-
公开(公告)号：CN118965298A
公开(公告)日：2024-11-15
申请号：CN202411455417.7
申请日：2024-10-18
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F18/27 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F123/02
Abstract: 本发明公开了一种基于模型融合的天然气流量预测方法、系统及电子设备，属于时序数据预测领域。该方法设计了一种基于模型融合的天然气流量预测模型，其中，分段图卷积模块用于从基于相似度的图结构中提取序列之间动态变化的分段关联信息，开集识别嵌入图卷积层用于从基于类别的图结构中提取序列之间的类别关联信息，时间膨胀卷模块用于提取序列内部的时间特征并对序列进行降维，天然气流量预测模型的输出部分设计了一个基于两阶段注意机制的时间信息增强模块，用于聚合序列内时序特征。利用训练后的天然气流量预测模型，可实现对天然气时间序列未来某个时间步的预测，且具有较高的预测精度。
-
公开(公告)号：CN118571021A
公开(公告)日：2024-08-30
申请号：CN202411041456.2
申请日：2024-07-31
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G08G1/01 , G06N3/042 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F18/15 , G06F18/2132 , G06F18/2135 , G06F18/214 , G06F18/25
Abstract: 本发明公开了一种基于多层注意力的图融合交通流量预测方法、介质及设备，属于时序数据预测领域。本发明首先针对目标路网中所有道路的历史交通流量数据，按照不同采样间隔进行采样，每条道路均得到代表不同数据周期的多条历史流量序列；然后针对目标路网中的所有道路，构建道路空间关系图以及每一种数据周期对应的道路功能相似关系图；再将道路空间关系图分别与每一种数据周期对应的道路功能相似关系图进行邻接矩阵注意力融合；最后将每一种数据周期下的融合邻接矩阵以及顶点特征矩阵输入到图注意力网络中，并对输出结果进行加权融合，得到目标路网的未来流量预测结果。本发明可捕获不同道路的复杂交通流量模式，实现高精度的交通流量预测。
-
公开(公告)号：CN118965298B
公开(公告)日：2024-12-31
申请号：CN202411455417.7
申请日：2024-10-18
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F18/27 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F123/02
Abstract: 本发明公开了一种基于模型融合的天然气流量预测方法、系统及电子设备，属于时序数据预测领域。该方法设计了一种基于模型融合的天然气流量预测模型，其中，分段图卷积模块用于从基于相似度的图结构中提取序列之间动态变化的分段关联信息，开集识别嵌入图卷积层用于从基于类别的图结构中提取序列之间的类别关联信息，时间膨胀卷模块用于提取序列内部的时间特征并对序列进行降维，天然气流量预测模型的输出部分设计了一个基于两阶段注意机制的时间信息增强模块，用于聚合序列内时序特征。利用训练后的天然气流量预测模型，可实现对天然气时间序列未来某个时间步的预测，且具有较高的预测精度。
-
公开(公告)号：CN118571021B
公开(公告)日：2024-10-01
申请号：CN202411041456.2
申请日：2024-07-31
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G08G1/01 , G06N3/042 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F18/15 , G06F18/2132 , G06F18/2135 , G06F18/214 , G06F18/25
Abstract: 本发明公开了一种基于多层注意力的图融合交通流量预测方法、介质及设备，属于时序数据预测领域。本发明首先针对目标路网中所有道路的历史交通流量数据，按照不同采样间隔进行采样，每条道路均得到代表不同数据周期的多条历史流量序列；然后针对目标路网中的所有道路，构建道路空间关系图以及每一种数据周期对应的道路功能相似关系图；再将道路空间关系图分别与每一种数据周期对应的道路功能相似关系图进行邻接矩阵注意力融合；最后将每一种数据周期下的融合邻接矩阵以及顶点特征矩阵输入到图注意力网络中，并对输出结果进行加权融合，得到目标路网的未来流量预测结果。本发明可捕获不同道路的复杂交通流量模式，实现高精度的交通流量预测。
-
公开(公告)号：CN119248277A
公开(公告)日：2025-01-03
申请号：CN202411239097.1
申请日：2024-09-05
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F8/41 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明提供了一种基于AST的代码度量和代码语义的代码异味检测方法及系统。本发明首先通过解析代码片段来构造流增强抽象语法树(Flow‑Augmented Abstract Syntax Tree，FA‑AST)，并从中提取三类基于AST的代码度量：结构度量、句法度量和语义度量。然后，利用深度学习模型从源代码中捕捉代码的上下文信息和依赖关系，以提取代码语义。最后，通过融合基于AST的代码度量与代码语义，输入分类模型来进行训练和测试，以识别代码中的异味并对其严重程度进行评估。本发明提供的基于AST的代码度量相比于传统静态代码分析工具提取的软件代码度量更全面、且更易提取，在提高代码异味检测的精度和效率方面具有明显优势。
