-
公开(公告)号：CN116307293B
公开(公告)日：2023-07-28
申请号：CN202310572084.5
申请日：2023-05-22
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06Q50/30 , G06F16/9537 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明属于智能城市技术领域，公开了一种基于混杂感知与因果去偏的城市时空数据预测方法。该方法构建了基于混杂感知与因果去偏的深度学习模型（CADN），将历史城市时空数据经过预处理转化为各区域分时段观测数据，输入深度学习模型，对各区域未来城市时空数据进行预测。本发明的深度学习模型将输入的历史观测数据经时域因果去偏模块提取无偏的时域因果特征，再经过空域因果传递模块提取无偏的时空因果特征，最后经融合预测器输出预测结果。本发明对于城市中的时空数据预测准确性高，具有鲁棒性。
-
公开(公告)号：CN116307293A
公开(公告)日：2023-06-23
申请号：CN202310572084.5
申请日：2023-05-22
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/26 , G06Q50/30 , G06F16/9537 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明属于智能城市技术领域，公开了一种基于混杂感知与因果去偏的城市时空数据预测方法。该方法构建了基于混杂感知与因果去偏的深度学习模型（CADN），将历史城市时空数据经过预处理转化为各区域分时段观测数据，输入深度学习模型，对各区域未来城市时空数据进行预测。本发明的深度学习模型将输入的历史观测数据经时域因果去偏模块提取无偏的时域因果特征，再经过空域因果传递模块提取无偏的时空因果特征，最后经融合预测器输出预测结果。本发明对于城市中的时空数据预测准确性高，具有鲁棒性。
-
公开(公告)号：CN116307275A
公开(公告)日：2023-06-23
申请号：CN202310558821.6
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于智能交通技术领域，公开了一种基于空域因果传递的自行车流量预测方法。该方法利用门控循环单元提取时域特征，并且设计了可学习的因果嵌入向量，以此构建区域间的因果传递矩阵，并利用区域间距离和交互量等先验知识，构建相应的图结构作为归纳偏置，进而通过空域因果传递过程，得到时空因果特征；最后通过预测模块输出预测结果。本发明的预测方法消除了非因果关联区域间的空域虚假相关性，有效地提升了自行车流量预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116740949A
公开(公告)日：2023-09-12
申请号：CN202311027776.8
申请日：2023-08-16
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G08G1/01 , G06F18/24 , G06F18/23213 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于持续学习的时空因果预测的城市交通数据预测方法，属于城市时空数据预测技术领域，解决了现有技术对城市交通数据预测不准确、训练及预测所需的时间和硬件资源过多，难以满足对城市交通数据预测的实际应用需求的问题。本发明的任务数据为多批次任务的实时数据，构建时空历史记忆库，分类筛选出能代表旧的任务数据分布的时序数据和图数据，满足前向迁移需求，预测效果准确；结合模型权重的正交参数空间，从时空历史记忆库中计算出正交投影算子，实现在新任务上训练时在正交参数空间中更新参数，在旧任务上的预测效果稳定，高效利用过去的城市交通数据，节省训练及预测所需的时间和硬件资源，满足预测的实际应用需求。
-
公开(公告)号：CN116307274A
公开(公告)日：2023-06-23
申请号：CN202310558819.9
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。
-
公开(公告)号：CN116740949B
公开(公告)日：2023-10-24
申请号：CN202311027776.8
申请日：2023-08-16
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
IPC: G08G1/01 , G06F18/24 , G06F18/23213 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于持续学习的时空因果预测的城市交通数据预测方法，属于城市时空数据预测技术领域，解决了现有技术对城市交通数据预测不准确、训练及预测所需的时间和硬件资源过多，难以满足对城市交通数据预测的实际应用需求的问题。本发明的任务数据为多批次任务的实时数据，构建时空历史记忆库，分类筛选出能代表旧的任务数据分布的时序数据和图数据，满足前向迁移需求，预测效果准确；结合模型权重的正交参数空间，从时空历史记忆库中计算出正交投影算子，实现在新任务上训练时在正交参数空间中更新参数，在旧任务上的预测效果稳定，高效利用过去的城市交通数据，节省训练及预测所需的时间和硬件资源，满足预测的实际应用需求。
-
公开(公告)号：CN116307274B
公开(公告)日：2023-08-18
申请号：CN202310558819.9
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。
-
公开(公告)号：CN116307275B
公开(公告)日：2023-07-28
申请号：CN202310558821.6
申请日：2023-05-18
Applicant: 北京航空航天大学 , 北京市西城区科学技术和信息化局(北京市西城区大数据管理局)
Abstract: 本发明属于智能交通技术领域，公开了一种基于空域因果传递的自行车流量预测方法。该方法利用门控循环单元提取时域特征，并且设计了可学习的因果嵌入向量，以此构建区域间的因果传递矩阵，并利用区域间距离和交互量等先验知识，构建相应的图结构作为归纳偏置，进而通过空域因果传递过程，得到时空因果特征；最后通过预测模块输出预测结果。本发明的预测方法消除了非因果关联区域间的空域虚假相关性，有效地提升了自行车流量预测的准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.046 seconds)
