专利交易市场

本发明公开了一种基于金字塔式分段动态图构建与椭球几何约束度量学习的动作识别方法，包括以下步骤：获取人体骨架动作序列，构建初始时空特征；构建具有椭球几何约束的特征空间；采用金字塔式时序分段策略，在网络的不同深度层级上，将时序特征划分为不同粒度的片段，分别为各片段构建局部动态图，并为整个序列构建全局动态图；将生成的动态超图关联矩阵、生成的局部动态图和全局动态图，与预设的静态人体拓扑先验图进行自适应加权融合，得到融合后的动态图结构；对初始时空特征依次进行空间图卷积和多尺度时间卷积，提取深度融合的时空特征；通过分类器映射至目标动作类别，完成动作识别；本发明提升了识别精度与泛化能力。

本发明公开了一种基于跨时空图表征的学习者情感分析方法及装置，方法包括：将输入的若干学习者表情视频帧划分为若干个同等大小且不重叠的子分块，并将子分块进行图结点特征嵌入处理，得到图结点的初始特征；构建每个子分块的跨时空最近邻图结构；将学习者情感跨时空图表征模块的输出情感时空图特征进行分类，预测输入的学习者表情视频帧的情感类别；本发明能够在不使用额外辅助信息的情形下对学习者表情视频帧进行局部区域划分，使得跨时空图卷积网络能够直接处理学习者表情视频帧数据，另外，本发明通过跨时空图构建和具有关联感知的图卷积算子来获取学习者表情不同区域、不同视频帧之间的时空关联图表征，可广泛应用于计算机技术领域。

本发明公开了基于模态异质性弥合与多模态动态图融合的情感分析方法，方法包括：获取不同模态的情感数据，所述不同模态包括视频模态、音频模态和文本模态；基于模态间异质性弥合与多模态动态图融合，构建情感分析模型；根据所述情感分析模型，对待分析数据进行情感分析，得到情感分析结果，本发明的准确性高，可广泛应用于计算机技术领域。

一种基于动态图结构嵌入模型的机电设备故障预测方法，属于机电设备故障预测、知识图谱故障预测领域，首先通过本体构建方法实现机电设备的并行结构信息建模并从结构化数据与非结构化数据中抽取四元组构建机电设备时序知识图谱；其次，学习用于节点分类的信息表示，并为每个相关的节点生成特征向量；然后从向量序列中捕获机电设备运行的时间演化信息；最后输出所需时间段的隐藏状态向量实现机电设备时序知识图谱的预测。本发明的方法专门针对机电设备的异构数据构建时序知识图谱进行推理，实现故障预测。

本发明公开了一种基于动态图嵌入的ASD识别方法，属于计算机应用技术领域。本发明利用滑动窗口和Pearson相关性构建ASD与典型对照被试的动态脑网络，使用动态图嵌入计算动态脑网络的脑区嵌入，基于脑区嵌入对每个被试的所有脑区进行聚类，并根据聚类结果为每个被试构建聚合脑网络，进一步利用独立样本T检验和Cohen’s D在ASD组和典型对照组之间进行组间分析，从而获取具有显著差异的聚合脑网络连接特征，并用于识别ASD。本申请所述的方法能够捕获动态脑网络中脑区之间的动态交互关系，进一步获取ASD与典型对照之间的显著动态脑网络差异，并用于识别ASD。本发明为ASD的识别分析提供了一种新的方法。

本发明公开了一种基于时空图卷积网络的交通流量预测方法及设备，该交通流量预测方法包括：采集道路交通流数据，构建交通拥堵指标矩阵模型；基于采集的道路交通流数据计算道路交通拥堵指数并利用道路交通拥堵指标构建交通流邻接矩阵；对交通流邻接矩阵进行快速时间卷积处理，生成包含时空信息的交通流数据序列；将交通流数据序列输入时空同步图卷积网络模型STSGCN，进一步学习空间拓扑结构，通过堆叠多层时空同步图卷积层深度提取时空特征；将时空特征输入经指数和三角函数优化算法优化的基于波损失函数的随机向量函数链接网络模型Wave‑RVFL中，对交通流进行预测。本发明能够提升交通流预测的精度和效率。

本发明公开了一种基于动态图神经网络的商品推荐方法，其步骤包括：1、获取一个用户的历史行为序列，并按照等时间间隔分割为T个时间步的子序列，构建每个子序列的用户行为交互图；2、通过图注意力网络分别聚合每个时间步上用户行为交互图上节点的信息；3、构建生成对抗网络中的生成器G；4、构建生成对抗网络中的判别器D；5、获得每个物品节点被用户交互的可能性，并对物品进行降序排序，并选取前N个物品推荐给相应用户。本发明能捕获用户行为交互图的随时间的演化过程，从而能增强推荐性能。

