-
公开(公告)号：CN118643934A
公开(公告)日：2024-09-13
申请号：CN202410688303.0
申请日：2024-05-30
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06Q10/04 , G06F18/22 , G06F18/25 , G06N3/0455 , G06N3/0895 , G06F16/2455
Abstract: 本发明公开了一种基于重放的流式时空数据场景下的持续预测方法，旨在通过相互信息最大化来确保预测准确性和避免整体特征损失。该方法包括以下步骤：S1，采用时空混合机制融合当前数据与存放在回放池中观测数据；S2，采用时空SimSiam网络实现互信息最大化进行整体表示学习；S3，使用时空编码器从原始数据中学习潜在的隐藏特征，并将学习到的数据存储在回放池中；最后将学到的隐藏特征输入到时空解码器进行预测。本发明对流式时空数据场景下时空预测准确率高，使用了基于回放的技术，将历史数据融入到当前训练中，利用基于排名的最大干扰检索采样策略与时空混合机制有效地缓解了灾难性遗忘问题。
-
公开(公告)号：CN115694877B
公开(公告)日：2023-08-15
申请号：CN202211046374.8
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04L9/40 , H04L41/08 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于联邦偏好学习的空间众包任务分配方法，本发明首先对存储在各平台中心的当地数据进行偏好建模。然后，本发明利用联邦学习框架，通过各平台中心的本地模型参数传递去更新中心服务器的模型参数，从而获取全局的工人偏好。最后，在考虑工人偏好的情况下，本发明将任务分配转化为二部图最大匹配问题，利用一种基于KM的双边top‑k相交的方法对所建图的边集进行过滤，并使用再分配的方法对剩余任务进行二次分配，从而实现了在加速匹配算法的同时保证了分配任务总数。能够有效地获得高任务成功率和分配任务总数，并实现了多平台工人数据非集中情况下对任务偏好感知的工人任务分配，即在一定程度上保护了工人的隐私。
-
公开(公告)号：CN115495648A
公开(公告)日：2022-12-20
申请号：CN202211046356.X
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种推荐任务发布时间的空间众包方法，本发明利用交叉图神经网络提取任务请求者、任务以及任务发布时间的特征，使得其特征包含不同语义空间中的信息，丰富了特征表达。且使用的是轻量级的图卷积神经网络，取消了图的自连接以及特征变换的权重矩阵，在保证高效推荐的同时加快了模型的训练速度。在任务发布序列的多视角关系学习中，首先对任务的多视角属性进行融合，综合考量了可能对任务发布时间产生影响的因素。接着利用Transformer的多头注意力机制来计算序列中其他任务对当前任务的重要程度，从而得以进一步挖掘序列中的上下文信息。最后用一个全连接层预测任务发布的时间段能在一定程度上解决数据的稀疏性问题，提高预测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN115694877A
公开(公告)日：2023-02-03
申请号：CN202211046374.8
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: H04L9/40 , H04L41/08 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于联邦偏好学习的空间众包任务分配方法，本发明首先对存储在各平台中心的当地数据进行偏好建模。然后，本发明利用联邦学习框架，通过各平台中心的本地模型参数传递去更新中心服务器的模型参数，从而获取全局的工人偏好。最后，在考虑工人偏好的情况下，本发明将任务分配转化为二部图最大匹配问题，利用一种基于KM的双边top‑k相交的方法对所建图的边集进行过滤，并使用再分配的方法对剩余任务进行二次分配，从而实现了在加速匹配算法的同时保证了分配任务总数。能够有效地获得高任务成功率和分配任务总数，并实现了多平台工人数据非集中情况下对任务偏好感知的工人任务分配，即在一定程度上保护了工人的隐私。
-
公开(公告)号：CN115187119A
公开(公告)日：2022-10-14
申请号：CN202210879142.4
申请日：2022-07-25
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于工人忠诚度的空间众包任务分配方法，包括建立忠诚度预测模型使用了三路Prophet算法预测工人的绩效数据，又使用熵权法进行加权得到每个工人的忠诚度，接着使用不同长度的历史数据预测得到工人的短期和长期忠诚度，最后通过全连接层动态输出得到每个工人的忠诚度，随后，根据忠诚度分数和任务奖励的最佳权值匹配算法和结合度递减算法的少数优先分配算法，提高了空间众包中任务分配的效率和有效性，并极大地提升了高忠诚度工人在空间众包问题中的体验，从而达到激励和鼓励工人的目的。
-
公开(公告)号：CN115495648B
公开(公告)日：2023-06-09
申请号：CN202211046356.X
申请日：2022-08-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种推荐任务发布时间的空间众包方法，本发明利用交叉图神经网络提取任务请求者、任务以及任务发布时间的特征，使得其特征包含不同语义空间中的信息，丰富了特征表达。且使用的是轻量级的图卷积神经网络，取消了图的自连接以及特征变换的权重矩阵，在保证高效推荐的同时加快了模型的训练速度。在任务发布序列的多视角关系学习中，首先对任务的多视角属性进行融合，综合考量了可能对任务发布时间产生影响的因素。接着利用Transformer的多头注意力机制来计算序列中其他任务对当前任务的重要程度，从而得以进一步挖掘序列中的上下文信息。最后用一个全连接层预测任务发布的时间段能在一定程度上解决数据的稀疏性问题，提高预测的准确率。
-
公开(公告)号：CN116383616B
公开(公告)日：2024-08-27
申请号：CN202310377638.6
申请日：2023-03-31
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06F18/15 , G06F18/22 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法及框架，其中，轨迹GPS坐标恢复方法包括对不完整轨迹中的缺失轨迹段缺失点的位置坐标进行初步填充补全，获得原始相似轨迹，然后分别对原始相似轨迹和不完整轨迹进行编码，并基于编码后的原始相似轨迹获得深度相似轨迹，最后对编码后的不完整轨迹进行整理，并结合深度相似轨迹，最终得到恢复的完整轨迹。本发明框架上则包括：用于输出不完整轨迹的原始相似轨迹的空间信息提取器，用于对原始相似轨迹和不完整轨迹进行编码的轨迹编码层，用于获得深度相似轨迹的深度编码器，以及用于获得完整轨迹的深度解码器。本发明能更好地适用于稀疏数据问题，消除其所带来的完整轨迹恢复限制。
-
公开(公告)号：CN116383616A
公开(公告)日：2023-07-04
申请号：CN202310377638.6
申请日：2023-03-31
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06F18/15 , G06F18/22 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法及框架，其中，轨迹GPS坐标恢复方法包括对不完整轨迹中的缺失轨迹段缺失点的位置坐标进行初步填充补全，获得原始相似轨迹，然后分别对原始相似轨迹和不完整轨迹进行编码，并基于编码后的原始相似轨迹获得深度相似轨迹，最后对编码后的不完整轨迹进行整理，并结合深度相似轨迹，最终得到恢复的完整轨迹。本发明框架上则包括：用于输出不完整轨迹的原始相似轨迹的空间信息提取器，用于对原始相似轨迹和不完整轨迹进行编码的轨迹编码层，用于获得深度相似轨迹的深度编码器，以及用于获得完整轨迹的深度解码器。本发明能更好地适用于稀疏数据问题，消除其所带来的完整轨迹恢复限制。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.028 seconds)
