-
公开(公告)号：CN119809473A
公开(公告)日：2025-04-11
申请号：CN202411789124.2
申请日：2024-12-06
Applicant: 同济大学
IPC: G06Q10/083 , G06Q10/0835 , G06Q10/0631 , G06Q10/10
Abstract: 本发明提供一种支持移动起降的车辆‑无人机协同配送方法及系统，所述方法包括：获取配送区域内的配送数据；运行上层求解器，基于配送数据决策车辆配送任务、车辆规划路径及无人机配送任务；运行下层求解器，在考虑车辆移动的基础上，基于车辆规划路径及无人机配送任务，求解无人机配送和返航的规划路径；车辆携带无人机队按照车辆规划路径前往客户点执行车辆配送任务；无人机装载货物后根据无人机配送和返航的规划路径执行无人机配送任务；所有无人机执行无人机配送任务后完成返航，且所有客户点均完成配送，车辆携带无人机队返回仓库；所有车辆和无人机均返回仓库后，进行状态检查和维护，以完成配送过程。本发明的方法显著提高了整体配送效率。
-
公开(公告)号：CN115099858B
公开(公告)日：2024-08-23
申请号：CN202210734752.5
申请日：2022-06-27
Applicant: 同济大学
IPC: G06Q30/0201 , G06Q10/0631 , G06F9/445 , G06F9/48 , G06F9/50
Abstract: 本发明公开一种基于多智能体深度强化学习的车辆协作计算系统。该系统包括远程服务器所处的云层、本地雾服务器所处的小云朵层以及车辆所处的雾层。在该系统中，本地雾服务器的区域内部构建车对车的计算资源购买架构、不同的车辆间形成联盟进行协同计算和信息传输、联盟与本地雾服务器间进行任务交付与信息传输、本地雾服务器根据区域内部的计算资源供需进行资源定价与资源买卖、车辆根据激励机制和自身状态应用多智能体深度强化学习算法最大化自身收益来采取资源买卖策略。利用本发明，车辆在满足自身意愿前提下以较低的复杂度在不同路况环境形成稳定的协作联盟进行计算资源共享和任务卸载，有效提升了边缘雾节点的任务完成率和计算能力。
-
公开(公告)号：CN116866022A
公开(公告)日：2023-10-10
申请号：CN202310791498.7
申请日：2023-06-30
Applicant: 同济大学
Abstract: 本发明提供了一种基于深度强化学习的工业物联网切片安全服务配置方法。基于深度强化学习的工业物联网切片安全服务配置方法包括：搭建工业物联网架构，工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络；在虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型；基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案；基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构。本发明的方法在面对大量的网络切片和业务请求时，可制定出有效的安全策略和资源优化方案。
-
公开(公告)号：CN114757389A
公开(公告)日：2022-07-15
申请号：CN202210233273.5
申请日：2022-03-10
Applicant: 同济大学
Abstract: 本发明涉及一种基于联邦学习的城市交通流量时空预测方法，具体包括以下步骤：S1、获取城市交通数据流信息，输入到流量时空预测网络模型；S2、流量时空预测网络模型通过注意力机制获取城市交通数据流信息中存在的动态时空依赖关系；S3、城市交通数据流信息和动态时空依赖关系输入到联邦学习框架，联邦学习框架通过参数聚合机制来更新通用的学习模型，采用联邦平均算法进行安全参数聚合，最终得到城市交通流量预测结果。与现有技术相比，本发明具有基于城市实际路网结构，在多参与方存在的情况下，综合考虑时间和空间上存在的依赖关系，实现不泄露隐私的多方协作城市交通流量时空预测等优点。
-
公开(公告)号：CN112115830A
公开(公告)日：2020-12-22
申请号：CN202010945655.1
申请日：2020-09-10
Applicant: 同济大学
Abstract: 本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。
-
Patent Agency Ranking
公开(公告)号：CN110376457B
公开(公告)日：2020-10-02
申请号：CN201910571745.6
