-
公开(公告)号：CN107230351B
公开(公告)日：2019-08-09
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN106971548B
公开(公告)日：2019-06-07
申请号：CN201710352326.4
申请日：2017-05-18
Applicant: 福州大学
Abstract: 本发明涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。
-
公开(公告)号：CN108804392B
公开(公告)日：2021-11-05
申请号：CN201810543422.1
申请日：2018-05-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于时空约束的交通数据张量填充方法，获取不完整的交通数据，建立交通流数据张量；建立基于因子分解的张量填充模型；通过分析数据时空特性，构建时空约束张量，对所述基于因子分解的张量填充模型进行优化；进行加入时空约束的张量填充，恢复出原始交通数据。本发明提出的一种基于时空约束的交通数据张量填充方法，将一种基于因子分解的张量填充方法应用于交通数据恢复领域，并充分挖掘交通数据的时空相关性和低秩特性，提高了恢复完整交通数据的精度。
-
公开(公告)号：CN108830930B
公开(公告)日：2021-08-31
申请号：CN201810646991.9
申请日：2018-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于张量填充的自适应群智感知系统数据收集方法，包括以下步骤：步骤S1:建立三维空气质量模型，并设定三阶空气质量数据张量；步骤S2:根据建立的三维空气质量模型，采用均匀管进行空气数据采样；步骤S3:将均匀管采样得到的空气数据，进行基于张量子空间的迭代侧切片处理，得到处理后的空气数据；步骤S4:根据处理后的空气数据，通过基于子空间的张量填充方法进行数据恢复，得到完整的空气质量数据。本发明解决了群智感知系统中感知成本过大的问题，能够通过较低的样本预算取得高质量的感知数据，即利用自适应采样策略，提高了三维空气质量数据的重建精度。
-
公开(公告)号：CN106131154B
公开(公告)日：2019-06-07
申请号：CN201610503784.9
申请日：2016-06-30
Applicant: 福州大学
IPC: H04L29/08
Abstract: 本发明涉及一种移动无线传感器网络中基于核函数的压缩数据收集方法，其特征在于，包括以下步骤：步骤S01：基于随机游走算法收集传感器节点的数据；步骤S02：根据所述随机游走算法设计随机测量矩阵；步骤S03：设计稀疏表示矩阵；步骤S04：根据所述随机测量矩阵与稀疏表示矩阵对步骤S01收集到的传感器节点的数据进行压缩感知恢复。本发明提高了数据收集的效率，降低了节点能耗，减少了数据的收集时间，提高了数据收集的可靠性，进而延长网络的生命周期。
-
Patent Agency Ranking
公开(公告)号：CN108804392A
公开(公告)日：2018-11-13
申请号：CN201810543422.1
申请日：2018-05-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于时空约束的交通数据张量填充方法，获取不完整的交通数据，建立交通流数据张量；建立基于因子分解的张量填充模型；通过分析数据时空特性，构建时空约束张量，对所述基于因子分解的张量填充模型进行优化；进行加入时空约束的张量填充，恢复出原始交通数据。本发明提出的一种基于时空约束的交通数据张量填充方法，将一种基于因子分解的张量填充方法应用于交通数据恢复领域，并充分挖掘交通数据的时空相关性和低秩特性，提高了恢复完整交通数据的精度。
-
公开(公告)号：CN107230351A
公开(公告)日：2017-10-03
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
CPC classification number: G08G1/0125 , G06N3/0454 , G06N3/084 , G06Q10/04 , G06Q50/26
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN106971548A
公开(公告)日：2017-07-21
申请号：CN201710352326.4
申请日：2017-05-18
Applicant: 福州大学
CPC classification number: G08G1/0129 , G08G1/065
Abstract: 本发明涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。
-
公开(公告)号：CN107203934A
公开(公告)日：2017-09-26
申请号：CN201710383949.8
申请日：2017-05-26
Applicant: 福州大学
CPC classification number: G06Q40/00 , G06Q10/101
Abstract: 本发明涉及一种群智感知不对称信息场景中的激励方法，步骤如下：对群智感知场景进行特征提取并构建为数学模型，量化定义抽象概念，进行研究分析；再利用契约理论，将群智感知转换为契约关系，在不同场景中根据代理人存在的努力不可观测情况分析道德风险问题并求解契约，即给出最优报酬、最优努力方案。本发明利用契约理论设计群智感知下的激励机制，克服了在不对称信息场景中努力不可观测的现象，由于代理人与委托人利益相冲突，代理人容易伪装信息来使自身利益增大，从而使委托人利益减小，本发明设计出最优的报酬方案，有效地激励代理人按照契约执行任务，让委托人在群智感知中获得最大收益，具有一定的参考价值和实际经济效益。
-
公开(公告)号：CN106971547A
公开(公告)日：2017-07-21
申请号：CN201710352120.1
申请日：2017-05-18
Applicant: 福州大学
CPC classification number: G08G1/0129 , G08G1/065
Abstract: 本发明涉及一种考虑时空相关性的短时交通流预测方法。考虑时间相关性对目标检测点交通流的影响，获取短时交通流的时间关联预测值；利用层次聚类方法分析研究对象交通流的空间相关性，并确定几个关键的空间关联点；考虑空间关联点的交通流对目标检测点交通流的影响，获取短时交通流的空间关联预测值；采用“熵值法”融合时间关联预测值、空间关联预测值和现有方法的预测值，生成目标检测点短时交通流的最终预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可克服现有方法不能充分利用时空特征的不足，同时可进一步将时空关联预测结果和现有方法的预测结果进行融合，从而有效提升短时交通流预测结果的准确性。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.037 seconds)
