-
公开(公告)号：CN115033000B
公开(公告)日：2025-02-07
申请号：CN202210799352.2
申请日：2022-07-06
Applicant: 重庆大学
Abstract: 本发明涉及路径规划技术领域，具体涉及基于深度强化学习的双目标路径规划方法，包括以下步骤：S1、对道路网络进行状态表示，并构建奖励函数r，得到待训练的双目标深度强化学习路径规划模型；所述状态包括坐标状态、距离状态和cu状态；S2、对待训练的双目标路径规划模型进行训练，使其学习到能够获得最大累积奖励的最优策略π*，得到训练后的双目标路径规划模型；所述累积奖励为奖励函数给出的即时奖励与神经网络估计的附加未来奖励之和；S3、使用训练后的双目标路径规划模型，进行双目标路径规划。本发明在具备最小化路径距离能力的同时，还具备优化不同场景下的损失和效用的通用性。
-
公开(公告)号：CN116051171A
公开(公告)日：2023-05-02
申请号：CN202310124244.X
申请日：2023-02-16
Applicant: 重庆大学
IPC: G06Q30/0202 , G06Q50/30 , G06F16/2458 , G06F16/29 , G06F17/16 , G06N3/047 , G06N3/048 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明具体涉及基于出租车和网约车的需求联合预测方法，包括：将出租车历史需求矩阵和网约车历史需求矩阵输入需求预测模型中，输出对应的未来需求预测值；首先生成出租车时空共享信息和网约车时空共享信息；然后基于出租车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合网约车时空共享信息生成出租车未来需求矩阵；同时基于网约车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合出租车时空共享信息生成网约车未来需求矩阵；最后生成租车未来需求预测值和网约车未来需求预测值。本发明能够提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，实现了出租车和网约车的需求联合预测。
-
公开(公告)号：CN115016496A
公开(公告)日：2022-09-06
申请号：CN202210772926.7
申请日：2022-06-30
Applicant: 重庆大学
IPC: G05D1/02
Abstract: 本发明具体涉及基于深度强化学习的水面无人艇路径跟踪方法，包括：将目标无人艇的路径跟踪问题转换为马尔可夫决策过程，设置对应的状态空间、动作空间和奖励函数；获取目标无人艇的规划路径；根据目标无人艇的规划路径结合实时位姿信息计算参考航向角；然后基于目标无人艇的参考航向角、实时位姿信息和环境干扰信息生成目标无人艇当前的状态值；将目标无人艇当前的状态值输入经过训练的策略模型中，输出最优的动作值；策略模型基于柔性演员评论家算法构建；将最优动作值发送给目标无人艇执行；直至完成规划路径的跟踪控制。本发明无需进行环境和无人艇运动建模并且具备自适应能力，从而能够进一步提高无人艇路径跟踪控制的稳定性和准确性。
-
公开(公告)号：CN114328791A
公开(公告)日：2022-04-12
申请号：CN202111654811.X
申请日：2021-12-30
Applicant: 重庆大学
IPC: G06F16/29 , G06F16/2458 , G06K9/62 , G06N20/00
Abstract: 本发明涉及地图匹配技术领域，具体为一种基于深度学习的地图匹配算法，包括四个组件和两个工作步骤，所述四个组件包括轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件；所述两个工作步骤包括离线训练和在线推理，离线训练步骤中，四个组件协同工作以训练用于地图匹配的深度模型，在线推理步骤中，输入基于点的轨迹推断生成真实的驾驶路线。本模型通过轨迹表示学习解决低频轨迹数据质量较差的问题，利用模式识别和挖掘以更具成本效益的方式推断驾驶路线，提高地图匹配的性能。
-
Patent Agency Ranking
公开(公告)号：CN115016496B
公开(公告)日：2024-11-22
申请号：CN202210772926.7
申请日：2022-06-30
