-
公开(公告)号：CN115547040A
公开(公告)日：2022-12-30
申请号：CN202211137976.4
申请日：2022-09-19
Applicant: 河南大学
Abstract: 本发明提出了一种安全势场下基于informer神经网络的驾驶行为预测方法，包括对运动数据集中的数据进行预处理得到轨迹序列特征；将轨迹序列特征编码为潜在时空表示；将潜在时空表示输入到informer神经网络中，预测目标车辆未来的驾驶意图和驾驶轨迹；分别建立跟驰情况下和换道情况下的安全势场模型，计算安全势场范围；构建安全势场范围约束、预测的驾驶意图和驾驶轨迹的联合损失函数，利用Adam优化器优化得到预测模型；使用测试集对预测模型进行预测。本发明将安全势场模型和informer模型有机地结合在了一起，能够实现周围车辆的意图预测和多通道轨迹预测，在驾驶行为预测的实时性、准确性和安全性方面具有卓越的性能。
-
公开(公告)号：CN114371728A
公开(公告)日：2022-04-19
申请号：CN202111525070.5
申请日：2021-12-14
Applicant: 河南大学
IPC: G05D1/10
Abstract: 本发明的目的是提供一种基于多智能体协同优化的无人机资源调度方法，优化多无人机系统的协同调度能力，首先以任务环境中智能体状态st作为多智能体系统输入，然后通过策略网络输出动作at并由评价网络评估，最后输出由连续动作组成的调度策略π；针对连续覆盖和持续性服务两个目标，提出了特殊状态空间和动作空间，通过动作评估机制确定最优调度策略，构造了合理的动作奖励函数rt，使低能耗和连续覆盖的策略成为多智能体系统更好的选择，在算法中设置的经验回放单元随状态和动作空间的更新而改变，通过误差和损失函数L(θQ)来训练输出高评估值动作at，并以此方式共同更新其他智能体，对任务环境中其他智能体的策略进行联合评估，提高多无人机系统的协同调度能力。
-
公开(公告)号：CN119670004A
公开(公告)日：2025-03-21
申请号：CN202411727316.0
申请日：2024-11-28
Applicant: 河南大学
IPC: G06F18/25 , G06F18/10 , G06F18/213 , G06N3/042 , G06N3/0464 , G06N3/08 , G06Q50/40
Abstract: 本发明提出了一种基于对偶超图神经网络的交通流量预测方法，步骤包括对某一时间段内交通路网中传感器采集到的交通数据进行预处理；将预处理后的交通数据组成数据集并分为训练集、测试集和验证集；根据交通路网的拓扑图分别构建交通流图和对偶超图；构建基于时空对偶超图卷积层的交通流量预测模型，交通流量预测模型包括依次连接的输入层、时空对偶超图卷积层和输出层；将训练集中预处理后的交通数据输入交通流量预测模型中进行训练；利用测试集中预处理后的交通数据对训练好的交通流量预测模型进行测试，得到最终交通流量预测模型；利用验证集中预处理后的交通数据输入最终交通流量预测模型，得到预测的交通流量。本发明融合多源数据和利用外部知识，能够更好地理解和利用数据中的时空相关性，从而提升了交通预测模型的准确率。
-
公开(公告)号：CN115802313B
公开(公告)日：2024-06-28
申请号：CN202211472603.2
申请日：2022-11-16
Applicant: 河南大学
IPC: H04W4/40 , H04W4/029 , H04W24/06 , H04W40/10 , B64U50/38 , B64U10/16 , B64C27/08 , B60L53/12 , B64U101/20
Abstract: 本发明提出了一种基于智能反射面的空地移动网络携能公平通信方法，步骤如下：建立基于多无人机和智能反射面的空地移动网络架构；建立无线功率传输模型；根据无人机的动力学模型和通信模型建立无人机的能源消耗模型；利用智能反射面重构无人机和地面用户之间的信道状态，建立无线通信模型；建立公平通信模型；构建关于公平吞吐量和能源消耗的判断矩阵，确定公平加权吞吐量和能源消耗两个子目标的权重系数；建模为公平吞吐量和无人机剩余能量最大化的多目标整数非凸优化问题，通过多智能体深度强化学习求解复杂的多目标优化问题。本发明基于多智能体深度强化学习优化无人机位置和智能反射面的相位，为地面用户提供公平通信并对无人机无线充电。
-
公开(公告)号：CN116307103A
公开(公告)日：2023-06-23
申请号：CN202310121835.1
申请日：2023-02-15
Applicant: 河南大学
IPC: G06Q10/04 , G06N3/08 , G08G1/01 , G06N3/0464 , G06N3/0442 , G06N3/048
Abstract: 本发明提出了一种基于硬参数共享多任务学习的交通事故预测方法，其步骤如下：对交通事故原始数据进行预处理；对影响交通事故发生的外部因素的数据进行处理分别得到静态因素数据和动态因素数据；通过多通道卷积网络和压缩‑激发网络提取各种静态因素数据的特征；通过Transformer网络提取各种动态因素数据的特征；进行信息融合；根据不同的预测任务分别构建其特定的网络层，在特定的网络层得到不同预测任务的预测值；构建多个预测任务的联合损失函数，利用Adam优化器得到预测模型；利用预测模型得到多个交通事故预测任务的预测结果。本发明实现了对多个交通事故预测任务的共同学习，提供更加全面更加明确的交通事故预测结果，且提高了预测精度。
-
Patent Agency Ranking
公开(公告)号：CN115547040B
公开(公告)日：2024-11-22
申请号：CN202211137976.4
