-
公开(公告)号：CN112784162B
公开(公告)日：2023-09-19
申请号：CN202110127542.5
申请日：2021-01-29
申请人： 东北财经大学
IPC分类号： G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N3/08 , G06Q50/00
摘要： 本发明公开了基于TS24的动态POIs(Points of Interest，兴趣点)推荐方法，属于计算机应用技术领域。本发明包括，第一步:搭建基于24个时间段的动态POIs推荐架构；第二步：利用TF‑IDF技术将用户签到次数转换为用户对其签到过的POIs的偏好值，构造当前时间段#imgabs0#上的样本集Θcur，其中#imgabs1##imgabs2#第三步：建立#imgabs3#上的SemiDAE地理影响模型；第四步：根据用户在相近时间段上签到行为的相似性，建立#imgabs4#上具有时间影响的T‑SemiDAEPOIs推荐模型；第五步：按预训练和参数微调两个步骤训练#imgabs5#上的T‑SemiDAEPOIs推荐模型。本发明以新颖且更合理的方式搭建基于深度学习技术的动态POIs推荐模型，挖掘并融合了位置社交网络的地理和时间信息，实验结果表明所申请技术能够显著提高个性化POIs推荐的精度和召回率。
-
公开(公告)号：CN113283614B
公开(公告)日：2023-09-12
申请号：CN202110476514.4
申请日：2021-04-29
申请人： 东北财经大学
摘要： 本发明公开了基于OcE的PM2.5浓度预测方法，属于计算机应用技术领域。本发明包括，第一步:使用ONAR模型来描述PM2.5数据流的动态特性，搭建在线PM2.5浓度预测模型框架。第二步：利用EnsMDOS‑ELM来递归学习每一代NAR模型的非线性函数。EnsMDOS‑ELM中的基学习机是MDOS‑ELM,使用GEM融合规则获得新一代MDOS‑ELM子模型的权重。第三步：综合执行第一步～第二步，即可获得基于OcE的PM2.5浓度预测模型。第四步：设计了OcE预测模型时间稳定性的检验方法，即任何当前NAR‑EnsMDOS‑ELM模型都可以稳定预测未来几年(e.g.,一年和两年)的每小时PM2.5浓度。本发明以新颖且更合理的方式搭建基于OcE技术的PM2.5浓度预测模型，挖掘空气质量数据中的有用信息。实验结果表明所申请技术能够显著提高每小时PM2.5浓度预测的时间稳定性和泛化性。
-
公开(公告)号：CN112784163B
公开(公告)日：2023-08-11
申请号：CN202110129691.5
申请日：2021-01-29
申请人： 东北财经大学
IPC分类号： G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N3/08 , G06Q50/00
摘要： 本发明公开了基于RS24的个性化POIs(Points of Interest，兴趣点)推荐方法，属于计算机应用技术领域。本发明包括，第一步:搭建基于24个时间段的动态POIs推荐架构。第二步：利用TF‑IDF技术将用户签到次数转换为用户对其签到过的POIs的偏好值，构造当前时间段上的样本集Θcur。第三步：建立上的SemiDAE地理影响模型。第四步：基于社交关系的正则化学习算法训练上的SemiDAE，获得具有社交影响的R‑SemiDAE POIs推荐模型。其中社交正则项包含显示和潜在两种好友关系。本发明以新颖且更合理的方式搭建基于深度学习技术的个性化POIs推荐模型，挖掘并融合了位置社交网络的地理和社交信息。实验结果表明所申请技术能够显著提高个性化POIs推荐的精度和召回率。
-
公开(公告)号：CN112378618B
公开(公告)日：2022-07-19
申请号：CN202011231819.0
申请日：2020-11-06
申请人： 东北财经大学
发明人： 王晓军
摘要： 本发明公开了风洞试验中基于递归Pseudo‑NARX和NARX的两阶段时间序列的马赫数预测方法，属于计算机应用技术领域。本发明包括，第一步:根据每种工况的第一次试验中获得的总压、静压和马赫数随时间的变化曲线和数值分布情况，确定时间阈值τ。第二步：每次试验的样本会根据τ划分为冲压和稳压两个阶段的批次样本。第三步：使用冲压阶段的多批次样本建立基于递归Pseudo‑NARX的马赫数模型。第四步：使用稳压阶段的多批次样本建立基于NARX的马赫数模型。本发明利用时间阈值τ将整个试验分为冲压和稳压两阶段，分别建立马赫数模型，克服了相同工况的数据不均衡问题，处理了冲压阶段的高噪声和特征冗余问题。实验结果表明所申请技术能够提高各阶段马赫数的预测精度，满足项目指标。
-
公开(公告)号：CN112784163A
公开(公告)日：2021-05-11
申请号：CN202110129691.5
申请日：2021-01-29
申请人： 东北财经大学
IPC分类号： G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N3/08 , G06Q50/00
摘要： 本发明公开了基于RS24的个性化POIs(Points of Interest，兴趣点)推荐方法，属于计算机应用技术领域。本发明包括，第一步:搭建基于24个时间段的动态POIs推荐架构。第二步：利用TF‑IDF技术将用户签到次数转换为用户对其签到过的POIs的偏好值，构造当前时间段上的样本集Θcur。第三步：建立上的SemiDAE地理影响模型。第四步：基于社交关系的正则化学习算法训练上的SemiDAE，获得具有社交影响的R‑SemiDAE POIs推荐模型。其中社交正则项包含显示和潜在两种好友关系。本发明以新颖且更合理的方式搭建基于深度学习技术的个性化POIs推荐模型，挖掘并融合了位置社交网络的地理和社交信息。实验结果表明所申请技术能够显著提高个性化POIs推荐的精度和召回率。
