-
公开(公告)号：CN113157413A
公开(公告)日：2021-07-23
申请号：CN202110411709.0
申请日：2021-04-16
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于服务质量需求的深度学习任务资源优化配置方法及系统，包括：基于深度学习任务模型的本质特征，建立参数服务器资源峰值需求预测模型和工作节点资源峰值需求预测模型；根据参数服务器资源峰值和工作节点资源峰值需求建立深度学习任务迭代时间预测模型；预设最大迭代次数，根据预测的深度学习任务迭代时间，得到基于预测的资源峰值配置下运行1台参数服务器和1台工作节点的任务结束时间；根据预设服务质量要求，预测任务在截止日期前完成所需的工作节点数量和参数服务器数量；在深度学习任务调度执行时，定量估计集群可用资源状况，并根据可用资源状况对预测任务在截止日期前完成所需的工作节点数量和参数服务器数量进行微调。
-
公开(公告)号：CN109508433B
公开(公告)日：2021-04-02
申请号：CN201811131690.9
申请日：2018-09-27
Applicant: 上海交通大学
IPC: G06F16/958 , G06Q40/04 , G06Q40/06
Abstract: 本发明提供了一种基于匹配算法性能调整的负载波动应对方法，接收传入的事件，将事件存放在输入队列中；从输入队列接收事件，进行匹配处理，根据订阅执行选择性事件过滤，得到与事件相匹配的订阅列表，将事件发送至输出队列；接收输出队列输出的事件，并将事件传输至匹配订阅列表的各个消费端；根据工作负载的变化调整匹配算法的运行性能，忽略订阅的属性中包含的谓词，将匹配算法的匹配精度由精确匹配转换成近似匹配，调整匹配的误判率，使得匹配速度和匹配精度相平衡。根据负载的变化情况实现快速的匹配算法性能调整，保证事件分发时延的稳定，从而实现快速的负载波动应对策略。
-
公开(公告)号：CN111459797A
公开(公告)日：2020-07-28
申请号：CN202010124140.5
申请日：2020-02-27
Applicant: 上海交通大学
IPC: G06F11/36
Abstract: 本发明提供了一种开源社区中开发者行为的异常检测方法、系统及介质，包括：构建序列步骤：根据开发者行为构建不同的行为次数时间序列；行为数据离散化步骤：对行为次数时间序列进行划分成区间内差异低于预设范围，区间之间差异高于预设范围的不同类别，并达到预设类别数量；行为频繁序列挖掘步骤：在其他人员的行为序列和待检测者的历史行为序列上均进行行为频繁序列挖掘；行为异常性判断步骤：判断开发者的行为是否存在异常。本发明提高了开源项目的确定性，减少了项目进度风险；本发明可以追溯历史数据，对过去异常数据进行标识。
-
公开(公告)号：CN109572478B
公开(公告)日：2020-07-28
申请号：CN201811197204.3
申请日：2018-10-15
Applicant: 上海交通大学
Abstract: 本发明提供了一种充电站电动汽车在线平稳充电系统及方法，包括排队步骤、调解步骤、在线充电步骤以及功率更新步骤；现有针对这个问题只考虑一个优化目标，即要么最小化充电站的充电成本，要么最大化充电站充电功率的平稳性。在本发明中，我们同时考虑充电站充电成本的最小化、充电站整体充电功率的稳定性和充电桩充电功率的稳定性三个目标，建立一个多目标优化模型，然后运用功效函数法将多目标的优化模型转化为单目标优化问题，最后设计一个在线的平稳充电算法求解每个时刻电动汽车在充电站的充电功率。本发明能够有效提升充电站的充电效率，降低电动汽车充电的等待时间，具有充电平稳，充电成本低，充电功率稳定的优点。
-
公开(公告)号：CN106403908B
公开(公告)日：2019-10-08
申请号：CN201610768591.6
申请日：2016-08-29
Applicant: 上海交通大学
IPC: G01C13/00
Abstract: 本发明提供了一种基于时间序列的水深预测方法和系统，首先得将多次测量的水深点通过合适的方法映射到同一个位置上，再进行之后的计算。根据同一位置上不同时期的测量值，我们就可以应用时间序列中的加权平均法以及机器学习的梯度下降来对该位置上未来的水深值进行预测。本发明解决了水深测量单位提供的多次测量数据之间位置不重叠的问题。通过测量点之间的距离关系将测量点映射到同一位置进行后续计算，并通过时间序列方法给出未来水深简单而有效的预测。
-
Patent Agency Ranking
公开(公告)号：CN107943963A
公开(公告)日：2018-04-20
申请号：CN201711209612.1
申请日：2017-11-27
Applicant: 上海交通大学
CPC classification number: G06F17/30545 , G06F9/546 , G06F9/547 , G06F17/30575 , G06F2209/544 , G06F2209/548
