-
公开(公告)号：CN115293399A
公开(公告)日：2022-11-04
申请号：CN202210684371.0
申请日：2022-06-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于时空图卷积网络的交通流量预测方法，包括S1)：利用道路传感器收集目标区域的交通流量数据并进行预处理；S2)：收集额外信息并进行编码，所述额外信息包括气候数据、当天是否为工作日以及节点周围的公共场所的种类和数量；S3)：根据步骤S1)得到的预处理后的交通流量数据生成时间序列数据；S4)：构建两个自适应向量ES,ET作为节点的空间嵌入表示，生成空间相关性矩阵；S5)：构建基于DSGRU单元的DSRNN网络模型，将步骤S3)得到的时间序列数据作为输入和标签，再将步骤S2)得到的额外信息向量输入到模型中，辅助模型对目标区域的交通流量进行预测，可更好捕捉交通流量数据的动态空间依赖，并达到更好的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN113469406A
公开(公告)日：2021-10-01
申请号：CN202110550194.2
申请日：2021-05-20
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种结合多粒度窗口扫描和组合多分类的用户流失预测方法，包括如下步骤：S1.获取电信用户数据，并进行标记；S2.对数据进行预处理；S3.训练组合模型：对预处理后的训练集中的少数类样本进行过采样，对多数类样本进行欠采样；根据采样后的少数类样本数量，将多数类样本分成i份，和少数类样本组成新的数据子集Ni，然后对Ni使用ENN算法进行降噪；对降噪后的少数类样本和多数类样本进行多粒度窗口扫描，得到增强的重构向量，对重构的向量使用不同的算法进行计算，得到组合模型；S4.用训练好的组合模型对数据集进行预测。该方法能够对多数类采用欠采样算法，使得多数类与少数类的类别更加平衡，采用多分类器的组合模型预测可以最大化各种模型的优点。
-
公开(公告)号：CN113706187A
公开(公告)日：2021-11-26
申请号：CN202110787603.0
申请日：2021-07-13
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于时空图卷积的电信用户流失行为预测方法及系统，该预测方法包括以下步骤：L1.获取用户数据，对数据进行标记，根据需求将用户标记为流失或非流失，对数据进行预处理；L2.将数据整理为训练数据集和测试数据集，从空间维度上使用图卷积网络提取用户关系特征，从时间维度上使用LSTM网络提取用户行为特征，生成对应子模型；L3.采用异维度特征相互约束的特性，将提取的特征融合合并，训练融合模型，得到最终的用户流失行为特征；L4.将测试数据转换为符合模型输入的格式并输入模型中，获取用户流失行为结果。本发明通过将人工智能技术应用于用户流失预测问题，通过时空图卷积方法，精准预测用户流失行为，为通讯服务供应商提供策略依据。
-
公开(公告)号：CN110364223B
公开(公告)日：2021-04-06
申请号：CN201910548286.X
申请日：2019-06-24
Applicant: 杭州电子科技大学
IPC: G16B30/00
Abstract: 本发明公开冷链一种基于多示例学习的IRES序列搜寻方法。本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。本发明可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。本发明针对mRNA中IRES序列验证的生物实验较为复杂且人力、物力成本消耗过高的问题。本发明可以对mRNA序列是否存在IRES序列进行快速判断，并预估其大概所在位置，从而可使相关科研工作者优先对大概率存在IRES序列的mRNA片段进行生物实验验证，以提高工作效率，减少工作强度。
-
公开(公告)号：CN110364223A
公开(公告)日：2019-10-22
申请号：CN201910548286.X
申请日：2019-06-24
Applicant: 杭州电子科技大学
IPC: G16B30/00
Abstract: 本发明公开冷链一种基于多示例学习的IRES序列搜寻方法。本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。本发明可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。本发明针对mRNA中IRES序列验证的生物实验较为复杂且人力、物力成本消耗过高的问题。本发明可以对mRNA序列是否存在IRES序列进行快速判断，并预估其大概所在位置，从而可使相关科研工作者优先对大概率存在IRES序列的mRNA片段进行生物实验验证，以提高工作效率，减少工作强度。
-
公开(公告)号：CN110363204A
公开(公告)日：2019-10-22
申请号：CN201910548683.7
申请日：2019-06-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多任务特征学习的对象表示方法。本发明的方法，在终端采用深度神经网络对特征进行提取，减少了传输视频的数据量，加快了传输速度，减少了存储空间占有量；在云端由计算机进行对象的分析和恢复，减少了人力成本的投入，同时提高了事件处理效率；且能够实现多个任务同时进行，联合优化的效果。本发明本发明采用人工智能神经网络方法，通过对原视频图像进行特征提取，减少传输数据量，再通过特征计算，实现智能分析，并且利用转置卷积技术，实现图像的还原，大大提高了事件的处理速度，并节省了资金。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
