-
公开(公告)号：CN117786330A
公开(公告)日：2024-03-29
申请号：CN202311771557.0
申请日：2023-12-21
Applicant: 湖南大学
Abstract: 本发明提供一种基于序列注意力机制的交通数据补全方法及电子设备，该方法利用消息传递神经网络提取图信息聚合的空间特征，将图信息聚合的空间特征编码为更具表达力的空间嵌入向量，解决了现有基于神经网络的交通数据补全算法只考虑时间特征不提取空间特征的技术问题；采用序列注意力机制，使用改进之后的注意力机制提取到序列和序列之间的相关性，进而提取时间序列数据中周期性，解决了使用自回归模型时可能会面临误差传播的技术问题，同时解决了自注意力机制只提取点和点相关性不能更全面捕捉序列相关性的问题。
-
公开(公告)号：CN115700628A
公开(公告)日：2023-02-07
申请号：CN202211301263.7
申请日：2022-10-24
Applicant: 湖南大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/045 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06F18/15 , G06F18/23 , G08G1/01
Abstract: 本发明公开了一种含缺失数据的交通流预测方法，包括：获取某区域的交通数据集，其包含缺失数据，将该交通数据集重建模为交通流数据矩阵，将交通流数据矩阵X输入训练好的时空预测模型的正交非负矩阵分解ONMF模块形成K个簇，并在各簇中利用时空预测模型的广义矩阵分解GMF模块填充数据，以得到填充数据后的交通流数据矩阵对填充后的交通流数据矩阵进行标准化处理，并根据历史步长H和预测窗口W将标准化后的交通流数据矩阵建模为三维张量将三维张量输入训练好的时空预测模型的图卷积循环神经网络GCRNN，以得到预测数据Y′。本发明在对缺失数据的交通预测方面具有通用性，且更细粒度地学习时空特征以实现更有效地交通流预测。
-
公开(公告)号：CN114692832A
公开(公告)日：2022-07-01
申请号：CN202210310671.2
申请日：2022-03-28
Applicant: 湖南大学
IPC: G06N3/04 , G06N3/08 , H04L9/40 , H04L43/0876
Abstract: 本发明公开了一种网络流量测量数据中缺失值的恢复方法，包括将网络流量数据建模成源节点‑目的节点‑测量时隙的三维张量，将每一个源节点、目的节点、测量时隙映射到共享的潜在特征空间(D维向量空间)并嵌入为因子向量，使用注意力增强的长短期记忆网络考虑网络流量的时间模式对时间因子向量进行增强，设计一种新的多模式融合方法——轻量级三线性池化作为张量填充的交互函数有效建模潜在因子向量不同特征维度之间的三向及多阶非线性相关性精确估计网络流量的缺失值，将所有缺失值的估计值与所有测量值合并得到完整的网络流量数据。本发明还公开了一种网络流量测量数据中缺失值的恢复系统。
-
公开(公告)号：CN114422382A
公开(公告)日：2022-04-29
申请号：CN202210105778.3
申请日：2022-01-28
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/16 , H04L43/0876 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种网络流量预测方法、计算机装置、产品及存储介质，本发明分别学习邻近的、以日为周期、以周为周期的三种不同范围的数据的时空特征。将三个模块的输出通过自适应融合机制进行融合，并将融合结果输入预测网络中得到预测序列。设计了门控空洞卷积网络，能够在参数比较小的情况下学习数据时间维度上的长相关性；还设计了混合跳图卷积网络，能够学习数据复杂的空间相关性；此外，为了能够为了充分建模网络节点之间动态的和多层次的相互依赖关系，本发明还提出了一个图学习网络，以数据驱动的方式为STA模块中不同的的混合跳图卷积网络学习从浅层次到深层次的邻接矩阵。因此M2STL具有更强的时空学习能力来进行网络流量预测。
-
公开(公告)号：CN112214534B
公开(公告)日：2022-03-11
申请号：CN202011133501.9
申请日：2020-10-21
Applicant: 湖南大学
IPC: G06F16/2458 , G06F16/22
