-
公开(公告)号：CN117611283A
公开(公告)日：2024-02-27
申请号：CN202311568250.0
申请日：2023-11-22
Applicant: 杭州电子科技大学
IPC: G06Q30/0601 , G06Q50/00 , G06N3/08
Abstract: 本发明属于推荐系统领域，涉及一种基于挖掘负面信任和物品区分度的推荐方法，包括以下步骤：步骤1：获取用户‑物品历史交互数据和社交信任数据，并划分训练集和测试集；步骤2：基于图神经网络的框架，嵌设负面信任挖掘模块和物品区分度模块，构建为社会化推荐模型；所述负面信任挖掘模块和物品区分度模块分别用以挖掘负面信任关系和物品区分度信息并进行排序处理；步骤3：利用训练集对所述社会化推荐模型进行训练，直至模型收敛并保存最优参数；步骤4：通过测试集的预测来检验训练好的社会化推荐模型的效果，输出每个用户的推荐物品列表。本发明方法能够大大提高推荐系统的预测精度。
-
公开(公告)号：CN110781933B
公开(公告)日：2022-08-05
申请号：CN201910973555.7
申请日：2019-10-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种用于理解图卷积神经网络的可视分析方法，包括如下步骤：步骤一，将输入的图结构数据集划分为训练集、验证集和测试集；步骤二，定义参数集合，包括隐藏层数集合和隐藏神经元数集合；步骤三，基于定义好的所述参数集合，训练得到一系列的图卷积神经网络模型；步骤四，设计隐藏层分析视图，展示隐藏层参数对分类准确率的影响；步骤五，设计损失和准确率视图，展示所述模型迭代训练过程中损失和分类准确率的变化；步骤六，采用GraphTSNE可视化方法计算图中节点的位置，设计图布局视图，呈现在不同训练步数下所述节点的预测情况和两个训练步数间所述节点预测情况的差异。
-
公开(公告)号：CN109241399A
公开(公告)日：2019-01-18
申请号：CN201810754998.2
申请日：2018-07-11
Applicant: 杭州电子科技大学
IPC: G06F16/9535
Abstract: 本发明公开了一种基于信任和影响力结合的个性化推荐方法，包括以下步骤：步骤1：构建用户-项目评分矩阵；步骤2：对用户-项目已评分矩阵进行计算后得到用户初始直接信任度，使用皮尔逊相关系数度量用户相似度，并结合用户交互频率得到用户对项目的偏好度；步骤3：构建用户-用户信任矩阵；步骤4：通过信任矩阵计算影响力，并按照影响力强度筛选出预设大小的影响力用户结合，构成用户-用户影响力矩阵；步骤5：构建及训练模型；步骤6:通过训练好的模型预测用户对未知项目的评分，选择较高评分的项目产生推荐集。本发明有效的整合了评分数据及社交网络等多种信息源，提高了推荐的精确度。
-
公开(公告)号：CN118171233A
公开(公告)日：2024-06-11
申请号：CN202410288401.5
申请日：2024-03-13
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F18/27 , G06F18/213 , G08G1/01 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082
Abstract: 本发明公开一种基于注意力机制的面对多模式交通的时空融合图生成方法，包括以下步骤：步骤一，从总交通流数据中获取时间图和空间图并融合生成自适应时空融合图；步骤二，将总交通流解耦分割；步骤三，对解耦分割后的交通模式流通过生成的自适应时空融合图进行图卷积，提取到各交通模式流中的时空特征；步骤四，将提取的各交通模式流中的时空特征拼接后通过门控机制进一步获取到交通模式流在其总时间步长的隐藏状态；步骤五，将总交通流、时间图、解耦后的交通模式流以及所述总时间步长的隐藏状态进行信息的跳跃连接，得到多尺度特征，后通过全连接和二维卷积形成回归层，得到交通流量预测结果。本发明有效提高了交通流量预测的准确性。
-
公开(公告)号：CN115310004A
公开(公告)日：2022-11-08
申请号：CN202210943278.7
申请日：2022-08-08
Applicant: 杭州电子科技大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/04
Abstract: 本发明公开一种融合项目时序关系的图神经协同过滤推荐方法。本发明考虑到用户兴趣的动态变化，使用项目‑项目时序关系来动态刻画用户的兴趣变化；利用图结构显示表达用户‑项目高阶信息的特点，来提升推荐性能。包括以下步骤：对用户交互的项目数据进行预处理；划分数据集为训练集和测试集；获取用户‑项目交互数据，包括构建交互矩阵；获取项目‑项目时序关系数据，包括采用滑动窗口方式划分子序列、构建项目‑项目时序关系矩阵及矩阵归一化处理；初始化融合项目时序关系的图神经协同过滤推荐方法中的各种超参数，通过在测试集上的预测检验模型的效果。该发明方法能够提升推荐算法的性能。
