-
公开(公告)号：CN118627675A
公开(公告)日：2024-09-10
申请号：CN202410748225.9
申请日：2024-06-11
Applicant: 东南大学
IPC: G06Q10/04 , G06Q10/083 , G06Q10/0631 , G06F16/901 , G06F17/10 , G06N3/048 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种用于跨城市物流需求预测的多粒度图学习系统，提出了一种新颖的多粒度图学习框架，通过学习动态用户图中的不变表示来进行跨城市物流需求预测。该框架包含两个阶段。在适应阶段，通过学习专门针对种子用户的不变表示，确保在不同城市之间用户表示的一致性。此外，通过将动态边信息(如物流行为)整合到静态边中，丰富用户嵌入。另采用可微分池化将对齐用户的嵌入聚合到区域中。在预测阶段，设计了基于元学习的多城市知识转移，利用目标城市的时空信息微调模型参数，实现城市自适应知识共享，并进一步预测物流揽件量和派件量需求。
-
公开(公告)号：CN118886806A
公开(公告)日：2024-11-01
申请号：CN202411085377.1
申请日：2024-08-08
Applicant: 东南大学
IPC: G06Q10/083 , G06Q10/0631 , G06Q10/087 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于分层图的仓配一体化物流应急供应预测系统及方法，至少包括微观图学习模块、宏观图学习模块和时空联合预测模块，所述微观图模块引入元路径聚合仓配网络路由特征，并采用多视图学习，分别从路由视图和事件视图来获取仓配站点的空间特征；宏观图学习模块使用了一种轻量级图卷积方法，以刻画应急场景中以城市为单位的仓库集群和配送站之间的关系，学习仓配节点在宏观维度上的空间关联特征；时空联合预测模块捕捉供应数据的时序相关性，并与空间特征融合，以准确预测未来物流站点的供应能力。本方法通过分析应急物流网络中仓库和配送站的时空关联特征，以实现提高预测准确率、提升应急场景中仓配两端供应能力的总体目标。
-
公开(公告)号：CN119378849A
公开(公告)日：2025-01-28
申请号：CN202411316680.8
申请日：2024-09-20
Applicant: 东南大学
IPC: G06Q10/0631 , G06Q10/04 , G06Q50/22 , G06Q50/26 , G06F18/213 , G06F18/2431 , G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种突发公共卫生事件下多类别物资需求预测系统，至少包括时序需求演化编码模块，双关联学习模块和区域联合预测模块，时序需求演化编码模块用于从历史需求记录和时空的突发公共卫生事件特征中捕获多时间尺度的需求模式；双关联学习模块用于分别学习品类间的经验关联和自适应关联；区域联合预测模块基于图扩散网络，通过聚合时序需求演化编码模块输出的需求模式和双关联学习模块输出的关联模式，得到细粒度的未来需求。本发明综合考虑区域自身特征以及卫生事件演化的动态特征，以对各区域物资品类的每日需求量进行精准预测。
-
公开(公告)号：CN118585908A
公开(公告)日：2024-09-03
申请号：CN202410728379.1
申请日：2024-06-06
Applicant: 东南大学
IPC: G06F18/2415 , G06F18/27 , G06F18/214 , G06F18/213 , G06Q30/01 , G06F18/25
Abstract: 本发明公开了一种客户生命价值预测方法及系统，包括：获取供应链平台的上游行业平台以及下游行业平台的客户购买信息和客户画像信息；根据获取的上、下游行业平台的客户购买信息以及客户画像信息分别在上、下游平台对单域客户生命价值预测模块进行预训练；结合预训练好的单域客户生命价值预测模块对跨域客户生命价值预测模块进行训练，并基于训练好的跨域客户生命价值预测模块进行客户生命价值预测，本发明基于上下游平台的客户数据分别对源域特征提取模块和目标域特征提取模块进行预训练，然后联合训练，提高了训练的效果从而提高了客户生命价值预测准确性。
-
Patent Agency Ranking
公开(公告)号：CN118505279A
公开(公告)日：2024-08-16
申请号：CN202410519472.1
申请日：2024-04-28
Applicant: 东南大学
