-
公开(公告)号：CN112215879A
公开(公告)日：2021-01-12
申请号：CN202011021999.X
申请日：2020-09-25
Applicant: 北京交通大学
Abstract: 本发明提供了一种光场极平面图像的深度提取方法，用以解决现有技术中光场极平面图像深度提取不精确的问题。所述深度提取方法，在获取光场图像水平、垂直两个方向的极平面图像的基础上，构建图像的直方图，并对直方图进行以桶内像素数量为基准的均衡化及高斯模糊，并构建每一个中心视角像素点下的平行四边形算子设置距离权重和颜色权重，再对直方图和距离权重、颜色权重进行融合，计算左右直方图的距离，选择最大的左右直方图距离对应的深度，作为估计深度。本发明仅通过一张基础的光场图像，恢复出较为平滑、精确的深度图像，获取深度的算法具有较好的鲁棒性，对于弱纹理、噪声、遮挡都有着一定的适应性，提高了建图精度。
-
公开(公告)号：CN109242579A
公开(公告)日：2019-01-18
申请号：CN201811389125.2
申请日：2018-11-21
Applicant: 北京交通大学
Abstract: 本发明实施例提供了一种基于卷积神经网络的机票价格预测方法，包括：分析机票价格维度特点，设计二维的机票价格时间片结构；根据二维的机票价格时间片结构得到时间-价格序列数据；根据时间-价格序列数据，构造基于卷积神经网络的两阶段式机票价格预测模型；构造机票价格的时间片，并采用粗略预测方法对未知值进行预测并填补到时间片中；对时间片，采用预测模型DC_Airfare网络进行精确预测，得到最终训练模型；利用最终训练模型进行预测，得到所要预测的机票价格结果。本发明采用的时间片构建及预测模型设计，能较好的实现机票价格预测，为购票者和航空公司价格调整人员提供准确有效的决策支持。
-
公开(公告)号：CN110287987B
公开(公告)日：2021-06-25
申请号：CN201910407940.5
申请日：2019-05-16
Applicant: 北京交通大学
IPC: G06K9/62
Abstract: 本发明涉及大型数据中心运维技术领域，尤其涉及一种带层次网络结构的业务系统层次组织结构发现方法。该方法利用日志大数据建立了一种自动化集群发现、分层的方法，可以用来自动绘制复杂业务系统的业务架构图，从而提高运维效率和系统架构信息的时效性。该方法构建的业务系统架构图可以真实反映业务系统在服务器上的运行的业务逻辑关系，辅助运维人员管理。且本发明的输入仅需要数据中心的服务器日志数据，能够自动发现复杂业务系统的业务架构图，不仅结果准确，而且无须过多人操作，节省了大量人力、物力开支。
-
公开(公告)号：CN111562996A
公开(公告)日：2020-08-21
申请号：CN202010282009.1
申请日：2020-04-11
Applicant: 北京交通大学
IPC: G06F11/07
Abstract: 本发明提供了一种关键性能指标数据的时序异常检测方法，用以解决现有技术中时序数据异常检测效率低、准确率低的问题。所述时序异常检测方法，先对采集的时序数据中缺失值及异常值进行修正，再提取特征对数据进行拼接，将拼接数据划分为训练集和测试集，在优化目标函数的基础上训练得到异常检测模型，再进行测试及评估得到评估标准，以所述评估标准和异常检测模型，对待检测数据进行时间序列异常检测。本发明对具有周期性的不同时间序列数据的异常检测，从时间序列数据中提取不同维度的特征以保证考虑到数据在不同维度上的相关性都能被模型学习到，减少了异常标注带来的成本，同时适用于正负样本极不均匀的场景，提高了检测效率。
-
公开(公告)号：CN112215879B
公开(公告)日：2024-06-21
申请号：CN202011021999.X
申请日：2020-09-25
Applicant: 北京交通大学
IPC: G06T7/50 , G06T7/90 , G06V10/764 , G06T5/40 , G06T5/50
Abstract: 本发明提供了一种光场极平面图像的深度提取方法，用以解决现有技术中光场极平面图像深度提取不精确的问题。所述深度提取方法，在获取光场图像水平、垂直两个方向的极平面图像的基础上，构建图像的直方图，并对直方图进行以桶内像素数量为基准的均衡化及高斯模糊，并构建每一个中心视角像素点下的平行四边形算子设置距离权重和颜色权重，再对直方图和距离权重、颜色权重进行融合，计算左右直方图的距离，选择最大的左右直方图距离对应的深度，作为估计深度。本发明仅通过一张基础的光场图像，恢复出较为平滑、精确的深度图像，获取深度的算法具有较好的鲁棒性，对于弱纹理、噪声、遮挡都有着一定的适应性，提高了建图精度。
-
Patent Agency Ranking
公开(公告)号：CN116663712A
公开(公告)日：2023-08-29
申请号：CN202310515768.1
