-
公开(公告)号：CN110969190B
公开(公告)日：2023-05-12
申请号：CN201911080527.9
申请日：2019-11-07
Applicant: 厦门大学
IPC: G06V20/54 , G06V20/62 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06Q50/26
Abstract: 本发明公开了一种非法营运车辆检测方法、介质、设备及装置，其中方法包括：获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征；根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到深度神经网络进行模型的训练，以生成非法营运车辆检测模型；获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；能够对非法营运车辆进行快速、有效地检测，提高交通管理部门的效率，节约所需人力物力；同时，降低对道路交通和合法驾驶车辆人员的影响。
-
公开(公告)号：CN115796287A
公开(公告)日：2023-03-14
申请号：CN202211226943.7
申请日：2022-10-09
Applicant: 厦门大学
IPC: G06N5/045 , G05B19/042
Abstract: 本发明公开了一种基于深度学习的场所流量控制方法、系统及可读介质，通过获取人员数据、场所数据和办公数据，根据人员数据确定对应的空间因素、移动因素和健康因素，并基于空间因素、移动因素和健康因素构建雷达图，根据雷达图确定人员的健康状态评分；根据场所数据的历史流量数据采用经训练的LSTNet模型预测得到未来对应时刻的流量数据，并结合实际流量数据确定场所的负载状况；根据人员的健康状态评分、场所的负载状况和办公数据确定该人员进入该场所的权限；根据人员的健康状态评分、场所的负载状况通过排队论模型计算出该人员进入该场所的排队平均等待时间，该方法具有更细的细粒度，提供人员等待时长，避免人员拥挤，有利于场所内人流量的管控。
-
公开(公告)号：CN109119155B
公开(公告)日：2022-01-28
申请号：CN201810718023.4
申请日：2018-07-03
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度学习的ICU死亡危险性评估系统，包括：ICU历史数据库，其中存储有历史病人的体征数据集及历史病人真实的最终状态；第一数据预处理模块，其从所述ICU历史数据库中提取所述历史病人的体征数据集并进行预处理，获得训练样本数据，同时提取病人真实的最终状态对所述训练样本数据赋予标签；第二数据预处理模块，其提取由所述人机交互模块录入的待评估病人的体征数据并进行预处理；死亡风险评估模块，其基于双向监督型LSTM神经网络构建；其从所述第一数据预处理模块获取训练样本数据及标签值进行模型训练，利用训练好的模型从所述第二数据预处理模块获取待评估病人的体征数据进行评估，最后通过所述人机交互模块输出评估结果。
-
公开(公告)号：CN108985475B
公开(公告)日：2021-07-23
申请号：CN201810609232.5
申请日：2018-06-13
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度神经网络的网约车召车需求预测方法，包括：S1、对城市路网进行区域划分，并计算统计各个区域的网约车召车需求量；S2、设计网约车召车需求预测模型：基于深度神经网络，学习和训练召车需求时空特征，并结合天气影响因素对网约车用户召车意愿的影响因子，预测下一时间段的区域召车需求量；S3、根据历史数据对区域召车需求预测模型进行训练，再利用训练好的模型对各个区域的网约车召车需求量进行预测。本方法通过融合外部因素和时空相关性，利用深度神经网络来表达网约车召车需求量的复杂的非线性时空相关性特征，能够取得较高的预测精度。
-
公开(公告)号：CN112862240A
公开(公告)日：2021-05-28
申请号：CN202011612210.8
申请日：2020-12-30
Applicant: 厦门大学
Abstract: 本发明提供一种基于城市大数据的道路障碍风险评估方法、装置和可存储介质，方法包括：城市路网提取：统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；路网特征提取：提取每个路网网格对应的时空和情境特征；道路障碍风险预测：通过社交网络数据，爬取特定字段，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，获取各个时段各个路网网格无发生道路障碍事件数据；基于Self‑training自训练模型的模型预测；本发明提供的方法，基于多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。
-
Patent Agency Ranking
公开(公告)号：CN112016735A
