-
公开(公告)号：CN118134045A
公开(公告)日：2024-06-04
申请号：CN202410298824.5
申请日：2024-03-15
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G06Q10/0633 , G06Q10/087 , G06Q50/04 , G06Q30/0201
Abstract: 本发明涉及一种工厂生产计划‑补货管理鲁棒联合决策优化方法，属于供应链管理技术领域。步骤1，根据问题提出合理假设；步骤2，输入三级供应链网络基础数据；步骤3，建立不确定需求下的工厂生产计划及DC补货策略协同优化模型；步骤4，将构建的含有不确定参数的协同优化模型进一步转化为标准的混合整数线性规划模型；步骤5，利用优化求解器Gurobi调用分支定界法对所提出的基于产品需求不确定性的工厂生产计划‑补货管理鲁棒联合决策优化模型进行求解。基于不确定需求和工厂产能限制，以最小化运输成本和补货成本提出一个工厂生产计划‑补货管理鲁棒联合决策优化方法，以期望同时获得兼具协同性和成本控制的生产计划和补货策略。
-
公开(公告)号：CN117933862A
公开(公告)日：2024-04-26
申请号：CN202311792691.9
申请日：2023-12-25
Applicant: 重庆邮电大学
IPC: G06Q10/0835 , G06Q10/047
Abstract: 本发明涉及一种面向大规模客户的末端配送路径优化方法，属于车辆路径优化技术领域。该方法包括：S1：针对客户订单的实时性和配送车辆需要返回配送起点取货的实际配送场景，构建面向大规模客户的实时取送货路径优化问题；S2：构建以总订单配送时间最小化为目标的末端客户实时订单路径优化模型，并设定约束条件；S3：针对配送过程中客户新增的实时订单，为配送车辆设计贪婪算法和W&I算法，以此来分配实时新增的订单，并根据其动态算法形成的一组实时订单序列位置生成初始解，再利用遗传算法解得配送车辆最佳配送路线。本发明可为配送车辆提高良好的大规模订单的配送策略和路径优化，降低末端配送车辆的总体配送成本。
-
公开(公告)号：CN117575122A
公开(公告)日：2024-02-20
申请号：CN202311749493.4
申请日：2023-12-19
Applicant: 重庆邮电大学
IPC: G06Q10/047 , G06Q10/083 , G06F18/23213 , G06F17/16 , G06N3/126
Abstract: 本发明涉及一种动态需求下面向大规模客户的车辆路径优化方法，属于路径规划领域，包括以下步骤：S1：通过多维聚类将大规模客户划分成n个配送区域，计算各区域距离矩阵；S2：构建末端物流车辆路径优化模型，使用遗传算法求解各区域所有静态客户的初始配送路径；S3：根据路线中实时订单量与车载量的关系动态调整配送路径，若初始路径中客户订单量超出车载量，利用节约里程法将初始路径拆分为多条子路线配送，若客户订单量过小，采用最邻近算法将其中客户点插入邻近路线合并配送，若客户订单量适中，采用遗传算法求解动态需求下的车辆路径；S4：对比初始路径与新路径总行驶里程，输出动态路径规划的最终配送路径。
-
公开(公告)号：CN112784047A
公开(公告)日：2021-05-11
申请号：CN202110098164.2
申请日：2021-01-25
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于自注意力机制的可控可解释司法文本分类方法，属于自然语言处理文本分类领域。该方法提出了Leadformer模型，在Leadformer上人为的设定每个头的作用，分为关键词头与多粒度上下文头，做到宏观上的可控可解释，在关键词头上，以自注意力机制为着力点，采用多任务学习，文本分类任务结合关键词抽取任务，使模型受人为控制地注意在可作为分类解释的词语上，做到微观上的可控可解释。本发明应用于司法领域，能够在高准确率分类的同时，给出分类的解释，并且人为控制注意力矩阵注意在与此类案由相关的关键词上，使相关人员能信任此分类结果。
-
公开(公告)号：CN111079935A
公开(公告)日：2020-04-28
申请号：CN201910983158.8
申请日：2019-10-16
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种spark下的机器学习快速大规模样本签名方法，涉及数据挖掘技术和计算机信息处理技术。本方法为：1)读入样本数据，将样本数据转换成独有的样本格式；2)对样本数据中的高频特征进行划分，得到FeatureMap；3)设置最大广播数量，根据最大广播数量计算FeatureMap的partition；4)根据partition数量进行循环迭代，分片广播大量特征；5)最后对样本进行格式转换，得到libsvm格式的数据。本发明可以解决模型训练过程中样本签名性能瓶颈的问题，特别适用于在spark集群下训练模型。本发明虽然解决的是样本签名问题，但是由于本方法定制数据结构和分片广播可以很好的避免shuffle从而同样适用于大数据工程中的数据倾斜问题。
