-
公开(公告)号：CN116882554A
公开(公告)日：2023-10-13
申请号：CN202310755052.9
申请日：2023-06-25
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06Q10/04 , G06F16/2458 , G06F17/16 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于张量分解的多变量时间序列预测方法、系统及存储介质，该多变量时间序列预测方法包括：步骤1，预处理：收集历史数据同时筛选相关特征，再进行数据预处理以得到预测数据集，并将预测数据集划分为训练集、验证集和测试集；步骤2，模型训练：将训练集送入注意力层和多层感知机混合器中依次进行时序分解和通道分解，同时捕捉时序和变量间依赖关系，进行模型训练；步骤3，参数调整：调整模型参数，得到最优模型；步骤4，时序预测：根据得到的最优模型对待预测时间序列进行预测。本发明的有益效果是：大大降低了模型运算复杂度，并且适用于不同传感器不同场景下的时序预测任务，提高了模型训练的效率和时序预测的准确性。
-
公开(公告)号：CN118153745A
公开(公告)日：2024-06-07
申请号：CN202410261701.4
申请日：2024-03-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请提供了车辆轨迹预测方法，采集车辆轨迹数据形成客户端的本地数据集；客户端利用本地数据集训练本地车辆轨迹预测模型，并将训练的模型参数和当前的状态#imgabs0#上传到中央服务器；中央服务器基于深度强化学习代理聚合各个客户端的模型参数，所述深度强化学习代理将每轮联邦学习过程构建为马尔可夫决策过程模型，深度强化学习代理根据各个客户端的当前的状态#imgabs1#产生动作#imgabs2#作为各客户端聚合权重，聚合完成后，更新中央服务器的全局车辆轨迹预测模型参数，并将参数广播给各个客户端；使用各个客户端训练完成的本地车辆轨迹预测模型，对未来的车辆行驶轨迹进行预测。可以至少用以解决车辆轨迹预测精度不高、计算量过大的技术问题。
-
公开(公告)号：CN112988981B
公开(公告)日：2021-10-15
申请号：CN202110525248.X
申请日：2021-05-14
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于遗传算法的自动标注方法，包括依次执行以下步骤：步骤1，预处理：获取评论，从评论中删除长度小于两个单词的评论和所有非字母数字字符，然后取小写字母，在标记化后剔除存在于NLTK语料库中的终止词，接下来，将单词简化为词根形式；步骤2，主题建模：采用LDA主题建模方法，给定一个评论列表R={r1,r2,…,rn}，获得相应的词汇D={ω1,ω2,...,ωd}，话题β={β1,β2,...,βk}；步骤3，基于遗传算法的主题标注：设计适合该主题标注场景的染色体结构、适应度参数以及遗传算子。本发明的有益效果是：利于开发者和用户了解应用评论。
-
公开(公告)号：CN112988981A
公开(公告)日：2021-06-18
申请号：CN202110525248.X
申请日：2021-05-14
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明提供了一种基于遗传算法的自动标注方法，包括依次执行以下步骤：步骤1，预处理：获取评论，从评论中删除长度小于两个单词的评论和所有非字母数字字符，然后取小写字母，在标记化后剔除存在于NLTK语料库中的终止词，接下来，将单词简化为词根形式；步骤2，主题建模：采用LDA主题建模方法，给定一个评论列表R={r1,r2,…,rn}，获得相应的词汇D={ω1,ω2,...,ωd}，话题β={β1,β2,...,βk}；步骤3，基于遗传算法的主题标注：设计适合该主题标注场景的染色体结构、适应度参数以及遗传算子。本发明的有益效果是：利于开发者和用户了解应用评论。
-
-
-
Search Results
4
records
(took 0.065 seconds)
