-
公开(公告)号：CN115578857A
公开(公告)日：2023-01-06
申请号：CN202211100415.7
申请日：2022-09-09
Applicant: 成都四方伟业软件股份有限公司
Abstract: 本发明公开了一种基于跟驰模型与路权的三维场景车辆仿真方法及系统，所述方法包括：将道路网络导入选定的三维场景中；将道路限速模型结合道路网络设置道路限速，将红绿灯与路口分析模型结合道路网络通过点选设置道路连接与红绿灯；按照三维立体城市路网规则，基于所述道路限速、道路连接与红绿灯和车辆流量，生成仿真道路路网；通过跟驰模型模拟所述仿真道路路网，得到三维场景下的车辆仿真文件。本发明能够高效实现三维场景车辆仿真。
-
公开(公告)号：CN109472075B
公开(公告)日：2022-11-08
申请号：CN201811281699.8
申请日：2018-10-30
Applicant: 成都四方伟业软件股份有限公司
IPC: G06F30/20
Abstract: 本发明实施例提供一种基站性能分析方法及系统。方法包括获取基站的状态数据，状态数据包括基站节点参数、系统环境参数和网络拓扑信息；根据基站节点参数、系统环境参数和网络拓扑信息进行动态模拟仿真，获得待测区域对应的信号覆盖图，并根据信号覆盖图识别出信号盲区；根据基站节点参数、系统环境参数和网络拓扑信息进行基站性能评估，获得待测区域中各基站对应的运行状态信息。系统用于执行上述方法，本发明实施例通过利用基站节点参数、系统环境参数和网络拓扑信息对待测区域中的基站进行模拟仿真及性能评估，获得对应的信号覆盖图、信号盲区和各基站的运行状态信息，从而能够更加精确的获知待测区域对应的通信系统的运行状态。
-
公开(公告)号：CN109657547B
公开(公告)日：2020-07-07
申请号：CN201811347044.6
申请日：2018-11-13
Applicant: 成都四方伟业软件股份有限公司
Abstract: 本发明公开了一种基于伴随模型的异常轨迹分析方法，包括以下步骤：视频结构化系统进行人脸识别，得到人脸视频数据并进行预处理，然后通过频繁模型挖掘算法针对伴随人员进行伴随分析挖掘，得到伴随关系数据和伴随风险系数，伴随风险系数大于伴随人员风险阈值记录为风险伴随人员；通过无监督学习算法针对风险伴随人员的伴随关系数据进行伴随轨迹异常检测，基于风险伴随人员的异常轨迹通过自动特征工程算法训练有监督学习模型并进行风险伴随人员异常轨迹分析。本发明基于人脸视频结构化数据，结合伴随分析模型，在考虑人员伴随关系的基础上，通过异常轨迹检测算法分析异常轨迹，克服了仅从时间和位置角度构建模型在准确性和应用性较差的局限。
-
公开(公告)号：CN109739900A
公开(公告)日：2019-05-10
申请号：CN201811621598.0
申请日：2018-12-28
Applicant: 成都四方伟业软件股份有限公司
IPC: G06F16/2458
Abstract: 本申请提供一种特征选择方法及装置，涉及数据挖掘领域。该方法包括对特征网络进行特征查找，得到由起始特征点至终止特征点之间的多条特征路径；根据每条特征路径中各转移路径的信息素计算得到每条特征路径的信息素累计量；从多条特征路径中选出至少一条目标特征路径，对每条目标特征路径的信息素累计量进行调整，并根据调整后的信息素累计量对每条目标特征路径中各转移路径的信息素进行调整，以对所述特征网络进行调整；对调整后的特征网络再次进行特征查找，直到特征查找次数达到第一阈值，输出最后一次特征查找得到的结果。在提高特征选择智能性的同时保证特征选择过程的可控性，并且提高了特征选择的处理效率以及特征选择结果的准确性。
-
公开(公告)号：CN109711451A
公开(公告)日：2019-05-03
申请号：CN201811565378.0
申请日：2018-12-20
Applicant: 成都四方伟业软件股份有限公司
IPC: G06K9/62
Abstract: 本申请提供一种数据处理方法、装置、电子设备及存储介质，用于解决现有技术中在实际的公交车站点路线计算工作中，使用传统的统计计算方法找到的公交车路线并不理想的问题。该数据处理方法包括：获得多个位置点中的至少一个核心点；根据至少一个核心点计算多个位置点中对应的多个聚合区域中每个聚合区域的中心点；使用预设公式获得每个聚合区域的中心点中流量最大的中心点；将流量最大的中心点与转乘点连接；将该流量最大的中心点配置为新的转乘点；若新的转乘点不为终点，则跳转至执行使用预设公式获得每个聚合区域的中心点中流量最大的中心点的步骤；若新的转乘点为终点，则将被连线的中心点形成的连线确定为推荐路线。
-
Patent Agency Ranking
公开(公告)号：CN109213833A
公开(公告)日：2019-01-15
