-
公开(公告)号：CN107247861A
公开(公告)日：2017-10-13
申请号：CN201610187158.3
申请日：2016-03-29
Applicant: 日本电气株式会社
IPC: G06F19/00
CPC classification number: G06F19/00
Abstract: 本发明提供了一种用于估计时空数据的设备，包括：预处理单元，被配置为将时空数据进行排序并划分为若干级别，计算各个级别中每一个级别上的数据的均值；概率计算单元，被配置为基于划分级别后的数据来计算各个级别之间的时空变化概率；以及估计单元，被配置为基于所述均值和所述时空变化概率来估计时空数据。本发明还提供了一种用于估计时空数据的方法。通过本发明，能够实现污染原因追溯和估计等时空问题的准确度的提高。
-
公开(公告)号：CN106920198A
公开(公告)日：2017-07-04
申请号：CN201510983291.5
申请日：2015-12-24
Applicant: 日本电气株式会社
IPC: G06Q50/26
CPC classification number: G06Q50/26
Abstract: 提供了一种用于污染物溯源的设备，包括：获取单元，被配置为获取监测点的监测数据；计算单元，被配置为计算相邻时间窗之间的所有监测点之间的相关性；以及确定单元，被配置为找出目标时刻的最相关的监测点对，并且依次向前移动时间窗以找出前一时刻的最相关的监测点对，直到所有时间窗被追溯。还提供了一种用于污染物溯源的方法。采用本发明，能够实现较短时间、细时空粒度上的污染物溯源。
-
Patent Agency Ranking
公开(公告)号：CN106650189A
公开(公告)日：2017-05-10
申请号：CN201510728949.8
申请日：2015-10-30
Applicant: 日本电气株式会社
IPC: G06F19/00
CPC classification number: G06F19/00
Abstract: 本公开涉及用于因果关系挖掘的方法和设备。所述方法包括：基于切分点将目标数据及其影响因素的时间序列划分为多个时间分段；以及学习所述多个时间分段中的各个时间分段中的因果关系以及延迟参数。在所述方法中，所述划分和所述学习的操作迭代地执行，以得到优化时间分段和各个优化时间分段中的因果关系和延迟参数，并且在迭代中所使用的切分点基于先前迭代中的各个时间分段中的延迟参数来更新。根据本公开，可以得到优化时间分段及其相关的因果关系和延迟参数，并且利用该方法，可以同时学习动态因果关系以及延迟参数，这将显著提高因果关系和延迟参数的准确性。
-
公开(公告)号：CN106610980A
公开(公告)日：2017-05-03
申请号：CN201510690684.7
申请日：2015-10-22
Applicant: 日本电气株式会社
CPC classification number: G06F17/30241 , G06K9/6262 , G06K9/6267
Abstract: 提供了一种用于对时空序列数据进行分类/预测的设备，包括：接收单元，被配置为接收时空序列数据；建模单元，被配置为基于时空序列数据产生与地理上的异构性有关的权重参数，并基于所产生的权重参数构建用于分类/预测的模型；以及分类/预测单元，被配置为采用所构建的用于分类/预测的模型对时空序列数据进行分类/预测。还提供了一种用于对时空序列数据进行分类/预测的方法。本发明提出的地理加权极限学习机考虑到地理空间的异构性，能够提高对时空序列数据进行分类或预测的精度。
-
公开(公告)号：CN105787500A
公开(公告)日：2016-07-20
申请号：CN201410834973.5
申请日：2014-12-26
Applicant: 日本电气株式会社
Abstract: 本发明涉及一种基于人工神经网络的特征选择方法和装置，其中该方法包括：根据待选择的K个特征和O个输出目标构造具有输入层、中间层和输出层的人工神经网络；利用训练集对所述人工神经网络进行训练，以确定所述人工神经网络中各层至下一层的连接权重，其中，训练时所用的优化函数包括对所述输入层进行稀疏性约束的项，以使得所述输入层至下一层的连接权重能够表示对所述K个特征的选择结果。通过在人工神经网络的输入层添加稀疏性约束，能够实现在对人工神经网络进行训练的同时得到特征选择结果，提高了对人工神经网络进行特征选择的效率。
-
公开(公告)号：CN105678046A
公开(公告)日：2016-06-15
申请号：CN201410659700.1
申请日：2014-11-18
Applicant: 日本电气株式会社
IPC: G06F19/00
Abstract: 本发明涉及一种修补时空序列数据中的缺失数据的方法及装置，其中，该方法包括：分别确定空间周边点以及时间周边点对数据缺失的待求点的贡献权重；根据对所述待求点的贡献权重从大到小排序靠前的多个空间周边点，算出所述待求点的空间维度估计数据；根据对所述待求点的贡献权重从大到小排序靠前的多个时间周边点，算出所述待求点的时间维度估计数据；根据所述空间维度估计数据和所述时间维度估计数据，算出所述待求点的数据。本发明充分利用了时空序列数据的时空相关性和异质性，得到的待求点的数据精度高。
-
公开(公告)号：CN105653541A
公开(公告)日：2016-06-08
申请号：CN201410643814.7
申请日：2014-11-11
Applicant: 日本电气株式会社
IPC: G06F17/30
Abstract: 本发明提供了一种用于识别多元时序列数据的数据元素之间的关联和演变模式的系统，所述系统包括：预处理单元，被配置为对采集到的数据进行预处理，得到处理后的数据序列；关联发现单元，被配置为使用Granger因果图模型从预处理后的数据中发现多元时序列数据的数据元素之间的关联，得到因果图序列；以及演变模式发现单元，被配置为对得到的因果图序列进行聚合，从而发现因果关系的演变模式。还提供了一种用于识别多元时序列数据的数据元素之间的关联和演变模式的方法。采用本发明，能够有效地识别多元时序列数据的数据元素之间的因果关系以及演变模式，而且因果关系的识别会更加准确。
-
-
-
-
-
-
Search Results
47
records
(took 0.022 seconds)
