专利交易市场

一种基于图卷积神经网络的跨模态检索方法，包括网络构建、数据集预处理、网络训练和检索与精度测试四个过程。利用图卷积神经网络分别学习图像模态和文本模态中的语义表征，可以帮助处理各模态特征之间的潜在联系，其将第三模态的关联数据引入跨模态检索方法中，以缩小模态间的语义鸿沟，可以显著提高跨模态检索的精确度与稳定性，从而实现准确的跨模态检索。

一种基于多模态动态图卷积神经网络的抑郁症图像分类方法，属于医学图像处理与人工智能领域，利用滑动时间窗口法将功能磁共振数据预处理后的时间序列划分为多个时间窗口，构建每个窗口的功能连接矩阵，利用多个空间注意对比网络捕捉跨时间窗口的时间信息，得到高阶动态功能脑网络；利用跨模态图神经网络和跨模态知识蒸馏实现模态间的互补信息传递以及模态融合。本发明可以充分利用多模态脑网络的动态高阶信息实现抑郁症的有效分类。

一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，首先将车道作为节点，根据交通邻接矩阵得到具有相互连接的节点，将有连接节点的相关性从高到低进行排序，然后找到每个目标节点的邻域节点，将目标节点及其邻域节点的交通流状态数据构建高阶邻域交通状态矩阵作为CNN的输入，最后得到被预测车道的交通流状态预测结果。本发明充分挖掘了交通流状态时间和空间的相关性，既提高了准确性也增强了随机结果的抗干扰性。

本发明涉及短时交通流控制领域，具体涉及一种基于图卷积循环神经网络的短时交通流控制方法；该方法包括：获取数据源；构建图结构交通流量序列；根据图结构交通流量序列在时间维的多级别性构建时空图卷积循环网络的近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；融合3个模型的结果，得到短时交通流量预测模型；根据这个模型得到预测结果；统计预测数据，将统计的结果发送给交通部门，控制该路网各卡口车流量；本发明利用时空图卷积循环神经网络同时建模交通流近期、日周期和周周期依赖性，建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型，从而达到精准的预测结果。