CN109241227A - 基于stacking集成学习算法的时空数据预测建模方法 - Google Patents
基于stacking集成学习算法的时空数据预测建模方法 Download PDFInfo
- Publication number
- CN109241227A CN109241227A CN201811017912.4A CN201811017912A CN109241227A CN 109241227 A CN109241227 A CN 109241227A CN 201811017912 A CN201811017912 A CN 201811017912A CN 109241227 A CN109241227 A CN 109241227A
- Authority
- CN
- China
- Prior art keywords
- data
- space
- time
- model
- stacking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能够提高时空数据建模效率且能够提升整体模型训练效果的基于stacking集成学习算法的时空数据预测建模方法。该建模方法是在海量数据的基础上,采用stacking集成学习的方法实现“数据驱动”的时空数据预测建模,避免了以往繁琐的时空数据统计建模过程,提升了时空数据建模的效率;本发明的stacking时空数据建模技术兼顾处理时间、空间特征,动态、静态特征的特性,并且通过stacking的方法实现了特征的二次加工生成,将提升整体模型的训练效果;本发明的stacking时空预测建模技术,采用包括决策树、GBDT、随机森林等作为base模型,相对于深度网络模型具有:所需样本数据更少、时间复杂度更低、模型结果非“黑箱”等优点。适合在数据处理技术领域推广应用。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种基于stacking集成学习算法的时空数据预测建模方法。
背景技术
时空数据是同时具有时间和空间维度的数据,现实世界中的数据超过80%与地理位置有关。随着世界变得仪器化和相互联系,时空数据比以往任何时候都更加普遍和丰富,而通过时空数据预测技术获取时空数据中的复杂模式对时空数据研究应用来说也变得更加重要且紧迫。
由GPS设备记录的移动物体(如出租车)轨迹,具有位置标记和时间戳的社交事件(如微博,犯罪)和环境监测是典型的时空数据。这些新兴的时空数据也给数据分析研究带来了新的挑战和机遇。一方面,数据在空间上存在异质性及自相关性,需要处理空间异质性和空间关系(例如拓扑关系,方向关系等)。另一方面,时空数据在时间上是动态的,需要对时空自相关和约束进行显式或隐式建模以实现良好的预测性能。
时空序列数据是一种非常重要的时空数据。研究中通常将时空序列数据看作是在空间有相关关系的时间序列集合进行研究,产生了大量的方法。包括:时空自回归移动平均模型(Spatio-Temporal AutoreGressive And Moving Average,STARMA),到时空动力学方法、时空回归统计学方法,再到混合模型、深度学习模型等。
STARMA技术通过采用时空延迟算子表达时空数据受到时间和空间共同影响的线性机理,实现了对时间序列ARMA模型在时空数据的改进,是第一种时空一体的建模技术,在经济、气候、交通、价格预测等多个领域有成功的应用。STARMA要求序列数据具有平稳性,并且建模过程通常包括模型识别、参数估计、模型检验三个步骤,建模过程较为繁琐复杂。
非平稳时空序列混合(Hybrid)建模技术是一种针对非平稳时空序列进行建模的方法。其核心思想是回归或神经网络等技术对时空数据的大尺度时空规律进行提取,再通过STARMA等对时空的小尺度变异进行建模。另外,分层贝叶斯(Hierarchical BayesModel)、状态空间模型、卡尔曼滤波等方法也被广泛应用于非平稳时空序列预测建模。这些建模技术部分依赖于对机理的认识、建模过程仍然较为复杂。
近年来,深度学习技术快速发展,时空数据预测领域的深度学习模型也得以提出,包括ConvLSTM、DeepST等模型。这些技术的发展使得某些领域(如气象降雨)时空数据预测的性能得到较大提升。但深度学习通常依赖于大规模的可用数据,在气象、交通等领域具有较大的前景。但深度网络往往是“黑箱”、且建模时间、空间复杂度较大,并且需要海量的训练样本,对时空数据中的不确定性表达能力弱。
发明内容
本发明所要解决的技术问题是提供一种能够提高时空数据建模效率且能够提升整体模型训练效果的基于stacking集成学习算法的时空数据预测建模方法。
本发明解决其技术问题所采用的技术方案为:该基于stacking集成学习算法的时空数据预测建模方法包括以下步骤:
A、针对时空数据预测任务的需要,提取一段历史时间内的时空源数据;
B、对提取的时空源数据进行时空数据处理得到时间、空间或时空维度上的动态特征数据集;
C、设置时间分割点T0,将步骤B得到的动态特征数据集分为第一层数据集Data1和第二层数据集Data2,第一层数据集Data1和第二层数据集Data2的分割标准为:若动态特征数据集中的数据所对应的时间小于时间分割点T0,则将该数据划分至第一层数据集Data1中,动态特征数据集中的数据所对应的时间大于时间分割点T0,则将该数据划分至第二层数据集Data2中;
D、将第一层数据集中的数据随机拆分成n份,得到数据集{data11,data12,…,data1n};
E、将数据集数据集{data11,data12,…,data1n}中的每个子集data1i(i∈[1,n])为训练样本,进行base模型的训练,得到base模型集合{basem1,basem2,…,basemn};
F、利用c预测第二层数据集Data2的结果{pred1,pred2,…,predn};
G、将第二层数据集Data2的静态空间特征、base模型的预测结果{pred1,pred2,…,predn}融合成高阶特征数据集NewData2;
H、在NewData2数据集上训练stacking模型,得到stackm模型;
I、将训练好的第一层{basem1,basem2,…,basemn}和第二层模型stackm组成整体模型结构得到时空数据预测模型。
进一步的是,在步骤B中,所述时空数据处理包括数据异常识别、时空数据融合、时空动态特征数据生成三个基本数据处理过程。
进一步的是,在步骤C中,所述第一层数据集Data1的数据量和第二层数据集Data2的数据量之比为7:3或6:4。
进一步的是,在步骤E中,每个base模型的训练包括参数寻优、模型训练以及数据预测。
