-
公开(公告)号：CN107992902B
公开(公告)日：2021-06-25
申请号：CN201711399106.3
申请日：2017-12-22
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开一种基于监督学习的地面公交扒窃个体自动检测方法。针对目前在公共交通安全监管方面尚缺乏一套有效的智能交通数据分析方法以自动检测地面公交扒窃个体的问题，本发明采用地面公交大数据和社交网络有效数据，提出一种基于有监督式分类的地面公交扒窃个体自动检测方法，包括以下步骤：步骤1：提取异常出行关键特征；步骤2：嵌入扒窃组别的聚类分析；步骤3：扒窃个体样本库构建；步骤4：扒窃个体有监督式分类。本发明提出的地面公交扒窃个体自动检测方法可应用于公共交通行业数据分析平台，为扒窃个体检测、扒窃事件预警及可视化布控提供科学依据。
-
公开(公告)号：CN112801404A
公开(公告)日：2021-05-14
申请号：CN202110186065.X
申请日：2021-02-14
Applicant: 北京工业大学
Abstract: 一种基于自适应空间自注意力图卷积的交通预测方法属于交通领域和深度学习领域，提出一种自适应空间自注意力图卷积网络(ASSAGCN)用于交通预测。ASSAGCN的由2个残差块堆叠而成。每个残差块由一个图卷积模块(GCN)、一个多头空间自注意力模块(MHSSA)、一个门控融合模块(GF)和一个多感受野空洞因果卷积模块(MRDCC)构成。其中GCN基于连通性对路网的局部空间相关性进行建模；MHSSA用于捕获路网的隐含空间相关性，同时还能从全局聚合各个节点的信息；GF对GCN和MHSSA的输出进行融合；MRDCC用于建模时间相关性。输入层采用一个简单的全连接层将输入映射到一个高维空间提高模型的表达能力，输出层采用2个1×1的卷积层。本发明能够捕获到路网中潜在的空间相关性，适应路网结构的动态变化。
-
公开(公告)号：CN111583048A
公开(公告)日：2020-08-25
申请号：CN202010303786.X
申请日：2020-04-17
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于活动序列的学生社交关联分析方法，本发明方法首先将高校中学生的各种校园活动数据进行收集合并，然后进行数据清洗，接下来生成学生活动序列，下一步选择两个不同的学生对应的活动序列进行社交关联强度计算，最后将两个学生的社交关联强度值为正数的保留，则认为这两个学生具有社交关系。通过对高校数据集中不同的学生之间相互两两配对计算，即可得到不同学生之间的社交关系，从而构成学生社交关系网。
-
公开(公告)号：CN108010320B
公开(公告)日：2020-06-16
申请号：CN201711396989.2
申请日：2017-12-21
Applicant: 北京工业大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于自适应时空约束低秩算法的路网交通数据的补全方法，其能够使得补全的数据的精准度在数据丢失率较大时大幅提高，尤其对不同时空丢失模式下的交通数据修复具有很好的应用效果。该方法包括步骤：(1)构造路网交通数据的时空数据矩阵；(2)对时空数据矩阵进行因子矩阵分解，引入无约束低秩修复方法；(3)加入交通数据的时序变化特性和空间相似特性作为时空约束项，更精确的对缺失点进行补全。
-
公开(公告)号：CN106407563B
公开(公告)日：2020-03-27
申请号：CN201610835917.2
申请日：2016-09-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于驾驶类型和前车加速度信息的跟驰模型生成方法，利用聚类数据挖掘的方法，根据实际数据进行司机驾驶风格的划分，在全速度差模型的基础上引入个人预期效应，并进一步考虑了前车加速度信息对跟驰行为的影响，得到车辆跟驰模型。相比已有的车辆跟驰模型，极大的提高了交通流的稳定性，并且更加的符合实际交通流状态。
-
Patent Agency Ranking
公开(公告)号：CN109977132A
公开(公告)日：2019-07-05
申请号：CN201910101560.9
申请日：2019-02-01
Applicant: 北京工业大学
IPC: G06F16/245 , G06F16/26
