公开(公告)号：CN114565149A

公开(公告)日：2022-05-31

申请号：CN202210169309.8

申请日：2022-02-23

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  邓磊 ,  秦振宇

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明时间序列预测技术领域，具体涉及一种基于CGA融合模型的时间序列数据预测方法、装置及计算机设备；该方法包括：获取历史目标数据，对历史目标数据进行预处理，得到预处理后的历史目标数据；将预处理后的历史目标数据输入到构建好的CGA融合模型中，得到目标数据的时序预测结果，根据时序预测结果对未来的交通流量进行控制；本发明结合堆叠式和并行式融合了多通道多尺度卷积神经网络和门控循环单元网络，并且以残差的方式结合多通道多尺度卷积神经网络、门控循环单元网络和自回归模型，降低了模型的训练难度，并且避免了卷积结构和GRU结构导致的原始信息丢失，从而进一步提高预测精度。

公开(公告)号：CN118695283A

公开(公告)日：2024-09-24

申请号：CN202410734015.4

申请日：2024-06-07

Applicant: 重庆邮电大学

Inventor： 裴二荣 ,  邓磊 ,  孙远欣 ,  黎伟

IPC: H04W24/06 ,  H04W56/00 ,  H04B17/391

Abstract: 本发明属于无线通信中的信道认知领域，涉及一种基于同步码的信道场景识别方法及系统。方法包括：采集无线接收机中的基带信号，捕获同步码作为信道场景的观测样本；对同步码进行长周期的间隔性捕获，并在每次捕获后计算观测样本均值，保存为信道数据样本；将每次捕获并计算得到的信道数据样本输入到预先训练并优化好的深度学习网络模型中，根据模型的输出结果更新信道场景识别结果。方法优势在于：通过对同步码的长周期间隔捕获和分析，实现更高效的信道场景识别，并简化系统的实现难度；创造性地将信道特征识别问题转换为接收信号识别问题，消除传统方法中复杂的人工特征提取步骤，结合深度学习技术，智能地学习更为精确且抽象的信道特征表示，提高信道场景识别的准确性和效率；无需对发射端做任何修改，灵活适用于各种现有无线通信系统，增强信道场景识别方法的实用性和适应性。识别结果可以用于各种后续处理，如动态调整通信参数和优化传输策略，从而提升通信系统的整体性能和环境适应性。

公开(公告)号：CN114565149B

公开(公告)日：2024-12-20

申请号：CN202210169309.8

申请日：2022-02-23

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  邓磊 ,  秦振宇

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明时间序列预测技术领域，具体涉及一种基于CGA融合模型的时间序列数据预测方法、装置及计算机设备；该方法包括：获取历史目标数据，对历史目标数据进行预处理，得到预处理后的历史目标数据；将预处理后的历史目标数据输入到构建好的CGA融合模型中，得到目标数据的时序预测结果，根据时序预测结果对未来的交通流量进行控制；本发明结合堆叠式和并行式融合了多通道多尺度卷积神经网络和门控循环单元网络，并且以残差的方式结合多通道多尺度卷积神经网络、门控循环单元网络和自回归模型，降低了模型的训练难度，并且避免了卷积结构和GRU结构导致的原始信息丢失，从而进一步提高预测精度。

公开(公告)号：CN114548591A

公开(公告)日：2022-05-27

申请号：CN202210198023.2

申请日：2022-03-01

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  程旭 ,  邓磊

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06N3/00

Abstract: 本发明属于机器学习领域，具体涉及一种基于混合深度学习模型和Stacking的时序数据预测方法及系统，该方法包括：获取待预测的时序数据，对时序数据进行预处理；构建混合深度学习模型，采用自适应惯性权重粒子群算法对混合深度学习模型的超参数进行寻优；将预处理后的时序数据输入到训练好的混合深度学习模型中，得到时序数据的依赖关系；采用Stacking分层模型对时序数据的依赖关系进行修正，得到修正后的时序数据预测结果；根据时序数据预测结果客户执行对应的操作；本发明通过双向门循环长短期记忆网络，堆叠双向长短期记忆网络和双向门循环单元来挖掘时序数据依赖关系以丰富模型的表现形式，得到最终时序数据的预测结果。