-
公开(公告)号：CN115905295A
公开(公告)日：2023-04-04
申请号：CN202211712045.2
申请日：2022-12-29
IPC: G06F16/242 , G06F16/532 , G06F16/583 , G06F16/58
Abstract: 本发明提供了一种基于VF2算法的SPARQL查询子图模式匹配方法，包括以下步骤：将SPARQL查询语句以SPARQL查询图的形式呈现，根据链型识别规则以及星型识别规则将SPARQL查询图分为链型查询图以及星型查询图；建立VF2算法的基本匹配规则，并根据链型查询图的结构信息与语义信息建立链型匹配规则，根据星型查询图的结构信息与语义信息建立星型匹配规则；根据链型识别规则以及星型识别规则将RDF数据库中的RDF数据图分为链型数据图以及星型数据图；使用VF2算法分别将链型查询图与链型数据图以及星型查询图与星型数据图进行匹配，过滤得到匹配集合并输出结果。本发明提供的SPARQL查询子图模式匹配方法充分利用RDF数据图与SPARQL查询图的结构和语义信息从而提高查询效率。
-
公开(公告)号：CN115309754B
公开(公告)日：2023-03-10
申请号：CN202211238794.6
申请日：2022-10-11
IPC: G06F16/22 , G06F16/2455 , G06F16/25
Abstract: 本发明公开了一种基于信息稀疏情形的混频预测方法、装置及设备，通过构建多输入混频数据存取工具包，整合不同类型数据信息；制定信息稀疏水平判断规则以及指标频率转化目标；若指标信息稀疏水平无法满足指标频率转化要求，则对指标集进行插值处理，直至达到频率转化要求，形成分析指标集；混合不同模型开展预测，利用AIC信息准则形成预测结果；存储预测结果，并转化为形状数据，并通过可视化技术进行展示。本发明解决了混频预测分析中因低频指标观测数量过少，导致无法得到准确结果的问题。
-
公开(公告)号：CN115309754A
公开(公告)日：2022-11-08
申请号：CN202211238794.6
申请日：2022-10-11
IPC: G06F16/22 , G06F16/2455 , G06F16/25
Abstract: 本发明公开了一种基于信息稀疏情形的混频预测方法、装置及设备，通过构建多输入混频数据存取工具包，整合不同类型数据信息；制定信息稀疏水平判断规则以及指标频率转化目标；若指标信息稀疏水平无法满足指标频率转化要求，则对指标集进行插值处理，直至达到频率转化要求，形成分析指标集；混合不同模型开展预测，利用AIC信息准则形成预测结果；存储预测结果，并转化为形状数据，并通过可视化技术进行展示。本发明解决了混频预测分析中因低频指标观测数量过少，导致无法得到准确结果的问题。
-
公开(公告)号：CN114756605B
公开(公告)日：2022-09-16
申请号：CN202210663909.X
申请日：2022-06-14
IPC: G06F16/2458 , G06F16/22 , G06F16/28 , G06Q40/06
Abstract: 本发明公开了一种基于时间序列数据的混频预测方法及系统，包括原始数据获取模块、时间序列处理模块、混频数据预测模块和存储与展示模块；其中，原始数据获取模块，集成了多种平台获取数据的方式，从而获取高频和低频时间序列数据；时间序列处理模块对获取到的原始数据进行傅里叶变换，捕捉时间序列数据的周期频率，然后对时间序列进行分解，获取趋势序列、周期序列和残差序列；混频数据预测模块以高频时间序列数据作为自变量，以低频时间序列数据作为因变量，构建MIDAS混频模型，并拟合得到低频变量的预测值；存储与展示模块对最终的预测结果进行存储和展示。本发明适用范围广、操作便捷，预测时效性和准确率较高。
-
公开(公告)号：CN114756605A
公开(公告)日：2022-07-15
申请号：CN202210663909.X
申请日：2022-06-14
IPC: G06F16/2458 , G06F16/22 , G06F16/28 , G06Q40/06
Abstract: 本发明公开了一种基于时间序列数据的混频预测方法及系统，包括原始数据获取模块、时间序列处理模块、混频数据预测模块和存储与展示模块；其中，原始数据获取模块，集成了多种平台获取数据的方式，从而获取高频和低频时间序列数据；时间序列处理模块对获取到的原始数据进行傅里叶变换，捕捉时间序列数据的周期频率，然后对时间序列进行分解，获取趋势序列、周期序列和残差序列；混频数据预测模块以高频时间序列数据作为自变量，以低频时间序列数据作为因变量，构建MIDAS混频模型，并拟合得到低频变量的预测值；存储与展示模块对最终的预测结果进行存储和展示。本发明适用范围广、操作便捷，预测时效性和准确率较高。