Abstract: 本发明公开一种基于无监督聚类模式的学生异常行为模式分析方法，包括如下步骤：步骤1：提取学生异常行为关键特征；步骤2：使用无监督聚类分析进行学生异常行为类提取；步骤3：分组别度量学生异常类中异常行为个体；步骤4：利用学生时空关联图检测具有相似行为的异常群体。采用本发明的技术方案，可实现对校园内存在的学生异常行为进行精准分析，帮助校园管理人员精准、快速分析学生行为。
-
公开(公告)号：CN103886625B
公开(公告)日：2017-02-15
申请号：CN201410010187.3
申请日：2014-01-09
Applicant: 北京工业大学
Abstract: 本申请公开一种基于压缩感知的点云数据稀疏表示方法，其在保证一定精度的前提下对海量点云数据进行压缩，使得点云数据的稀疏度大幅提高，为基于压缩感知的点云数据压缩与重建奠定良好基础。包括步骤：（1）点云数据规格化；2）基于K-SVD算法的过完备字典稀疏表示（；3）规格化点云数据观测，传输并存储；（4）基于l1范数最小化的点云数据重建；（5）规格化点云数据恢复。
-
公开(公告)号：CN105825540A
公开(公告)日：2016-08-03
申请号：CN201610070671.4
申请日：2016-02-01
Applicant: 北京工业大学
IPC: G06T13/40
CPC classification number: G06T13/40 , G06T3/0093
Abstract: 本发明公开一种人群路径编辑方法，其有效地降低了制作人群动画的复杂性，提高了人群的可控性，既可以在空间上对人群进行编辑，又可以在时间上对人群进行编辑，并且操作简便，大大提高了编辑人群动画的效率。该方法包括步骤：(1)根据用户指定的起点和终点，采用A*算法生成人群路径；(2)根据被选中的人群生成包围被选中人群的包围壳；(3)对人群进行空间形变；(4)对人群进行时间形变；(5)生成人群动画。
-
公开(公告)号：CN113919441B
公开(公告)日：2025-04-25
申请号：CN202111294128.X
申请日：2021-11-03
Applicant: 北京工业大学
IPC: G06F18/241 , G06F18/25 , G06N3/042 , G06N3/048 , G06N3/045 , G06N3/0985 , G06N3/084
Abstract: 本发明提供了一种基于超图变换网络的分类方法，用于解决现有技术无法深刻发掘异构网络中的高阶语义信息，进而无法准确进行分类的问题。本方法提出了一个端到端的超图变换网络(Hypergraph Transformer Neural Networks，HGTN)，利用超边增幅节点间的沟通能力学习高阶关系，并挖掘不同类型节点间的语义信息。具体地，利用注意力机制为不同类型超图分配权重，级联学习原始异构超图中隐含的高阶语义信息，生成有用的元路径，以端到端的方式学习节点嵌入特征，完成节点分类任务。该方法具有良好的准确率与普适性，适用于引文网络，媒体网络，社交网络等异构网络的节点分类任务。
-
公开(公告)号：CN119862992A
公开(公告)日：2025-04-22
申请号：CN202411931139.8
申请日：2024-12-26
Applicant: 北京市地铁运营有限公司 , 北京工业大学
IPC: G06Q10/04 , G06Q50/26 , G06F16/9537 , G06F40/126 , G06F40/30 , G06N3/042 , G06N3/0464 , G06N3/044 , G06N3/08 , G08G1/01
Abstract: 本发明公开了基于POI数据和文本信息关联学习的交通预测方法，针对POI数据与交通序列数据在特征维度上的稀疏性和稠密性差异以及时间维度上的静态与动态变化差异，设计了一种即插即用的POI使用组件，用于提取POI数据的内在分布特征。本发明借鉴了推荐系统的深度‑广度模型思路，通过在预测输出层加入门控机制来增强特征表达，并引入了POI数据和文本信息关联学习网络来衡量POI类别语义信息与交通序列特征间的相似度，使静态POI数据能够反映时空特性。步骤1：POI数据和文本信息；步骤2：建立图卷积主干网络；步骤3：建立关联学习网络；步骤4：预测输出；本发明在中国四个城市的交通速度数据集上提高了现有图卷积网络预测模型的效果。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.042 seconds)
