公开(公告)号：CN114328791B

公开(公告)日：2023-01-06

申请号：CN202111654811.X

申请日：2021-12-30

Applicant: 重庆大学

Inventor： 孟菲 ,  陈超 ,  江林丽 ,  陈超雄 ,  罗均 ,  蒲华燕 ,  李瑞远 ,  古富强 ,  郭松涛

IPC: G06F16/29 ,  G06F16/2458 ,  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。

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

Inventor： 孟菲 ,  陈超 ,  江林丽 ,  陈超雄 ,  罗均 ,  蒲华燕 ,  李瑞远 ,  古富强 ,  郭松涛

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。

公开(公告)号：CN110704692A

公开(公告)日：2020-01-17

申请号：CN201910864727.7

申请日：2019-09-12

Applicant: 重庆大学

Inventor： 尚家兴 ,  蔡昕均 ,  刘飞逸 ,  江林丽 ,  朱倩雯 ,  李旭

IPC: G06F16/901 ,  G06N20/00 ,  G06Q10/04 ,  G06Q10/10

Abstract: 本发明公开了一种结合动态图嵌入方法的员工离职行为预测方法，包括将员工的历史工作信息表示为员工节点与公司节点之间相连的二部图；通过有偏随机游走的方式，随机或有序选择相邻顶点来构造序列；对所述序列进行处理，以学习二部图的低维向量表示；对员工的基本属性与所述低维向量选择机器学习方法进行训练；利用训练的结果进行员工离职预测。本发明可以获得的特征能够更好地解决员工离职预测问题，同时比没有时间信息的其他图嵌入方法更有效。

公开(公告)号：CN110163418A

公开(公告)日：2019-08-23

申请号：CN201910346268.3

申请日：2019-04-26

Applicant: 重庆大学

Inventor： 尚家兴 ,  朱倩雯 ,  蔡昕均 ,  江林丽 ,  刘飞逸

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q10/10 ,  G06K9/62

Abstract: 本发明公开了一种基于生存分析的员工离职行为预测方法，方法包括以下步骤：步骤1：进行待预测员工的离职行为特征提取；步骤2：采用预测算法进行预测，得出重要特征；步骤3：对重要特征进行分析，得出结论。本发明提出的基于生存分析的离职预测方法，将生存分析的概率统计技术与随机森林的集成学习进行融合，既利用了事件和时间统计得出的生存率，又将问题归结为传统的有监督二分类问题，使得可以与大量成熟的机器学习算法进行比较，最终分类效果比已有的离职预测算法表现更佳。