-
公开(公告)号：CN116307275B
公开(公告)日：2023-07-28
申请号：CN202310558821.6
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于智能交通技术领域，公开了一种基于空域因果传递的自行车流量预测方法。该方法利用门控循环单元提取时域特征，并且设计了可学习的因果嵌入向量，以此构建区域间的因果传递矩阵，并利用区域间距离和交互量等先验知识，构建相应的图结构作为归纳偏置，进而通过空域因果传递过程，得到时空因果特征；最后通过预测模块输出预测结果。本发明的预测方法消除了非因果关联区域间的空域虚假相关性，有效地提升了自行车流量预测的准确性。
-
公开(公告)号：CN116204792A
公开(公告)日：2023-06-02
申请号：CN202310473305.3
申请日：2023-04-28
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06F18/214 , G06N20/00
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种生成因果解释模型的训练方法，包括构建生成因果解释模型，利用神经网络搭建生成因果解释模型的训练框架，并将生成因果解释模型的可识别性条件作为神经网络的约束条件，采集不同时刻各区域的观测数据，对生成因果解释模型进行训练，本发明基于生成因果解释模型GCIM的可识别条件，提出了一种基于变分推断的生成因果解释模型学习框架，进一步了提升模型的可解释性，提升整体的泛化能力。
-
公开(公告)号：CN116740949A
公开(公告)日：2023-09-12
申请号：CN202311027776.8
申请日：2023-08-16
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G08G1/01 , G06F18/24 , G06F18/23213 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于持续学习的时空因果预测的城市交通数据预测方法，属于城市时空数据预测技术领域，解决了现有技术对城市交通数据预测不准确、训练及预测所需的时间和硬件资源过多，难以满足对城市交通数据预测的实际应用需求的问题。本发明的任务数据为多批次任务的实时数据，构建时空历史记忆库，分类筛选出能代表旧的任务数据分布的时序数据和图数据，满足前向迁移需求，预测效果准确；结合模型权重的正交参数空间，从时空历史记忆库中计算出正交投影算子，实现在新任务上训练时在正交参数空间中更新参数，在旧任务上的预测效果稳定，高效利用过去的城市交通数据，节省训练及预测所需的时间和硬件资源，满足预测的实际应用需求。
-
公开(公告)号：CN116204792B
公开(公告)日：2023-07-14
申请号：CN202310473305.3
申请日：2023-04-28
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06F18/214 , G06N20/00
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种生成因果解释模型的训练方法，包括构建生成因果解释模型，利用神经网络搭建生成因果解释模型的训练框架，并将生成因果解释模型的可识别性条件作为神经网络的约束条件，采集不同时刻各区域的观测数据，对生成因果解释模型进行训练，本发明基于生成因果解释模型GCIM的可识别条件，提出了一种基于变分推断的生成因果解释模型学习框架，进一步了提升模型的可解释性，提升整体的泛化能力。
-
公开(公告)号：CN116227756B
公开(公告)日：2023-07-07
申请号：CN202310517345.3
申请日：2023-05-10
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种城市时空数据预测因果模型的评价方法，包括构建城市时空数据预测因果模型并采用城市用电数据集进行学习，利用神经网络搭建城市时空数据预测因果模型的学习框架对城市时空数据预测因果模型进行训练，采用训练后的城市时空数据预测因果模型，使用城市用电历史数据来预测下一时间段用电数据，使用均方根误差、平均绝对误差和平均绝对百分比误差三个指标来评价训练后的城市时空数据预测因果模型性能，本方法采用合理的训练、验证、预测评价比例，提高了评价效果。
-
Patent Agency Ranking
公开(公告)号：CN116307274A
公开(公告)日：2023-06-23
申请号：CN202310558819.9
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。
-
公开(公告)号：CN116307293B
公开(公告)日：2023-07-28
申请号：CN202310572084.5
申请日：2023-05-22
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06Q50/30 , G06F16/9537 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明属于智能城市技术领域，公开了一种基于混杂感知与因果去偏的城市时空数据预测方法。该方法构建了基于混杂感知与因果去偏的深度学习模型（CADN），将历史城市时空数据经过预处理转化为各区域分时段观测数据，输入深度学习模型，对各区域未来城市时空数据进行预测。本发明的深度学习模型将输入的历史观测数据经时域因果去偏模块提取无偏的时域因果特征，再经过空域因果传递模块提取无偏的时空因果特征，最后经融合预测器输出预测结果。本发明对于城市中的时空数据预测准确性高，具有鲁棒性。
-
公开(公告)号：CN116205384B
公开(公告)日：2023-07-04
申请号：CN202310497666.1
申请日：2023-05-06
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06Q10/04 , G06Q50/26 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明属于城市数据的预测或优化技术领域，具体公开了一种基于生成因果解释模型的城市数据预测方法，所述生成因果解释模型包括外生变量、时空条件父变量、受控因果转移函数和时空混合函数，通过从观测数据中推断出模型外生变量，因果描述子，时空条件父变量等因果隐变量并拟合受控因果转移函数和时空混合函数等相应函数后，基于模型预测城市级时空数据，本发明可以将城市复杂系统的观测数据分解为具有物理含义的因果描述子，在稳定的因果结构影响下，可以提升模型整体的鲁棒性和适用性，使得预测结果更加符合城市复杂系统运行情况。
-
公开(公告)号：CN118643949A
公开(公告)日：2024-09-13
申请号：CN202411117220.2
申请日：2024-08-15
Applicant: 北京航空航天大学 , 中国移动通信集团北京有限公司
IPC: G06Q10/04 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06Q10/067 , G06Q50/26
Abstract: 本发明属于时空数据挖掘领域，公开了一种基于时间引导的因果结构学习的城市时空数据预测方法。所述预测方法首先收集待预测地域内的城市时空数据，并以此构造标准数据集；接着构建基于时间引导的因果结构学习的预测模型，所述预测模型包括多个串联的增强时空因果特征提取模块和一个融合预测模块；采用标准数据集对所述预测模型完成训练；最后将训练好的预测模型应用于未来城市时空数据的预测。本发明的预测方法能够有效提升预测模型的精度、鲁棒性和泛化性。
-
公开(公告)号：CN110781266A
公开(公告)日：2020-02-11
申请号：CN201911031114.1
申请日：2019-10-28
Applicant: 北京航空航天大学
Inventor： 邓攀
IPC: G06F16/29 , G06F16/215 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于时空因果关系的城市传感数据处理方法，用于修复车辆时空轨迹行为数据。本发明通过跳转图模型学习轨迹采集设备的空间相关性，并输出设备分布式向量表示用于后续处理；将噪声数据检测问题作为一个序列标记问题，通过双向LSTM的序列标注模型，检测错误数据和潜在缺失数据，对车辆轨迹点进行标注，利用基于双向LSTM的序列预测器来预测缺失的轨迹点；最后结合预测的缺失数据来修正错误的轨迹点。本发明方法实现自动检测含噪数据，并从时空因果关系的角度对缺失数据进行修复，以避免生成不合理的车辆轨迹，提高了错误轨迹数据修复的正确率。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.087 seconds)
