원래 이름 기록: 广东交通职业技术学院

本发明公开了一种基于信号机的智慧运维可视化方法以及系统，该方法包括以下步骤：采集各路口设备的多维度运行状态数据；根据所述多维度运行状态数据计算每个所述设备的实时健康度指数；将所述多维度运行状态数据输入至目标故障预测模型中，输出故障预测结果；根据所述健康度指数和所述故障预测结果，生成不同等级的告警信息；获取用户的身份信息，根据所述告警信息生成与所述用户的身份信息匹配的第一预设画面；获取用户输入的预设展示指令，基于所述预设展示指令将所述第一预设画面切换至第二预设画面。进而实现对用户提供个性化、多层次的精准可视化视图，以辅助运维决策。

本发明提供了基于多模态超图神经网络的POI推荐方法，包括如下步骤：收集用户数据和POI数据；基于上述数据构建以用户为中心的用户子超图和以POI为中心的POI子超图，并进行超图卷积算法操作，提取用户特征向量和POI特征向量；最后，基于用户特征向量和POI特征向量进行推荐计算，确定最适合的POI推荐结果。本发明采用超图神经网络解决POI推荐问题，捕捉的是现实世界中的POI、用户之间的多对多的多模态关系，因此本发明能够解决POI推荐存在关系建模丢失的问题，有效提高推荐效果。

本发明公开了一种基于极大团聚类的推荐算法，其包括以下步骤：构建关于用户图结构的n个聚类子图；对于用户聚类子图形成的图结构，采用用户和用户间的同质图卷积方式获得用户邻居对用户特征的增强表达，对于用户和物品构成的异质图，采用异质图卷积获取物品对于用户的增强表达，并将两者拼接得到最终的用户向量表达；将物品图结构间进行同质图卷积得到物品的嵌入表达向量；根据最终的用户向量表达和物品的嵌入表达向量计算得到用户对于物品的评分预测。本发明通过将聚类中心扩展为选择一个局部的致密团结构，降低了因为聚类中心选择错误而导致的连带影响，再结合图卷积的方式实现用户特征提取和物品特征提取，从而提升推荐的性能。

本发明公开了一种基于NB‑IoT的低功耗室分天线性能监控方法，包括以下步骤：S1：初始化MCU和NB‑IoT模块及定时器；S2：通过MCU下发指令到各个检测设备，获取采样参数，并对采样结果进行数据处理；S3：将S2中处理完成的数据进行打包，并通过NB‑IoT模块发送至服务器；S4：服务器接收到数据后下达休眠指令，控制NB‑IoT模块进入省电模式，关闭各个检测设备，MCU进入休眠模式；S5：服务器将数据推送到用户端；S6:定时器运行到设定时间后，向MCU发送信号将其唤醒，重复以上步骤。本发明采集室分天线的功率，MCU对数字信号进行筛选和数据处理后，将其上传至服务器，从而实现对室分天线的监控，同时，采用低耗能处理方法，仅通过内部计时器唤醒，大幅降低了能耗。