-
公开(公告)号：CN117610857B
公开(公告)日：2024-08-13
申请号：CN202311624590.0
申请日：2023-11-30
Applicant: 北京理工大学
IPC: G06Q10/0631 , G06Q30/0207 , G06Q10/047 , G06N3/0455 , G06N3/092
Abstract: 本发明公开了一种面向多目的地人员的空间众包方法，相比于现有空间众包框架，实现高效招募城市中的多目的地人员参与空间众包，场景更为通用；相比于现有空间众包框架，采用深度强化学习技术进行任务分配与路径规划决策，求解效率更高；相比于现有空间众包框架，充分考虑任务价值的动态性，未对任务价值采用静态化处理；相比于注意力模型，设计两阶段解码过程，实现多目的地人员的招募。
-
公开(公告)号：CN116718178B
公开(公告)日：2024-06-25
申请号：CN202310656161.5
申请日：2023-06-05
Applicant: 北京理工大学
IPC: G01C21/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于行人轨迹和卫星图片补全细粒度路网的方法，深度神经网络中使用混合融合，充分利用各模态信息；卫星图像正负信号同时运用，避免依赖单一轨迹受噪声影响；自适应路网补全，补全路网的拓扑连通性和正确性更优；先对轨迹进行地图匹配，再处理未匹配轨迹，效率高；无需大量调参，路网推断速度快，可拓展性高；实现地图补全，避免影响现有更可靠地图信息。
-
公开(公告)号：CN113904846B
公开(公告)日：2022-06-17
申请号：CN202111174292.7
申请日：2021-10-09
Applicant: 北京理工大学
Abstract: 结合高斯混合模型与排序学习的多阶段入侵检测方法，S1获取恶意入侵流量数据得到网络流量特征数据集；S2将网络流量特征数据集进行划分并提取最优特征；S3对先验信息集进行预测得到错误分类样本和重叠样本分布情况；S4将错误样本与最优特征测试集进行特征值匹配，通过模型预测得到第一阶段预测结果；S5结合错误样本分布情况，得到重叠样本与非重叠样本，以重叠样本的先验信息为该重叠样本制定预测标签，得到第二阶段预测结果；S6对非重叠样进行分类预测得到第一拼接向量；S7将第一拼接向量通过排序学习模型预测，得到第三阶段预测结果；结合高斯混合模型以及排序学习解决同特征不同标签的样本以及类别易混淆样本分类效果差的问题。
-
公开(公告)号：CN114386669A
公开(公告)日：2022-04-22
申请号：CN202111522122.3
申请日：2021-12-13
Applicant: 北京理工大学
Abstract: 本公开的基于PPDE模型的人口预测方法，按照种群数量增长理论，选取影响我国人口的生育率、死亡人口、净迁入人口、生育政策因素作为因子构建数学模型PPDE，通过采用现有模型组合的方式，充分发挥现有模型的优点，分别对因子进行预测估计，将得到的参数序列值作为相应参数值带入模型构建可计量的PPDE模型，该模型解决政策因素、人口迁移对人口结构的影响，符合我国人口实际情况的预测，旨在考虑多种因素下提高人口结构预测的正确率。
-
公开(公告)号：CN111338892B
公开(公告)日：2022-02-15
申请号：CN202010097025.3
申请日：2020-02-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种针对极端运行条件下的时间序列上升异常识别方法，在训练阶段，划分时间单元，计算每个时间单元中训练数据的最大值和平均值，遍历所有时间单元，获取最大的最大值和最大的平均值为判别基数；在预警阶段，获取实时监测数据，计算当前时间单元内数据的最大值和平均值，并计算跳跃指数；判断跳跃指数是否大于跳跃阈值，若是，则判定当前时间单元发生了跳跃；否则进一步调整判别基数；分析相邻的时间单元，若发生跳跃的时间单元的数量超过了数量阈值，则发出报警信号。本发明在运行时仅占用极少内存，且运行速度快。同时具有较高的鲁棒性，可以过滤因数据抖动变大，或整体迁移造成的假性上升的情况。
-
Patent Agency Ranking
公开(公告)号：CN113904846A
公开(公告)日：2022-01-07
申请号：CN202111174292.7
