-
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。
-
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。
-
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。
-
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。
-
-
-
Search Results
4
records
(took 0.021 seconds)
