-
公开(公告)号：CN113706187A
公开(公告)日：2021-11-26
申请号：CN202110787603.0
申请日：2021-07-13
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于时空图卷积的电信用户流失行为预测方法及系统，该预测方法包括以下步骤：L1.获取用户数据，对数据进行标记，根据需求将用户标记为流失或非流失，对数据进行预处理；L2.将数据整理为训练数据集和测试数据集，从空间维度上使用图卷积网络提取用户关系特征，从时间维度上使用LSTM网络提取用户行为特征，生成对应子模型；L3.采用异维度特征相互约束的特性，将提取的特征融合合并，训练融合模型，得到最终的用户流失行为特征；L4.将测试数据转换为符合模型输入的格式并输入模型中，获取用户流失行为结果。本发明通过将人工智能技术应用于用户流失预测问题，通过时空图卷积方法，精准预测用户流失行为，为通讯服务供应商提供策略依据。
-
公开(公告)号：CN115293399A
公开(公告)日：2022-11-04
申请号：CN202210684371.0
申请日：2022-06-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于时空图卷积网络的交通流量预测方法，包括S1)：利用道路传感器收集目标区域的交通流量数据并进行预处理；S2)：收集额外信息并进行编码，所述额外信息包括气候数据、当天是否为工作日以及节点周围的公共场所的种类和数量；S3)：根据步骤S1)得到的预处理后的交通流量数据生成时间序列数据；S4)：构建两个自适应向量ES,ET作为节点的空间嵌入表示，生成空间相关性矩阵；S5)：构建基于DSGRU单元的DSRNN网络模型，将步骤S3)得到的时间序列数据作为输入和标签，再将步骤S2)得到的额外信息向量输入到模型中，辅助模型对目标区域的交通流量进行预测，可更好捕捉交通流量数据的动态空间依赖，并达到更好的预测效果。
-
公开(公告)号：CN114548379A
公开(公告)日：2022-05-27
申请号：CN202210196122.7
申请日：2022-03-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种预测卷积神经网络训练时间的方法，包括如下步骤：S10、进行基准测试，收集随机参数的CNN网络层的执行时间数据，其中CNN为卷积神经网络；S20、训练网络模型，以收集的数据建立分层的网络模型并进行模型训练；S30、预测训练时间，预测各层网络层执行时间，组合各层网络层的执行时间，得到整体网络的预测时间。具有高效性，不需要对不同的卷积神经网络模型多次执行来获取数据集，仅需要执行不同的网络层来获取数据，显著缩短了预测所需要的机器资源与时间成本。
-
-
Search Results
3
records
(took 0.026 seconds)
