专利交易市场

本发明公开了一种基于深度学习和机器学习领域的抗病毒肽预测方法，该方法的具体步骤如下：步骤1、获取序列数据，其中所获取的序列数据为待预测的肽序列；步骤2、对待预测的肽序列进行预处理；步骤3、将步骤2中得到的数据进行预测，并输出预测结果。其融合模型选择将神经网络和机器分类相结合，并采取两步走的预测方法，在交叉实验和独立测试集上的评估结果显示，FusedModel相比于其他模型，有着良好的分类结果，为抗病毒肽的识别提供了快速而又准确的方法，方便现代医疗的研究以及治疗。

本发明提出了一种基于梯度提升机的桥梁缆索安全性预测方法，具体步骤如下：（1）开展钢丝腐蚀模拟试验，获取钢丝腐蚀时间—抗拉强度曲线；（2）开展钢丝腐蚀后高温模拟试验，获取不同腐蚀条件下温度—抗拉强度曲线；（3）对缆索单根钢丝和整索的安全性进行计算评估。本发明在桥梁缆索现状研究的基础上，采用腐蚀与高温耦合模拟试验，根据梯度提升机获取桥梁缆索的高温腐蚀耦合变化规律，评估缆索状态。

本发明提供一种基于机器学习的汽车板簧受力值及变形量的测量方法，包括：获取测试板簧于满载垂向载荷及最大纵向载荷；构建测试板簧的数字孪生板簧模型，基于数字孪生板簧模型确定用于张贴应变片的贴片位置；对张贴应变片的测试板簧进行台架测试，以获取待用集；构建初始神经网络模型，对待用集进行归一化处理，通过归一化处理后的待用集训练初始神经网络模型，以获取最终神经网络模型；将应变片张贴至待测板簧的贴片位置，并对安装待测板簧的整车进行道路载荷测试，以获取实际应变值，进而通过最终神经网络模型确定待测板簧的受力值及变形量。以此方法，无需使用传感器，规避了传感器在测量过程中产生的误差，使受力值及变形量更为精确。

本发明公开了一种基于机器学习的城际网约车需求预测方法及系统，包括需求预测模型训练和需求客座数值预测，其中需求预测模型训练包括订单数据获取、天气特征数据获取、特征数据合并及增加、特征数据预处理、特征数据筛选、模型训练和最优模型获取。本发明根据网约车用户的订单数据，统计历史各时段的网约车需求数据以及时段特征，同时额外收集城市的天气数据作为补充，由于网约车需求预测所涉及的因素过于繁杂，所以通过特征选择方法选择强相关特征作为算法输入，并将XGBoost算法作为需求预测的关键算法，通过交叉验证的方法选取并保存最优模型；在实际应用时获取保存的模型及未来时段数据做预测，以对未来各时段的网约车需求进行预测。

本发明公开了一种基于预分类与集成学习的驾驶风格分类方法，包括以下步骤：采集若干样本车辆的实际驾驶数据，对实际驾驶数据进行预处理，并通过预处理后的实际驾驶数据提取特征参数，得到样本数据；采用模糊C均值方法和谱聚类方法对样本数据进行预分类，根据预分类结果获取训练样本；通过训练样本对分类器进行训练，获取训练完成的分类器；将待分类样本数据输入分类器进行分类，采用投票的集成策略获取最终的分类结果。本发明提供了一种基于预分类和集成学习思想的驾驶风格分类方法，有效地通过驾驶员的驾驶数据对驾驶员的驾驶风格进行预测和分类。

本发明涉及混合交通状态下基于机器学习的非网联车状态估计方法，属于智能交通领域。在不同的时刻下，当两个网联车之间存在不同数量的非网联车时，相对驾驶行为会相应变化，并存在一定的关联关系；qt为t时刻下非网联车的数量，ot为t时刻下两辆相邻网联车的相对驾驶行为；明确这两者之间存在的关联关系，通过机器学习的方法隐马尔可夫模型，利用这个关联关系在已知两辆网联车的相对驾驶行为的情况下估计非网联车的数量。本发明将极大提高网联车的感知能力，进一步高效可靠地实现基于网联车的安全应用，也将增强交通状态的估计能力，有利于交通管理和优化，提高交通运行效率。