公开(公告)日：2020-12-01
申请号：CN202010693026.4
申请日：2020-07-17
Applicant: 厦门大学
Abstract: 本发明公开一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质，方法具体包括如下步骤：将离散的交通违法事件匹配到道路网络，得到交通违法热点候选区域；提取交通违法热点候选区域的相关时空特征组成数据集；采用拔靴抽样法从数据集中抽取三组训练数据集，分别用三组训练数据集通过协同训练与主动学习训练三组预测模型，所述预测模型采用树集成模型；利用所述三组预测模型，对无标签交通数据进行分类，预测未来交通违法热点的分布情况；根据交通违法热点分布情况，进行交警巡逻路线的建模和优化。本发明提供的方法能够低成本、高覆盖、实时的感知预测城市中的交通违法热点并规划交警巡逻路线，帮助城市交通管理部门全面深入地掌握城市中的交通违法热点，并且高效地规划交警巡逻路线。
-
公开(公告)号：CN108630322B
公开(公告)日：2020-08-14
申请号：CN201810394583.9
申请日：2018-04-27
Applicant: 厦门大学
Abstract: 本发明涉及一种药物相互作用建模与风险评估方法、终端设备及存储介质，在该方法中，包括以下步骤：S100：从电子病历数据库中获取药物联用清单，根据其内的药物联用情况构建药物相互作用风险评估模型；S200：在药物相互作用风险评估模型中输入待查询的药物名称，若药物相互作用风险评估模型中已存在待查询药物组的药物联用情况信息，输出对应的药物相互作用的风险评估信息；S300：若不存在，则利用该药物组中药物的成分信息构建药物相似性矩阵，结合药物相似性矩阵和药物相互作用风险评估模型，输出对应的药物相互作用的风险评估信息。本发明通过药物相互作用风险评估模型输出药物相互作用的风险评估信息，对临床药物合理联用提供准确有效的决策依据。
-
公开(公告)号：CN110969190A
公开(公告)日：2020-04-07
申请号：CN201911080527.9
申请日：2019-11-07
Applicant: 厦门大学
Abstract: 本发明公开了一种非法营运车辆检测方法、介质、设备及装置，其中方法包括：获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征；根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到深度神经网络进行模型的训练，以生成非法营运车辆检测模型；获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；能够对非法营运车辆进行快速、有效地检测，提高交通管理部门的行政执法效率，节约执法过程所需人力物力；同时，降低执法过程对道路交通和合法驾驶车辆人员的影响。
-
公开(公告)号：CN115496121A
公开(公告)日：2022-12-20
申请号：CN202210466824.2
申请日：2022-04-29
Applicant: 厦门大学
Abstract: 本发明公开了一种基于联邦学习的模型训练方法及装置，其中方法包括：在每轮通信中，服务器获取用户上传的模型参数和训练损失，并更新用户历史梯度列表，其中用户历史梯度列表包括所有用户最新的梯度和该梯度所属的轮数；服务器计算出当前轮采样到的用户的平均梯度；服务器计算出当前轮未采样到的用户历史梯度中与平均梯度两两之间余弦夹角值中的最小值，通过一个带约束的非线性规划目标函数优化得到该轮更新的全局梯度，从而得到最终聚合后的模型；由此，在不损害未采样到的用户模型的前提下优化了全局模型，提升了模型在当前轮对未采样到的用户的代表性，降低了服务器选择用户时的采样偏差的负面影响，从而提高了联邦学习模型的准确度和公平性。
-
公开(公告)号：CN114387580A
公开(公告)日：2022-04-22
申请号：CN202210010060.6
申请日：2022-01-06
Applicant: 厦门大学
IPC: G06V20/58 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于联邦学习的模型训练方法及装置，其中方法包括：采集每个客户端对应的三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片；获取服务器端的全局模型，并根据道路点云二维灰度分块图片对全局模型进行训练及计算，以得到每个客户端对应的模型参数和道路标识权重，并将每个客户端对应的模型参数和道路标识权重发送给服务器端以对每个客户端对应的模型进行加权平均以得到更新后的全局模型，并发送给每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型；由此，通过各个客户端正负样本占比设置权重，实现了客户端的公平聚合，从而提高了联邦学习模型的准确度和公平性。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.111 seconds)