Abstract: 本发明公开了一种对有缺失的数据进行近似查询的方法、系统及存储介质，快速地对存在缺失的数据进行近似查询。对于存在缺失和冗余的数据，首先用深度学习算法对其进行特征提取，然后再使用提取后的数据利用距离敏感布鲁姆过滤器进行近似查找，最终返回查询结果。本发明在高速网络中资源定位、计算机图像搜索等产生大量数据、需要进行近似查询的应用领域，可以解决数据存在缺失的问题，降低资源消耗，适应网络环境。
-
Patent Agency Ranking
公开(公告)号：CN111222638A
公开(公告)日：2020-06-02
申请号：CN201911147757.2
申请日：2019-11-21
Applicant: 湖南大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于神经网络的网络异常检测方法及装置，涉及网络检测技术领域。所述网络异常检测方法及装置，先将网络流量数据样本经投影矩阵降维处理，再将降维后的数据输入神经网络模型得到输出结果，通过输出结果与实际值之间的误差进行权重矩阵、偏置项以及投影矩阵的更新，使神经网络模型不断的自学习，并且在面对缺失数据时具有良好的自学习和自适应能力，使训练过程不易陷入局部最优，保证了训练过程和模型的稳定性，数据降维后再输入至神经网络，大大降低了训练数据量、时间复杂度和空间复杂度；最后用训练好的神经网络模型进行网络异常流量检测，提高了缺失数据的检测精度。
-
公开(公告)号：CN107689916B
公开(公告)日：2020-04-24
申请号：CN201710928470.8
申请日：2017-10-09
Applicant: 湖南大学
IPC: H04L12/709 , H04B10/032
Abstract: 本发明公开了一种在软件定义网络中获取完全风险共享链路组分离路径对的方法及系统，在共享风险链路组的网络中遇到trap的情况下，通过首先找到的第一条工作（主）路径AP的信息，来求得风险共享链路组边冲突集T，并给出利用风险共享链路组边冲突集T来分而治之并行处理原问题的算法。本发明在软件定义网络控制器层路由业务上对需要对工作路径AP进行容错保护的应用领域中，这种完全风险共享链路组分离路径算法的运行时间远小于已有其他同类型算法的运行时间，算法加速比高达20倍，远优于其他同类型算法求解速度。本发明在现有的完全风险共享链路组分离路由领域都可以适应，比现有的现有的完全风险共享链路组分离路由算法具有更加广泛的应用前景。
-
公开(公告)号：CN110572389A
公开(公告)日：2019-12-13
申请号：CN201910839788.8
申请日：2019-09-06
Applicant: 湖南大学
IPC: H04L29/06
Abstract: 本发明公开一种基于增量塔克分解的在线异常检测方法、系统及存储介质，该方法包括：根据三维张量模型对采集的数据建模；将建模后的张量沿模-n展开为矩阵A(n)，并通过奇异值分解将A(n)分解为三个因子矩阵；采用增量SVD的方法根据当前时刻到达的数据矩阵动态更新A(n)的三个因子矩阵；通过更新的因子矩阵重构出正常数据；根据当前时刻数据矩阵与正常数据获得误差张量数据，通过非松弛方法进行异常检测获得异常数据；在当前时刻正常数据与前一时刻正常数据之差的绝对值小于异常数据的个数阈值时，根据异常数据在误差张量数据中的位置输出异常张量数据。解决现有技术中难于表征多维数据和无法在线检测等问题，实现数据的高阶建模及在线检测。
-
-
公开(公告)号：CN105574076A
公开(公告)日：2016-05-11
申请号：CN201510847537.6
申请日：2015-11-27
Applicant: 湖南大学
IPC: G06F17/30
CPC classification number: G06F17/30342 , G06F17/30442
Abstract: 本发明公开了一种基于Bloom Filter的键值对存储结构及方法，存储结构包括k个不相同的哈希函数和m个用于存储value的存储单元；所述m个存储单元被分配成k个不同的块，每个块有m/k个单元；每一个单元带有L层，每一层有B个比特位。本发明在数据库交互查询、高速网络中资源定位、计算机网络监控等产生大量数据、需要进行键值对查询的应用领域，可以大大减少集合查询的时间，降低资源消耗。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.022 seconds)