-
Patent Agency Ranking
公开(公告)号：CN111798051A
公开(公告)日：2020-10-20
申请号：CN202010629347.8
申请日：2020-07-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于长短期记忆神经网络的空气质量时空预测方法。本发明整合实验站点及最近相邻站点的颗粒物浓度数据、同时期的气象数据及气态污染物数据，转换为监督学习的数据格式，对数据进行归一化处理，利用长短期记忆网络训练数据，得到空气质量浓度的预测序列。包括以下步骤：S1：获取历史空气质量数据和气象数据；S2：对历史空气质量进行数据预处理，包括异常值剔除、缺失值插值处理、相邻站点颗粒物浓度数据的提取以及数据归一化；S3：转换数据格式，从序列到输入和输出序列对；S4：划分数据集为训练集和测试集及初始化长短期记忆网络各种超参数；S5：通过在测试集上的预测检验模型效果。该发明方法能够提高空气质量数据的预测精度。
-
公开(公告)号：CN110991713A
公开(公告)日：2020-04-10
申请号：CN201911148344.6
申请日：2019-11-21
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：步骤一，将地域划分为N个不相连的不规则区域；步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。
-
公开(公告)号：CN109254984A
公开(公告)日：2019-01-22
申请号：CN201811205749.4
申请日：2018-10-16
Applicant: 杭州电子科技大学
IPC: G06F16/2458 , G06F16/248
Abstract: 本发明公开了一种基于OD数据感知城市动态结构演化规律的可视分析方法，包括如下步骤：步骤1：收集OD数据，并存储在数据库中；步骤2：对位置进行聚类，对轨迹按位置聚类和小时聚合；步骤3：按小时构建位置聚类网络序列，表征每小时内各个聚类间的流量关系；步骤4：基于位置聚类网络序列，定义LDA模型，训练得到主题模型，并对主题基于重要程度排序；步骤5：设计主题-时间视图，可视化不同主题在每个位置网络中的概率分布，展示不同主题随着时间的演化特征；步骤6：设计边关联视图，直观展示重要区域的空间分布和它们之间的流量关系；步骤7：设计边流量时间分布视图，展示边关联视图中每条弧线在不同时间步下出现的概率。
-
公开(公告)号：CN113850310B
公开(公告)日：2024-11-29
申请号：CN202111086544.0
申请日：2021-09-16
Applicant: 杭州电子科技大学
Abstract: 本发明属于信息技术领域，公开了一种基于地块细分和区域最大覆盖的共享单车电子围栏规划方法。包括如下步骤：步骤1：获取共享单车使用数据集，并对数据进行预处理；步骤2：基于使用记录将城市地块划分为更精细的区域，并求出区域的停车需求；步骤3：利用区域最大覆盖模型选择需要设置电子围栏的区域；步骤4：计算电子围栏的容量；步骤5：计算设置电子围栏的精确位置。本发明在规划电子围栏时考虑了区域的空间形状，能够计算得到区域获得电子围栏服务的部分覆盖情况，从而减少了计算过程中潜在的错误，能够更好地满足现实场景下电子围栏规划的需要。
-
公开(公告)号：CN118968759A
公开(公告)日：2024-11-15
申请号：CN202411195832.3
申请日：2024-08-29
Applicant: 杭州电子科技大学
IPC: G08G1/01 , G06N3/042 , G06N3/0464 , G06Q10/04
Abstract: 本发明公开了基于时间增强数据解缠神经网络的交通预测方法，通过构建一种新的用于交通流预测的时间增强数据解纠结网络（TEDDN），有效地处理与多种交通模式纠缠的交通数据，更好地提取交通流的关键时间信息；为了捕获其时空特征，TEDDN使用时间和节点嵌入对历史流量数据进行预处理；通过时间分组增强模块，对提取的时间信息进行富集的表征能力，并滤除噪声；然后，将历史数据解缠为时间和空间特征，每个生成的数据集代表特定的交通模式；此外，图形学习层生成一个动态的、可学习的图形，该图形使用集成的门控图卷积和数据解纠缠模块捕获动态空间依赖性。多个分量的输出沿时间维度进行组合，以捕获多尺度表示。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.018 seconds)
