基于改进GWO的神经网络火灾趋势预测方法

    公开(公告)号:CN119416813A

    公开(公告)日:2025-02-11

    申请号:CN202411475567.4

    申请日:2024-10-22

    Applicant: 常州大学

    Abstract: 本发明涉及火灾预测技术领域,尤其涉及基于改进GWO的神经网络火灾趋势预测方法,包括采集火灾检测参数;对检测参数进行预处理;以检测参数的预测值和实际测量值的均方误差建立适应度函数;对深度学习网络模型的超参数和适应度函数进行初始化,利用改进GWO算法对深度学习网络模型的超参数进行优化;将实时采集火灾检测参数输入改进深度学习网络模型中,对火灾进行预测。本发明解决现有火灾处理方法存在处理速度慢和准确性差的问题。

    基于改进NRBO和改进TRF的数据缺失值填补方法

    公开(公告)号:CN119988361A

    公开(公告)日:2025-05-13

    申请号:CN202510069089.5

    申请日:2025-01-16

    Applicant: 常州大学

    Abstract: 本发明涉及数据填补技术领域,尤其涉及基于改进NRBO和改进TRF的数据缺失值填补方法,包括采集交通流数据并进行时序化,获取缺失数据掩码矩阵,并进行融合得到第一融合特征;将第一融合特征进行初始化并与位置编码进行相加操作,再输入填补模块;填补模块的输出值经过线性层得到第一预测值;将第一预测值和掩码矩阵进行融合,并与位置编码进行相加操作后输入重构模块,重构模块的经过两个线性层后得到第二预测值;利用权重函数对第一预测值和第二预测值进行加权输出第三预测值;将第三预测值、缺失数据掩码矩阵和第一融合特征进行融合,输出最终的填补值。本发明解决现有填补方法需要构建训练集,模型兼容性差的问题。

    基于时序分解与改进TSDf的网约车需求量预测方法

    公开(公告)号:CN119494678A

    公开(公告)日:2025-02-21

    申请号:CN202411539402.9

    申请日:2024-10-31

    Applicant: 常州大学

    Abstract: 本发明涉及网约车需求量预测技术领域,尤其涉及基于时序分解与改进TSDf的网约车需求量预测方法,包括采集网约车需求量和控制参数;将RevIN操作后的输入序列分解为季节项和趋势项;改进Encoder层包括:位置编码层特征输入第一频域选择模块后与位置编码层特征进行concat操作;再输入第一层归一化和编码前馈层,并与第一层归一化的特征进行concat操作;再输入第二层归一化;利用线性神经网络对趋势项进行预测;将季节项预测特征和趋势项预测特征相加,并进行逆RevIN操作生成预测结果。本发明解决现有网约车需求量预测模型存在精度和性能无法同时兼顾的问题。

    基于改进SWO的火灾逃生路径寻优方法

    公开(公告)号:CN119962778A

    公开(公告)日:2025-05-09

    申请号:CN202510021348.7

    申请日:2025-01-07

    Applicant: 常州大学

    Abstract: 本发明涉及路径寻优技术领域,尤其涉及基于改进SWO的火灾逃生路径寻优方法,包括获取受困人员的位置、目标位置、障碍物位置和火灾位置;构建最优逃生距离的目标函数;构建改进SWO算法,采用自适应权衡因子率,自适应调整搜索策略,平衡全局搜索和局部开发能力;采用改进螺旋更新机制对蜘蛛蜂筑巢阶段的位置更新进行优化,为筑巢阶段的探索过程提供搜索方向。本发明解决SWO算法收敛速度和稳定性有待进一步提升的问题。

Patent Agency Ranking