公开(公告)号：CN112445913B

公开(公告)日：2022-09-27

申请号：CN202011333726.9

申请日：2020-11-25

Applicant: 重庆邮电大学

Inventor： 王进 ,  周阳 ,  李辰宇 ,  徐其成 ,  颜子涵 ,  梁文慧 ,  孙开伟 ,  邓欣

IPC: G06F16/35 ,  G06F40/126 ,  G06F40/151 ,  G06F40/284 ,  G06K9/62 ,  G06Q40/00

Abstract: 本发明涉及自然语言处理，人工智能领域，具体涉及一种基于大数据的金融信息负面主体判定分类方法，该方法包括：获取金融文本数据，对金融文本数据进行预处理；将预处理后的金融文本和对应的实体列表转换成单实体金融文本的输入样本；将输入样本输入到训练好的BERT模型中进行单词编码；将编码后的数据输入到训练好的联合模型中进行对应分类；根据分类结果判断当前金融行情；本发明通过将金融文本和其对应的金融实体进行单实体+金融文本输入文本的转换，构建联合模型，同时结合了负面信息判定和负面主体判定之间的相互关联性，避免了流水线模型的缺点，提高了识别准确率。

公开(公告)号：CN112486687B

公开(公告)日：2022-09-27

申请号：CN202011396557.3

申请日：2020-12-03

Applicant: 重庆邮电大学

Inventor： 王进 ,  马梦涵 ,  李辰宇 ,  徐其成 ,  舒雅宁 ,  彭浩 ,  孙开伟 ,  刘彬

IPC: G06F9/50 ,  G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及大数据处理技术和云平台资源负载技术领域，特别涉及一种基于多任务学习时间序列的云平台工作负载预测方法，包括获取工作负载数据，采用滑动窗口的方法划分数据，对划分的每个时间间隔的数据构建基础特征、交叉特征、时序趋势特征、用户行为关联特征，并采用二维SHAP进行特征选择；将选择的特征输入传入TCN‑LSTM模型中，采用多任务学习的方式，共有三个任务，分别为：预测T时间段的CPU平均利用率、预测T时间段的正在运行的作业数、预测T时间段的平均内存利用率；本发明通过对工作负载相关的指标的历史趋势进行把控，而不单一只关注当前监控点的工作负载情况，快速的感知业务的波峰波谷，从而对云平台的资源进行动态的调度。

公开(公告)号：CN112486687A

公开(公告)日：2021-03-12

申请号：CN202011396557.3

申请日：2020-12-03

Applicant: 重庆邮电大学

Inventor： 王进 ,  马梦涵 ,  李辰宇 ,  徐其成 ,  舒雅宁 ,  彭浩 ,  孙开伟 ,  刘彬

IPC: G06F9/50 ,  G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及大数据处理技术和云平台资源负载技术领域，特别涉及一种基于多任务学习时间序列的云平台工作负载预测方法，包括获取工作负载数据，采用滑动窗口的方法划分数据，对划分的每个时间间隔的数据构建基础特征、交叉特征、时序趋势特征、用户行为关联特征，并采用二维SHAP进行特征选择；将选择的特征输入传入TCN‑LSTM模型中，采用多任务学习的方式，共有三个任务，分别为：预测T时间段的CPU平均利用率、预测T时间段的正在运行的作业数、预测T时间段的平均内存利用率；本发明通过对工作负载相关的指标的历史趋势进行把控，而不单一只关注当前监控点的工作负载情况，快速的感知业务的波峰波谷，从而对云平台的资源进行动态的调度。

公开(公告)号：CN112445913A

公开(公告)日：2021-03-05

申请号：CN202011333726.9

申请日：2020-11-25

Applicant: 重庆邮电大学

Inventor： 王进 ,  周阳 ,  李辰宇 ,  徐其成 ,  颜子涵 ,  梁文慧 ,  孙开伟 ,  邓欣

IPC: G06F16/35 ,  G06F40/126 ,  G06F40/151 ,  G06F40/284 ,  G06K9/62 ,  G06Q40/00

Abstract: 本发明涉及自然语言处理，人工智能领域，具体涉及一种基于大数据的金融信息负面主体判定分类方法，该方法包括：获取金融文本数据，对金融文本数据进行预处理；将预处理后的金融文本和对应的实体列表转换成单实体金融文本的输入样本；将输入样本输入到训练好的BERT模型中进行单词编码；将编码后的数据输入到训练好的联合模型中进行对应分类；根据分类结果判断当前金融行情；本发明通过将金融文本和其对应的金融实体进行单实体+金融文本输入文本的转换，构建联合模型，同时结合了负面信息判定和负面主体判定之间的相互关联性，避免了流水线模型的缺点，提高了识别准确率。

公开(公告)号：CN113962750A

公开(公告)日：2022-01-21

申请号：CN202111356919.0

申请日：2021-11-16

Applicant: 重庆邮电大学

Inventor： 王进 ,  马梦涵 ,  李辰宇 ,  华尹 ,  孙开伟 ,  刘彬 ,  杜雨露

IPC: G06Q30/02 ,  G06N3/04 ,  G06F16/35

Abstract: 本发明涉及大数据处理技术和汽车销量预测技术领域，特别涉及一种基于attention机制的多尺度信息汽车销量大数据预测方法，包括将加入用户行为信息的汽车基本信息数据传入encoder RNN中；在encoder RNN中采用多尺度特征解耦操作得到每个时间序列在每个时间步的多尺度信息；采用attention机制获取对不同small hidden state的重要性得分并更新；由decoder RNN输出未来时间步的汽车销量预测结果；本发明使得不同的small hidden state以不同频率更新，达到动态的选择重要尺度信息的目的，从而提升汽车销量预测的精确性。