1.本外观设计产品的名称：带有智能驾驶仪表动态图形用户界面的显示屏幕面板。 2.本外观设计产品的用途：本外观设计产品用于显示及运行程序。 3.本外观设计产品的设计要点：在于界面中的内容。 4.最能表明设计要点的图片或照片：界面变化状态图1。 5.硬件设备的六视图无设计要点，省略硬件设备的六视图。 6.图形用户界面的用途：该显示屏幕面板用于汽车仪表显示屏、汽车中控显示屏、车载广告屏、手机、电脑、平板电脑，为驾驶系统观测与操控的平台的显示界面。 7.图形用户界面的人机交互方式：车辆启动并语音播放歌曲后显示主视图，当开启导航辅助驾驶后切换至界面变化状态图1，当前车距离小于跟车距离需要调整跟车距离时切换至界面变化状态图2，当与前车距离小于安全距离需要紧急制动时切换至界面变化状态图3，当要驶出匝道时切换至界面变化状态图4，当道路拥堵时切换至界面变化状态图5，当变道时切换至界面变化状态图6，当驶出高精度地图区域，需要接管驾驶时切换至界面变化状态图7，当进入停车场范围时切换至界面变化状态图8，当无空车位时切换至界面变化状态图9，当开启组队模式时切换至状态变化图10。 8.界面变化状态图2中中间区域的箭头图形为跟车距离调整图标。 界面变化状态图4中左侧区域图标分别为导航辅助驾驶开启图标、最高速度图标、最高限速图标、实时速度图标；中间区域中浅粉色车道为目标车道、深粉色路径为导航线、深粉色的长方形为目标车位、绿色箭头为转向灯的方向、右侧区域为播放音乐的名称以及图标，当语音助手欧拉猫出现时此区域模糊。 界面变化状态图5中中间区域红色扇形为为3级警告，橙色扇形为2级警告，白色扇形为1级警告，扇形警告与之方向车辆的距离。 界面变化状态图8中左侧中间区域图标分别为自动泊车图标、最高限速图标、实时速度图标，右侧为欧拉猫语音助手图标。 界面变化状态图10中间区域显示组队车辆模型，右侧区域显示当前组队用户的头像、昵称、队长图标、语音状态、关闭麦克风状态。 视图中灰色色块部分属于内容画面。 上述图标在所有视图中均适用。

本发明提出了一种基于时空图模型的脑电情感识别方法，包括获取脑电情感数据库，并对数据进行预处理，将数据集划分为训练集和测试集；对时长为T的脑电信号进行样本划分，用一个时间长度为M的滑动窗口对脑电信号进行采样，得到T/M个脑电样本；构建基于Bert的图模型网络，对脑电样本各时刻信号的空间特征进行学习分析；构造时间LSTM网络，用LSTM网络分析脑电样本各时刻之间的时间相关性；利用训练集对所构建的时空Bert图模型网络进行训练，优化网络模型，利用测试集对优化模型网络进行测试，统计分类识别。本发明不仅考虑脑电空间信息，还加入时间信息，实现对脑电信号特征的较全面学习，提高识别准确率。

一种基于人体关键点时空图模型的异常行为检测方法，首先对视频集合进行预处理，得到视频序列，然后预处理得到人体关键点坐标。其次，一旦人体关键点坐标被确定，依照人体骨架自然连接，多帧累积之后得到一段时间内人体的关键点时空图模型。然后利用神经网络，通过空间卷积模块和时间卷积模块的交替工作，提取行为特征，描述行为模式。最后使用自动编码器网络，利用其难以对异常数据进行编码再重构的性质，通过对比重构误差，进行异常检测。本方法数据量小，计算成本低，并且训练过程不需要人工标注的数据，大大提高了异常检测的适用性。

一种基于时空图卷积‑生成对抗网络的交通速度预测方法，首先，根据城市路网结构，将路网中的路段作为图的节点，交叉路口作为连接节点的边，构建交通图网络；然后，通过城市路网中的车流速度检测器获取采样收集车流速度数据，构建特征矩阵，接着，通过本发明中构建好的时空图卷积网络(STGCN)作为生成对抗网络的生成器和全连接神经网络作为判别器，对抗生成交通速度数据，通过两者相互博弈训练，共同提升，最终得到一个最佳的交通速度预测模型。利用生成对抗网络最终的生成器生成最接近真实数据的交通状态数据预测值，达到本发明路网状态数据预测的目的。本发明可以实现更准确的交通速度预测。

本发明涉及一种基于时空图表示学习的交通事故预测方法，首先根据传感器网络构建交通路网的邻接矩阵，对原始交通数据进行筛选和统计，得到特定区域的速度、容量和占有率数据构建特征矩阵。然后建立基于ST‑VGAE结构的交通事故预测模型，通过将邻接矩阵和特征矩阵输入ST‑VGAE中，通过时空图卷积模块表征交通状态，并将其输入到一个卷积神经网络中进行交通事故发生概率的预测。最后，使用处理好的数据训练所建立的交通事故预测模型，并调整模型中的参数以获得最优的交通流预测。实验结果验证了模型在交通事故预测任务上的有效性，并为使用时空图表示学习解决事故预测任务提供新的思路和方法。