“寄家豪”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]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：本公开的实施例公开了模型训练方法、数据调整方法、装置、设备和介质。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]一种基于时空势能场的城市人群流动预测系统及其方法-CN202211443067.3在审
发明人： 寄家豪;王静远;程佳伟 -专利权人：北京航空航天大学
申请日： 2022-11-17 - 公布日： 2023-03-03 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于时空势能场的城市人群流动预测系统及其方法，该系统包括：PEF提取模块和数据驱动模块；该方法包括：S1.将基于网格的历史城市人群流图分解为多个基于多叉树的历史势能场；S2.捕获历史势能场的短期相关性，引入门控机制来捕获历史势能场的长期相关性，并将短期相关性和长期相关性进行叠加形成时间相关性；S3.将加权定向注意机制以及多头注意力机制引入图注意力机制GAT来捕捉空间相关性，并与时间相关性进行融合，融合后的结果输入到MLP中用于输出势能场预测值；S4.根据势能场预测值推导相应的城市人群流图，从而完成城市人群流动预测。本发明能够更加精确有效地对城市人群流动进行预测。
一种基于时空势能城市人群流动预测系统及其方法

[发明专利]地区风险识别方法、图神经网络训练方法、系统及介质-CN202210796904.4在审
发明人： 寄家豪;孙彦苹;赵大燕;王静远;韩博洋;张钧波;郑宇 -专利权人：京东城市（北京）数字科技有限公司
申请日： 2022-07-05 - 公布日： 2022-10-14 - 主分类号： G06K9/62 文献下载
摘要：本公开提供了一种地区风险识别方法、图神经网络训练方法、地区风险识别装置、图神经网络训练装置、计算机系统、可读存储介质及计算机程序产品，涉及智能城市技术领域。地区风险识别方法包括：生成包括待识别地区的地区图，其中，地区图包括多个节点和多个连接边，节点用于表征地区，地区为用于运输物品的运输车辆途经的驻留地区，连接边用于表征两个节点之间的关联关系；对地区图进行特征提取，得到目标特征向量；基于目标特征向量，得到地区图中的待识别地区的风险识别结果。
地区风险识别方法神经网络训练系统介质

[发明专利]一种地块画像方法、装置、电子设备及计算机可读介质-CN202210832106.2在审
发明人：郜贺鹏;韩博洋;苏义军;张钧波;郑宇;寄家豪 -专利权人：京东城市（北京）数字科技有限公司
申请日： 2022-07-15 - 公布日： 2022-10-11 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了地块画像方法、装置、电子设备及计算机可读介质，涉及智能城市技术领域，该方法包括：获取轨迹数据和所述轨迹数据对应的标识信息；根据轨迹数据，生成驻留点序列；将驻留点序列与预设的地块信息进行匹配，进而生成地块访问序列；基于预设的目标维度对地块访问序列进行特征提取，以生成对应各标识信息的时空特征；基于各时空特征，生成地块访问序列中各地块的地块画像。基于得到的地块画像，可以辅助城市区域细粒度管理，对检测特种物质运输、区域间流转的异常、危险区域预警、区域精准广告投放、交通流量分析和城市规划提供支持，提高对地块的多个维度进行打分标注的效率及准确率，减少了人力参与，降低数据处理成本。
一种地块画像方法装置电子设备计算机可读介质

[发明专利]一种用于城市流量预测的时空微分方程网络-CN202210389031.5在审
发明人： 寄家豪;王静远;姜佳伟;张虎 -专利权人：北京航空航天大学
申请日： 2022-05-16 - 公布日： 2022-09-13 - 主分类号： G06F30/27 文献下载
摘要：本发明提供了一种用于城市流量预测的时空微分方程网络，包括：集成在一个框架内的深度学习模型和物理动态过程，物理动态过程基于能量传递微分方程构建路网节点的交通势能场序列演化动态方程；深度学习模型：包括编码器、时空微分方程网络和解码器；编码器用来将交通流量映射成势能场，然后采用时空微分方程网络来预测势能场的变化，最后通过一个解码器将势能场转化为交通流量。本发明可以弥合数据驱动模型以及物理驱动模型之间的不足，该模型可以兼具数据驱动模型的性能优势以及物理模型的可解释性。
一种用于城市流量预测时空微分方程网络

[发明专利]基于时空势能场的城市交通流量可解释预测方法-CN202011269906.5有效
发明人：王静远;寄家豪;张虎;吕卫锋 -专利权人：北京航空航天大学
申请日： 2020-11-13 - 公布日： 2022-03-15 - 主分类号： G08G1/01 文献下载
摘要：本发明公开了一种基于时空势能场的城市交通流量可解释预测方法，用一系列时空势能场来建模交通流量背后的物理机制。首先采用风场分解算法把交通流量分解成为时空势能场，然后为时空势能场设计包含时间模块和空间模块的深度模型来分别建模动态时空依赖，预测出未来时空势能场，最后用预测得到的未来时空势能场来推理交通流量，使得交通流量的变化有迹可循。本发明的方法既具有深度学习方法在性能方面的优越性，又能够对交通流量的预测结果进行物理层面的解释，在一定程度上推进了深度学习方法在智能交通领域的应用。
基于时空势能城市交通流量可解释预测方法