IPC: G06Q30/0202 , G06N5/022 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N5/045
Abstract: 本发明公开了一种基于层次化关系的可解释商家流失预测方法，包括：流失预测器模块用于接收商业客户的历史单量序列、商业特性矩阵和平台交互矩阵，构建客户分层特性超图、交互关系超图和自连接超图，通过超图卷积网络对超边及节点进行聚合，得到高效节点表示，通过联合预测得到节点的预测标签；反事实解释器模块引入反事实思想对预测器的预测结果生成解释，通过对预测器的输入施加扰动后再进行预测，找到使预测结果改变最大的最小扰动，从而实现可解释的商业客户流失预测，既准确预测商业客户是否有可能流失，又能给出客户流失的主要因素，为平台方的潜在流失客户识别与针对性挽回策略定制提供参考与帮助。
-
公开(公告)号：CN119002702A
公开(公告)日：2024-11-22
申请号：CN202411107384.7
申请日：2024-08-13
Applicant: 东南大学
Abstract: 本发明公开了一种基于毫米波点云的虚拟现实时空数据压缩与语义增强方法，至少包括定位阶段和聚焦阶段，在定位阶段中，点云变换器为每个点分配注意力分数,将点云中相邻的点分组,计算整个组的综合得分，当语义分辨率不清晰时,邻域全局语义注意力(NGSA)机制搜索语义分数高的区域，通过分析原始点云数据进行早期识别,利用智能策略重用特征；在聚焦阶段中，将注意力机制应用于定位阶段选择的关键点云区域进行聚焦识别，确定区域中点的重要程度并去除和语义无关的点。本发明方法实现了精确度和计算资源的优化，同时利用点云变换器架构,实现了高效的数据处理和特征重用。
-
公开(公告)号：CN118690872A
公开(公告)日：2024-09-24
申请号：CN202410628558.8
申请日：2024-05-20
Applicant: 东南大学
IPC: G06N20/00 , G06F18/214 , G06F18/25 , G06F18/21
Abstract: 本发明公开一种多模态大型语言模型训练、装置、存储介质以及电子装置，其技术要点是：构建多模态数据集，并对其中的数据对进行严格过滤，以保证数据对的内容与文本描述紧密相关；使用筛选后的前述数据对，对学生模型中的特征对齐层进行预训练，以学习如何匹配图像的视觉特征和文本的语义特征，基于训练完毕的特征对齐层，进行多模态指令微调，进行多模态指令微调，使所述学生模型对所提出问题的回答与教师模型给出的多模态回答保持一致；进行多模态数据质量评估，生成多模态数据，以生成更多的新指令并将其与原始图像相结合，构建新的多模态指令数据集来训练所述学生模型，迭代增强所述学生模型的多模态能力。
-
公开(公告)号：CN118607580A
公开(公告)日：2024-09-06
申请号：CN202410732068.2
申请日：2024-06-06
Applicant: 东南大学
IPC: G06N3/042 , G06N3/0464 , G06N3/0985 , G06F18/213 , G06N3/044 , G06N3/045 , G06F18/22 , G06N3/048 , G06F18/24 , G06F18/27 , G06N3/084
Abstract: 本发明公开了一种基于快照提示的多任务时空预测方法，它结合了动态图预训练和与未来快照的多任务预测，由三个阶段组成：在预训练阶段，使用动态子图序列重新定义了预训练任务，并提出了基于自监督训练的多粒度演化图卷积，从动态图中提取局部和全局特征。在提示阶段，引入了一种新颖的子图提示方法，其中包括前提图中节点和边缘的可训练提示，能够更好地捕获未来快照的演化信息。在微调阶段，利用元学习来更新子图提示参数，使得提示能够有效地适应多样的下游任务。对真实世界数据集进行的大量实验证明了本方法取得了最先进的性能。
-
公开(公告)号：CN118505275A
公开(公告)日：2024-08-16
申请号：CN202410776073.3
申请日：2024-06-17
Applicant: 东南大学
IPC: G06Q30/0201 , G06Q30/0251 , G06Q30/0601
Abstract: 本发明公开了一种潜在用户识别方法及相关装置，本发明关注影响用户决策的不同层面，获得更加细粒度的特征信息，在不同层面对用户节点进行分组，采用组内通用的特征信息更新用户节点特征信息实现信息的层次传递，针对每个用户节点进行特征信息拼接和聚合，获得用户节点完整且细粒度的特征信息，从而可准确判断用户是否为潜在用户，相较于传统方法，识别更加准确。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
