-
公开(公告)号：CN105701710A
公开(公告)日：2016-06-22
申请号：CN201610025181.2
申请日：2016-01-13
Applicant: 南京邮电大学
IPC: G06Q50/00
CPC classification number: G06Q50/01
Abstract: 本发明给出一种基于图挖掘的社交网络组队方法，解决社交网络中的组队问题。该方法将社交网络中的人员定义为图模型，依据给定图直径的定义，结合最少优先算法，从全局角度求解社交网络中的最佳组队方式，并利用哈希存储优化求解过程。首先根据用户输入的信息，构建社交网络组队问题的图模型G，该图模型G在建立后，任意两个候选人之间的最短路都有相应的权值，表示两者的交流代价；然后使用最少优先算法，获得社交网络组队问题在图模型G上的解空间；最后利用哈希存储优化求解过程，采用哈希表存储相关技能集。本发明能够形成解决全局情况下社交网络中最佳组队方案，使社交网络中的组队问题在解决过程在时间和空间复杂度上得到优化，并避免早熟收敛。
-
公开(公告)号：CN105654729A
公开(公告)日：2016-06-08
申请号：CN201610183090.1
申请日：2016-03-28
Applicant: 南京邮电大学
CPC classification number: G08G1/0125 , G06N3/0454 , G06N3/08 , G06Q10/04 , G06Q50/30
Abstract: 本发明给出一种基于卷积神经网络的短时交通流量预测方法，该方法首先根据预测路段的上下游路段条数以及预测使用的历史流量数据个数，确定输入矩阵的格式；然后根据输入矩阵的格式，确定卷积神经网络预测模型的结构，并使用预测路段及其上下游路段的历史流量数据完成模型的训练；最后使用训练好的模型进行预测。该方法利用具有强大特征学习能力的卷积神经网络来准确预测短时交通流量，将预测路段及其上下游路段的流量一同考虑，不仅使输入数据扩展到二维，以满足卷积神经网络的输入格式，同时也提供了与预测路段相关联路段的信息，使预测模型学习到更多流量特征，从而提升预测精度。
-
公开(公告)号：CN105654729B
公开(公告)日：2018-01-02
申请号：CN201610183090.1
申请日：2016-03-28
Applicant: 南京邮电大学
Abstract: 本发明给出一种基于卷积神经网络的短时交通流量预测方法，该方法首先根据预测路段的上下游路段条数以及预测使用的历史流量数据个数，确定输入矩阵的格式；然后根据输入矩阵的格式，确定卷积神经网络预测模型的结构，并使用预测路段及其上下游路段的历史流量数据完成模型的训练；最后使用训练好的模型进行预测。该方法利用具有强大特征学习能力的卷积神经网络来准确预测短时交通流量，将预测路段及其上下游路段的流量一同考虑，不仅使输入数据扩展到二维，以满足卷积神经网络的输入格式，同时也提供了与预测路段相关联路段的信息，使预测模型学习到更多流量特征，从而提升预测精度。
-
公开(公告)号：CN105701571A
公开(公告)日：2016-06-22
申请号：CN201610020549.6
申请日：2016-01-13
Applicant: 南京邮电大学
CPC classification number: G06Q10/04 , G06K9/6218 , G06N3/084 , G06Q50/30
Abstract: 本发明给出一种基于神经网络组合模型的短时交通流量预测方法，该方法构建一种反向传播神经网络组合预测模型，并基于该模型提出短时交通流量预测方法。本发明首先针对交通流的特性，使用模糊C均值聚类算法对交通流量进行聚类，对聚类生成的每个簇构建一个反向传播神经网络预测模型，并根据隶属度求各预测模型预测结果的加权和作为最终预测结果。为提升预测精度，本发明采用田口方法进行试验设计来测试不同结构参数对预测模型预测精度的影响，并使用最佳结构参数作为预测模型的初始结构。本发明方法能够有效提升短时交通流量的预测精度、降低训练数据中噪声对预测精度的影响，并且运行时间较为合理。
-
-
-
Search Results
4
records
(took 0.018 seconds)