Abstract: 本发明提供了一种基于云平台的海量数据分布式规则引擎操作系统，包括如下模块；数据源模块：从数据库中收集目标对象；内存管理模块：根据收集的目标对象，将单节点存储扩展为分布式存储；策略决策模块：通过调度器实现各目标对象的任务分配；操作执行管理模块：根据目标对象的任务分配，过滤重复冗余请求。本发明重新设计了内存管理和操作执行这两个关键组件，通过多执行器远程过程调用RPC框架提供操作执行，实现在云平台下的海量数据分布式规则引擎操作策略。本发明提供的基于云平台的海量数据分布式规则引擎操作策略系统--规则引擎是一种在人工智能和商业管理领域中广泛使用的规则生成系统，它的使用会促进程序编写人员与策略专家的分离。
-
公开(公告)号：CN107832393A
公开(公告)日：2018-03-23
申请号：CN201711050967.0
申请日：2017-10-31
Applicant: 上海交通大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明提供了一种面向事件分发的订阅匹配度自适应匹配方法及系统，包括标记阶段和检查阶段；标记阶段：对于事件的每个属性，事件值被映射到为属性构造的两个桶的集合中的桶中，被映射的所述桶称为锚桶，所述两个桶的集合一个为区域约束低值而构建，另一个为区域约束高值而构建；在两个桶的集合的锚桶中执行比较操作，标记所有不匹配的订阅；对于为区域约束低值构建的桶的集合，遍历其锚桶右侧的桶，标记所有不匹配的订阅；对于为区域约束高值构建的桶的集合，遍历其锚桶左侧的桶；检查阶段包括：将未被标记的订阅添加到匹配结果中。本发明实现了匹配方法的抗匹配度特性，保证了匹配方法性能的稳定。
-
公开(公告)号：CN106373190A
公开(公告)日：2017-02-01
申请号：CN201610756171.6
申请日：2016-08-29
Applicant: 上海交通大学
IPC: G06T17/05
Abstract: 本发明提供了一种基于稀疏散点数据的三维航道与切面显示方法，包括：步骤1：建立航道的立体三维显示模型；步骤2：构建不规则四边形边框；步骤3：对每一个四边形进行等分，并将对边对应等分点相连形成栅格；步骤4：将三角网格中的每一个三角形顶点映射到栅格中，并记为对应栅格的数据点；步骤5：分别提取出数据点在对应栅格中的行列数据；步骤6：采用均值滤波或高斯滤波方法对切面的数据点进行平滑处理；步骤7：通过绘制Catmull-Rom曲线得到不规则航道的切面的曲线图。本发明省去从散点图构建中间形式数据的步骤，能够适用于不规则形状航道，更快的得到任意一数据点所对应位置的切面数据。
-
公开(公告)号：CN102891797A
公开(公告)日：2013-01-23
申请号：CN201210225998.6
申请日：2012-07-02
Applicant: 上海交通大学
IPC: H04L12/701 , H04L29/06
Abstract: 一种发布订阅方法，发布者产生广告消息，并将广告消息转发到整个网络，在每个代理结点生成一个基于广告主题的路由表；订阅者产生订阅消息，根据基于广告主题的路由表生成的路径，将订阅消息路由到相关主题的发布者；并在每个结点生成基于订阅内容的路由表；发布者发布的消息，根据基于订阅内容的路由表，路由到订阅者，并且，在路由过程中，将消息缓存于投递路径上的某个代理结点并标识已缓存；订阅者发出历史消息订阅，订阅根据基于广告主题的路由表路由至相应主题的发布者，沿着投递路径查找满足订阅条件的历史消息，将查询到的历史消息沿着相反路径返回给订阅者。本发明解决了发布/订阅系统中用户无法获得历史消息的问题，且查询快速可靠。
-
公开(公告)号：CN118643326A
公开(公告)日：2024-09-13
申请号：CN202410680176.X
申请日：2024-05-29
Applicant: 上海声通信息科技股份有限公司 , 上海交通大学
IPC: G06F18/214 , G06F18/2431 , G06F18/10 , G06F18/23 , G06N20/00 , G06F18/22
Abstract: 本发明提供了一种大语言模型辅助的机器学习算法模型推荐方法及系统，包括：步骤S1：基于各个领域的数据集和每个数据集对应的机器学习算法模型构建代码仓库；对代码仓库中的机器学习算法模型进行预处理；步骤S2：将各个领域的数据集中的表格数据集和描述信息分别进行嵌入表示，基于嵌入表示的数据集和目标数据集进行相似度计算，并基于相似度进行排序；基于排序的候选数据集根据预设要求选择最相似的k个候选数据集；步骤S3：基于选择的最相似的k个候选数据集，每个候选数据集选取评估指标分数满足预设要求的p个机器学习算法模型，获得大语言模型的最终输入，输出最终的机器学习任务代码。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.026 seconds)
