-
公开(公告)号：CN115422317A
公开(公告)日：2022-12-02
申请号：CN202211372937.2
申请日：2022-11-04
Applicant: 武汉大学
Abstract: 本发明公开了一种语义标签约束的地理信息检索意图形式化表达方法，主要步骤包括：1）结合用户检索需求及认知习惯，概括和抽象地理信息资源检索意图的基本组成要素及其逻辑关系，构建“意图‑子意图‑维度分量”多维多层次的检索意图模型，其中维度分量由维度标识符、关系及正、负标签组成；2）结合相关元数据规范构建地理信息资源检索意图维度树，为意图描述提供参考；3）基于地理本体扩展意图维度分量，对意图进行语义化描述。本发明的检索意图形式化表达方法旨在建立地理信息资源检索意图的统一描述机制，为意图传递与识别提供表示模型，以满足检索需求复杂且表达受限情景下资源精准发现的需求。
-
公开(公告)号：CN110689055B
公开(公告)日：2022-07-19
申请号：CN201910854444.4
申请日：2019-09-10
Applicant: 武汉大学
Abstract: 本发明公开了一种顾及格网单元属性分级的跨尺度统计指标空间化方法，首先在粗粒度行政单元尺度分析待空间化统计指标与多源数据之间的相关性，选取与待空间化统计指标具有较高相关性的数据作为建模辅助数据；然后采用分级方法对各类建模辅助数据的格网统计值进行分级，并确定每一类建模辅助数据的最佳分级数量；接着，在行政单元尺度，构建等级占比特征向量并输入回归模型进行训练；接下来在细粒度格网单元尺度，按照各类辅助数据的最佳等级划分为各格网单元构建特征向量，输入回归模型得到各格网单元的统计指标权重；最后将行政单元内待空间化的统计指标总值按权重分配到各个格网单元中得到最终格网统计值。本发明的方法可以大大提高预测精度。
-
公开(公告)号：CN113204718A
公开(公告)日：2021-08-03
申请号：CN202110434589.6
申请日：2021-04-22
Applicant: 武汉大学
IPC: G06F16/9537 , G06F16/9535 , G06F40/30 , G06Q10/04 , G06Q50/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种顾及时空语义及驾驶状态的车辆轨迹目的地预测方法，首先基于兴趣点数据集与TF‑IDF算法，提取各出发区域及中间轨迹点的位置语义；其次从起始轨迹点的时间戳中获取出发时间信息，并采用启发式循环模糊编码对其处理得到月周日多层次出发时间语义；接着，提取驾驶状态序列，并与轨迹点序列、位置语义及出发时间语义拼接为输入特征序列；然后构建深度学习预测模型，利用双层LSTM学习输入特征序列的长期依赖关系，设计时空注意力机制捕获出行关键时空特征，并通过多层全连接残差网络将学习到的时空特征映射为预测目的地坐标。本发明的方法能够大幅提高个体出行驾驶目的地预测的精度。
-
公开(公告)号：CN110765130B
公开(公告)日：2021-01-01
申请号：CN201910912399.3
申请日：2019-09-25
Applicant: 武汉大学
IPC: G06F16/22 , G06F16/2458 , G06F16/28
Abstract: 本发明公开了一种分布式环境下基于Ripley’s K函数的时空POI数据点模式分析方法，首先配置面向时空对象与时空索引的定制序列化器，然后，建立时空KDB树，对观测点进行数据重分区，接着构建局部时空R树索引，构造一系列点对；接着对于每个点对，在双层缓存中查找与点对对应的时空权重；然后计算观测点对应的不同时空距离阈值下时空Ripley’s K函数计算结果；然后基于观测点生成模拟点，得到模拟点对应的不同时空距离阈值下的时空Ripley’s K函数计算结果；再获得时空Ripley’s K函数模拟的上下界；最后，根据时空Ripley’s K函数模拟的上下界，获得最终的数据分布输出结果。本发明的方法可以大大提高时空POI数据点模式分析的效率。
-
公开(公告)号：CN117407711A
公开(公告)日：2024-01-16
申请号：CN202311340148.5
申请日：2023-10-17
Applicant: 武汉大学
IPC: G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q10/04 , G06Q50/40
Abstract: 本发明公开了一种基于时空特征、地理语义及驾驶状态的车辆轨迹预测方法，首先基于兴趣点数据集与语义主题提取算法，得到各轨迹起始点及途径轨迹点的位置语义；其次，从轨迹起始点的时间戳中获取出发时间，并采用启发式循环编码对其进行处理，得到日期时间等多层次出发时间语义；接着，提取驾驶状态特征，并与轨迹点经纬度、位置语义及出发时间语义拼接为输入特征序列；然后，构建目的地预测模型，利用Transformer位置编码学习输入特征序列中的上下文依赖关系，引入时间注意力机制捕获出行关键特征，得到出行活动隐藏状态序列，并通过多层全连接残差网络将其映射为预测目的地坐标。本发明的方法能够大幅提高车辆轨迹目的地预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN115470872A
