基于条件分布的条件生成对抗网络

    公开(公告)号:CN112966830A

    公开(公告)日:2021-06-15

    申请号:CN202110257916.5

    申请日:2021-03-09

    Applicant: 中南大学

    Abstract: 本发明公开了一种加入条件分布作为输入的条件生成对抗模型。本发明认为“条件”与“分布”两者互相关联,不同条件(这里体现为类别)的特征应满足不同的分布(这里描述为条件分布),而现有条件生成对抗模型将“条件”与“分布”作为互相独立的变量作为输入,这不可避免的导致了条件信息与分布信息的过度耦合,影响了模型生成效果。本发明使用改进后的VAE模型(SLDVAE)提取不同条件的条件分布,在训练GAN模型时加入条件分布作为输入,我们认为这可以有效的解决“条件”与“分布”信息的过度耦合。

    一种基于层级时序图卷积网络的路网交通流预测方法

    公开(公告)号:CN109887282B

    公开(公告)日:2022-01-21

    申请号:CN201910164972.7

    申请日:2019-03-05

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于层级时序图卷积网络的路网交通流预测方法,该方法包括步骤:S1、建立路网图,根据路网图构建邻接矩阵;S2、将每个节点上的流量作为此节点的信号;S3、利用图的邻接矩阵,计算拉普拉斯矩阵,针对流量信号建立谱图卷积模块,提取路网的空间结构对流量的影响;S4、构建聚类池化和反池化模块,提取路网中的层级信息,寻找相似结构的流量特征;S5、谱图卷积模块和聚类池化模块一起构成GRU单元,实现对流量时间特征的提取;S6、利用自编码器结构完成序列到序列的流量预测。本发明的层级时序图卷积网络,更精准预测庞大复杂的交通流量,方便城市居民规划出行路线,减少出行时间,提高出行感受,提升计算效率,不易出现内存溢出问题。

    一种基于时空稀疏学习的鲁棒图卷积神经网络方法

    公开(公告)号:CN112906869A

    公开(公告)日:2021-06-04

    申请号:CN202110257211.3

    申请日:2021-03-09

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于时空稀疏学习的鲁棒图卷积网络方法。本发明方法通过TopK函数在每个节点上实现空间稀疏性,并提出一种基于时间稀疏性的关注机制,即根据不同的激活频率为特征空间的每个维度分配不同的权重。本发明提供了一种改进版的图卷积神经网络,在保持原有网络精度的同时,具有较高的鲁棒性,提升模型面对噪声的抗干扰能力。

    一种基于层级时序图卷积网络的路网交通流预测方法

    公开(公告)号:CN109887282A

    公开(公告)日:2019-06-14

    申请号:CN201910164972.7

    申请日:2019-03-05

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于层级时序图卷积网络的路网交通流预测方法,该方法包括步骤:S1、建立路网图,根据路网图构建邻接矩阵;S2、将每个节点上的流量作为此节点的信号;S3、利用图的邻接矩阵,计算拉普拉斯矩阵,针对流量信号建立谱图卷积模块,提取路网的空间结构对流量的影响;S4、构建聚类池化和反池化模块,提取路网中的层级信息,寻找相似结构的流量特征;S5、谱图卷积模块和聚类池化模块一起构成GRU单元,实现对流量时间特征的提取;S6、利用自编码器结构完成序列到序列的流量预测。本发明的层级时序图卷积网络,更精准预测庞大复杂的交通流量,方便城市居民规划出行路线,减少出行时间,提高出行感受,提升计算效率,不易出现内存溢出问题。

Patent Agency Ranking