申请号：CN201811052418.1
申请日：2018-09-10
Applicant: 成都四方伟业软件股份有限公司
Abstract: 本发明涉及机器学习技术领域，提供一种二分类模型训练方法、数据分类方法及对应装置。其中，训练集中的训练样本均为结构化数据，结构化数据中包括至少一个离散型特征，二分类模型训练方法包括：统计离散型特征的不同的特征值在训练集的正样本中出现的次数；基于离散型特征的特征值出现的次数与正样本的总个数的比值，计算离散型特征的特征值对应的编码值；将训练样本中的离散型特征的特征值替换为对应的编码值；利用更新后的训练样本训练二分类模型。结构化数据中的离散型特征被上述方法编码后，其特征值被转化为连续值，从而可以被现有的机器学习算法正确地处理，正常地用于训练二分类模型。同时，编码过程简单高效，不会导致维灾难问题。
-
公开(公告)号：CN115578857B
公开(公告)日：2024-11-08
申请号：CN202211100415.7
申请日：2022-09-09
Applicant: 成都四方伟业软件股份有限公司
Abstract: 本发明公开了一种基于跟驰模型与路权的三维场景车辆仿真方法及系统，所述方法包括：将道路网络导入选定的三维场景中；将道路限速模型结合道路网络设置道路限速，将红绿灯与路口分析模型结合道路网络通过点选设置道路连接与红绿灯；按照三维立体城市路网规则，基于所述道路限速、道路连接与红绿灯和车辆流量，生成仿真道路路网；通过跟驰模型模拟所述仿真道路路网，得到三维场景下的车辆仿真文件。本发明能够高效实现三维场景车辆仿真。
-
公开(公告)号：CN113988452A
公开(公告)日：2022-01-28
申请号：CN202111313591.4
申请日：2021-11-08
Applicant: 成都四方伟业软件股份有限公司
Abstract: 本发明公开了一种基于stacked LSTM的网元告警预测方法及装置，主要解决现有技术中存在的现有网元告警预测方法中当样本数据时间跨度较大时，并不是所有时间序列的数值对模型都有较大的影响等问题。该方法包括以下步骤：(1)构建网元告警时序数据；(2)数据缺失率判别是否大于阈值，基于牛顿插值法填充部分缺失值；(3)构建训练集、验证集和测试集；(4)构建用于网元告警时序预测的stacked LSTM网元；(5)用构建好的训练集对Stacked LSTM神经网元进行训练；(6)对预测结果与小区告警门限进行比较。本发明不仅能实时监控网元性能参数，且能预测是否达到告警门限实现自动化运维监控。
-
公开(公告)号：CN109360107A
公开(公告)日：2019-02-19
申请号：CN201811205684.3
申请日：2018-10-16
Applicant: 成都四方伟业软件股份有限公司
IPC: G06Q40/06 , G06F16/951
Abstract: 本发明提供了一种证券分析方法、装置及其存储介质，涉及证券分析量化交易技术领域。该方法包括：从预设网络数据获取对象处获取证券相关信息；基于所述信息，采用文本分析模型判断所述信息对指定证券的影响程度是否达到可交易阈值；若影响程度达到可交易阈值，获取所述指定证券的证券交易数据，基于所述证券交易数据，采用证券价格预测模型判断所述指定证券的预期价格是否达到可交易点；若预期价格达到可交易点，所述信息对所述指定证券的影响方向以及所述预期价格的走势一致时，向分析师发送交易提醒信号。该方法结合机器学习方式采用文本分析模型和证券价格预测模型进行证券分析，提高了证券分析的全面性和准确性。
-
公开(公告)号：CN109635965A
公开(公告)日：2019-04-16
申请号：CN201811582826.8
申请日：2018-12-24
Applicant: 成都四方伟业软件股份有限公司
CPC classification number: G06Q10/30 , G06Q10/063
Abstract: 本申请实施例提供一种公车报废决策方法、装置及可读存储介质，通过获取各个公务用车各自的历史运营数据，并对历史运营数据进行数据处理，根据预设规则从数据处理后的历史运营数据筛选出特征数据，而后根据各个公务用车各自的特征数据训练机器学习模型，并根据训练得到的机器学习模型对输入的待测公务用车的特征数据进行预测，并根据预测结果判断该待测公务用车是否存在车辆报废的情况。由此，通过对各个公务用车各自的历史运营数据进行深度挖掘，可以车辆报废状况进行客观全面地分析，不仅为公务用车的日常运营管理提供数据支撑，也为车辆报废决策提供直观且科学的依据，缩减的不必要的财政开支，为机关单位节省财政预算。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.043 seconds)
