-
公开(公告)号：CN115809747B
公开(公告)日：2023-05-09
申请号：CN202310065473.9
申请日：2023-02-06
Applicant: 东南大学
Abstract: 本发明公开一种基于金字塔式因果网络的耦合信息流长期预测方法，适用于预测耦合信息流的长时时空信息,该方案采用因果性指标判断，以交通流为例，通过检测器获取的车辆速度时间序列数据为基础构建因果网络，通过互信息估计方法来计算因果熵，完成因果网络的构建。利用金字塔时空网络模型，从输入预处理层到时空块层，得到预测结果。其中每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。该方法可达到较高的信息流长时预测精度，可为在智能交通系统提供有效数据支撑。
-
公开(公告)号：CN115827335B
公开(公告)日：2023-05-09
申请号：CN202310063746.6
申请日：2023-02-06
Applicant: 东南大学
IPC: G06F11/14 , G06N3/084 , G06N3/0464
Abstract: 本发明提供了一种基于模态交叉方法的时序数据缺失插补系统，由表征数据模块，多模态数据融合模块、可堆叠时空transformer模块（后续简称为时空模块），预测模块这四个模块构成。它适用于数据出现随机缺失以及非随机缺失，以及存在部分节点数据完全数据缺失的情况。本系统采用多模态数据融合技术通过表征学习将图像数据，声音数据转化为向量，将图数据信息转化为邻接矩阵张成一个向量，再与含缺失时序数据等融合为先验信息；对融合数据的处理模型通过建立每个时空块之间的密集连接构建端到端的编码通道，实现缺失数据准确恢复，其中时空块由一个空间块与一个时间块组成。本发明具有对信息流耦合时序数据恢复准确度高的优点。
-
公开(公告)号：CN115827335A
公开(公告)日：2023-03-21
申请号：CN202310063746.6
申请日：2023-02-06
Applicant: 东南大学
IPC: G06F11/14 , G06N3/084 , G06N3/0464
Abstract: 本发明提供了一种基于模态交叉方法的时序数据缺失插补系统，由表征数据模块，多模态数据融合模块、可堆叠时空transformer模块（后续简称为时空模块），预测模块这四个模块构成。它适用于数据出现随机缺失以及非随机缺失，以及存在部分节点数据完全数据缺失的情况。本系统采用多模态数据融合技术通过表征学习将图像数据，声音数据转化为向量，将图数据信息转化为邻接矩阵张成一个向量，再与含缺失时序数据等融合为先验信息；对融合数据的处理模型通过建立每个时空块之间的密集连接构建端到端的编码通道，实现缺失数据准确恢复，其中时空块由一个空间块与一个时间块组成。本发明具有对信息流耦合时序数据恢复准确度高的优点。
-
公开(公告)号：CN115809747A
公开(公告)日：2023-03-17
申请号：CN202310065473.9
申请日：2023-02-06
Applicant: 东南大学
Abstract: 本发明公开一种基于金字塔式因果网络的耦合信息流长期预测方法，适用于预测耦合信息流的长时时空信息,该方案采用因果性指标判断，以交通流为例，通过检测器获取的车辆速度时间序列数据为基础构建因果网络，通过互信息估计方法来计算因果熵，完成因果网络的构建。利用金字塔时空网络模型，从输入预处理层到时空块层，得到预测结果。其中每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。该方法可达到较高的信息流长时预测精度，可为在智能交通系统提供有效数据支撑。
-
-
-
Search Results
4
records
(took 0.013 seconds)