-
Patent Agency Ranking
公开(公告)号：CN114595396A
公开(公告)日：2022-06-07
申请号：CN202210490648.6
申请日：2022-05-07
IPC: G06F16/9535 , G06N20/20
Abstract: 本发明公开了一种基于联邦学习的序列推荐方法和系统，属于个性化推荐领域和用户隐私保护领域。本发明将用户的个人信息、实时和历史数据都存放在本地，每个客户端能够根据自己的历史数据进行状态表示，捕捉用户与物品之间的交互关系，并基于深度强化学习将推荐过程看做一个序列化决策过程；本发明在联邦学习的聚合算法中引入了注意力机制，考虑到各个客户端提取特征信息的相关性，以及各个客户端的个性化带来的数据差异性，为每一个客户端制定权重系数，这是一种细粒度的重新赋权的手段，增加了数据的个性化程度，提高了推荐准确率，更加适合序列推荐领域，在保护个人数据隐私的同时，实现对用户的个性化推荐。
-
公开(公告)号：CN113988203A
公开(公告)日：2022-01-28
申请号：CN202111298174.7
申请日：2021-11-01
IPC: G06K9/62
Abstract: 本发明涉及数据挖掘领域，具体涉及一种基于深度学习的轨迹序列聚类方法，包括以下步骤：步骤1，预训练层：使用序列到序列的自编码器模型，学习轨迹数据的低维特征表示；步骤2，初始聚类层：对预训练层获得的轨迹特征表示执行多次K‑Means聚类算法，并选择最优聚类结果中的聚类中心作为初始的簇中心。步骤3，联合训练优化层：联合轨迹聚类和深度特征提取方法，提出结合序列到序列自编码器模型重构误差和聚类误差的优化损失函数，将轨迹特征表示映射到更加适合聚类的特征空间。
-
公开(公告)号：CN119960742A
公开(公告)日：2025-05-09
申请号：CN202510444798.7
申请日：2025-04-10
Applicant: 之江实验室
Abstract: 本申请公开了一种基于多智能体协同的代码生成方法、装置、介质及设备，获取用户输入的描述信息，将描述信息输入到预设的大语言模型中，以确定出描述信息对应的特征向量，将特征向量输入到任务智能体，以确定出执行所需代码生成任务的各子任务，通过任务智能体，将各子任务中的检索子任务的任务信息发送给检索智能体，以检索得到代码生成任务所需的目标知识信息，通过任务智能体，将目标知识信息以及各子任务中包含的至少一个代码块生成子任务对应的任务信息发送给代码生成智能体，以最终生成用户所需的软件代码。本申请可以自动完成生成软件代码所需知识的检索，并自动生成软件代码，提高软件代码的生成效率同时，保证生成的软件代码的稳定性。
-
公开(公告)号：CN119315550B
公开(公告)日：2025-03-07
申请号：CN202411833084.7
申请日：2024-12-13
Applicant: 之江实验室
IPC: H02J3/00 , G06N3/0464 , G06N5/025 , G06N3/049 , G06N3/08
Abstract: 本发明涉及基于因果特征的电力负荷预测方法、装置和介质，方法包括：获取的实际电力负荷影响因素数据，将实际电力负荷影响因素数据输入训练完成的电力负荷预测模型，输出实际的电力负荷预测结果；其中，所述电力负荷预测模型的训练过程为：S1、获取历史电力负荷数据，S2、对所述历史电力负荷数据进行预处理；S3、计算归一化因果熵；S4、构建因果分析神经网络，在因果分析神经网络中将原因序列和对应的因果强度相乘，基于损失函数优化因果分析神经网络，得到电力负荷预测模型。与现有技术相比，本发明具有提高负荷预测结果的可解释性以及准确性等优点。
-
公开(公告)号：CN118012963B
公开(公告)日：2024-10-08
申请号：CN202410163290.5
申请日：2024-02-05
Applicant: 之江实验室
Abstract: 本发明公开了一种低代码数据探索方法及装置，装置包括：数据源链接器、多维模型构建器、交互探索分析器和可视报表生成器；数据源链接器链接与管理各类数据源，接收交互探索分析器的命令并执行返回取数结果；多维模型构建器根据数据源链接器提供的目标数据源信息定义逻辑数据集并构建多维分析模型；交互探索分析器通过用户界面进行交互，根据多维分析模型映射结果自动生成命令发送至数据源链接器并根据返回的取数结果进行可视组件渲染；可视报表生成器通过数据看板进行可视组件集成与布局以及全局配置和组件联动的高级探索。本发明能够实现对多种数据源的轻量化快速自定义探索分析和高级探索，适用于精细化运营和商业报表等多种应用场景。
-
-
-
-
-
-
-
-
-
Search Results
188
records
(took 0.035 seconds)