申请日：2021-10-09
Applicant: 北京理工大学
Abstract: 结合高斯混合模型与排序学习的多阶段入侵检测方法，S1获取恶意入侵流量数据得到网络流量特征数据集；S2将网络流量特征数据集进行划分并提取最优特征；S3对先验信息集进行预测得到错误分类样本和重叠样本分布情况；S4将错误样本与最优特征测试集进行特征值匹配，通过模型预测得到第一阶段预测结果；S5结合错误样本分布情况，得到重叠样本与非重叠样本，以重叠样本的先验信息为该重叠样本制定预测标签，得到第二阶段预测结果；S6对非重叠样进行分类预测得到第一拼接向量；S7将第一拼接向量通过排序学习模型预测，得到第三阶段预测结果；结合高斯混合模型以及排序学习解决同特征不同标签的样本以及类别易混淆样本分类效果差的问题。
-
公开(公告)号：CN107590558B
公开(公告)日：2020-12-08
申请号：CN201710783927.0
申请日：2017-09-04
Applicant: 北京理工大学
Abstract: 本发明一种基于多层集成学习的微博转发预测方法，属于社会网络分析和网络舆情监控领域。包括如下步骤：构建微博数据集；微博数据预处理；提取微博用户的个人特征和社交特征；提取微博用户的微博内容特征；采用基于贝叶斯的方法进行微博转发预测；采用基于支持向量机的方法进行微博转发预测；采用基于逻辑回归的方法进行微博转发预测；采用基于随机森林的方法进行微博转发预测；采用基于集成学习的方法进行微博转发预测。本发明提高了微博转发预测性能，在社会媒体处理、意见挖掘、信息安全等领域具有广阔的应用前景。
-
公开(公告)号：CN110798802B
公开(公告)日：2020-10-02
申请号：CN201911066648.8
申请日：2019-11-04
Applicant: 北京理工大学
Abstract: 本发明公开了一种共享自行车骨架网络提取方法，属于计算机应用技术领域，该方法能够针对由具有空间位置特征的网络节点组成的网络进行骨干网络提取。包括如下步骤：构建共享自行车网络。计算共享自行车网络中所有边的显著性，保留显著性大于零的边为骨干网络的边。计算共享自行车网络中所有节点的拓扑势。对共享自行车网络中的所有节点，依据其地理位置进行空间密度聚类，得到骑行区域簇。对于每个骑行区域簇，对当前骑行区域簇内的网络节点按照拓扑势的值进行降序排序，选取降序排序后的前设定个数的节点构成当前骑行区域簇的骨干核心节点。合并所有骑行区域簇的骨干核心节点，利用骨干网络的边对骨干核心节点进行连接构成骨架网络。
-
公开(公告)号：CN111222402A
公开(公告)日：2020-06-02
申请号：CN201911115072.X
申请日：2019-11-14
Applicant: 北京理工大学
Abstract: 本发明提供了一种面向无人机图像的人群聚集密度分析方法，能够将密度估计和人群计数分任务并列进行，共享特征信息，提高预测效果；采用基于数据场的人群拥堵点和基于相对密度的拥堵等级可视化方法，全方位地展示人群聚集程度和空间分布状况。无人机图像经过基于多尺度和多任务学习相结合的深度卷积神经网络的人群识别算法处理之后，将得到人群计数的精确结果及人群密度估计结果即概率密度图。人群计数结果可以从数量角度分析人群聚集状态，概率密度图将用于可视化展示过程从空间角度分析人群聚集空间分布。
-
公开(公告)号：CN105184387A
公开(公告)日：2015-12-23
申请号：CN201510438467.9
申请日：2015-07-23
Applicant: 北京理工大学
Abstract: 本发明公开了一种路径相似度比较方法，该方法计算简单、效率高。该方法包括如下步骤：首先获取相比较的二者的路径信息，建立驾驶路线A和B；然后建立A外接矩形A’，和B的外界矩形B’，确定A’和B’的左上角点间的距离L1和右下角点间的距离L2，若L1和L2均大于或等于设定阈值，则输出相似度为0，本方法结束，否则计算A和B之间重复的路径长度S，首其中A的总路程长度为S1，B的总路程长度为S2，在相似度C为。本发明提供的路径相似度比较算法，能够在合理的时间内给出多种输入形式的路径相似度，不仅提供了粗略比较算法来减少计算量，而且有多处参数可以按照实际需求进行调整。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.026 seconds)
