-
公开(公告)号：CN111582538B
公开(公告)日：2023-07-04
申请号：CN202010220441.8
申请日：2020-03-25
Applicant: 清华大学 , 杭州贝购科技有限公司
Abstract: 本发明实施例提供一种基于图神经网络的社群价值预测方法及系统，该方法包括：获取用户特征信息和用户交互信息；基于用户特征信息和用户交互信息将所有用户划分为不同的社群；将每个社群所包含的原始特征信息输入至预先训练好的社群价值预测模型，获取每个社群相对应的社群价值预测值；其中，每个社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。本发明实施例，通过综合用户固有的特征信息和用户之间交互信息，构建包含多个层次结构特征的社群，并获取每个社群的原始特征信息生成表示向量后，基于多层次的神经网络模型分析，获取到社群价值预测值，有效的提高了预测的精度，减少了人力物力的消耗。
-
公开(公告)号：CN111582538A
公开(公告)日：2020-08-25
申请号：CN202010220441.8
申请日：2020-03-25
Applicant: 清华大学 , 杭州贝购科技有限公司
Abstract: 本发明实施例提供一种基于图神经网络的社群价值预测方法及系统，该方法包括：获取用户特征信息和用户交互信息；基于用户特征信息和用户交互信息将所有用户划分为不同的社群；将每个社群所包含的原始特征信息输入至预先训练好的社群价值预测模型，获取每个社群相对应的社群价值预测值；其中，每个社群所包含的原始特征信息包括组成所述社群的所有用户的用户特征信息和用户交互信息。本发明实施例，通过综合用户固有的特征信息和用户之间交互信息，构建包含多个层次结构特征的社群，并获取每个社群的原始特征信息生成表示向量后，基于多层次的神经网络模型分析，获取到社群价值预测值，有效的提高了预测的精度，减少了人力物力的消耗。
-
公开(公告)号：CN115423695B
公开(公告)日：2024-05-31
申请号：CN202210837267.0
申请日：2022-07-15
Applicant: 清华大学
Abstract: 本发明提供一种用于城市预测任务的街景图像采样方法，其中的方法包括：基于动态调整的采样步长，获取目标区域的街景图像，所述街景图像包含预设数量的语义分布信息；对所述街景图像进行噪声检测，并根据噪声检测结果对所述街景图像进行处理，得到无噪街景图像。该方法结合了采样步长的动态调整，以及图像噪声的检测处理，使得获取的街景图像中不仅包含足够的语义分布信息，且不含噪声，该方法获取的街景图像，能够有效提升城市预测任务的预测性能。
-
公开(公告)号：CN115423695A
公开(公告)日：2022-12-02
申请号：CN202210837267.0
申请日：2022-07-15
Applicant: 清华大学
Abstract: 本发明提供一种用于城市预测任务的街景图像采样方法，其中的方法包括：基于动态调整的采样步长，获取目标区域的街景图像，所述街景图像包含预设数量的语义分布信息；对所述街景图像进行噪声检测，并根据噪声检测结果对所述街景图像进行处理，得到无噪街景图像。该方法结合了采样步长的动态调整，以及图像噪声的检测处理，使得获取的街景图像中不仅包含足够的语义分布信息，且不含噪声，该方法获取的街景图像，能够有效提升城市预测任务的预测性能。
-
公开(公告)号：CN108985089A
公开(公告)日：2018-12-11
申请号：CN201810863459.2
申请日：2018-08-01
Applicant: 清华大学
Abstract: 本发明实施例提供一种互联网数据共享系统，包括：智能合约模块和访问控制模块；智能合约模块用于接收第一用户端发送的数据共享请求，数据共享请求中携带有第一用户端的身份信息及目标数据信息，并将身份信息及目标数据信息发送至访问控制模块；访问控制模块用于根据身份信息及目标数据信息确认第一用户端是否有查看目标数据的权限，若有则向目标数据的所有者信息对应的第二用户端发送数据授权请求；若确认第二用户端授权，则根据数据共享请求的类型对目标数据进行相应处理。本发明实施例中第二用户端预先存储的数据在没有得到第二用户端授权的情况下，不会共享给其他用户端，使用户对个人数据能够进行充分的掌控，避免个人数据泄漏。
-
Patent Agency Ranking
公开(公告)号：CN113378658B
公开(公告)日：2025-03-18
申请号：CN202110565614.4
申请日：2021-05-24
Applicant: 上海商汤智能科技有限公司 , 清华大学