公开(公告)日：2022-12-13
申请号：CN202211417112.8
申请日：2022-11-14
Applicant: 武汉大学
IPC: G06K9/62 , G06F16/9537 , G06F16/9535
Abstract: 本发明公开了一种基于车辆轨迹数据的司机画像构建方法，该方法定义了描述个体移动模式的轨迹特质；并通过从时间、空间、地理语义、驾驶行为设计了32个轨迹特征作为测量轨迹特质的量表题项；接着指定各轨迹特征与轨迹特质的对应关系和计分规则构建轨迹特质量表；然后采用统计方法评估量表测量结果的有效性来度量量表设计的合理性或量表在当前用户群体中的适用性。本发明提供了一种从多个角度提取轨迹特征的技术框架，并从画像的视角出发，建立了底层轨迹统计特征与高层轨迹特质画像之间的映射与转换机制，通过综合碎片化的轨迹特征挖掘司机的出行倾向和驾驶偏好，为出行活动特征的高层语义建模提供了技术方案。
-
公开(公告)号：CN108537274B
公开(公告)日：2020-06-19
申请号：CN201810307824.1
申请日：2018-04-08
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于网格的空间多尺度快速聚类方法，包括：S1、选择数据尺度，确定网格的尺寸，对样本数据进行网格化，统计各网格的密度值；S2、指定初始密度阈值保留满足阈值条件的所有网格，得到初步的密度矩阵；S3、根据观察尺度指定滤波器模板，对全局网格空间进行卷积操作；S4、通过邻域搜索生成连通区作为初步聚类结果；对网格进行积分操作将网格空间映射到原始点集上得到原始点集聚类结果；S5、调整观察尺度，用变换的新滤波器对结果矩阵重复S3和S4，得到下一个观察尺度的聚类结果；S6、改变数据尺度，重复S1至S5，得到不同数据尺度下的聚类结果。本发明算法复杂度低，聚类效率和精度高，能满足海量点集实时多尺度聚类及可视化分析需求。
-
公开(公告)号：CN111291276A
公开(公告)日：2020-06-16
申请号：CN202010032456.1
申请日：2020-01-13
Applicant: 武汉大学
IPC: G06F16/9537 , G06K9/62
Abstract: 本发明公开了一种基于局部方向中心性度量的聚类方法，包括S1、根据企业POI位置数据的空间分布，建立KD-Tree的二维空间索引；S2、遍历每个POI点，基于KD-Tree的回溯操作搜索它的空间K最邻近；S3、计算每个点与其KNN邻域构成的角度方差，并将它归一化；S4、根据指定的角度方差阈值把所有点划分为内部点和边界点；S5、根据连接的规则把内部点连接成多个聚类簇，直到所有内部点都已经有归属的聚类簇；S6、将所有边界点归类到与其最邻近的内部点的聚类簇。本发明采用基于KNN和基于方向的核心思想能够有效解决这两个问题，既能同时准确地识别密集和稀疏的聚类簇，也能将连接的多个不同簇进行合理的分割。
-
公开(公告)号：CN118551232A
公开(公告)日：2024-08-27
申请号：CN202410233953.6
申请日：2024-03-01
Applicant: 武汉大学
Abstract: 本发明提供一种融合时空与地理语义的轨迹相似度计算方法及系统，属于时空轨迹数据分析技术领域，包括：识别轨迹的关键点和普通点，根据普通点的空间邻近对象对其进行相似度修正，综合各点相似度求解轨迹对的空间相似度。将轨迹的时间信息转化为概率密度曲线，根据两条曲线的距离求解轨迹对的时间相似度。基于兴趣点数据和文本主题模型，将原始轨迹转化为语义轨迹，以求解轨迹对的语义相似度。为各维相似度赋予权重，加权求和得到综合相似度。本发明深入挖掘维度特性，分别构建各维相似度计算方案，解决了逆序轨迹、出行时段无重叠和出行频次差异较大等场景下相似度计算效果不佳和轨迹语义表达不准确等问题，并为轨迹聚类、检索等任务提供支持。
-
公开(公告)号：CN116562487B
公开(公告)日：2024-05-28
申请号：CN202310644193.3
申请日：2023-05-30
Applicant: 武汉大学
IPC: G06Q10/047 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F16/29
Abstract: 本发明公开了一种顾及路口时空关联与历史出行语义的移动目的地预测方法，首先通过地图匹配将原始轨迹点序列简化为路口点序列；其次，基于词嵌入将每条轨迹所途径路口的时空关联表征为高维词向量；接着，计算驾驶者各类出行活动主题的概率分布，对出行语义进行表征，并耦合历史出行的时空特征与语义表征构建历史出行链；然后，提取驾驶者当前出行的驾驶特征和时间特征，得到当前出行特征序列；最后，基于出行目的地预测网络，学习当前出行中的上下文信息和历史出行链中的长期时空依赖，得到移动目的地预测结果。本发明可以大幅度提升出行目的地预测的精度，进而为自动驾驶、路径推荐等应用场景提供支撑。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.018 seconds)
