-
公开(公告)号：CN117132591A
公开(公告)日：2023-11-28
申请号：CN202311379290.0
申请日：2023-10-24
Applicant: 杭州宇谷科技股份有限公司
IPC: G06T7/00 , G06V10/44 , G06V10/86 , G06V10/774 , G01R31/367
Abstract: 本申请实施例提供的基于多模态信息的电池数据处理模型的训练方法，通过大模型，基于多模态信息的电池数据进行电池状态预测，结合多模态信息的融合以及对比学习完成对大模型的无监督训练。该模型可以获取电池的潜在信息，并生成电池数据的嵌入式表示，为下游任务提供精准有效的数据基础。在面对不同任务时，只需对模型进行微调训练即可，从而极大的简化了模型，降低了模型复杂性。
-
公开(公告)号：CN116662818B
公开(公告)日：2023-11-03
申请号：CN202310954912.1
申请日：2023-08-01
Applicant: 杭州宇谷科技股份有限公司
IPC: G06F18/214 , G06F18/22 , G06F18/24 , G06N20/00
Abstract: 本申请涉及异常换电用户识别方法、系统、设备和可读存储介质，其中，该方法通过根据用户行为特征获取异常用户数据，根据电池操作行为特征获取异常电池数据，基于所述异常用户数据确定疑似异常用户运动轨迹，基于所述异常电池数据确定电池运动轨迹，基于所述疑似异常用户运动轨迹和所述电池运动轨迹确定异常用户。解决相关技术中换电用户行为识别精确度低的问题，提高换电用户行为识别的精确度，能够准确识别电池是否被盗以及被盗电池对应的换电用户。
-
公开(公告)号：CN116862078A
公开(公告)日：2023-10-10
申请号：CN202311126893.X
申请日：2023-09-04
Applicant: 杭州宇谷科技股份有限公司
IPC: G06Q10/04 , G06Q40/03 , G06F18/214 , G06F18/2321 , G06F18/25 , G06N20/00 , G06Q50/06
Abstract: 本发明公开了一种换电套餐用户逾期的预测方法、系统、装置及介质，包括：获取用户的历史样本集；基于历史样本集进行聚类处理确定初始簇集合，对初始簇集合中的每个初始簇进行上采样，确定新样本集；基于新样本集和历史样本集合并得到的数据集，对预先构建的融合模型进行训练，得到预测模型；根据预测模型，对待预测用户数据进行用户逾期预测，得到换电套餐用户逾期结果。本申请通过扩展随机数范围，可以增加样本集的多样性，避免样本过于集中而导致的重复数据，有效地减少重复数据的产生，并降低合成边界噪声样本的数量。同时通过融合模型结构，利用不同分类模型学习不同的信息，进而提高预测的准确性和稳定性。
-
公开(公告)号：CN117674370A
公开(公告)日：2024-03-08
申请号：CN202410138811.1
申请日：2024-02-01
Applicant: 杭州宇谷科技股份有限公司
Abstract: 本申请涉及一种电池的放电控制方法和系统，其中，该方法包括：接收放电控制指令，其中，该放电控制指令包括关闭放电指令和打开放电指令；根据电池的使用场景，启动与使用场景对应的放电工作模式，其中，放电工作模式包括第一放电模式、第二放电模式、第三放电模式和第四放电模式；响应于放电控制指令，基于放电工作模式对电池进行放电控制。通过本申请，实现了基于多种放电工作模式的电池放电控制，相较于现有单一模式的电池放电控制，能够更好地匹配电池的不同使用场景，保障了电池安全可靠的使用，提高了电池放电控制的精度和用户体验，解决了基于云平台与电池管理系统的电池放电控制所存在的精度低问题。
-
公开(公告)号：CN117153144B
公开(公告)日：2024-02-06
申请号：CN202311425249.2
申请日：2023-10-31
Applicant: 杭州宇谷科技股份有限公司
IPC: G10L13/027 , H02J7/00 , G10L13/08 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本申请涉及一种基于端计算的电池信息语音播报方法和装置，其中，该电池信息语音播报方法应用于换电设备中的电池管理系统，包括：获取目标电池在当前状态下的参数信息，将所述参数信息进行文本转换得到文本数据；根据预先训练的语音合成模型将所述文本数据转换为语音信号；根据所述语音信号控制播放器进行语音播报；所述语音合成模型被配置为融合EDSA网络的Transformer TTS模型，具体包括编码器和解码器，所述解码器包括所述EDSA网络，和与所述EDSA网络数据链接的自注意力层；所述EDSA网络用于对所输入的多维度特征数据进行线性计算得到处理数据；所述自注意力层用于对所述处理(56)对比文件吴邦誉;周越;赵群飞;张朋柱.采用拼音降维的中文对话模型.中文信息学报.2019,(第05期),全文.
