融合异构交通态势的事故预测模型

针对事故数据信息表达有限、数据不平衡以及数据中存在动态时空特性的问题,提出一种融合异构交通态势的事故预测模型。其中：时空状态聚合模块通过代表动态交通态势的交通事件和天气特征完成语义增强,并聚合四种区域（单一区域、邻近区域、相似区域和全局区域）的历史多时段时空状态;时空关系捕获模块从微观和宏观角度捕获事故数据局部与全局的动态时空特性;时空数据融合模块进一步融合多区域、多角度的时空状态,并完成下一时段的事故状况预测任务。在US-Accident的5个城市数据集上进行实验,结果表明所提模型的正样本、负样本、加权正负样本的平均F1分数分别为85.6%、86.4%和86.6%,与传统的前馈神经网络（FNN）模型相比,在三个指标上分别提升了14.4%、5.6%和9.3%,能有效抑制事故数据不平衡对实验结果的影响。构建高效的事故预测模型有助于分析道路交通安全形势,减少交通事故的发生,提高交通安全。     

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络（GCN）提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元（GLU）实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。     

城市交通事故的局部相关性可视分析方法

交通事故数据蕴含有交通事故规律,如交通事故与天气、时间、道路等因素的关 联规律,值得深入挖掘。虽然天气、时间、道路等因素对交通事故均有影响,但对不同区域交 通事故的影响不尽相同,即具有局部相关性。挖掘局部相关性能更好地揭示这些因素与交通事 故之间的相关性。为此提出一套分析挖掘交通事故数据中所蕴含的局部相关性的方法。首先基 于交通事故数据提取事故多发路段,每个事故多发路段包含有位置、时间以及相关的交通事故 信息;然后提出一套聚类支持的局部相关性可视分析方法分析事故多发路段：①以待分析因素 直方图(如天气直方图、时间直方图)刻画事故多发路段;②基于直方图相似性对事故多发路段 进行聚类分析;③在多关联视图支持的交互环境中进一步观察、分析聚类结果以挖掘待分析因 素与交通事故之间的局部相关性。通过分析安徽省合肥市 2015-2018 年交通事故接警数据,取 得了一些有意义的分析结果,验证了该方法的有效性。     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。     

顾及多特征的多尺度道路网相似性计算模型

针对现有的多尺度道路网相似性计算方法对道路网特征顾及不足的问题，提出了一种顾及全局轮廓和局部细节的多特征多尺度道路网空间相似性计算模型。该模型首先提取道路网的全局轮廓边界，通过傅里叶描述子计算出轮廓边的形状相似性，以此来度量多尺度道路网的全局相似性；其次，将能够反映局部密度特征的道路网眼引入到局部相似性计算中，分别求取网眼之间的拓扑相似度和几何相似度，二者结合计算多尺度道路网的局部相似性；最后，进行全局特征和局部特征的相似性归一化，对多尺度道路网目标相似性进行整体度量。实验结果表明，该模型计算结果与实际地物特征变化程度保持了较高的一致性，比较符合人类认知。     

考虑时空相似性的动态图卷积神经网络交通流预测

高精度的交通流预测对于大型城市的交通管理和智慧出行具有重要作用,而交通流动态时空相关性的挖掘则是提高预测精度的关键.针对现有研究中存在的对交通流在不同时间尺度下呈现出的高度相似性,以及处于相似功能区的非邻近节点间交通流变化的相似性考虑不足的问题,构建考虑时空相似性的动态图卷积神经网络(dynamic graph convolution neural network considering spatio-temporal similarity,STS-DGCN).以相邻时段、日和周等多时间尺度下的数据输入张量表达交通流数据的时间相似性,以路网节点间距离度量、相似性度量、自适应嵌入、动态相关性等多属性特征的邻接矩阵表达交通流数据的时空相似性,进而基于这些邻接矩阵构建反映路网节点时空动态变化的动态图,并设计相应的时空特征挖掘算法.在公开数据集上的实验结果表明,所提出模型的预测结果优于目前较为先进的对比基线模型,具有更高的预测精度.     

全局时空特征耦合的多景深三维形貌重建

针对现有三维形貌重建模型无法有效融合全局时空信息的问题，设计深度聚焦体积（DFV）模块保留聚焦和离焦的过渡信息，并在此基础上提出全局时空特征耦合（GSTFC）模型提取多景深图像序列的局部与全局的时空特征信息。首先，在收缩路径中穿插3D-ConvNeXt模块和3D卷积层，捕捉多尺度局部时空特征，同时，在瓶颈模块中添加3D-SwinTransformer模块捕捉多景深图像序列局部时序特征的全局关联关系；然后，通过自适应参数层将局部时空特征和全局关联关系融合为全局时空特征，并输入扩张路径引导生成聚焦体积；最后，聚焦体积通过DFV提取序列权重信息，并保留聚焦与离焦的过渡信息，得到最终深度图。实验结果表明，GSTFC在FoD500数据集上的均方根误差（RMSE）相较于最先进的全聚焦深度网络（AiFDepthNet）下降了12.5%，并且比传统的鲁棒聚焦体积正则化的聚焦形貌恢复（RFVR-SFF）模型保留了更多的景深过渡关系。     

多视角融合的时空动态图卷积网络城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联.2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,本文提出了一种多视角融合的时空动态图卷积模型用于预测交通流量.首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性.其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征.接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测.最后,在四种真实交通数据上的实验结果证明了本文模型的有效性和准确性.     

基于一类局部固定核的支持向量回归建模

在考虑样本向量相似性的基础上,提出一种核函数--高斯余弦核,并证明了该核是一类局部固定核.局部固定核同时描述了样本全局和局部结构,因而高斯余弦核可将样本数据映射到信息描述更为丰富的特征空间.将该核用于Logistic混沌时间序列和煤气炉数据集的支持向量回归建模与预测,仿真结果表明所提出的方法能有效地提高预测精度,而且不增加算法的复杂度.     

基于多尺度MRF图像样本修补稳健算法

为了消除在单尺度条件下进行图像修补过程中,在修复区域产生的累积误差,提出了基于多尺度MRF图像样本修补稳健算法.根据图像包含的尺度特征,应用序贯最大后验概率准则对不同尺度的匹配样本采用不同权重的代价函数,利用大尺度填充信息指导小尺度目标区域的修补,实现图像全局信息与局部信息的有机融合.实验结果表明,多尺度MRF图像样本修补算法能更好抑制修复区域由于累积误差产生的“垃圾物”和马赛克现象,同时保持良好的纹理和结构特征.