发明人：李永强;童帅;冯远静;杨程赞;陆超伦;阮嘉烽;陈宇;陈浩 -专利权人：浙江工业大学
申请日： 2019-01-10 - 公布日： 2019-04-05 - 主分类号： G08G1/07 文献下载
摘要：一种基于傅里叶变换的数据驱动交叉口信号控制实际执行周期估计方法，包括以下步骤：1)从数据库中获取某个路口某个车道某一整天的过车数据2)对该车道当天一整天的过车数据进行快速傅里叶变换；3)找到频域离散幅频序列Y(f)的波峰所对应的频率；4)找出信号机实际执行周期所对应频率，转化成周期。与现有技术相比，本发明提出了基于快速傅里叶变换的交叉口信号灯周期确定方法，将时域的问题转换到频域以达到准确计算信号灯周期的目的。
快速傅里叶变换傅里叶变换交叉口信号信号灯周期数据驱动周期估计频域车道问题转换交叉口信号机波峰时域数据库路口转化

[发明专利]一种基于ARIMA‑BP神经网络的桥梁监测数据预测方法-CN201610952022.7在审
发明人：余佩琼;吴丽丽;杨立;陆超伦;梁圣浩;周仁武 -专利权人：浙江工业大学
申请日： 2016-10-27 - 公布日： 2017-03-22 - 主分类号： G06F19/00 文献下载
摘要：一种基于ARIMA‑BP神经网络的桥梁监测数据预测方法，包括以下步骤1)桥梁监测数据的ARIMA(p,d,q)模型建立；2)通过ARIMA(p,d,q)模型对已存在实测数据的监测周期进行测值的估计，得到其估计值对不存在实测数据的期望预测周期进行测值估计，得其估值3)监测数据残差的获取将监测数据实际值与ARIMA(p,d,q)预测值相减得到预测结果残差4)BP神经网络残差预测过程；5)通过建立好的网络对预测周期内残差进行预测，得其估值6)将ARIMA(p,d,q)所预测的线性趋势信息与BP网络对残差的预测结果进行叠加，得到组合预测模型结果。本发明有效解析非线性信息、预测误差较小。
一种基于 arima bp 神经网络桥梁监测数据预测方法

1
共 9 条