-
公开(公告)号：CN114169632B
公开(公告)日：2025-04-22
申请号：CN202111533794.4
申请日：2021-12-15
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/04 , G06F18/2415 , G06N3/0464 , G06N3/042 , G06N3/045 , G06N3/048
Abstract: 本发明涉及深度学习与城市交通规划技术交叉领域，具体涉及一种基于多视图客流变化趋势建模的客流分布预测方法及装置。该方法及装置根据当前时段从多视图角度使用节点和边一起构建动态完全图，节点和边分别提取出行地特征和目的站特征，将原有孤立的出行地节点与目的站节点通过节点间的关系构建起联系，并根据构建起的联系数据推算下个时段全网的客流分布量，使节点在交通路网中感知更多的相关信息，从而有效提升下游目的站点预测任务的准确率。
-
公开(公告)号：CN118780408A
公开(公告)日：2024-10-15
申请号：CN202310372236.7
申请日：2023-04-04
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/04 , G06Q50/40 , G06Q50/26 , G06N3/08 , G06N3/048 , G06N3/0464 , G06F18/25 , G06F18/24 , G06F18/214
Abstract: 本发明公开了一种出行方式分配结构的预测方法、装置、设备及存储介质，其中方法通过从起始区域和目的区域之间的自由出行数据、受限出行数据、预设的出行发生时段、以及基于区域的交通设施信息和行政特征信息预先构建的区域特征信息中提取得到自由出行和受限出行各自对应的输入特征，输入特征包括运输方式特征和出行自身特征，再将两者的输入特征分别输入至预先训练好的预测模型进行预测，得到自由出行和受限出行各自的总效用值，最后根据两者的总效用值计算得到自由出行和受限出行的结构比例。本发明能够利用出行方式的运输方式相关特征和出行方式自身的相关特征，结合效用值理论实现对两种出行方式的结构比例的预测，其预测准确性高。
-
公开(公告)号：CN118261318A
公开(公告)日：2024-06-28
申请号：CN202211651044.1
申请日：2022-12-21
Applicant: 中国科学院深圳先进技术研究院 , 澳门大学
IPC: G06Q10/063 , G06Q50/22 , G06Q50/26 , G06Q50/40 , G06F16/9537
Abstract: 本申请涉及一种乘客的出行路径估计方法、时空交集乘客的筛选方法，出行路径估计方法包括：获取目标乘客的出行记录，所述出行记录包括进站站点、进站时间、出站站点和出站时间；基于交通网络图，确定进站站点和出站站点之间的可行路径；若可行路径不包括换乘站点，则根据出站时间和列车时间表，确定下车车次；若可行路径包括一个换乘站点，则进一步根据所述进站时间和列车时间表，确定可能的上车车次；若可行路径包括多个换乘站点，则进一步根据到达换乘站点的换乘时间和列车时间表，确定可能的换乘车次，以所述可行路径和所述搭乘车次作为所述出行路径。本申请基于乘客的交通出行信息，可以估算出乘客在交通网络中的完整出行轨迹。
-
公开(公告)号：CN112529294B
公开(公告)日：2023-04-14
申请号：CN202011447063.3
申请日：2020-12-09
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/04 , G06N3/0464 , G06N3/047 , G06N3/08 , G06F16/29
Abstract: 本发明公开一种个体随机出行目的地预测模型的训练方法、存储介质和设备。训练方法包括：获取待预测出行个体所在站点的个体历史出行特征数据和群体历史出行特征数据以及全局站点静态特征数据；将获取的全局站点静态特征数据输入到特征转换网络，得到区域转换特征数据；将个体历史出行特征数据、群体历史出行特征数据和区域转换特征数据输入到目的地预测网络，得到目的站点预测数据；根据目的站点预测数据以及获取的目的站点真实数据更新损失函数；根据更新后的损失函数对特征转换网络和目的地预测网络的权重参数进行更新。在个体历史出行数据不足的情况下，通过上述训练方法，可实现有效训练，提高了模型对随机出行的预测准确率。
-
公开(公告)号：CN112489420A
公开(公告)日：2021-03-12
申请号：CN202011284239.8
申请日：2020-11-17
Applicant: 中国科学院深圳先进技术研究院
IPC: G08G1/01
Abstract: 本申请涉及一种公路交通状态预测方法、系统、终端以及存储介质。所述方法包括：获取交通路网，根据交通路网构建有向有权图；基于有向有权图，采用最短路径算法计算任意两个区域的最短花费时间，基于最短花费时间计算目标区域与其他区域在给定时间段内的空间注意力因子；基于空间注意力因子，在每个历史时间步聚合其他区域的交通数据，并将聚合后的交通数据与目标区域的交通数据进行拼接，生成包含动态时空信息的新的交通数据；将新的交通数据输入序列到序列模型中,对目标区域的交通状况进行多步预测。本申请实施例可以更准确、更全面地考虑到整个交通网络的时空特征对目标区域在不同预测时间段内的交通数据影响，从而取得精度更高的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN110866649A