-
Patent Agency Ranking
公开(公告)号：CN106682116A
公开(公告)日：2017-05-17
申请号：CN201611120326.3
申请日：2016-12-08
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明提供一种基于Spark大数据平台的OPTICS聚类算法，涉及计算机信息获取和处理技术。本发明通过对并行数据结构划分，得到最优数据集划分并生成对应的RDD，并行计算邻居样本数量和核心距离，对每个分区并行执行OPTICS算法得到每个分区的簇排序并持久化存储，通过簇排序给每个分区赋予簇后，通过合并分区，每个样本能够得到全局的簇号。利用Spark分布式并行技术，找到最优的划分结构，并行计算得到每个分区的簇排序。通过OPTICS的簇排序，用户可以从不同层次结构进行观察数据集的内在聚类结构。该方法可以处理串行算法不能处理的大规模的数据集，并大幅度提高得到聚类结果的时间。
-
公开(公告)号：CN116775880A
公开(公告)日：2023-09-19
申请号：CN202310786159.X
申请日：2023-06-29
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/30 , G06F18/214 , G06F18/24 , G06N3/096 , G06N3/0442 , G06N3/048 , G06N3/047
Abstract: 本发明涉及一种基于标签语义和迁移学习的多标签文本分类方法及系统，属于自然语言处理技术领域。该方法具体为，获取文本数据集并预处理，整理数据集并划分为训练集、验证集和测试集；初始化文本获得文本嵌入；构建语义提取器，获取头部文档表示、尾部文档表示和测试集文档表示；构建头部分类器，获得头部分类器权重；构建标签原型机生成头标签原型、尾标签原型；通过迁移学习预测尾部分类器权重；将头部分类器权重和尾部分类器权重拼接得到用于预测标签的分类器权重并对测试集进行预测。本发明通过迁移学习解决了长尾效应，提高了多标签文本分类任务的精度的效率。
-
公开(公告)号：CN115482665A
公开(公告)日：2022-12-16
申请号：CN202211109829.6
申请日：2022-09-13
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种知识与数据协同驱动的多粒度交通事故预测方法，属于交通事故预测领域，包括以下步骤：S1：对数据集进行统计和标注；S2：通过特征工程将数据集处理成可用于训练的微观数据特征和宏观知识特征；S3：输入所述微观数据特征和宏观知识特征到多粒度模型中进行训练，并保存表现最佳的模型；S4：向保存下来的模型中输入测试数据，得到未来城市交通事故的预测值。本发明提升了事故预测精度，尤其是节假日事故预测的精度。
-
公开(公告)号：CN115238072A
公开(公告)日：2022-10-25
申请号：CN202210854559.5
申请日：2022-07-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于知识增强的争议焦点归纳方法，属于自然语言处理领域，包括以下步骤：S1：根据案件编号获取案件的裁判文书，获取其中的案件ID、原告诉称及被告辩称文本作为案件诉辩文本原始数据集；S2：结合法学知识构建争议焦点关系树，确定争议焦点标签；S3：对原告诉称、被告辩称提及的争议焦点标签分别进行标注，确定该案件是否存在该标签的争议焦点，完成案件争议焦点数据集标注；S4：对原告诉称、被告辩称文本完成人工规则集的构建；S5：用预训练模型BERT‑wwm训练标注好的数据集；S6：将训练好的模型结合规则集约束进行争议焦点的归纳。本发明还提供一种基于知识增强的争议焦点归纳系统。
-
公开(公告)号：CN111079935B
公开(公告)日：2022-10-18
申请号：CN201910983158.8
申请日：2019-10-16
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种spark下的机器学习快速大规模样本签名方法，涉及数据挖掘技术和计算机信息处理技术。本方法为：1)读入样本数据，将样本数据转换成独有的样本格式；2)对样本数据中的高频特征进行划分，得到FeatureMap；3)设置最大广播数量，根据最大广播数量计算FeatureMap的partition；4)根据partition数量进行循环迭代，分片广播大量特征；5)最后对样本进行格式转换，得到libsvm格式的数据。本发明可以解决模型训练过程中样本签名性能瓶颈的问题，特别适用于在spark集群下训练模型。本发明虽然解决的是样本签名问题，但是由于本方法定制数据结构和分片广播可以很好的避免shuffle从而同样适用于大数据工程中的数据倾斜问题。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.021 seconds)