申请日：2022-09-19
Applicant: 河南大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明提出了一种安全势场下基于informer神经网络的驾驶行为预测方法，包括对运动数据集中的数据进行预处理得到轨迹序列特征；将轨迹序列特征编码为潜在时空表示；将潜在时空表示输入到informer神经网络中，预测目标车辆未来的驾驶意图和驾驶轨迹；分别建立跟驰情况下和换道情况下的安全势场模型，计算安全势场范围；构建安全势场范围约束、预测的驾驶意图和驾驶轨迹的联合损失函数，利用Adam优化器优化得到预测模型；使用测试集对预测模型进行预测。本发明将安全势场模型和informer模型有机地结合在了一起，能够实现周围车辆的意图预测和多通道轨迹预测，在驾驶行为预测的实时性、准确性和安全性方面具有卓越的性能。
-
公开(公告)号：CN115802313A
公开(公告)日：2023-03-14
申请号：CN202211472603.2
申请日：2022-11-16
Applicant: 河南大学
IPC: H04W4/40 , H04W4/029 , H04W24/06 , H04W40/10 , B64U50/38 , B64U10/16 , B64C27/08 , B60L53/12 , B64U101/20
Abstract: 本发明提出了一种基于智能反射面的空地移动网络携能公平通信方法，步骤如下：建立基于多无人机和智能反射面的空地移动网络架构；建立无线功率传输模型；根据无人机的动力学模型和通信模型建立无人机的能源消耗模型；利用智能反射面重构无人机和地面用户之间的信道状态，建立无线通信模型；建立公平通信模型；构建关于公平吞吐量和能源消耗的判断矩阵，确定公平加权吞吐量和能源消耗两个子目标的权重系数；建模为公平吞吐量和无人机剩余能量最大化的多目标整数非凸优化问题，通过多智能体深度强化学习求解复杂的多目标优化问题。本发明基于多智能体深度强化学习优化无人机位置和智能反射面的相位，为地面用户提供公平通信并对无人机无线充电。
-
公开(公告)号：CN118569308A
公开(公告)日：2024-08-30
申请号：CN202410733084.3
申请日：2024-06-06
Applicant: 河南大学
IPC: G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06N5/04 , G06N3/006 , G06F18/25 , G06F18/2415
Abstract: 本发明提供了一种基于异质动态图注意网络的多智能体轨迹预测方法，包括对运动数据集中的轨迹序列数据进行预处理；根据智能体的类型，利用对应特定类型的编码器提取智能体轨迹序列数据的动态特征；利用异质动态图注意网络提取智能体的交互特征；通过卷积神经网络和门机制选择器提取并更新运动数据集中与智能体相关的地图信息的地图特征，利用门机制选择器在所有智能体之间有选择地共享地图信息，实现地图选择的自适应性；将动态特征、交互特征及地图特征融合为三通道特征后，通过对应特定智能体类型的未来解码器预测出智能体的未来轨迹。本发明在轨迹预测的准确性和安全性方面具有卓越的性能和更好的性能表现，可以提高交通效率，适应于更广泛的交通需求变化。
-
公开(公告)号：CN115187056A
公开(公告)日：2022-10-14
申请号：CN202210806132.8
申请日：2022-07-08
Applicant: 河南大学
Abstract: 本发明提出了一种考虑公平性原则的多智能体协同资源分配方法，涉及多智能体协同的技术领域，其步骤如下：每个智能体以无人机的观测值和公平性奖励作为Actor网络的输入；Actor网络将t时刻的状态和公平性奖励作为输入，输出当前时刻的动作，利用当前状态和动作用于估计Q值；根据估计Q值与实际Q值计算策略损失函数训练Critic网络，利用最大Q值作为Actor网络的反馈，输出智能体的公平动作集；利用基尼系数判断公平动作集中的动作是否满足公平性；利用训练的公平性策略，根据无人机的不同状态，进行有次序的充电。本发明保证智能体间的公平竞争，提高多智能体系统的协同能力；加强无人机的续航能力，提高工作效率。
-
公开(公告)号：CN119047618A
公开(公告)日：2024-11-29
申请号：CN202411043207.7
申请日：2024-07-31
Applicant: 河南大学
IPC: G06Q10/04 , G06Q50/40 , G06N3/0464 , G06N3/049 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/048 , G06F18/23213 , G06F18/25 , G06F18/22 , G06N3/084 , G08G1/01
Abstract: 本发明提出了一种基于动态因果分析和时空自适应融合图学习的交通预测方法，步骤包括：S1：利用传感器进行交通数据样本的特征，并对交通数据样本的特征进行预处理，得到交通特征数据集；S2：对交通网络进行拓扑结构，并对交通预测任务进行定义；S3：基于交通预测任务定义，通过门控扩张时间卷积模块捕获历史交通数据长范围的时间依赖特征；S4：基于交通特征数据集，利用混合图学习模块进行空间特征融合；S5：基于时间与空间特征，利用时空自适应模块捕获节点级的时空自适应趋势，得到STAM模块的输出；S6：通过跳跃连接以将STAM模块的输出连接到输出层生成预测结果。本发明更好地捕捉了交通节点之间的深层时空特征，提高了模型的可解释性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.014 seconds)
