-
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
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：CN111723306B
公开(公告)日：2023-07-25
申请号：CN202010474780.9
申请日：2020-05-29
Applicant: 长三角信息智能创新研究院
IPC: G06F16/9537 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于地理感知的序列位置推荐方法，可以充分利用用户和历史行为轨迹的丰富元数据(用户ID，时间戳，位置和地点经纬度信息)来解决位置推荐的问题；同时，利用基于自注意力网络的地理感知序列推荐器GeoSAN来进行对用户位置的推荐，相比于传统模型，对地理信息有了更充分地利用，能够较好地解决数据稀疏性问题，对于推荐的结果，在多个评价指标上有一定的提高。
-
公开(公告)号：CN111723305B
公开(公告)日：2023-05-23
申请号：CN202010473847.7
申请日：2020-05-29
Applicant: 长三角信息智能创新研究院
IPC: G06F16/9537 , G06N3/048 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种预测用户下一轨迹点的方法，爬取一定量的数据：用户的ID，用户对应的一系列短期和长期历史轨迹点的位置信息，每个轨迹点的时间戳；基于爬取的信息构建特征交互自注意力网络模型，再结合每个用户的长期历史轨迹点的位置信息经过自注意力层的结果做注意力；利用交叉熵损失函数对参数进行最优化训练；对于一个新用户及其一系列的历史轨迹点，利用ID信息、用户对应的一系列历史轨迹点的位置信息，每个轨迹点的时间戳，来构建一系列的实例并以此输入至训练好的特征交互自注意力网络模型中，从而得到一系列的预测位置的排序得分。该方法解决了利用用户和其历史轨迹的丰富元数据来预测下一个轨迹点的难题，预测准确度大大提升。
-
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
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：CN116740365A
公开(公告)日：2023-09-12
申请号：CN202310679529.X
申请日：2023-06-09
Applicant: 中国科学技术大学 , 长三角信息智能创新研究院
IPC: G06V10/28 , G06V10/774
Abstract: 本发明公开一种基于二值图像的对抗样本的生成方法、装置、电子设备及存储介质，属于人工智能安全技术领域。本发明的基于二值图像的对抗样本的生成方法包括如下步骤：步骤1：获取数据样本，训练目标攻击模型；步骤2：翻转使目标攻击模型置信度下降最大的黑色像素点；步骤3：翻转使目标攻击模型置信度下降最大的白色像素点；步骤4：循环执行步骤2和3，直到扰动图像对目标攻击模型的攻击成功率达到性能要求或者翻转的像素达到数量限制k，得到对抗样本。采用本发明的技术方案可以有效解决现有针对二值图像的攻击中存在的效率太低和噪声对人眼可见的问题。
-
Patent Agency Ranking
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
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：CN118171145A
公开(公告)日：2024-06-11
申请号：CN202410326313.X
申请日：2024-03-21
Applicant: 长三角信息智能创新研究院 , 安徽机电职业技术学院
IPC: G06F18/24 , G06F18/2131 , G06F18/214 , G06N3/08 , G06N3/0464 , G06N3/0455 , G06N20/00
Abstract: 本发明公开了一种基于对比学习的时间序列异常检测方法及检测模型的构建方法，属于人工智能技术中的时间序列异常检测技术领域。本发明的基于对比学习的时间序列异常检测方法，包括：针对时间序列数据集进行min‑max归一化处理；对归一化处理后的数据进行数据增强，以得到训练数据集；基于对比学习模型的时间序列异常检测模型，求解时间序列的异常分数；根据Best F1 Score确定时间序列的最佳异常阈值；将待测时间序列的每个数据点的异常分数ai与最佳的异常阈值θa进行比较，从而判别是否存在异常。本发明可以有效增强模型对不同类型时间序列数据的适应性，使得异常检测更加准确和高效，同时还减轻了数据预处理的负担。
-
公开(公告)号：CN116562288A
公开(公告)日：2023-08-08
申请号：CN202310512848.1
申请日：2023-05-08
Applicant: 长三角信息智能创新研究院
IPC: G06F40/289 , G06F40/211 , G06F40/253 , G06F18/2415 , G06F40/30 , G06Q50/26
Abstract: 本发明公开了一种政务事件提取方法、提取系统、电子设备及存储介质，属于自然语言中事件提取技术领域。本发明的政务事件提取方法包括以下步骤：步骤一、提取文本和各类事件类型的表征向量；步骤二、获得文本对各类事件的因子向量；步骤三、事件检测；步骤四、领域知识构建和表征生成；步骤五、表征知识增强；步骤六、事件论元提取。采用本发明的技术方案可大幅度减少传统事件提取技术所需的数据标注的工作量，且具有较大的通用性和领域适应性。
-
公开(公告)号：CN112131275B
公开(公告)日：2023-07-25
申请号：CN202011008544.4
申请日：2020-09-23
Applicant: 长三角信息智能创新研究院
IPC: G06F16/2458 , G06F16/28 , G06F16/25 , G06F16/36 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种全息城市大数据模型和知识图谱的企业画像构建方法，包括企业全息数据模型构建、企业知识图谱构建和企业标签自动化提取；通过全息画像能精细化地定位企业特征，挖掘潜在的企业关系，通过构建企业画像描述任意一个现存企业，为企业信息需求方提供充分认知和全面了解企业的途径。企业全息画像建立了企业全部信息数据库，使用自然人语言处理和数据挖掘技术从企业全息数据和知识图谱中提取标签绘制企业画像，不但能够缓解企业数据分散、缺失的问题，还能够展示企业全维度信息。
-
公开(公告)号：CN118171773A
公开(公告)日：2024-06-11
申请号：CN202410326435.9
申请日：2024-03-21
Applicant: 长三角信息智能创新研究院 , 安徽机电职业技术学院
IPC: G06Q10/04 , G06N3/0455 , G06N3/045 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于时空掩码自编码器的时空预测方法、装置及电子设备，属于时空预测技术领域。本发明的时空预测方法，包括：将N条时空序列输入时间掩码自编码器，根据时间掩码自编码模型获取时间依赖编码#imgabs0#将N条时空序列输入空间掩码自编码器，根据空间掩码自编码模型获取空间依赖编码Hs；对获取的时间依赖编码和空间依赖编码进行拼接，得到时空依赖编码#imgabs1#利用解码器对拼接后的时空依赖编码进行解码，即输出得到N条时空序列的预测值#imgabs2#本发明可以有效解决现有时空预测方法存在的预测效果有待进一步提高，以及计算量较大的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.026 seconds)
