公开(公告)号：CN119417022A

公开(公告)日：2025-02-11

申请号：CN202411440214.0

申请日：2024-10-15

Applicant: 哈尔滨理工大学

Inventor： 赵中楠 ,  王钺 ,  谢旭

IPC: G06Q10/063 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/092 ,  G06Q50/40 ,  G06Q50/50 ,  G06F9/50

Abstract: 本发明公开了一种基于云边协同的虚拟化数字孪生交通资源调度模型，旨在进一步提升交通系统的资源运作效率。该模型在充分利用数字孪生技术特点的基础上，以虚拟化的资源方式通过云边协同架构实现资源的高效运作，以适应各种交通复杂场景的按需调度。此外，为了进一步优化调度，本发明提出基于节点重要性策略的值分布策略梯度图深度强化学习模型，通过对关键节点及关系的深度学习以及对调度需求的适应性反馈，实现数字云边综合交通资源的高效协同与调度。实验结果显示，本文所提模型在多个方面均优于当前主流的资源调度模型。

公开(公告)号：CN119541195A

公开(公告)日：2025-02-28

申请号：CN202411604504.4

申请日：2024-11-12

Applicant: 哈尔滨理工大学

Inventor： 赵中楠 ,  谢旭 ,  王钺

IPC: G08G1/01 ,  G06Q10/04 ,  G06N3/0442 ,  G06N3/045

Abstract: 本发明公开了一种基于时空特征深度融合的全周期交通流量预测方法，旨在深度整合交通流的复杂时空依赖，形成复合交通态势感知，实现对交通多周期综合流量预测。首先通过时空信息综合表征，提取多时间模态的时序特征并构建具象的真实空间关系。为进一步构建融合多尺度以及多粒度综合要素的数字化城市交通流量预测方法，本发明针对短期交通流量预测提出深度融合短期时空依赖的综合交通流量预测模型，提高对瞬时流量变化的敏感性，充分建模交通流量在多功能空域节点的短期动态变化；此外，还设计了一种深度空域解构与时序特征融合的模型用于中长期交通预测，深层次提取复杂交通模式。仿真结果显示，本发明所提方法优于现有交通流量预测技术。

公开(公告)号：CN118095412A

公开(公告)日：2024-05-28

申请号：CN202410406463.1

申请日：2024-04-03

Applicant: 哈尔滨理工大学

Inventor： 赵中楠 ,  梁晓亮 ,  王钺

IPC: G06N3/098 ,  G06N3/096 ,  G06N3/094 ,  G06N3/084 ,  G06N3/045 ,  G06N3/0475

Abstract: 本发明涉及联邦学习领域，提出一种基于判别器知识蒸馏个性化联邦学习方法。联邦学习研究近些年逐渐呈现个性化的发展趋势。在此过程中，由于海量参与方的出现以及数据非独立同分布特性的原因，使得联邦学习数据成本以及个性化学习效率受到影响，其中包括由于模型过大导致存储开销以及个性化模型效果受限等问题。因此，本专利提出了一种基于鉴别器知识蒸馏个性化联邦学习模型。在每个客户端引入一个判别器模型，这些判别器模型在局部数据节点上进行训练，用于评估全局模型与本地模型之间的差异。通过知识蒸馏技术，将全局模型知识抽取给本地模型，从而使全局模型能够更好地泛化和融合各个本地模型特点。为解决模型参数过大以及联邦学习个性化效果受限问题提供帮助。本发明在实验中产生了较好的效果，有一定创新性和可行性。