-
公开(公告)号：CN115604027B
公开(公告)日：2023-03-14
申请号：CN202211496327.3
申请日：2022-11-28
Applicant: 中南大学
IPC: H04L9/40 , H04L41/142 , H04L41/16 , G06F18/214 , G06F18/241
Abstract: 本发明公开了一种网络指纹识别模型训练方法、识别方法、设备及存储介质，该训练方法包括获取蜂窝网络用户在第一时间段内的流量使用数据集；确定每个用户在每个第二时间段内的轨迹特征序列；计算每个用户与其他用户的轨迹相似度，确定每个用户的最相邻用户，并由每个用户的最相邻用户生成该用户的候选用户序列；根据每个用户的N1个轨迹特征序列及其候选用户序列生成该用户的正样本和负样本；构建用户网络指纹识别模型，利用训练样本集中的正样本和负样本对所述用户网络指纹识别模型进行训练，得到目标用户网络指纹识别模型。本发明能够提高复杂蜂窝场景下用户网络指纹的识别精度。
-
公开(公告)号：CN115619038A
公开(公告)日：2023-01-17
申请号：CN202211384461.4
申请日：2022-11-07
Applicant: 中南大学
IPC: G06Q10/04 , G06Q50/26 , G06N20/00 , G06F18/214 , G06F18/211
Abstract: 本发明涉及大数据领域，公开一种基于数据驱动的高速路网拥堵预测与成因分析方法及系统，以提高拥堵预测精度及拥堵成因解释性。方法包括：创建高速站点之间的路段连接关系，对待分析的高速路段的第一数据集进行预处理，采用归一化处理连续数据中站点在各个时刻的进出站流量数据和路段拥堵数据，并采用独热编码将类别数据中用于将各个时刻对应一周中的第几天、第二天是否为节假日、当天是否为节假日、一天中的第几个小时的时间特征转换为嵌入向量；通过信息增益方法从第一数据集中筛选出信息增益前K个特征构建第二数据集；基于极端梯度提升树对第二数据集中的数据进行路段拥堵预测；通过SHAP方法分析得出各个路段交通情况所受的影响因素。
-
Patent Agency Ranking
公开(公告)号：CN115620524A
公开(公告)日：2023-01-17
申请号：CN202211612325.6
申请日：2022-12-15
Applicant: 中南大学
IPC: G08G1/01 , G06Q10/04 , G06Q50/26 , G06N3/0464 , G06N3/048 , G06F18/2431
Abstract: 本发明公开了一种交通拥堵预测方法、系统、设备及存储介质，本方法通过获取多源异构数据集，获取交通事件数据、拥堵事件数据和站点流量数据；采用卷积神经网络提取拥堵事件数据、交通事件数据和待预测的交通拥堵之间的空间相关性特征；通过特征提取网络提取站点流量处理数据与拥堵的时间依赖关系特征；获取除交通事件数据、拥堵事件数据和站点流量数据之外的多种因素数据，并对多种因素数据进行多分类处理和独热编码处理，获得多种因素特征；将空间相关性特征、时间依赖关系特征和多种因素特征进行拼接，获得时空联合特征，并将时空联合特征输入至多层感知机模型中，获得待预测的交通拥堵的预测结果。本发明能够提高交通拥堵预测的精确度。
-
公开(公告)号：CN115620524B
公开(公告)日：2023-03-28
申请号：CN202211612325.6
申请日：2022-12-15
Applicant: 中南大学
IPC: G08G1/01 , G06Q10/04 , G06Q50/26 , G06N3/0464 , G06N3/048 , G06F18/2431
Abstract: 本发明公开了一种交通拥堵预测方法、系统、设备及存储介质，本方法通过获取多源异构数据集，获取交通事件数据、拥堵事件数据和站点流量数据；采用卷积神经网络提取拥堵事件数据、交通事件数据和待预测的交通拥堵之间的空间相关性特征；通过特征提取网络提取站点流量处理数据与拥堵的时间依赖关系特征；获取除交通事件数据、拥堵事件数据和站点流量数据之外的多种因素数据，并对多种因素数据进行多分类处理和独热编码处理，获得多种因素特征；将空间相关性特征、时间依赖关系特征和多种因素特征进行拼接，获得时空联合特征，并将时空联合特征输入至多层感知机模型中，获得待预测的交通拥堵的预测结果。本发明能够提高交通拥堵预测的精确度。
-
公开(公告)号：CN117352189A
公开(公告)日：2024-01-05
申请号：CN202311663738.1
申请日：2023-12-06
Applicant: 中南大学
IPC: G16H50/70 , G06F18/2433 , G06F18/213 , G06N3/042 , G06N3/048 , G06N3/08 , G06Q10/063 , G06Q50/22
Abstract: 本发明提供一种基于高阶拓扑结构的异常行为评估方法、系统及设备，该方法包括如下步骤：获取目标医院的历史诊疗数据；通过特征统计算法从历史诊疗数据中提取异常行为特征；结合历史诊疗数据和异常行为特征构建目标医院的异质图网络；基于编码器和对比损失函数构建图神经网络模型，并利用图神经网络模型从异质图网络中提取高阶拓扑结构特征；结合高阶拓扑结构特征和异常行为特征构建目标医院的异常行为评估模型；将历史诊疗数据输入至异常行为评估模型，并通过异常行为评估模型评估目标医院中的异常行为。本发明具有提升异常行为评估模型准确性的效果。
-
公开(公告)号：CN117352189B
公开(公告)日：2024-03-15
申请号：CN202311663738.1
申请日：2023-12-06
Applicant: 中南大学
IPC: G16H50/70 , G06F18/2433 , G06F18/213 , G06N3/042 , G06N3/048 , G06N3/08 , G06Q10/063 , G06Q50/22
Abstract: 本发明提供一种基于高阶拓扑结构的异常行为评估方法、系统及设备，该方法包括如下步骤：获取目标医院的历史诊疗数据；通过特征统计算法从历史诊疗数据中提取异常行为特征；结合历史诊疗数据和异常行为特征构建目标医院的异质图网络；基于编码器和对比损失函数构建图神经网络模型，并利用图神经网络模型从异质图网络中提取高阶拓扑结构特征；结合高阶拓扑结构特征和异常行为特征构建目标医院的异常行为评估模型；将历史诊疗数据输入至异常行为评估模型，并通过异常行为评估模型评估目标医院中的异常行为。本发明具有提升异常行为评估模型准确性的效果。
-
公开(公告)号：CN115604027A
公开(公告)日：2023-01-13
申请号：CN202211496327.3
申请日：2022-11-28
Applicant: 中南大学(CN)
IPC: H04L9/40 , H04L41/142 , H04L41/16 , G06F18/214 , G06F18/241
Abstract: 本发明公开了一种网络指纹识别模型训练方法、识别方法、设备及存储介质，该训练方法包括获取蜂窝网络用户在第一时间段内的流量使用数据集；确定每个用户在每个第二时间段内的轨迹特征序列；计算每个用户与其他用户的轨迹相似度，确定每个用户的最相邻用户，并由每个用户的最相邻用户生成该用户的候选用户序列；根据每个用户的N1个轨迹特征序列及其候选用户序列生成该用户的正样本和负样本；构建用户网络指纹识别模型，利用训练样本集中的正样本和负样本对所述用户网络指纹识别模型进行训练，得到目标用户网络指纹识别模型。本发明能够提高复杂蜂窝场景下用户网络指纹的识别精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
