公开(公告)号：CN119416854A

公开(公告)日：2025-02-11

申请号：CN202411451723.3

申请日：2024-10-17

Applicant: 重庆大学

Inventor： 陈超 ,  邓明语 ,  丁洁 ,  张婉漪 ,  李明妍 ,  龙宪磊 ,  古富强 ,  郭松涛 ,  蒲华燕 ,  罗均

IPC: G06N3/088 ,  G06N3/0895 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06F18/213 ,  G06F18/25 ,  G06F18/2415 ,  G06F18/22

Abstract: 本发明涉及一种用于学习城市区域嵌入的无监督区域表示学习方法及系统，属于城市计算和智能系统技术领域。该方法具体包括以下步骤：S1、构建区域混合图网络，利用多模态数据来捕捉区域之间的成对和成组关系；S2、执行图和超图对比学习，通过并行的对比学习模块，分别从图和超图结构中学习区域节点的判别性表示以及区域间的高阶关系；S3、跨模块对比学习，通过控制器组件促进图和超图节点表示之间的信息交换，增强模型的学习能力；S4、优化模型参数，通过联合优化图损失、超图损失和跨模块损失，生成更有效的区域嵌入，以支持各种下游任务。本发明提供的技术方案提高了城市区域分析的准确性和效率，增强了模型对区域间复杂交互的捕捉能力。

公开(公告)号：CN116051171B

公开(公告)日：2025-05-16

申请号：CN202310124244.X

申请日：2023-02-16

Applicant: 重庆大学

Inventor： 陈超 ,  马云豪 ,  赵杰 ,  张婉漪 ,  李瑞远 ,  古富强 ,  郭松涛 ,  蒲华燕 ,  罗均

IPC: G06Q30/0202 ,  G06Q50/43 ,  G06F16/2458 ,  G06F16/29 ,  G06F17/16 ,  G06N3/047 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明具体涉及基于出租车和网约车的需求联合预测方法，包括：将出租车历史需求矩阵和网约车历史需求矩阵输入需求预测模型中，输出对应的未来需求预测值；首先生成出租车时空共享信息和网约车时空共享信息；然后基于出租车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合网约车时空共享信息生成出租车未来需求矩阵；同时基于网约车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合出租车时空共享信息生成网约车未来需求矩阵；最后生成租车未来需求预测值和网约车未来需求预测值。本发明能够提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，实现了出租车和网约车的需求联合预测。

公开(公告)号：CN116051171A

公开(公告)日：2023-05-02

申请号：CN202310124244.X

申请日：2023-02-16

Applicant: 重庆大学

Inventor： 陈超 ,  马云豪 ,  赵杰 ,  张婉漪 ,  李瑞远 ,  古富强 ,  郭松涛 ,  蒲华燕 ,  罗均

IPC: G06Q30/0202 ,  G06Q50/30 ,  G06F16/2458 ,  G06F16/29 ,  G06F17/16 ,  G06N3/047 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明具体涉及基于出租车和网约车的需求联合预测方法，包括：将出租车历史需求矩阵和网约车历史需求矩阵输入需求预测模型中，输出对应的未来需求预测值；首先生成出租车时空共享信息和网约车时空共享信息；然后基于出租车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合网约车时空共享信息生成出租车未来需求矩阵；同时基于网约车历史需求矩阵和自适应邻接矩阵进行时空特征提取，并结合出租车时空共享信息生成网约车未来需求矩阵；最后生成租车未来需求预测值和网约车未来需求预测值。本发明能够提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，实现了出租车和网约车的需求联合预测。

公开(公告)号：CN119304889A

公开(公告)日：2025-01-14

申请号：CN202411758214.5

申请日：2024-12-03

Applicant: 重庆大学

Inventor： 陈超 ,  任航宇 ,  姚尤斌 ,  古富强 ,  张婉漪 ,  李明妍 ,  龙宪磊 ,  吴全旺 ,  郭松涛 ,  蒲华燕 ,  罗均

IPC: B25J9/16

Abstract: 本发明涉及一种用于将单臂代理的动作扩展到双臂操作的方法及系统，属于机器人控制技术领域。本发明设计了一种将单臂代理的动作扩展到双臂的框架，该框架通过利用单臂数据集实现双臂操作，利用广泛的单臂数据集来促进双臂操作，而不需要额外的双臂数据。本方案引入了一种注意扩展机制，该机制将语义信息嵌入到像素级数据中，允许动态生成动作对。这些动作对所提出的TAN(目标分配网络)进行处理，该网络在两只机械臂之间分配任务，评估可行性，并选择最优解。此外，该方案在检测到异常时可以无缝过渡到单臂操作，确保任务不间断执行。实验结果表明，本发明提供的技术方案提高了任务效率，同时消除了收集专门的双臂数据的成本。

公开(公告)号：CN118193628A

公开(公告)日：2024-06-14

申请号：CN202410299789.9

申请日：2024-03-15

Applicant: 重庆大学

Inventor： 陈超 ,  张博涵 ,  赵杰 ,  张婉漪 ,  古富强 ,  邓明语 ,  罗均 ,  蒲华燕 ,  冯亮 ,  郭松涛

IPC: G06F16/26 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/08 ,  G06F17/16 ,  G06F18/22

Abstract: 本发明涉及一种用于道路网络表示的语义增强图对比学习方法及系统，属于交通数据分析和机器学习技术领域。本发明提供了一种语义增强图对比学习框架，该框架通过多模态特征嵌入将道路属性和视觉信息有效结合，深入挖掘并利用道路网络数据的特征。构造一种新型的道路网络数据表示，不仅具备高维度的丰富信息，而且可以直接用作机器学习模型的输入。这种设计使得各种基于路网的下游任务，如道路标签分类、速度预测等，变得更加方便实施。本方案融合了图对比学习的思想，通过模拟道路网络的拓扑变化和数据缺失，提高了道路网络数据表示的鲁棒性和泛化能力，有效地解决了传统方法在复杂道路网络分析中的局限性，提高了道路网络数据处理效率。