Applicant: 重庆大学
Abstract: 本发明具体涉及基于深度强化学习的水面无人艇路径跟踪方法，包括：将目标无人艇的路径跟踪问题转换为马尔可夫决策过程，设置对应的状态空间、动作空间和奖励函数；获取目标无人艇的规划路径；根据目标无人艇的规划路径结合实时位姿信息计算参考航向角；然后基于目标无人艇的参考航向角、实时位姿信息和环境干扰信息生成目标无人艇当前的状态值；将目标无人艇当前的状态值输入经过训练的策略模型中，输出最优的动作值；策略模型基于柔性演员评论家算法构建；将最优动作值发送给目标无人艇执行；直至完成规划路径的跟踪控制。本发明无需进行环境和无人艇运动建模并且具备自适应能力，从而能够进一步提高无人艇路径跟踪控制的稳定性和准确性。
-
公开(公告)号：CN118209997B
公开(公告)日：2024-08-20
申请号：CN202410307405.3
申请日：2024-03-18
Applicant: 重庆大学
Abstract: 本发明提出了一种基于停留点的动态轨迹分割方法，包括以下步骤：S1，对轨迹建立网格索引，轨迹的GPS点处于确认区域、检查区域和修剪区域中的任一个区域中；所述网格索引为将地理空间划分为大小相等、互不相交的网格；S2，对处于确认区域、检查区域的GPS点进行停留点判断；S3，根据停留点进行轨迹分割。本发明方法可仅依靠最近的数据和一些特征将轨迹高效地划分为有意义的轨迹段。此外，通过设计的网格索引和三个区域，能有效地减少不必要的距离计算，从而加速流环境下的轨迹分割过程。
-
公开(公告)号：CN116192153A
公开(公告)日：2023-05-30
申请号：CN202310070527.0
申请日：2023-01-16
Applicant: 重庆大学
IPC: H03M7/30
Abstract: 本发明具体涉及面向多尾随零的浮点型时序数据压缩方法，包括：对待压缩的时序数据进行排序；按顺序将各条时序数据与其相邻时序数据进行异或计算，得到对应的异或值；对于各条时序数据的异或值：确定前导零和尾随零个数；对于各条时序数据：将其异或值的前导零个数和尾随零个数与其相邻时序数据异或值的前导零个数和尾随零个数进行比较，并根据比较结果生成对应的标识位、前导零个数标记和中间数个数标记；压缩时序数据时，存储对应时序数据的中间数，以及对应的标识位、前导零个数标记和中间数个数标记。本发明的浮点型时序数据压缩方法能够应用于尾随零较多的时序数据，并且能够减少时序数据压缩时的存储位数和所需存储空间。
-
公开(公告)号：CN114328791B
公开(公告)日：2023-01-06
申请号：CN202111654811.X
申请日：2021-12-30
Applicant: 重庆大学
IPC: G06F16/29 , G06F16/2458 , G06N20/00
Abstract: 本发明涉及地图匹配技术领域，具体为一种基于深度学习的地图匹配算法，包括四个组件和两个工作步骤，所述四个组件包括轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件；所述两个工作步骤包括离线训练和在线推理，离线训练步骤中，四个组件协同工作以训练用于地图匹配的深度模型，在线推理步骤中，输入基于点的轨迹推断生成真实的驾驶路线。本模型通过轨迹表示学习解决低频轨迹数据质量较差的问题，利用模式识别和挖掘以更具成本效益的方式推断驾驶路线，提高地图匹配的性能。
-
公开(公告)号：CN115185989A
公开(公告)日：2022-10-14
申请号：CN202210713695.2
申请日：2022-06-22
Applicant: 重庆大学
IPC: G06F16/2455 , G06F16/242 , G06F16/2453
Abstract: 本发明涉及全链路压测技术领域，具体涉及基于SQL引擎的全链路压测数据分流系统及方法，该系统包括解析器、配置管理器、路由器和执行器；解析器用于对接入流量的SQL语句进行解析，将SQL语句转化为抽象语法树；配置管理器用于设置配置文件，还用于解析配置文件得到配置信息，并将配置信息在内存中缓存起来供路由器使用；路由器用于根据配置信息和解析后的抽象语法树，得到路由结果，所述路由结果的内容包括将SQL语句路由到底层对应的数据库中。本申请在扩大适用范围的同时，还有效的提升了全链路压测的性能和效率。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