公开(公告)日：2020-03-06
申请号：CN201911132859.7
申请日：2019-11-19
Applicant: 中国科学院深圳先进技术研究院
IPC: G06Q10/04 , G06F16/901 , G06N3/04 , G06Q50/30
Abstract: 本发明涉及时空数据挖掘或智慧交通技术领域，公开了一种短期地铁客流预测方法、系统及电子设备，该预测方法首先采集地铁源数据；特征提取模块提取客流特征矩阵，构建地铁的有向有权图，并搭建目标站点的邻近矩阵；根据所提取的客流特征矩阵和目标站点的邻近矩阵，建立图卷积神经网络模型，对目标站点在下一个时间段的客流进行预测；最后输出目标站点在下一个时间段的客流预测值。本发明不仅考虑到时间因素也考虑到地铁的空间因素，更加有效地预测了短时客流特征，提高了短期地铁客流预测的精度。
-
公开(公告)号：CN102063327A
公开(公告)日：2011-05-18
申请号：CN201010589580.4
申请日：2010-12-15
Applicant: 中国科学院深圳先进技术研究院
CPC classification number: Y02D10/24
Abstract: 本发明公开了一种具有功耗意识的数据中心应用服务调度方法，包括：S1：获取当前数据中心中所有节点服务器的状态，以及应用服务在节点的分布和资源占用情况；S2：利用历史日志数据和当前应用负载情况，采用多尺度时间序列回归分析方法对数据中心的每个应用服务负载进行预测；S3：根据预测的负载和当前应用负载情况，进行具有功耗意识的应用服务调度优化计算；S4：依据应用服务调度优化计算结果，对节点进行管理，对应用服务进行调度。本发明通过对服务器负载进行统一监控和统一管理，来选择服务的执行节点和调整节点的运行状态，从而有效降低整个数据中心的能耗。
-
公开(公告)号：CN114090704B
公开(公告)日：2024-06-07
申请号：CN202010772726.2
申请日：2020-08-04
Applicant: 中国科学院深圳先进技术研究院
Abstract: 提供了一种公共交通乘客的识别方法，包括：基于第一乘客出行数据源和第二乘客出行数据源分别获取包括多个第一逻辑出行的第一出行轨迹和包括多个第二逻辑出行的第二出行轨迹；将与第二逻辑出行匹配的第一逻辑出行归类于匹配逻辑出行集；获取匹配逻辑出行集中的第一逻辑出行的出行时间段和第二逻辑出行的出行时间段重叠的出行时间段及其所对应的重叠时长；对重叠时长进行衰减处理，以得到衰减处理后的重叠时长；根据衰减处理后的重叠时长计算出第一出行轨迹和第二出行轨迹的轨迹相似度；根据轨迹相似度对第一乘客和第二乘客进行识别。还提供了一种公共交通乘客的识别装置。本发明提高了不同数据源下同一乘客的识别准确率。
-
公开(公告)号：CN111860834B
公开(公告)日：2024-05-24
申请号：CN202010657269.2
申请日：2020-07-09
Applicant: 中国科学院深圳先进技术研究院
IPC: G06N3/084 , G06N3/0464
Abstract: 本申请涉及一种神经网络调优方法、系统、终端以及存储介质。所述方法包括：在神经网络的损失函数中加入类内间距正则化损失，得到基于类内间距正则化的损失函数；所述类内间距正则化损失表示所述神经网络输出的同一类别的数据的特征图之间的类内间距接近；在所述神经网络训练过程中，在设定比例的迭代次数中插入所述基于类内间距正则化的损失函数，采用网络优化算法与类内间距正则化算法交叠训练的方式对所述神经网络进行迭代训练，得到最优神经网络。本申请实施例通过在一定比例的迭代次数中插入类内间距正则化算法对神经网络进行迭代训练，在不改变神经网络结构的情况下，提升网络结构的泛化能力和抗干扰性，且由此带来的额外时间开销较小。
-
公开(公告)号：CN112365075A
公开(公告)日：2021-02-12
申请号：CN202011301121.1
申请日：2020-11-19
Applicant: 中国科学院深圳先进技术研究院
Abstract: 本申请涉及一种股票价格走势预测方法、系统、终端以及存储介质。所述方法包括：获取股票集合在预定天数的历史交易日的原始价格特征；构建股票集合的股权网络关系图，股权网络关系图中的每一个顶点分别对应一只股票；将股票集合的历史价格特征以及股权网络关系图输入深度学习模型，深度学习模型通过图卷积神经网络对股权网络关系图上的顶点进行特征聚合和非线性变换，提取股权网络关系图上各顶点之间的相互作用，并构建股票集合的新价格特征；将股票集合的新价格特征与原始价格特征拼接后输入门控循环神经网络，得到包含时间序列特征的新特征；根据该新特征对股票集合的股票价格走势进行预测。本申请可以大大提高股票价格走势预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.055 seconds)