IPC: G06V20/58 , G06V10/762 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本公开涉及计算机技术领域，具体提供了一种车辆数据聚类方法以及车辆轨迹还原方法。车辆数据聚类方法包括：获取根据车辆数据聚类处理得到的至少两个聚类结果，以及与每一所述聚类结果对应的还原轨迹信息；对于所述至少两个聚类结果中的任一目标聚类结果，基于所述目标聚类结果与其他聚类结果之间的相似度，从所述其他聚类结果中确定候选聚类集；其中，所述其他聚类结果是所述至少两个聚类结果中除目标聚类结果之外的聚类结果；基于所述候选聚类集中的每一个候选聚类结果的还原轨迹信息，与所述目标聚类结果的还原轨迹信息的相似度，更新所述目标聚类结果。本公开方法提高车辆数据的聚类准确性。
-
公开(公告)号：CN118839585A
公开(公告)日：2024-10-25
申请号：CN202410213710.6
申请日：2024-02-27
Applicant: 清华大学
Abstract: 本发明提供一种基于建模碰撞行为的人群模拟方法和装置，包括：获取预先配置的人群模拟初始参数；所述人群模拟初始参数包括行人初始位置、行人初始速度、目的地坐标和障碍物点坐标；将所述人群模拟初始参数输入至预先构建的人群模拟模型中，预测得到行人下一时刻位置，进而得到目标避障行人轨迹；其中，所述人群模拟模型是使用强化学习基于深度神经网络利用真实行人轨迹数据集和预先构建的总成本消耗评价指标训练得到的。本发明使用深度强化学习方法，在真实行人轨迹数据集的基础上，根据总成本消耗评价指标训练人群模拟模型，实现了有真实避障行为的人群模拟。
-
公开(公告)号：CN113610552B
公开(公告)日：2024-07-19
申请号：CN202110713356.X
申请日：2021-06-25
Applicant: 清华大学
IPC: G06Q30/0202 , G06Q30/0201 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06N5/045
Abstract: 本发明提供一种用户流失预测方法及装置。该方法包括：获取待预测用户的关联关系数据、历史交互数据及个人目标数据；将关联关系数据、历史交互数据及个人目标数据输入到用户流失预测模型中，得到用户流失预测模型输出的未来目标时间段对应的用户流失预测结果；用户流失预测模型是基于样本用户数据、样本用户数据对应的用户流失预测结果及标签用户流失数据训练得到的；用户流失预测模型包含用于提取用户自身流失倾向表征向量的残差深度交叉网络子模型、用于提取用户社交影响表征向量的图神经网络子模型及用于生成反事实数据的反事实数据预测子模型。采用本发明方法，基于反事实推理建模架构引入用户间相互关系因素，提高了用户流失预测的准确度。
-
公开(公告)号：CN115907074A
公开(公告)日：2023-04-04
申请号：CN202211177397.2
申请日：2022-09-26
Applicant: 清华大学
IPC: G06Q10/04 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种平台用户流失的预测方法、装置、电子设备及介质，其中方法包括：基于平台历史信息获取用户信息；基于N个预先设置的因果先验信息，分别对用户信息中的原因变量进行标记，得到N个干预变量与混淆变量的组合；将N个干预变量与混淆变量的组合分别输入至因果信息学习模型，获得N个因果信息学习模型的输出结果，作为N个干预变量与混淆变量的组合对应的目标表征向量；基于N个干预变量与混淆变量的组合对应的目标表征向量，获得平台用户流失的预测结果。本发明实施例可以避免由于利用相关性信息中的伪因果信息或其他干扰信息进行预测而影响预测精度，可以有效提高对平台用户流失的预测精度。
-
公开(公告)号：CN113610552A
公开(公告)日：2021-11-05
申请号：CN202110713356.X
申请日：2021-06-25
Applicant: 清华大学
Abstract: 本发明提供一种用户流失预测方法及装置。该方法包括：获取待预测用户的关联关系数据、历史交互数据及个人目标数据；将关联关系数据、历史交互数据及个人目标数据输入到用户流失预测模型中，得到用户流失预测模型输出的未来目标时间段对应的用户流失预测结果；用户流失预测模型是基于样本用户数据、样本用户数据对应的用户流失预测结果及标签用户流失数据训练得到的；用户流失预测模型包含用于提取用户自身流失倾向表征向量的残差深度交叉网络子模型、用于提取用户社交影响表征向量的图神经网络子模型及用于生成反事实数据的反事实数据预测子模型。采用本发明方法，基于反事实推理建模架构引入用户间相互关系因素，提高了用户流失预测的准确度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.027 seconds)
