专利交易市场

一种基于图卷积网络的道路服务水平预测方法，包括以下步骤：1)交通流数据的获取与处理，将设备采集到数据进行异常值剔除以及缺省值的补足；2)路网的建立，从路段之间的相关性以及路段之间的相似性两方面建立路网拓扑图；3)通过最小二乘法对流量、密度数据拟合，得到道路最大通行流量值；4)交通流预测，将历史流量、速度数据输入神经网络模型，得到预测的流量、速度数据；5)道路服务水平预测，根据上一步预测的数据，计算得到预测时刻的道路密度和饱和率，结合密度和饱和率，通过映射函数得到道路服务水平的得分。本发明结合人工智能方法，对道路未来的交通状况进行预测，极大地提高现有道路服务水平。

本发明公开提出了一种创新的多分支特征融合自适应图卷积网络，旨在突破传统动作识别技术在高维度复杂运动分析中的局限。该方法融合了自适应图卷积网络AGCN和时间通道聚合图卷积网络TCA‑GCN，构建了一个高效的多分支特征融合框架。并以Transformer为核心组件，进一步优化了异质特征的整合，显著提升了特征的互补性和表达能力。通过将视觉骨架数据转化为图结构，本发明充分利用了人体骨架图像的固有特性，实现了对骨架运动高阶特征的精确提取与整合。开发了一种多分支融合策略，将AGCN的动态更新能力与TCA‑GCN在时间通道特征提取上的优势相结合，在公共基准数据集上的实验验证表明，显著提高了对运动中关键骨骼节点的识别精度。

本发明公开了一种基于图卷积网络和群体关系建模的群体行为识别方法，对个体不同局部位置的传感器采集的连续传感器数据通过滑动窗口对连续的传感器数据进行分割，对于每个个体，将个体局部位置传感器数据输入到卷积神经网络和双向长短期记忆网络得到个体行为特征，通过计算得到个体行为相关性和个体位置相关性，构建个体关系图，输入到图卷积网络对群体行为进行识别。本发明充分挖掘传感器数据群体中个体行为以及个体之间的交互关系特征，进行群体特征级的表征，提高了群体行为识别准确率和鲁棒性。

本发明公开了一种基于GCN的重大事件趋势预测方法。本发明从关系型数据库获取结构化事件信息数据，构建事件语义关联图，选择时间片粒度分割出局部图；基于GCN的趋势预测模型模型输入为多个局部事件语义关联图的节点向量和邻接矩阵，输出为趋势等级。该方法增强了对文本的语义理解，预测精度优于基于专家知识构建特征的方法。本发明方法具有时效性高、普适性强等优点，在重大事件趋势等级预测上具有广阔的应用前景。

本发明公开了一种基于图卷积网络的点云压缩方法，涉及点云压缩技术领域，包括：编码器接收原始点云，利用最远点采样实现全局均匀采样，利用图卷积网络实现局部密度采样，按比例选择全局均匀采样后的点云和局部密度采样后的点云，获得下采样后的点云，再使用边缘卷积、点变压器和注意力机制分别进行动态特征学习和融合获得融合特征；熵瓶颈层对下采样后的点云和融合特征进行压缩‑解压缩获得重建点云和重建特征；解码器基于SGFN和DenseGCN对重建点云和重建特征进行特征提取，提取到的特征通过上采样和坐标重建获得重建后的点云。本发明能够在保证相同视觉质量的前提下显著降低比特率开销，提高压缩效率。

该发明属于计算机视觉及深度学习领域，针对当前基于视图的深度学习方法不能捕获三维模型全面的空间信息的缺点，基于非局部图卷积网络的多视图三维模型检索方法挖掘融合多视图的高响应特征，从而得到单一紧凑的高辨别性模型描述符。其优越性能在三维模型检索中得到验证。该发明具体包含以下步骤：（1）获取模型的多视角图像，（2）多视角图像预处理，（3）设计非局部图卷积网络，（4）非局部图卷积网络训练，（5）提取模型深度特征，（6）三维模型的检索匹配。