进一步的是,所述base模型中的参数寻优算法采用随机搜索算法或贝叶斯搜索算法。
进一步的是,所述base模型中的模型训练算法采用决策树或随机森林或GBDT。
进一步的是,在步骤H中,所述stacking模型的训练包括参数寻优、学习训练以及数据预测。
进一步的是,所述stacking模型中的参数寻优算法采用随机搜索算法或贝叶斯搜索算法。
进一步的是,所述stacking模型中的学习训练算法在分类任务中选择logistic回归作为学习算法,在回归任务中采用线性回归作为学习算法。
本发明的有益效果:该基于stacking集成学习算法的时空数据预测建模方法是在海量数据的基础上,采用stacking集成学习的方法实现“数据驱动”的时空数据预测建模,避免了以往繁琐的时空数据统计建模过程,提升了时空数据建模的效率;本发明的stacking时空数据建模技术兼顾处理时间、空间特征,动态、静态特征的特性,并且通过stacking的方法实现了特征的二次加工生成,将提升整体模型的训练效果;本发明的stacking时空预测建模技术,采用包括决策树、GBDT、随机森林等作为base模型,相对于深度网络模型具有:所需样本数据更少、时间复杂度更低、模型结果非“黑箱”等优点。
具体实施方式
该基于stacking集成学习算法的时空数据预测建模方法,包括以下步骤:
A、针对时空数据预测任务的需要,提取一段历史时间内的时空源数据;如某像元最近10天的最高温度、某像元最近10天降雨总量、最近10天某像元周边1公里范围内最高温度等;
B、对提取的时空源数据进行时空数据处理得到时间、空间或时空维度上的动态特征数据集;
C、设置时间分割点T0,将步骤B得到的动态特征数据集分为第一层数据集Data1和第二层数据集Data2,第一层数据集Data1和第二层数据集Data2的分割标准为:若动态特征数据集中的数据所对应的时间小于时间分割点T0,则将该数据划分至第一层数据集Data1中,动态特征数据集中的数据所对应的时间大于时间分割点T0,则将该数据划分至第二层数据集Data2中;
D、将第一层数据集中的数据随机拆分成n份,得到数据集{data11,data12,…,data1n};
E、将数据集数据集{data11,data12,…,data1n}中的每个子集data1i(i∈[1,n])为训练样本,进行base模型的训练,得到base模型集合{basem1,basem2,…,basemn};
F、利用c预测第二层数据集Data2的结果{pred1,pred2,…,predn};分类任务为预测概率值,回归任务则为预测值;
G、将第二层数据集Data2的静态空间特征、base模型的预测结果{pred1,pred2,…,predn}融合成高阶特征数据集NewData2;
H、在NewData2数据集上训练stacking模型,得到stackm模型;
I、将训练好的第一层{basem1,basem2,…,basemn}和第二层模型stackm组成整体模型结构得到时空数据预测模型。
该时空数据预测模型是在海量数据的基础上,采用stacking集成学习的方法实现“数据驱动”的时空数据预测建模,避免了以往繁琐的时空数据统计建模过程,提升了时空数据建模的效率;本发明的stacking时空数据建模技术兼顾处理时间、空间特征,动态、静态特征的特性,并且通过stacking的方法实现了特征的二次加工生成,将提升整体模型的训练效果;本发明的stacking时空预测建模技术,采用包括决策树、GBDT、随机森林等作为base模型,相对于深度网络模型具有:所需样本数据更少、时间复杂度更低、模型结果非“黑箱”等优点。
为了使最终建立的预测模型预测更加准确,在步骤B中,所述时空数据处理包括数据异常识别、时空数据融合、时空动态特征数据生成三个基本数据处理过程。在步骤C中,所述第一层数据集Data1的数据量和第二层数据集Data2的数据量之比为7:3或6:4。
另外,在步骤E中,每个base模型的训练包括参数寻优、模型训练以及数据预测。
模型的优化算法主要是在训练过程中提供参数搜索和选择,因时空数据的海量、高维特征。所述base模型中的参数寻优算法采用随机搜索算法和贝叶斯搜索算法进行模型参数搜索优化。
鉴于时空数据本身的具有的复杂性、不确定性,base模型层采用的算法应该具备较快的效率、非线性的表达能力。所述base模型中的模型训练算法采用决策树、随机森林、GBDT等。
再者,在步骤H中,所述stacking模型的训练包括参数寻优、学习训练以及数据预测。
模型的优化算法主要是在训练过程中提供参数搜索和选择,因时空数据的海量、高维特征。所述stacking模型中的参数寻优算法采用随机搜索算法和贝叶斯搜索算法进行模型参数搜索优化。
根据学习任务选择不同的算法,所述stacking模型中的学习训练算法在分类任务中选择logistic回归作为学习算法,在回归任务中采用线性回归作为学习算法。
Claims (9)
1.基于stacking集成学习算法的时空数据预测建模方法,其特征在于包括以下步骤:
A、针对时空数据预测任务的需要,提取一段历史时间内的时空源数据;
B、对提取的时空源数据进行时空数据处理得到时间、空间或时空维度上的动态特征数据集;
C、设置时间分割点T0,将步骤B得到的动态特征数据集分为第一层数据集Data1和第二层数据集Data2,第一层数据集Data1和第二层数据集Data2的分割标准为:若动态特征数据集中的数据所对应的时间小于时间分割点T0,则将该数据划分至第一层数据集Data1中,动态特征数据集中的数据所对应的时间大于时间分割点T0,则将该数据划分至第二层数据集Data2中;
D、将第一层数据集中的数据随机拆分成n份,得到数据集{data11,data12,…,data1n};
E、将数据集数据集{data11,data12,…,data1n}中的每个子集data1i(i∈[1,n])为训练样本,进行base模型的训练,得到base模型集合{basem1,basem2,…,basemn};
F、利用c预测第二层数据集Data2的结果{pred1,pred2,…,predn};
G、将第二层数据集Data2的静态空间特征、base模型的预测结果{pred1,pred2,…,predn}融合成高阶特征数据集NewData2;
H、在NewData2数据集上训练stacking模型,得到stackm模型;
I、将训练好的第一层{basem1,basem2,…,basemn}和第二层模型stackm组成整体模型结构得到时空数据预测模型。
2.如权利要求1所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:在步骤B中,所述时空数据处理包括数据异常识别、时空数据融合、时空动态特征数据生成三个基本数据处理过程。