-
Patent Agency Ranking
公开(公告)号：CN117132591B
公开(公告)日：2024-02-06
申请号：CN202311379290.0
申请日：2023-10-24
Applicant: 杭州宇谷科技股份有限公司
IPC: G06T7/00 , G06V10/44 , G06V10/86 , G06V10/774 , G01R31/367
Abstract: 本申请实施例提供的基于多模态信息的电池数据处理模型的训练方法，通过大模型，基于多模态信息的电池数据进行电池状态预测，结合多模态信息的融合以及对比学习完成对大模型的无监督训练。该模型可以获取电池的潜在信息，并生成电池数据的嵌入式表示，为下游任务提供精准有效的数据基础。在面对不同任务时，只需对模型进行微调训练即可，从而极大的简化了模型，降低了模型复杂性。
-
公开(公告)号：CN116703364B
公开(公告)日：2024-01-16
申请号：CN202310961230.3
申请日：2023-08-02
Applicant: 杭州宇谷科技股份有限公司
IPC: G06Q10/20 , G06Q10/047 , G06Q50/06 , G06F16/36 , G06F18/23
Abstract: 本申请涉及一种基于最优化算法的运维工单生成方法，其中，该方法包括：通过以目标区域内换电装置的位置信息为节点，以换电装置之间的连线为边，构建换电网络图谱；基于该换电网络图谱，通过不同处理算法，集合点位距离、运维工单时间、工单优先级、工单难易程度等多种维度，进行运维工单的规划处理，生成城市各区域的运维工单包。从而能够在现实大规模复杂环境中，为运维人员提供最优的运维路线，提升运维效率。
-
公开(公告)号：CN116879761A
公开(公告)日：2023-10-13
申请号：CN202311140554.7
申请日：2023-09-06
Applicant: 杭州宇谷科技股份有限公司
IPC: G01R31/367 , G01R31/382 , G01R31/52
Abstract: 本发明公开了基于多模态的电池内短路检测方法、系统、装置及介质，包括：获取当前电池数据，采用预训练Transformer模型提取当前电池数据的图像特征和序列特征；将图像特征和序列特征进行多模态融合，得到当前多模态融合特征；采用基于电池的历史多模态融合特征预先训练好的电池数据模型，对当前多模态融合特征进行自引发型内短路检测，得到电池内短路检测结果。基于多模态数据融合的方法，通过融合不同模态的信息，丰富了电池的特征。同时，采用Transformer模型，使算法在处理少数据样本和长序列信息时具备更好的特征提取能力。这种方法可以更加灵活和更早地识别电池的状况，以保障电池的使用安全，并提高对锂电池自引发型内短路的检测准确率。
-
公开(公告)号：CN116703364A
公开(公告)日：2023-09-05
申请号：CN202310961230.3
申请日：2023-08-02
Applicant: 杭州宇谷科技股份有限公司
IPC: G06Q10/20 , G06Q10/047 , G06Q50/06 , G06F16/36 , G06F18/23
Abstract: 本申请涉及一种基于最优化算法的运维工单生成方法，其中，该方法包括：通过以目标区域内换电装置的位置信息为节点，以换电装置之间的连线为边，构建换电网络图谱；基于该换电网络图谱，通过不同处理算法，集合点位距离、运维工单时间、工单优先级、工单难易程度等多种维度，进行运维工单的规划处理，生成城市各区域的运维工单包。从而能够在现实大规模复杂环境中，为运维人员提供最优的运维路线，提升运维效率。
-
公开(公告)号：CN119358987A
公开(公告)日：2025-01-24
申请号：CN202411930369.2
申请日：2024-12-26
Applicant: 杭州宇谷科技股份有限公司
IPC: G06Q10/0631 , G06Q10/047 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F18/213 , G06F18/241 , G06F18/25
Abstract: 本申请涉及一种基于多模态融合的出行选址方法，该方法包括：获取候选点位的场所规模数据、热度POI数据和流量时序数据，通过预先构建的多模态融合深度神经网络模型，分别对场所规模数据、热度POI数据和流量时序数据进行特征提取和特征分析，得到规模特征、POI特征和时序特征，以及跨模态特征交互关系，根据跨模态特征交互关系，融合规模特征、POI特征和时序特征，基于融合结果生成候选点位的推荐值。通过本申请，解决了出行选址决策准确度低的问题，考虑多个模态数据，避免单一数据类型导致决策依据片面，并采用深度神经网络融合多模态数据，分析数据间的深层次关联，提高了选址决策的准确度。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.065 seconds)
