-
公开(公告)号：CN112562339B
公开(公告)日：2022-01-04
申请号：CN202011461804.3
申请日：2020-12-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。
-
公开(公告)号：CN108898527B
公开(公告)日：2021-10-29
申请号：CN201810643268.5
申请日：2018-06-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于有损测量的生成模型的交通数据填充方法。考虑到临近时刻交通数据与大量的历史数据有助于提高交通数据的恢复精度，该方法将3D卷积神经网络与基于有损测量的生成模型相结合，构造一种新型网络模型，以实现交通数据的填充；本发明的优势是可以利用残缺数据进行训练，实现交通流丢失数据的恢复；本发明通过衡量已知点的真实数据和生成数据之间的差异，并采用最小化损失函数来获取生成网络的最优输入，从而获取最优的生成数据，以实现交通流数据的恢复；本发明方法克服了传统方法无法利用残缺数据进行训练的缺点，同时充分利用历史的交通流数据并有效地提取交通流数据的时空特性，从而提升了交通流数据的恢复精确度。
-
公开(公告)号：CN113240904A
公开(公告)日：2021-08-10
申请号：CN202110497806.6
申请日：2021-05-08
Applicant: 福州大学
Abstract: 本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。
-
公开(公告)号：CN108882189B
公开(公告)日：2020-11-10
申请号：CN201810582754.0
申请日：2018-06-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应采样的WiFi室内定位方法，包括以下步骤：步骤S1：采集室内感兴趣区域的WiFi数据；步骤S2：构造室内WiFi数据张量；步骤S3：根据所述WiFi数据张量，进行基于杠杆的自适应采样；步骤S4：通过恢复算法进行数据恢复,利用KNN算法实现WiFi数据的室内定位。本发明通过自适应杠杆采样的方式减少构建室内WiFi数据库的时间，人力花费，能够以较少的采样点，较高的精度重建WiFi数据库。
-
公开(公告)号：CN108055154B
公开(公告)日：2020-11-03
申请号：CN201711347035.2
申请日：2017-12-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于雾运算结构的车联网异常数据检测系统及方法，该系统包括：数据感知单元、雾运算单元以及中心服务器单元。通过数据感知单元获取交通数据，并将这些数据进而交由雾运算单元进行处理。雾运算单元进行基于核密度估计的异常数据初步检测，并将结果上传至中心服务器单元。中心服务器单元对雾运算单元的检测结果进行汇总，根据结果不断调整核密度模型并下发给雾运算单元，以保证检测结果的准确。本发明所提出的一种基于雾运算结构的车联网异常数据检测系统及方法，能够充分利用智能终端广泛分布的特性及日益增强计算能力，删除交通数据采集过程中出现的异常数据，保证数据质量，提高后续车联网决策的准确性。
-
Patent Agency Ranking
公开(公告)号：CN108804392A
公开(公告)日：2018-11-13
申请号：CN201810543422.1
申请日：2018-05-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于时空约束的交通数据张量填充方法，获取不完整的交通数据，建立交通流数据张量；建立基于因子分解的张量填充模型；通过分析数据时空特性，构建时空约束张量，对所述基于因子分解的张量填充模型进行优化；进行加入时空约束的张量填充，恢复出原始交通数据。本发明提出的一种基于时空约束的交通数据张量填充方法，将一种基于因子分解的张量填充方法应用于交通数据恢复领域，并充分挖掘交通数据的时空相关性和低秩特性，提高了恢复完整交通数据的精度。
-
公开(公告)号：CN108055154A
公开(公告)日：2018-05-18
申请号：CN201711347035.2
申请日：2017-12-15
Applicant: 福州大学
CPC classification number: H04L41/0631 , H04L41/142 , H04L41/145 , H04W24/06
Abstract: 本发明涉及一种基于雾运算结构的车联网异常数据检测系统及方法，该系统包括：数据感知单元、雾运算单元以及中心服务器单元。通过数据感知单元获取交通数据，并将这些数据进而交由雾运算单元进行处理。雾运算单元进行基于核密度估计的异常数据初步检测，并将结果上传至中心服务器单元。中心服务器单元对雾运算单元的检测结果进行汇总，根据结果不断调整核密度模型并下发给雾运算单元，以保证检测结果的准确。本发明所提出的一种基于雾运算结构的车联网异常数据检测系统及方法，能够充分利用智能终端广泛分布的特性及日益增强计算能力，删除交通数据采集过程中出现的异常数据，保证数据质量，提高后续车联网决策的准确性。
-
公开(公告)号：CN107230351A
公开(公告)日：2017-10-03
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
CPC classification number: G08G1/0125 , G06N3/0454 , G06N3/084 , G06Q10/04 , G06Q50/26
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN106971548A
公开(公告)日：2017-07-21
申请号：CN201710352326.4
申请日：2017-05-18
Applicant: 福州大学
CPC classification number: G08G1/0129 , G08G1/065
Abstract: 本发明涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。
-
公开(公告)号：CN114139688B
公开(公告)日：2024-09-13
申请号：CN202111497630.0
申请日：2021-12-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于马尔可夫链共识的工业物联网分布式联邦学习方法，包括以下步骤：步骤S1：调度器获取预设区域内物联网设备的连接情况，得到网络拓扑图；步骤S2：调度器根据网络拓扑图，利用快速混合马尔可夫链优化问题计算出最优共识矩阵；步骤S3：调度器根据最优共识矩阵得到一个稀疏拓扑图，并作为当前网络的拓扑图，利用该稀疏拓扑图构造一个辅助图来制定通信资源的调度策略；步骤S4：各个物联网设备分别训练一个本地神经网络模型，并根据调度策略，将训练好的本地神经网络模型广播到它在稀疏拓扑图中的所有邻居设备；步骤S5：当各个物联网设备都接收到来自邻居的模型之后，在本地根据步骤S2得到的共识矩阵来聚合模型得到新的本地模型。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.019 seconds)
