-
公开(公告)号：CN116227756A
公开(公告)日：2023-06-06
申请号：CN202310517345.3
申请日：2023-05-10
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: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种城市时空数据预测因果模型的评价方法，包括构建城市时空数据预测因果模型并采用城市用电数据集进行学习，利用神经网络搭建城市时空数据预测因果模型的学习框架对城市时空数据预测因果模型进行训练，采用训练后的城市时空数据预测因果模型，使用城市用电历史数据来预测下一时间段用电数据，使用均方根误差、平均绝对误差和平均绝对百分比误差三个指标来评价训练后的城市时空数据预测因果模型性能，本方法采用合理的训练、验证、预测评价比例，提高了评价效果。
-
Patent Agency Ranking
公开(公告)号：CN116205384A
公开(公告)日：2023-06-02
申请号：CN202310497666.1
申请日：2023-05-06
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 , G06Q50/26 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明属于城市数据的预测或优化技术领域，具体公开了一种基于生成因果解释模型的城市数据预测方法，所述生成因果解释模型包括外生变量、时空条件父变量、受控因果转移函数和时空混合函数，通过从观测数据中推断出模型外生变量，因果描述子，时空条件父变量等因果隐变量并拟合受控因果转移函数和时空混合函数等相应函数后，基于模型预测城市级时空数据，本发明可以将城市复杂系统的观测数据分解为具有物理含义的因果描述子，在稳定的因果结构影响下，可以提升模型整体的鲁棒性和适用性，使得预测结果更加符合城市复杂系统运行情况。
-
公开(公告)号：CN116204792B
公开(公告)日：2023-07-14
申请号：CN202310473305.3
申请日：2023-04-28
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: G06F18/214 , G06N20/00
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种生成因果解释模型的训练方法，包括构建生成因果解释模型，利用神经网络搭建生成因果解释模型的训练框架，并将生成因果解释模型的可识别性条件作为神经网络的约束条件，采集不同时刻各区域的观测数据，对生成因果解释模型进行训练，本发明基于生成因果解释模型GCIM的可识别条件，提出了一种基于变分推断的生成因果解释模型学习框架，进一步了提升模型的可解释性，提升整体的泛化能力。
-
公开(公告)号：CN116227756B
公开(公告)日：2023-07-07
申请号：CN202310517345.3
申请日：2023-05-10
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: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种城市时空数据预测因果模型的评价方法，包括构建城市时空数据预测因果模型并采用城市用电数据集进行学习，利用神经网络搭建城市时空数据预测因果模型的学习框架对城市时空数据预测因果模型进行训练，采用训练后的城市时空数据预测因果模型，使用城市用电历史数据来预测下一时间段用电数据，使用均方根误差、平均绝对误差和平均绝对百分比误差三个指标来评价训练后的城市时空数据预测因果模型性能，本方法采用合理的训练、验证、预测评价比例，提高了评价效果。
-
公开(公告)号：CN116205384B
公开(公告)日：2023-07-04
申请号：CN202310497666.1
申请日：2023-05-06
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 , G06Q50/26 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明属于城市数据的预测或优化技术领域，具体公开了一种基于生成因果解释模型的城市数据预测方法，所述生成因果解释模型包括外生变量、时空条件父变量、受控因果转移函数和时空混合函数，通过从观测数据中推断出模型外生变量，因果描述子，时空条件父变量等因果隐变量并拟合受控因果转移函数和时空混合函数等相应函数后，基于模型预测城市级时空数据，本发明可以将城市复杂系统的观测数据分解为具有物理含义的因果描述子，在稳定的因果结构影响下，可以提升模型整体的鲁棒性和适用性，使得预测结果更加符合城市复杂系统运行情况。
-
公开(公告)号：CN116204792A
公开(公告)日：2023-06-02
申请号：CN202310473305.3
申请日：2023-04-28
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: G06F18/214 , G06N20/00
Abstract: 本发明属于基于特定计算模型的机器学习技术领域，具体为一种生成因果解释模型的训练方法，包括构建生成因果解释模型，利用神经网络搭建生成因果解释模型的训练框架，并将生成因果解释模型的可识别性条件作为神经网络的约束条件，采集不同时刻各区域的观测数据，对生成因果解释模型进行训练，本发明基于生成因果解释模型GCIM的可识别条件，提出了一种基于变分推断的生成因果解释模型学习框架，进一步了提升模型的可解释性，提升整体的泛化能力。
-
-
-
-
-
Search Results
6
records
(took 0.058 seconds)
