“张安勤”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5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于DTW动态规划算法的时空融合图生成方法-CN202310542110.X在审
发明人：顾兆岭;张安勤;陈菁菁 -专利权人：上海电力大学
申请日： 2023-05-12 - 公布日： 2023-10-13 - 主分类号： G06F18/25 文献下载
摘要：本发明公开了一种基于DTW动态规划算法的时空融合图生成方法，包括采集数据，形成数据集；将处理的数据集进行标准化；通过DTW动态规划算法将时间特征数据生成时间元图TG；通过数据集给出的空间特征数据生成空间元图SG以及描述时间连通性的时间连通元图TC；将生成的时间元图TG与空间元图SG和时间连通元图TC选择两个组成主对角线矩阵和次对角线矩阵，并各选一个融合成为时空融合图。本发明解决了现有方法存在的只能利用两个分离的模块来分别捕获时间和空间相关性的问题，减少了在捕获相关性时所需的内存空间，极大的减少了对数据进行处理的计算量。
一种基于 dtw 动态规划算法时空融合生成方法

[发明专利]一种基于注意力时空图卷积网络交通流速度的预测方法-CN202310532634.0在审
发明人：孙勇;张安勤;陈菁菁 -专利权人：上海电力大学
申请日： 2023-05-11 - 公布日： 2023-09-19 - 主分类号： G08G1/01 文献下载
摘要：本发明公开了一种基于注意力时空图卷积网络交通流速度的预测方法，其特征在于：数据集预处理；将数据集输入动态卷积注意力模块，获取数据的时间特征；将数据集输入空间特征扑捉器，获取数据的空间特征；将获取的数据时间特征和空间特征特征通过门控机制动态融合得到时空特征矩阵；将时空特征矩阵输入神经网络，产生预测输出；训练并保存模型；将测试集输入训练好的模型得到预测结果。本发明增强了模型捕获交通流速度数据的空间相关性的能力，解决了现有方法在长期预测路网交通流速度数据存在误差较大的问题。
一种基于注意力时空图卷网络通流速度预测方法

[发明专利]一种基于多时空图融合卷积网络的交通速度预测方法-CN202310410241.2在审
发明人：顾兆岭;张安勤;陈菁菁 -专利权人：上海电力大学
申请日： 2023-04-17 - 公布日： 2023-09-12 - 主分类号： G08G1/052 文献下载
摘要：本发明公开了一种基于多时空图融合卷积网络的交通速度预测方法，其特征在于：包括接收预测请求并采集数据；根据采集的数据，将其处理成标准化的数据集；根据标准化的数据集生成元图；利用生成的元图得到时空融合图；根据得到的时空融合图，经全连接层输入到堆叠层，经过堆叠多层后通过两层全连接层得到预测结果。本发明解决了现有交通速度预测方法的不足，利用一个模块同时捕获时空相关性，并且分别利用多图融合卷积模块和门控多分支卷积模块来捕获局部和全局的时空相关性之间的关系。此外，本发明根据基于多时空图融合卷积网络的算法模型，有效降低了的计算复杂度并提高了预测结果的准确度。
一种基于多时融合卷积网络交通速度预测方法

[发明专利]一种基于特征注意力的交通流速度预测方法-CN202310469817.2在审
发明人：孙勇;张安勤;陈菁菁 -专利权人：上海电力大学
申请日： 2023-04-27 - 公布日： 2023-08-08 - 主分类号： G08G1/052 文献下载
摘要：本发明公开了一种基于特征注意力的交通流速度的预测方法，涉及时空序列数据预测方法技术领域，包括获取交通流数据，制作数据集，并进行预处理；获取数据时间特征矩阵和数据空间特征矩阵，通过门控融合机制动态融合得到时空特征矩阵；将时空特征矩阵输入特征注意力网络，更新时空特征矩阵；将更新后的时空特征矩阵输入神经网络，产生预测输出；训练基于特征注意力机制模型；将数据输入训练好的模型中得到预测结果。本发明克服了卷积池化操作丢失部分特征信息而在长距离预测时误差大的问题，动态地融合数据的时空特征，使模型获取时空信息的适应能力更强，具有预测结果更稳定、预测精度更高的特点。
一种基于特征注意力通流速度预测方法

[发明专利]一种基于生成对抗网络的不平衡数据集的预测方法-CN202210369157.6在审
发明人：彭柏程;张安勤 -专利权人：上海电力大学
申请日： 2022-04-08 - 公布日： 2022-06-28 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于生成对抗网络的不平衡数据集的预测方法，主要流程为：接收预测请求；采集数据，形成数据集，明确数据集中的特征与标签及少数类样本和多数类样本的数量；将数据集中的非数值特征列以及标签列转变为分类数值；将处理的数据集进行标准化，并将标准化后数据集中的多数类样本和少数类样本进行分离；用条件生成对抗网络合成少数类样本，形成平衡数据集；将平衡数据集划分为训练集和测试集；构建卷积神经网络，用划分好的训练集训练卷积神经网络，得到训练好的卷积神经网络；最后，将测试集输入训练好的卷积神经网络得到预测结果。本发明预测方法，解决了现有方法存在处理大数据时生成少数类样本非常困难甚至不能生成的问题。
一种基于生成对抗网络不平衡数据预测方法