3.如权利要求2所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:在步骤C中,所述第一层数据集Data1的数据量和第二层数据集Data2的数据量之比为7:3或6:4。
4.如权利要求3所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:在步骤E中,每个base模型的训练包括参数寻优、模型训练以及数据预测。
5.如权利要求4所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:所述base模型中的参数寻优算法采用随机搜索算法或贝叶斯搜索算法。
6.如权利要求5所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:所述base模型中的模型训练算法采用决策树或随机森林或GBDT。
7.如权利要求6所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:在步骤H中,所述stacking模型的训练包括参数寻优、学习训练以及数据预测。
8.如权利要求7所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:所述stacking模型中的参数寻优算法采用随机搜索算法或贝叶斯搜索算法。。
9.如权利要求8所述的基于stacking集成学习算法的时空数据预测建模方法,其特征在于:所述stacking模型中的学习训练算法在分类任务中选择logistic回归作为学习算法,在回归任务中采用线性回归作为学习算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017912.4A CN109241227B (zh) | 2018-09-03 | 2018-09-03 | 基于stacking集成学习算法的时空数据预测建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017912.4A CN109241227B (zh) | 2018-09-03 | 2018-09-03 | 基于stacking集成学习算法的时空数据预测建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241227A true CN109241227A (zh) | 2019-01-18 |
CN109241227B CN109241227B (zh) | 2023-05-30 |
Family
ID=65059982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017912.4A Active CN109241227B (zh) | 2018-09-03 | 2018-09-03 | 基于stacking集成学习算法的时空数据预测建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241227B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
CN110347760A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN111475744A (zh) * | 2020-04-03 | 2020-07-31 | 南京理工大学紫金学院 | 一种基于集成学习的个性化位置推荐方法 |
CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
CN112985574A (zh) * | 2021-02-26 | 2021-06-18 | 电子科技大学 | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 |
CN113722288A (zh) * | 2021-07-27 | 2021-11-30 | 张博 | 一种时空数据统计的建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
CN107507038A (zh) * | 2017-09-01 | 2017-12-22 | 美林数据技术股份有限公司 | 一种基于stacking和bagging算法的电费敏感用户分析方法 |
CN108090607A (zh) * | 2017-12-13 | 2018-05-29 | 中山大学 | 一种基于多模型堆栈融合的社交媒体用户人口属性预测方法 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
-
2018
- 2018-09-03 CN CN201811017912.4A patent/CN109241227B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257921A (zh) * | 2013-04-16 | 2013-08-21 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测系统及其方法 |
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
CN107507038A (zh) * | 2017-09-01 | 2017-12-22 | 美林数据技术股份有限公司 | 一种基于stacking和bagging算法的电费敏感用户分析方法 |
CN108090607A (zh) * | 2017-12-13 | 2018-05-29 | 中山大学 | 一种基于多模型堆栈融合的社交媒体用户人口属性预测方法 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347760A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN110347760B (zh) * | 2019-05-30 | 2021-07-09 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN110245609A (zh) * | 2019-06-13 | 2019-09-17 | 深圳力维智联技术有限公司 | 行人轨迹生成方法、装置及可读存储介质 |