申请日：2023-05-09
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/109 , G06N3/0442 , G06N3/084
Abstract: 一种航母舰载机起飞的保障作业完成时间预测方法，属于计算机程序及流程剩余时间预测技术领域。采集JZJ出动的样本数据，包括所有起飞历史数据的日志，将样本数据进行预处理，作为训练模型时的输入数据。使用加入双层注意力机制的双向长短期记忆网络模型进行训练，生成预测模型。针对某时刻的待预测JZJ时空场景，建立状态映射。将处理好的数据作为预测模型的输入数据，进行预测后得到预测结果。
-
公开(公告)号：CN111166294B
公开(公告)日：2021-09-14
申请号：CN202010077427.7
申请日：2020-01-29
Applicant: 北京交通大学
IPC: A61B5/00 , A61B5/0205 , A61B5/346 , A61B5/352
Abstract: 本发明提供了一种基于心跳间期的睡眠呼吸暂停自动检测方法和装置，用于解决现有技术中睡眠呼吸暂停检测不准确、精度不高的问题。所述睡眠呼吸暂停自动检测方法首先采集睡眠时的心跳间期信息，再通过残差神经网络对所述心跳间期信息自动提取特征，并进一步提取心率变异性特征，再将所述自动提取特征和心率变异性特征集合进行融合，从而判断是否出现呼吸暂停。本发明通过提取心电图ECG信号中的心跳间期特征，并将此特征在残差神经网络中进行深入分析，结合了心率变异性特征，且所述残差神经网络中的所有权重都可以在临床上进行微调，提高了提高了睡眠检测的灵性性、准确性和精确性；同时只需要单导心电信息，采集过程简单便捷，具有相当的普适性。
-
公开(公告)号：CN114520838A
公开(公告)日：2022-05-20
申请号：CN202210029243.2
申请日：2022-01-11
Applicant: 北京交通大学
IPC: H04L69/22 , H04L69/18 , H04L69/329 , G06K9/62
Abstract: 本发明提供了一种基于K近邻的自定义协议应用层的网络报文匹配方法，属于数据传输领域。所述方法包括：根据历史网络报文构建协议类型存储结构并按时间戳进行顺序编号，获得每种协议类型的结构特征值与取值数组，再基于K近邻模型获取K个近邻的预测协议，以及特征值并输入到线性回归方程，获取待匹配协议与K个预测协议的相似权重并排序，再获取待匹配报文的源IP和目的IP并查询对应的协议种类，与预测协议组成U；将待匹配网络报文与U中的协议，逐一进行匹配，匹配成功时，传输数据并返回协议类型；匹配失败时，则轮询匹配U之外的本地协议，直到匹配正确。本发明在保证传输可靠性、安全性的同时，提高了数据传输效率。
-
公开(公告)号：CN111562996B
公开(公告)日：2021-11-23
申请号：CN202010282009.1
申请日：2020-04-11
Applicant: 北京交通大学
IPC: G06F11/07
Abstract: 本发明提供了一种关键性能指标数据的时序异常检测方法，用以解决现有技术中时序数据异常检测效率低、准确率低的问题。所述时序异常检测方法，先对采集的时序数据中缺失值及异常值进行修正，再提取特征对数据进行拼接，将拼接数据划分为训练集和测试集，在优化目标函数的基础上训练得到异常检测模型，再进行测试及评估得到评估标准，以所述评估标准和异常检测模型，对待检测数据进行时间序列异常检测。本发明对具有周期性的不同时间序列数据的异常检测，从时间序列数据中提取不同维度的特征以保证考虑到数据在不同维度上的相关性都能被模型学习到，减少了异常标注带来的成本，同时适用于正负样本极不均匀的场景，提高了检测效率。
-
公开(公告)号：CN110288121A
公开(公告)日：2019-09-27
申请号：CN201910407946.2
申请日：2019-05-16
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于多粒度时间注意力机制的航班客座率预测方法。该方法包括：构建基于多粒度时间注意力机制的循环神经网络模型，将航线上所有起飞时刻的航班历史客座率时间序列作为所述编码器的输入序列，编码器对输入序列进行编码处理，解码器对编码器输出的编码信息进行解码处理，得到目标航班的航班客座率时间序列。本发明通过起飞时刻注意力机制捕获目标航班所在航线中不同起飞时刻航班客座率的时序依赖性及其它起飞时刻航班客座率对目标航班客座率的影响，同时采用起飞日注意力机制捕获目标航班的自身客座率序列的趋势性及周期性；结合考虑航班自身属性及节假日等外部因素的影响，最终使得本模型在航班客座率预测问题上取得了很好的效果。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.029 seconds)
