-
公开(公告)号：CN116911419A
公开(公告)日：2023-10-20
申请号：CN202310042160.1
申请日：2023-01-28
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于趋势相关性特征学习的长时序预测方法，设计了一种名为相关性分布特征提取网络即ACDN模型，ACDN模型采用分布处理模块，用于预测未来时间序列中的分布，以便在面对分布偏移时提高模型准确性；采用自/互相关系数计算模块，以更好地捕捉动态改变时间序列的全局属性，比如趋势成分，其中自相关系数反映局部段内的波动，而互相关系数反映了各个局部子序列中的变化；采用细微特征保留模块，以增强模型对细微特征的感知。本发明对来自不同领域的六个数据集的一系列实验表明，对比FEDformer方法，相关性分布特征提取网络(ACDN)在五个数据集上均方误差(MSE)平均降低了21.99％。
-
公开(公告)号：CN116595377A
公开(公告)日：2023-08-15
申请号：CN202310622647.7
申请日：2023-05-30
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06F18/213 , G06F17/15 , G06F17/14
Abstract: 本发明涉及时间序列异常检测领域，且公开了一种基于时域频域对抗学习的多元时序异常检测方法，包括以下步骤：步骤一：数据预处理；步骤二：选取训练数据输入到ATF‑UAD中；步骤三：得到时域重构序列；步骤四：得到频域重构序列；步骤五：得到加权重构序列；步骤六：完成模型训练；步骤七：将验证数据集输入到ATF‑UAD中；步骤八：重复步骤二至步骤七，直至模型结束训练；步骤九：将测试数据集输入到ATF‑UAD中；步骤十：重复步骤一至步骤九，完成ATF‑UAD在数据集上的异常检测获得最终得分。本发明采用上述基于时域频域对抗学习的多元时序异常检测方法，利用ATF‑UAD通过双视图对抗学习机制处理两个重建器的重建序列，最小化误差重建值并最大化任何残差异常值。
-
公开(公告)号：CN117132919A
公开(公告)日：2023-11-28
申请号：CN202311010650.X
申请日：2023-08-11
Applicant: 杭州电子科技大学
IPC: G06V20/40 , G06V10/26 , G06V10/774 , G06N3/088 , G06V10/82
Abstract: 本发明公开了一种多尺度高维特征分析无监督学习视频异常检测方法，采用具有卷积与自注意力提取特征的并行网络作为核心模块，整体架构采用端到端的自编码器架构，从卷积层和Transformer注意力计算层提取视频序列的表现特征与时空特征，对所有特征加以融合后，结合记忆网络来对多尺度特征进行解码预测，最终输出预测视频帧。本发明采用上述的一种多尺度高维特征分析无监督学习视频异常检测方法，使用端到端网络用于提取视频序列图像的表示特征和时空特征，提高视频帧预测的精度、增强了训练正常样本特征信息的多样性，提高了视频异常检测的异常分数评估。
-
公开(公告)号：CN116862055A
公开(公告)日：2023-10-10
申请号：CN202310742425.9
申请日：2023-06-21
Applicant: 杭州电子科技大学
IPC: G06Q10/04 , G06Q50/30 , G06N3/0464 , G06N3/084 , G06N3/0442 , G06F18/214 , G06F18/22 , G06F18/213 , G06N3/049
Abstract: 本发明公开了基于周期图卷积的短期时间预测方法，主要涉及智能交通系统领域。S1，数据预处理，获得训练数据集和验证数据集；S2，借助于S1得到的训练数据集，每次随机选取64组训练数据，输入到周期图卷积网络PGCN；设当前时间点为t，在Time‑embedding Layer中，能得到对应时间点t的日内周期#imgabs0#和周内周期特征embeddingTw(t)，其中d(t)，w(t)分别表示将时间t转换为周指数1至7和时间槽指数1至Nd的函数。本发明的有益效果在于：在不依赖先验知识的情况下动态建模道路之间的空间依赖性，不依赖任何先验知识，生成的周期图邻接矩阵能根据当前周期特征来挖掘节点间的动态关系，从而实现道路相关性动态建模。
-
-
-
Search Results
4
records
(took 0.019 seconds)
