-
公开(公告)号：CN114692976B
公开(公告)日：2024-05-07
申请号：CN202210348934.9
申请日：2022-04-01
Applicant: 重庆大学
IPC: G06Q10/04 , G06F18/2415 , G06N3/042 , G06N3/045 , G06N3/09 , G06N3/088 , G06N3/0895 , G06N3/048 , G06N3/084
Abstract: 本发明具体涉及基于半监督图嵌入框架的出行意图预测方法，包括：构建出行意图预测模型；训练出行意图预测模型时，出行意图预测模型首先对出行数据和POI签到数据进行聚合，刻画出语义增强的出行情境，包括起点和终点的POI情境以及时空情境；然后基于图注意力网络提取图结构的POI情境的隐空间特征，得到具备更高级别的POI活动语义的出行数据；最后在半监督框架中，对有标签的出行数据结合其时空情境进行预测，同时对有标签和无标签联合的出行数据进行特征重构，得到对应的预测结果和重构结果；分别计算对应的预测损失和重构损失，并联合训练出行意图预测模型；重复上述步骤，直至出行意图预测模型收敛。本发明能够提高预测模型训练的全面性和有效性。
-
公开(公告)号：CN116505951A
公开(公告)日：2023-07-28
申请号：CN202310068186.3
申请日：2023-01-16
Applicant: 重庆大学
IPC: H03M7/30
Abstract: 本发明具体涉及基于擦除的浮点类型数据无损压缩方法，包括：获取待压缩浮点类型数据，并计算十进制小数位数；将二进制的待压缩浮点类型数据依次分解为符号位、指数位和尾数位；根据十进制小数位数和指数位数据确定尾数位的擦除位置；对尾数中位于擦除位置之后的数据进行擦除即设置为零，并将进行尾数擦除后的数据作为尾随前缀数；然后对尾随前缀数进行XOR操作，得到对应的XOR压缩数据；将待压缩浮点类型数据的XOR压缩数据和十进制小数位数进行存储，作为待压缩浮点类型数据的无损压缩数据。本发明能够通过尾数擦除的方式将浮点类型数据的若干位尾数设置为零，进而能够获取具有大量尾随零的XOR结果，并且能够保证浮点类型数据的压解精度。
-
公开(公告)号：CN116089385A
公开(公告)日：2023-05-09
申请号：CN202211519183.9
申请日：2022-11-30
Applicant: 重庆大学
IPC: G06F16/174 , H03M7/30
Abstract: 本发明涉及数据无损压缩技术领域，具体涉及高精度浮点类型时序数据的无损压缩及解压方法，包括：对待压缩的时序数据进行排序；按顺序将各条时序数据与其相邻时序数据进行异或计算，得到对应的异或值；去除各条时序数据的异或值中的前导零，生成对应的有效位；根据各条时序数据的有效位确定对应的有效位位数；压缩时序数据时，存储对应时序数据的有效位及其有效位位数。本发明的无损压缩方法能够实现高精度浮点类型时序数据的无损压缩，且能够有效提高压缩率并降低压解时间，从而能够保证浮点类型时序数据的压缩效果和压解成本，进而有效降低数据存储量和传输成本。
-
公开(公告)号：CN119093941A
公开(公告)日：2024-12-06
申请号：CN202411184089.1
申请日：2024-08-27
Applicant: 重庆大学
IPC: H03M7/30
Abstract: 本发明公开了一种流式误差有界的浮点类型数据压缩方法，包括：获取待压缩的浮点类型的原始时间序列；基于量化的流式误差有界浮点压缩方法：将原始时间序列中的浮点值量化为整数的量化值；对量化值进行编码，生成压缩后的比特流作为压缩时间序列；基于异或运算的流式误差有界浮点压缩方法：对原始时间序列中的浮点值进行位移得到位移值；将位移值转换为近似值；将每个近似值与其前一个近似值进行异或运算得到异或值；对异或值进行编码，生成压缩后的比特流作为压缩时间序列。本发明通过设计基于量化和基于异或运算的流式误差有界浮点压缩方法来实现误差有界的流式浮点压缩，能够更好地契合物联网等流式时序数据的压缩需求。
-
公开(公告)号：CN115033000A
公开(公告)日：2022-09-09
申请号：CN202210799352.2