CN111475744A (zh) * | 2020-04-03 | 2020-07-31 | 南京理工大学紫金学院 | 一种基于集成学习的个性化位置推荐方法 |
CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
CN112756759B (zh) * | 2021-01-11 | 2022-04-08 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
CN112985574A (zh) * | 2021-02-26 | 2021-06-18 | 电子科技大学 | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 |
CN113722288A (zh) * | 2021-07-27 | 2021-11-30 | 张博 | 一种时空数据统计的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109241227B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241227A (zh) | 基于stacking集成学习算法的时空数据预测建模方法 | |
Kang et al. | Air quality prediction: Big data and machine learning approaches | |
Okawa et al. | Deep mixture point processes: Spatio-temporal event prediction with rich contextual information | |
CN105843942B (zh) | 一种基于大数据技术的城市防汛决策支持方法 | |
CN113157800B (zh) | 实时发现空中动态目标识别方法 | |
CN110428231A (zh) | 行政信息推荐方法、装置、设备及可读存储介质 | |
CN107798425A (zh) | 一种基于大数据的时空混淆暴露度评估系统及方法 | |
CN109145175A (zh) | 基于stacking集成学习算法的时空数据预测方法 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN105184326A (zh) | 基于图数据的主动学习多标签社交网络数据分析方法 | |
Rosés et al. | Agent-Based Simulation of Offender Mobility: Integrating Activity Nodes from Location-Based Social Networks. | |
Zhao et al. | Near-surface PM2. 5 prediction combining the complex network characterization and graph convolution neural network | |
CN111242352A (zh) | 基于车辆轨迹的停等聚集效应预测方法 | |
de Freitas et al. | Using deep learning for trajectory classification | |
Sulhi | Data mining technology used in an Internet of Things-based decision support system for information processing intelligent manufacturing | |
Li et al. | A sequence and network embedding method for bus arrival time prediction using GPS trajectory data only | |
Chen et al. | Short‐Term Traffic Flow Prediction with Recurrent Mixture Density Network | |
Yang et al. | Predicting and optimizing city-scale road traffic dynamics using trajectories of individual vehicles | |
CN106600053B (zh) | 一种基于时空轨迹和社会网络的用户属性预测系统 | |
CN118133084A (zh) | 基于分层图卷积网络的无监测站区域空气质量预测方法和装置 | |
CN117332033B (zh) | 一种时空轨迹生成方法、装置、计算机设备及存储介质 | |
CN112749209B (zh) | 面向时空数据的移动行为图谱构建方法 | |
Li et al. | An Overview and General Framework for Spatiotemporal Modeling and Applications in Transportation and Public Health | |
JP6877677B2 (ja) | 時空間データマイニング装置 | |
He et al. | DGFormer: An Effective Dynamic Graph Transformer Based Anomaly Detection Model for IoT Time Series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230113 Address after: 610000 1, 3, 1, 366 north section of lakeside road, Tianfu New District, Chengdu, Sichuan Applicant after: Chengdu Cap Data Service Co.,Ltd. Address before: Room 503, 5th floor, unit 1, building 12, 333 Taihe 2nd Street, high tech Zone, Chengdu, Sichuan 610041 Applicant before: SICHUAN JIALIAN ZHONGHE ENTERPRISE MANAGEMENT CONSULTATION Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |