李建波
- 作品数：40 被引量：177H指数：7
- 供职机构：青岛大学更多>>
- 发文基金：山东省自然科学基金国家自然科学基金国家重点基础研究发展计划更多>>
- 相关领域：自动化与计算机技术文化科学电子电信经济管理更多>>
- 路口行人轨迹预测的方法及装置
- 本申请公开了一种路口行人轨迹预测的方法及装置，本申请方法包括获取预设路口，预设时段内的行人轨迹数据，行人轨迹数据为经纬度位置数据，预设路口为至少两条路的交叉口；对行人轨迹数据按照预设坐标系进行转换以及标准化处理得到行人轨...
- 李建波吕志强李浩然王玥
- 服装生产线异常检测模型的训练方法、异常检测方法
- 本发明公开了一种服装生产线异常检测模型的训练方法、异常检测方法，其中训练方法集成基于词嵌入特征网络、主成分分析和时间卷积网络以及季节性自回归综合移动平均模型，考虑了服装生产线时空数据的多样性和复杂性，提高异常检测的准确性...
- 李建波牛爱文吕志强
- 一种基于历史相遇信息的容迟网络地理路由算法
- 2017年
- 为使消息在容迟网络中更有效地传输,将节点的地理位置、移动方向等地理信息与节点间的历史相遇频繁程度相结合,提出一种新的容迟网络地理路由算法。该算法将移动节点间的历史相遇信息作为分配消息副本的依据,从而减少复制策略路由算法中的副本数量。利用邻居节点移动方向所构成的夹角对中继节点的选择进一步优化,得到较高的投递率以及较低的端到端平均时延。仿真结果表明,当节点移动相对缓慢并且消息生存周期较短时,该算法的消息投递率优于Spray&Wait,Epidemic,Prophet等路由算法,在消息生存周期较短的情况下,当节点的缓存资源为限制路由算法性能的瓶颈因素时,与Epidemic算法相比,网络负载率降低40%,与Prophet算法相比负载降低了25%,有效减少了平均跳数和平均时延。
- 王艳李建波宋有美王夫沭
- 关键词：容迟网络局部信息历史信息
- 基于时空的深度学习模型感知通行时间
- 2023年
- 随着国民经济的快速增长,人们的生活水平日益提高,私家车的数量不断增加,导致城市出现一系列交通拥堵问题和事故。因此,对于城市交通监控、导航、路线规划和乘车共享来说,感知给定城市路径的通行时间至关重要。以前的方法总是感知单个路径的通行时间,然后将它们相加为整个路径的通行时间。我们提出了一个基于时空的深度学习框架来感知整个路径的通行时间。更具体地说,我们使用卷积神经网络来捕获时间和空间依赖性。由于还有一些影响因素(如天气、时间、驾驶员等)影响通行时间,我们添加了一个影响因素模块来预处理数据。大量的实验证明,我们提出的模型显著优于其他已知模型。
- 刘阳李建波楚本嘉马照斌夏丰千
- 交通流量预测方法、电子设备及存储介质
- 本发明提供一种交通流量预测方法、电子设备及存储介质，包括将待预测交通流量区域进行网格划分为多个网格单元；获取所述多个网格单元的相对位置信息以及所述多个网格单元在第一预设时间阈值的第一交通流量信息；根据所述相对位置信息以及...
- 李建波吕志强徐志昊张宏利
- 一种提取社交容迟网络中节点移动模式的算法
- 一种提取社交容迟网络中节点移动模式的算法，社交容迟网络节点的移动模式具有一定的周期性。本算法利用节点收集的移动记录信息，从中提取节点移动模式，其基本思想为：将持有某一条特定消息(或其拷贝)的任意一组节点看成一个整体，(1...
- 李建波姜山
- 文献传递
- 面向高速公路车流量预测的离散数据处理方法及系统
- 本发明实施例公开了一种面向高速公路车流量预测的离散数据处理方法及系统，获取一定数量的历史交通流量数据；构建交通流量预测模型，其中，所述交通流量预测模型包括依次相连的输入层、时空卷积层、离散预测层和输出层；将所述历史交通流...
- 李建波马晓龙吕志强夏丰千
- “通用数据结构”方法教学研究被引量：1
- 2014年
- 针对数据结构课程在传统教学中所存在的问题,提出并阐释"通用数据结构"方法。该方法借鉴计算机网络协议栈层次化体系结构的思想,将所有的数据结构抽象为一个统一的模型;自底向上将数据结构划分为3层,包括卫星数据层、数据组织层、对外接口层。每层独立实现一项基本功能,下层为上层提供接口,上层使用下层的服务。同时辅以代码规范性约束,可帮助学生掌握一个针对众多数据结构及其复杂组合的通用的数据结构的学习及其C语言实现方法。
- 李建波姜山赵志刚云红艳
- 关键词：数据结构C语言
- 一种用户运动轨迹的预测方法、装置、设备及存储介质
- 本申请公开了一种用户运动轨迹的预测方法，包括：利用设置有循环神经网络模块和图卷积网络模块的深度神经网络训练出目标轨迹预测模型；将目标用户的轨迹地点集合输入至目标轨迹预测模型中，得出目标用户的预测运动轨迹。相较于现有技术，...
- 李建波姜山
- 一种城市出行需求预测的时空方法
- 2023年
- 预测城市出行需求对于交通管理、保障公共出行安全和建设智慧城市具有重要意义。然而,由于受区域间交通状况、天气、节假日等诸多复杂因素的影响,城市出行需求数据往往存在高频噪声和复杂的波动模式。本文提出了一种基于深度学习的城市出行需求预测模型(Spatio-Temporal Urban Travel Demand Forecasting Model, STUTDFM)。该模型的架构由外部因素影响组件、时空特征提取组件和数据融合组件组成。外部因素影响组件可以处理城市出行需求影响因素的数据,从而拟合一些局部极值,时空特征提取组件可以捕获城市出行需求数据的空间依赖性和时间依赖性,数据融合组件可以将外部因素影响组件和时空特征提取组件调整到整体预测模型中。对四个真实数据集的实验表明,所提出的城市出行需求预测模型方法优于八种众所周知的方法。
- 楚本嘉李建波李建波刘阳夏丰千
