公开(公告)号：CN111460332B

公开(公告)日：2020-10-30

申请号：CN202010336442.9

申请日：2020-04-26

Applicant: 成都信息工程大学 ,  成都申达森科技有限公司

Inventor： 乔少杰 ,  韩楠 ,  罗佳 ,  陈亮 ,  肖月强 ,  元昌安 ,  范勇强 ,  冉先进 ,  彭京 ,  甘戈 ,  孙科 ,  宋学江 ,  覃晓 ,  李斌勇 ,  许源平 ,  郑皎凌 ,  张吉烈 ,  张永清

IPC: G06F16/9537 ,  G06F16/9536 ,  G06F17/18 ,  G06Q50/00

Abstract: 本发明公开了一种基于用户生活轨迹的社会关系评估方法，具体为：采集若干用户的生活轨迹，将其分为训练集和测试集，并计算训练集中两两用户之间的轨迹相似度；根据训练集中用户关系构建地理位置因子图中的节点；分别构建基本特征因子函数、二元相似度因子函数和三元相似度因子函数；并根据因子函数构建地理位置因子图的全局概率分布模型；对全局概率分布模型进行训练，根据全局概率分布模型并通过最大和积传播算法对测试集中未知标签进行预测，得到社会关系评估结果。本发明提出了使用用户的轨迹相似度来表示用户位置信息间的关联，借助用户的位置关联预测用户之间的社会关系，使用户间社会关系的预测和识别更加精准。

公开(公告)号：CN111259133A

公开(公告)日：2020-06-09

申请号：CN202010054209.1

申请日：2020-01-17

Applicant: 成都信息工程大学 ,  四川省金科成地理信息技术有限公司 ,  成都探码科技有限公司

Inventor： 乔少杰 ,  韩楠 ,  沈杰 ,  宋学江 ,  程维杰 ,  魏军林 ,  张小辉 ,  丁超 ,  肖月强 ,  陈文林 ,  李斌勇 ,  张吉烈 ,  张永清 ,  何林波 ,  元昌安 ,  彭京 ,  周凯 ,  余华 ,  范勇强 ,  冉先进

IPC: G06F16/335 ,  G06F16/36 ,  G06F16/9535

Abstract: 本发明公开了一种融合多信息的个性化推荐方法，该方法包括采用word2vec算法和FM算法获得用户与项目的相似度，采用RippleNet算法得到用户与项目的预测点击概率，采用动态融合算法得到预测评分，基于预测评分为用户提供个性化推荐列表。本发明将知识图谱与评论内容作为多源数据，并使用不同算法对数据进行处理，并采用动态融合方法进行有效结合，为用户提供更精准的个性化推荐服务，能够实现更好的推荐效果，并且可以有效地解决数据稀疏带来的推荐准确性降低的问题。

公开(公告)号：CN111221329A

公开(公告)日：2020-06-02

申请号：CN201911222615.8

申请日：2019-12-03

Applicant: 西南交通大学 ,  成都信息工程大学

Inventor： 张吉烈 ,  乔少杰 ,  卢美鸿 ,  冯涛 ,  闫飞 ,  周一多

IPC: G05D1/02

Abstract: 本发明提供了一种自主车辆排队间距控制方法，包括以下步骤：建立单车定速控制系统；根据单车定速控制系统，通过多智能体理论得到多车车间距控制系统；设计内模补偿器的参数，并分析多车车间距控制系统的鲁棒性；根据多车车间距控制系统和分析的鲁棒性，对车辆进行仿真；根据仿真结果，将控制系统的内模补偿器运用到车辆中。本发明提供的自主车辆排队间距控制方法，使一辆车跟在另一辆车后面，与前面的车保持了一定的距离，这个距离几乎是恒定的，并通过设置内模补偿器的参数和防碰撞，避免车辆碰撞，解决了多车辆的排队问题；该方法不受车型限制，考虑了风的阻力，不涉及车辆的制动、干扰和不确定性。

公开(公告)号：CN110969260A

公开(公告)日：2020-04-07

申请号：CN201911007816.6

申请日：2019-10-22

Applicant: 成都信息工程大学 ,  泸州市城投智慧科技发展有限责任公司

Inventor： 乔少杰 ,  刘定祥 ,  孙科 ,  韩楠 ,  魏军林 ,  张永清 ,  许源平 ,  彭珍妮 ,  王伟 ,  元昌安 ,  冉先进 ,  范勇强 ,  彭京 ,  周凯 ,  黄萍 ,  郑皎凌 ,  何晓曦 ,  李斌勇 ,  覃晓 ,  张吉烈

IPC: G06N20/00 ,  G06K9/62

Abstract: 本发明涉及机器学习技术领域，提供了一种不平衡数据过采样方法，基于三角形重心特点，包括：S1、获取样本集，并对所述样本集进行正负样本划分，得到正样本集和负样本集；S2、获取正样本集坐标点位信息，根据所述正样本集坐标点位信息生成均值中心点；S3、识别所述正样本集中每一正样本到均值中心点的马氏距离，按马氏距离大小对所述正样本进行排序得到正样本序列；S4、根据所述正样本序列对正样本集进行分组生成正样本组，识别所述正样本组的重心，将所述重心位置标记为新正样本；S5、将所述新正样本并入至正样本集得到新正样本集，重复步骤S2-S4，得到与负样本数量相平衡的正样本数量；通过上述方法，本发明解决了机器学习中的过拟合现象。