申请日：2019-06-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置，其中方法包括：步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；步骤S4，使用训练样本训练神经网络模型；步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。与现有技术相比，本发明具有可以得到精细化的用户内部设备使用状态等优点。
-
公开(公告)号：CN119809474A
公开(公告)日：2025-04-11
申请号：CN202411789126.1
申请日：2024-12-06
Applicant: 同济大学
IPC: G06Q10/083 , G06Q10/0835 , G06Q10/0631 , G06F18/23213
Abstract: 本发明提供一种异构多车辆‑多无人机协同配送调度方法及系统，方法包括：获取配送数据；将配送数据中空间位置上关联性强的客户点划分为同一聚类，得到聚类结果；车辆携带无人机队按照规划路径从仓库出发，到达聚类中心点后，若当前聚类中心点只包含一个客户点，则由车辆直接执行配送任务，若该中心点包含多个客户点，则按照优先级顺序向搭载的无人机队分配子配送任务；所有无人机完成子配送任务后返航，且该聚类中的所有客户点均完成配送，车辆按照规划路径前往下一个中心点执行配送任务，若当前已处在路径中的最后一个聚类中心点，则返回仓库，进行状态检查和维护，以完成配送过程。本发明的方法在减少整体运营成本的同时，提高了资源利用效率。
-
公开(公告)号：CN118540097A
公开(公告)日：2024-08-23
申请号：CN202410434998.X
申请日：2024-04-11
Applicant: 同济大学
Abstract: 本发明提供一种基于分级联邦类增量学习的工业物联网网络入侵检测方法，包括：客户端设备基于权重的数据传输优化策略，将网络流量数据传输至边缘服务器；边缘服务器基于全局增量模型及当前网络流量数据执行当前增量任务的训练任务，得到本地模型，将本地模型上传至云服务器；直至上传的本地模型数量与参与当前通信轮次的边缘服务端的数量一致，对本地模型进行聚合，生成当前增量任务的下一个通信轮次的新的全局增量模型进行当前增量任务的训练任务，直至当前通信轮次达到最大通信轮次，得到当前联邦模型；重复上述步骤，直至当前增量任务达到总增量任务，得到标准联邦模型，进行工业物联网网络入侵检测。本发明的方法提升了模型的持续检测性能。
-
公开(公告)号：CN114021630B
公开(公告)日：2024-07-02
申请号：CN202111260818.3
申请日：2021-10-28
Applicant: 同济大学
IPC: G06F18/214 , G06N3/02 , G06F17/16
Abstract: 本发明涉及一种面向类别不平衡数据集的序数回归问题解决方法，包括：获取数据集，构建神经网络，数据集包括多个样本，每个样本带有标签，标签用于表示样本所属的类别，神经网络的损失函数为weight kappa loss损失函数；自数据集中选择一个batch，将该batch的所有样本送入神经网络，神经网络的输出为各个样本属于各个类别的预测概率；基于神经网络的输出统计概率混淆矩阵，并计算概率混淆矩阵的两个边缘分布的距离；基于两个边缘分布的距离更新损失函数；计算网络误差，反向传播更新神经网络参数。与现有技术相比，本发明通过对边缘分布进行惩罚，解决了混淆矩阵的全零列问题，消除了某种类别无法被检出的严重后果，提升了神经网络模型的性能。
-
公开(公告)号：CN112489426B
公开(公告)日：2021-11-09
申请号：CN202011345693.X
申请日：2020-11-26
Applicant: 同济大学
Abstract: 本发明涉及一种基于图卷积神经网络的城市交通流量时空预测方案，包括以下步骤：获取城市路网拓扑结构图和历史流量数据；构建并训练ST‑GCN网络模型；预测得到所有A类路口的预测流量；使用Adjacent算法得到所有B类路口的预测流量；使用Adjacent算法得到所有C类路口的预测流量；再使用Similar算法得到D类路口的预测流量；最后输出所有路口的预测流量。与现有技术相比，本发明首先通过构建和训练ST‑GCN网络模型，得到有历史流量数据路口的预测流量，再通过Adjacent‑Similar算法，对于无历史流量数据的路口，根据其相邻路口的预测流量得到其预测流量，对于“孤岛”路口，寻找其相似路口并用相似路口的预测流量作为该路口的预测流量，为无历史流量数据路口的流量预测提供了新的解决思路。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.064 seconds)
