-
公开(公告)号：CN110570659B
公开(公告)日：2020-11-20
申请号：CN201911037283.6
申请日：2019-10-29
Applicant: 河北工业大学
Abstract: 本发明提出了一种时间度量下的交通路网模型构建方法，首先获取交通路网的静态数据，包括路段和交叉口的固有信息；接着对路网当中动态信息即交通流量、交通速度进行处理和预测；然后对路网当中的路段和交叉口进行耗时代价的计算，并对交叉口的路段连接方式细分；最后建立起一个在时间度量下的交通路网模型。本发明丰富了对交叉口的处理，可以融合道路交通信息对路段及交叉口的耗时进行计算，所建立的模型为以后研究在路网中与时间有关的问题提供方便，为路径规划等交通决策提供支持。
-
公开(公告)号：CN111667694B
公开(公告)日：2021-12-28
申请号：CN202010575303.1
申请日：2020-06-22
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于改进DTW‑KNN的短时交通流预测方法。所述方法包括：首先创建基于改进DTW‑KNN的短时交通流预测模型，包括使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次，通过动态时间规整距离筛选待预测向量的最近邻；最后，依据短时交通流量的时间连续性进行预测。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑短时交通流数据中的线性和非线性特征，有效提高了预测精度。
-
Patent Agency Ranking
公开(公告)号：CN113011102A
公开(公告)日：2021-06-22
申请号：CN202110355435.8
申请日：2021-04-01
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于多元时间序列的Attention‑LSTM的青霉素发酵过程故障预测方法，首先通过皮尔逊Pearson相关性分析选择青霉素发酵过程中的多个相关过程变量，然后通过Attention机制对LSTM的输入序列不同时刻的隐向量赋予了不同的权重，使得神经网络预测模型对长时间序列输入的处理更为有效，实现对青霉素发酵过程的故障预测建模。本发明采用注意力机制与LSTM相结合的故障预测模型对青霉素发酵过程进行故障预测，克服了现有LSTM在处理长序列输入时易忽略重要时序信息的问题，使得基于LSTM的故障预测更精准。
-
公开(公告)号：CN110570659A
公开(公告)日：2019-12-13
申请号：CN201911037283.6
申请日：2019-10-29
Applicant: 河北工业大学
Abstract: 本发明提出了一种时间度量下的交通路网模型构建方法，首先获取交通路网的静态数据，包括路段和交叉口的固有信息；接着对路网当中动态信息即交通流量、交通速度进行处理和预测；然后对路网当中的路段和交叉口进行耗时代价的计算，并对交叉口的路段连接方式细分；最后建立起一个在时间度量下的交通路网模型。本发明丰富了对交叉口的处理，可以融合道路交通信息对路段及交叉口的耗时进行计算，所建立的模型为以后研究在路网中与时间有关的问题提供方便，为路径规划等交通决策提供支持。
-
公开(公告)号：CN112836431A
公开(公告)日：2021-05-25
申请号：CN202110159354.0
申请日：2021-02-05
Applicant: 河北工业大学
Abstract: 本发明为一种基于PSO‑LSTM的青霉素发酵过程故障预测方法，包括第一步、采集数据，计算控制限控制限SPEcl以及T2统计量和SPE统计量；第二步、构建T2统计量的LSTM模型和SPE统计量的LSTM模型；第三步、利用PSO算法优化LSTM模型参数，分别构建T2统计量的PSO‑LSTM预测模型和SPE统计量的PSO‑LSTM预测模型；第四步、利用T2统计量的PSO‑LSTM预测模型和SPE统计量的PSO‑LSTM预测模型对青霉素发酵过程进行实时故障预测，将预测值分别进行反归一化处理，得到两个统计量的取值；若T2统计量的取值超过控制限或SPE统计量的取值超过控制限SPEcl，则表示发生故障，否则运行正常。
-
公开(公告)号：CN111667694A
公开(公告)日：2020-09-15
申请号：CN202010575303.1
申请日：2020-06-22
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于改进DTW-KNN的短时交通流预测方法。所述方法包括：首先创建基于改进DTW-KNN的短时交通流预测模型，包括使用平均影响值算法确定状态向量的组成，创建历史状态向量和待预测状态向量；其次，通过动态时间规整距离筛选待预测向量的最近邻；最后，依据短时交通流量的时间连续性进行预测。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑短时交通流数据中的线性和非线性特征，有效提高了预测精度。
-
公开(公告)号：CN113011102B
公开(公告)日：2022-05-24
申请号：CN202110355435.8
申请日：2021-04-01
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于多元时间序列的Attention‑LSTM的青霉素发酵过程故障预测方法，首先通过皮尔逊Pearson相关性分析选择青霉素发酵过程中的多个相关过程变量，然后通过Attention机制对LSTM的输入序列不同时刻的隐向量赋予了不同的权重，使得神经网络预测模型对长时间序列输入的处理更为有效，实现对青霉素发酵过程的故障预测建模。本发明采用注意力机制与LSTM相结合的故障预测模型对青霉素发酵过程进行故障预测，克服了现有LSTM在处理长序列输入时易忽略重要时序信息的问题，使得基于LSTM的故障预测更精准。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
