公开(公告)号：CN116821578A

公开(公告)日：2023-09-29

申请号：CN202210260777.6

申请日：2022-03-16

Applicant: 长三角信息智能创新研究院

Inventor： 连德富 ,  承孝敏 ,  熊哲立

IPC: G06F17/16 ,  G06F30/27 ,  G06F18/214 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开基于近似分布的动态OD矩阵反推的方法、装置及存储介质，该方法根据地图所划分的OD节点，对OD节点之间的路段进行聚合处理，利用交通模拟器采集训练数据；设计基于深度学习的分布提取模型，通过采集的训练集训练直到模型收敛；该模型针对特定地图和OD划分拟合OD节点和OD间路段流量等特征到OD分布的映射函数，具有根据OD节点和OD间路段特征推断时序和空间OD分布的泛化能力；将真实OD节点和OD间路段特征输入模型，输出关于真实OD分布的近似分布；融合OD分布与带约束的优化，设计新的优化器，实施模拟器和bi‑level框架对初始的随机OD矩阵进行模拟和迭代更新的求解方法，直至OD矩阵数值收敛即得到反推的OD矩阵。其有效提升了反推OD矩阵的准确性。

公开(公告)号：CN114282165B

公开(公告)日：2023-04-07

申请号：CN202111503979.0

申请日：2021-12-10

Applicant: 长三角信息智能创新研究院

Inventor： 连德富 ,  承孝敏 ,  熊哲立

IPC: G06F17/16 ,  G06F17/18 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质，其中该方法包括：自动划分OD节点，初始化OD参数矩阵，采用模拟器并行提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型抽取图结构历史融合表征，对初始OD参数矩阵进行自相关提取的特征；并融合以上特征预测流量分配概率矩阵的方法；采用并行模拟和经验池存储模拟数据训练下层分配概率预测模型，待收敛后将其固定，利用真实OD节点历史属性序列，真实OD节点间路段总流量，修正上层OD参数矩阵的方法；迭代上下层训练至OD矩阵参数收敛即为反推OD矩阵。该方法构建深度学习模型，融合交通时空信息，有效提升了反推OD矩阵的准确性。

公开(公告)号：CN117574252A

公开(公告)日：2024-02-20

申请号：CN202311628697.2

申请日：2023-11-28

Applicant: 长三角信息智能创新研究院

Inventor： 陈钢 ,  孔海春 ,  熊哲立 ,  宋卫卫

IPC: G06F18/2411 ,  G06Q40/04 ,  G06Q40/06

Abstract: 本发明公开了一种基于SVM决策的强化学习股票投资组合构建方法，属于金融量化分析技术领域。本发明使用SVM来区分代表积极和保守两种不同风格的历史投资组合模式，并获得偏好中性的分类边界，通过计算投资组合向量和分类边界之间的距离来衡量每个代理对各自策略的态度。本发明根据代理当天的投资组合偏好，选择态度更明确的策略，特别是有利于距离边界最大距离的策略。通过将不同风险偏好类型的代理策略结合在一起，本发明在股票市场交易中能够取得更好的结果，同时降低风险，提高长期期望回报，可以为投资者提供更多的选择和决策支持。

公开(公告)号：CN114282165A

公开(公告)日：2022-04-05

申请号：CN202111503979.0

申请日：2021-12-10

Applicant: 长三角信息智能创新研究院

Inventor： 连德富 ,  承孝敏 ,  熊哲立

IPC: G06F17/16 ,  G06F17/18 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种双层深度学习模型反推OD矩阵的方法、装置以及存储介质，其中该方法包括：自动划分OD节点，初始化OD参数矩阵，采用模拟器并行提取模拟OD节点间路段总流量，模拟OD节点历史属性序列的方法；利用下层分配概率预测模型抽取图结构历史融合表征，对初始OD参数矩阵进行自相关提取的特征；并融合以上特征预测流量分配概率矩阵的方法；采用并行模拟和经验池存储模拟数据训练下层分配概率预测模型，待收敛后将其固定，利用真实OD节点历史属性序列，真实OD节点间路段总流量，修正上层OD参数矩阵的方法；迭代上下层训练至OD矩阵参数收敛即为反推OD矩阵。该方法构建深度学习模型，融合交通时空信息，有效提升了反推OD矩阵的准确性。

公开(公告)号：CN115687929A

公开(公告)日：2023-02-03

申请号：CN202211434704.0

申请日：2022-11-16

Applicant: 长三角信息智能创新研究院

Inventor： 连德富 ,  陈钢 ,  熊哲立 ,  杨启冲

IPC: G06F18/214 ,  G06F18/25

Abstract: 本发明涉及一种应用于表征学习的多模型线性融合Model Ensemble方法，属于人工智能领域。本发明使用ArcFace技术将多个分类模型的表征输出投影到超球面，并满足较小的类内距离和较大的类间距离。并且基于融合表征需满足线性关系的假设，将线性层的参数进行固定，通过优化损失函数，将模型学习的表征引导在同一个线性空间下之后，再对输出进行线性加权平均融合，从而得到最后的表征。本方法通过对不同AI模型进行线性集成，能够对样本学习到更稳定、准确的表征，并对下游任务效果如分类、识别、查询等有显著的提高。