-
公开(公告)号：CN112784162A
公开(公告)日：2021-05-11
申请号：CN202110127542.5
申请日：2021-01-29
申请人： 东北财经大学
IPC分类号： G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N3/08 , G06Q50/00
摘要： 本发明公开了基于TS24的动态POIs(Points of Interest，兴趣点)推荐方法，属于计算机应用技术领域。本发明包括，第一步:搭建基于24个时间段的动态POIs推荐架构；第二步：利用TF‑IDF技术将用户签到次数转换为用户对其签到过的POIs的偏好值，构造当前时间段上的样本集Θcur，其中第三步：建立上的SemiDAE地理影响模型；第四步：根据用户在相近时间段上签到行为的相似性，建立上具有时间影响的T‑SemiDAEPOIs推荐模型；第五步：按预训练和参数微调两个步骤训练上的T‑SemiDAEPOIs推荐模型。本发明以新颖且更合理的方式搭建基于深度学习技术的动态POIs推荐模型，挖掘并融合了位置社交网络的地理和时间信息，实验结果表明所申请技术能够显著提高个性化POIs推荐的精度和召回率。
-
公开(公告)号：CN115292590A
公开(公告)日：2022-11-04
申请号：CN202210866581.1
申请日：2022-07-22
申请人： 东北财经大学
IPC分类号： G06F16/9535 , G06F16/9537 , G06N20/00
摘要： 本发明公开了基于Pseudo‑Checkin的外地POI推荐方法，属于计算机应用技术领域。步骤包括：基于迁移学习和图嵌入技术生成外地用户在目标城市的伪签到记录；获得用户在12个时间段上的类别层面POI偏好向量，构建样本集在cur＝1,2,…12上建立基于T‑SemiDAE的外地POI推荐模型；训练cur＝1,2,…12上的基于T‑SemiDAE的外地POI推荐模型；预测应用，即为外地用户推荐目标城市POI。本发明依托O2O模式下的位置社交网络，以新颖且更合理的方式构建基于迁移学习、图嵌入以及深度学习技术的时空动态型外地POI推荐模型；实验结果表明所申请技术能够显著提高外地POI推荐的准确度。
-
公开(公告)号：CN115270010A
公开(公告)日：2022-11-01
申请号：CN202210873192.1
申请日：2022-07-22
申请人： 东北财经大学
IPC分类号： G06F16/9537 , G06N3/08
摘要： 本发明公开了基于U‑TGx的动态兴趣点推荐方法，属于计算机应用技术领域。本发明包括，第一步：构建基于不均等(Unequal)时间段的动态POI推荐架构；第二步：构造x个不均等时间段的样本集第三步：在每个时间段上建立基于T‑SemiDAE的动态POI推荐模型；第四步：训练每个时间段上的基于T‑SemiDAE的动态POI推荐模型；第五步：预测应用时根据当前(或预签到)时间匹配并切换到对应时间段下的T‑SemiDAE模型进行POI推荐。本发明依托O2O模式下的位置社交网络，以新颖且更合理的方式建立基于深度学习技术的具有时间地理(Time‑Geographic)感知能力的动态POI推荐模型。实验结果表明所申请技术能够显著提高个性化POI推荐的准确度。
-
公开(公告)号：CN112378619B
公开(公告)日：2022-08-19
申请号：CN202011233363.1
申请日：2020-11-06
申请人： 东北财经大学
发明人： 王晓军
摘要： 本发明公开了具有ReMD‑OSELM的FER‑FSE在风洞试验冲压阶段总压实时建模中的应用,属于计算机应用技术领域。本发明包括，第一步：根据时间阈值τ(8s≤τ≤15s)，构造建立冲压阶段总压模型的多批次样本第二步：在上使用回归树提取最重要的do维特征，根据这do维特征构造的低维样本集和的所有特征子集，即在上构建FER‑FSE结构；第三步：以ReMD‑OSELM为基学习机递归学习每一代子模型，加权融合后获得总压实时预测模型。本发明利用FER‑FSE结构和递归型基学习机ReMD‑OSELM建立冲压阶段总压实时预测模型，发挥FER‑FSE和ReMD‑OSELM联合使用时的强非线性学习能力和实时计算的优势，克服了FSE子模型冗余问题，增强了MD‑OSELM对噪声的鲁棒性。实验结果表明所申请技术能够提高风洞试验冲压阶段总压的预测精度。
-
公开(公告)号：CN113283614A
公开(公告)日：2021-08-20
申请号：CN202110476514.4
申请日：2021-04-29
申请人： 东北财经大学
摘要： 本发明公开了基于OcE的PM2.5浓度预测方法，属于计算机应用技术领域。本发明包括，第一步:使用ONAR模型来描述PM2.5数据流的动态特性，搭建在线PM2.5浓度预测模型框架。第二步：利用EnsMDOS‑ELM来递归学习每一代NAR模型的非线性函数。EnsMDOS‑ELM中的基学习机是MDOS‑ELM,使用GEM融合规则获得新一代MDOS‑ELM子模型的权重。第三步：综合执行第一步～第二步，即可获得基于OcE的PM2.5浓度预测模型。第四步：设计了OcE预测模型时间稳定性的检验方法，即任何当前NAR‑EnsMDOS‑ELM模型都可以稳定预测未来几年(e.g.一年和两年)的每小时PM2.5浓度。本发明以新颖且更合理的方式搭建基于OcE技术的PM2.5浓度预测模型，挖掘空气质量数据中的有用信息。实验结果表明所申请技术能够显著提高每小时PM2.5浓度预测的时间稳定性和泛化性。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.025 秒)