-
Patent Agency Ranking
公开(公告)号：CN118673506A
公开(公告)日：2024-09-20
申请号：CN202411172593.X
申请日：2024-08-26
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F21/57 , G06N3/0455 , G06N3/042 , G06F18/2415
Abstract: 本发明公开了一种基于文本挖掘和多指标度量的漏洞优先级排序方法，从必要性、函数级指标和影响范围这三个维度提出了14个度量指标，细化至函数级别对漏洞进行优先级排序。包括如下步骤：S1、获取软件漏洞代码，并进行数据加载和清洗；S2、针对清洗过后的代码数据集进行深层次信息提取；S3、围绕多指标评价体系对漏洞代码进行评估得到不同维度的分数，首先评估漏洞修复必要性；S4、在完成修复必要性维度的评估之后，继续对漏洞进行函数级指标的分析；S5、完成前两个维度的评估之后，研判漏洞被成功攻击后可能造成的影响范围；S6、在得到三个维度的指标之后，通过评分体系对总分进行计算，对最终的漏洞评分后进行排序，得到参考优先级。
-
公开(公告)号：CN118673506B
公开(公告)日：2024-11-22
申请号：CN202411172593.X
申请日：2024-08-26
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F21/57 , G06N3/0455 , G06N3/042 , G06F18/2415
Abstract: 本发明公开了一种基于文本挖掘和多指标度量的漏洞优先级排序方法，从必要性、函数级指标和影响范围这三个维度提出了14个度量指标，细化至函数级别对漏洞进行优先级排序。包括如下步骤：S1、获取软件漏洞代码，并进行数据加载和清洗；S2、针对清洗过后的代码数据集进行深层次信息提取；S3、围绕多指标评价体系对漏洞代码进行评估得到不同维度的分数，首先评估漏洞修复必要性；S4、在完成修复必要性维度的评估之后，继续对漏洞进行函数级指标的分析；S5、完成前两个维度的评估之后，研判漏洞被成功攻击后可能造成的影响范围；S6、在得到三个维度的指标之后，通过评分体系对总分进行计算，对最终的漏洞评分后进行排序，得到参考优先级。
-
公开(公告)号：CN118377979B
公开(公告)日：2024-09-27
申请号：CN202410813896.9
申请日：2024-06-24
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F16/9537 , G06F16/9535 , G06F16/36 , G06F18/25
Abstract: 本发明公开了一种基于时序知识图谱的兴趣点推荐方法、介质及电子设备。本发明以用户的历史行为轨迹和多模态信息为基础，构建了动态时序知识图谱和静态群组知识图谱，分别用于学习用户随时间变化的兴趣偏好和不随时间变化的稳定特征。同时，本发明运用深度学习方法建立了一个兴趣点推荐模型，可结合用户评论情感嵌入序列从两个知识图谱中提取兴趣点融合特征表示和用户融合特征表示，以准确预测下一时刻目标用户最可能访问的兴趣点。本发明具有准确度高、可扩展性强等特点，可为个性化地用户行为轨迹预测提供支持。
-
公开(公告)号：CN118643149A
公开(公告)日：2024-09-13
申请号：CN202410764855.5
申请日：2024-06-14
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F16/35 , G06F16/33 , G06F40/289 , G06F40/284 , G06F40/12 , G06F18/22 , G06F18/23213 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种多源海量教育数据统一集成方法，包括如下步骤：步骤1、获取学习文档、服务说明文档和事项说明文档，并进行文档加载和分块；步骤2、分别将学习文档、服务说明文档和事项说明文档作为输入，获取文档中单词级别词向量；步骤3、通过注意力机制计算单词级别词向量与上下文词向量的相似性，并根据单词级别词向量以及相似性得到句子级别词向量；步骤4、通过注意力机制计算句子级别词向量与句子级别上下文词向量的相似性，并根据句子级别词向量以及相似性得到文档级别词向量；步骤5、根据文档级别词向量执行文本任务。该方法可以更准确地对文本进行分类，大幅度提升检索的正确性，以提升生成答案的正确率。
-
公开(公告)号：CN118410781A
公开(公告)日：2024-07-30
申请号：CN202410624049.8
申请日：2024-05-20
Applicant: 杭州电子科技大学 , 杭州电子科技大学滨江研究院有限公司
IPC: G06F40/166 , G06V30/19 , G06F18/22 , G06F16/332 , G06N20/00 , G06N5/04
Abstract: 本发明公开了一种基于多提示词的领域大模型端到端问答生成方法，包括如下步骤：步骤1、对原文件进行等长度切分得到分片文本提取文本信息，从而得到具有高噪声的文本片段；步骤2、对文本片段进行预处理；步骤3、预处理后的文本进行多方法文本切分得到文本块集合；步骤4、根据说明书类型和生成问题的目标，在已知的prompt库中选择对应的prompt；步骤5、将文本块集合中的文本块和选取的prompt输入大模型，利用端到端的方法生成问答，并录入数据库中；步骤6、将生成的问答组合成问答对{(Qj,Aj)}，并将总和问答文件D放入数据库中，该方法可以提高问答生成时语料的质量，同时充分利用大模型的性能，实现更高质量的问答生成。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.052 seconds)