申请日：2022-07-06
Applicant: 重庆大学
IPC: G05D1/02
Abstract: 本发明涉及路径规划技术领域，具体涉及基于深度强化学习的双目标路径规划方法，包括以下步骤：S1、对道路网络进行状态表示，并构建奖励函数r，得到待训练的双目标深度强化学习路径规划模型；所述状态包括坐标状态、距离状态和cu状态；S2、对待训练的双目标路径规划模型进行训练，使其学习到能够获得最大累积奖励的最优策略π*，得到训练后的双目标路径规划模型；所述累积奖励为奖励函数给出的即时奖励与神经网络估计的附加未来奖励之和；S3、使用训练后的双目标路径规划模型，进行双目标路径规划。本发明在具备最小化路径距离能力的同时，还具备优化不同场景下的损失和效用的通用性。
-
Patent Agency Ranking
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
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：CN115033000B
公开(公告)日：2025-02-07
申请号：CN202210799352.2
申请日：2022-07-06
Applicant: 重庆大学
Abstract: 本发明涉及路径规划技术领域，具体涉及基于深度强化学习的双目标路径规划方法，包括以下步骤：S1、对道路网络进行状态表示，并构建奖励函数r，得到待训练的双目标深度强化学习路径规划模型；所述状态包括坐标状态、距离状态和cu状态；S2、对待训练的双目标路径规划模型进行训练，使其学习到能够获得最大累积奖励的最优策略π*，得到训练后的双目标路径规划模型；所述累积奖励为奖励函数给出的即时奖励与神经网络估计的附加未来奖励之和；S3、使用训练后的双目标路径规划模型，进行双目标路径规划。本发明在具备最小化路径距离能力的同时，还具备优化不同场景下的损失和效用的通用性。
-
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
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：CN115016496A
公开(公告)日：2022-09-06
申请号：CN202210772926.7
申请日：2022-06-30
Applicant: 重庆大学
IPC: G05D1/02
Abstract: 本发明具体涉及基于深度强化学习的水面无人艇路径跟踪方法，包括：将目标无人艇的路径跟踪问题转换为马尔可夫决策过程，设置对应的状态空间、动作空间和奖励函数；获取目标无人艇的规划路径；根据目标无人艇的规划路径结合实时位姿信息计算参考航向角；然后基于目标无人艇的参考航向角、实时位姿信息和环境干扰信息生成目标无人艇当前的状态值；将目标无人艇当前的状态值输入经过训练的策略模型中，输出最优的动作值；策略模型基于柔性演员评论家算法构建；将最优动作值发送给目标无人艇执行；直至完成规划路径的跟踪控制。本发明无需进行环境和无人艇运动建模并且具备自适应能力，从而能够进一步提高无人艇路径跟踪控制的稳定性和准确性。
-
公开(公告)号：CN114328791A
公开(公告)日：2022-04-12
申请号：CN202111654811.X
申请日：2021-12-30
Applicant: 重庆大学
IPC: G06F16/29 , G06F16/2458 , G06K9/62 , G06N20/00
Abstract: 本发明涉及地图匹配技术领域，具体为一种基于深度学习的地图匹配算法，包括四个组件和两个工作步骤，所述四个组件包括轨迹表示学习与增强组件、模式识别与挖掘组件、轨迹匹配与生成组件以及联合优化组件；所述两个工作步骤包括离线训练和在线推理，离线训练步骤中，四个组件协同工作以训练用于地图匹配的深度模型，在线推理步骤中，输入基于点的轨迹推断生成真实的驾驶路线。本模型通过轨迹表示学习解决低频轨迹数据质量较差的问题，利用模式识别和挖掘以更具成本效益的方式推断驾驶路线，提高地图匹配的性能。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
