基于交通路网的移动对象数据库系统的研究和设计*

给出了在PostgreSQL基础上的基于交通路网的移动对象数据库系统的设计方案,系统地介绍了其体系架构、扩展的数据类型和操作以及代理中间层的功能设计.该系统为进一步研究移动对象更新算法以及移动对象数据索引提供了基础.     

基于标签相关性的K近邻多标签学习

多标签学习是机器学习领域的一个研究热点,其能够有效解决真实世界中的多语义问题。在多标签学习任务中,样本的多个标签之间存在一定的关联关系,忽略标签间的相关性会导致模型的泛化性能降低。提出一种基于标签间相关性的多标签学习K近邻算法。充分挖掘样本多标签间的相关性,通过Fp_growth算法得到标签的频繁项集。针对频繁项和标签分别构建评分模型和阈值模型,评分模型用于衡量样本与频繁项或标签之间的关联程度,阈值模型用于求解频繁项或标签对应的判别阈值,结合评分模型和阈值模型对样本所属频繁项进行预测,进而确定样本标签集。在经典数据集Emotions和Scene上的实验结果表明,该算法的F1-Measure指标分别达到66.6%和73.3%,相比CC、LP、RAKEL、MLDF等基准方法,其F1-Measure分别平均提高3.8和2.1个百分点,该算法通过合理利用标签间的相关性使得分类性能得到有效提升。     

面向LarKC-ITS的单源最短路径算法优化策略

高性能选路解决方案对智能交通系统（ITS）效率至关重要,基于LarKC（语义万维网开源项目）提出了一种ITS设计方案,使得ITS可以利用移动互联网提供的海量、实时、群智的信息,而这种新的设计思路对选路算法提出了新的要求。对实际交通场景属性进行抽象,并通过实验表明该系统具有良好的选路性能,为智能交通的实现提供了新的思路。     

ETL执行的流水线优化

ETL工具是构建和维护数据仓库的基本构件，由于它处理的是海量数据．如何有效地加快响应时间成为值得研究的问题．本文提出了ETL过程的“主表衍生”模式．并针对这种模式采用流水线算法来提高并行性从而加快ETL过程的响应时间，理论分析和实验表明具有好的效果．     

半监督学习在链接预测问题中的应用

链接预测是社会网络分析领域的关键问题,研究如何从已知网络中预测可能存在的新链接。现实网络中存在了大量未连接的节点对,从中挖掘潜在信息可以帮助实现链接预测任务。将链接预测视为二类分类问题,使用半监督学习技术,利用网络中的未标记数据帮助学习。使用了两种半监督范式:自我训练和协同训练。在现实数据集Enron和DBLP中的实验结果表明,链接预测任务中采用未标记数据能够有效提高预测的准确率。     

Delphi语言中的面向对象特征探讨

Delphi作为一种有力的面向对象的开发工具,,以Pascal语言为基础,引入面向对象的类机制,从而实现了封装、继承和多态。本文举例论述了这种机制的优越性。     

主动学习在通信网络推荐系统中的应用

稀疏网络中大量潜在链接的存在对于链接预测问题是一个很大的挑战。在链接预测任务中引入主动学习,挖掘网络中大量未连接节点对中的潜在信息,从未标记样本中挑选出系统最不确定的样本交由用户判别。获得标记后的样本将给系统较高的信息增益。在通信网络数据集Nodobo中的实验结果表明,使用主动学习之后,该方法为通信用户预测潜在联系人的准确率得到显著的提高。     

一种有效的XML数据清洗方法

研究XML格式的重复数据元素的特点,提出对于特定应用领域,在具体的上下文环境中主动学习XML重复元素的识别规则。通过结构转换,将结构不尽相同的XML数据映射成结构一致的数据,并通过学习不同层次数据元素间的依赖关系权重来获得匹配规则。根据学习得到的转换和匹配规则,采用哈希过滤的方法来提高检测重复XML元素的效率。该方法能够有效地解决XML重复检测面临的结构多样性的问题,理论分析和实验表明,该方法有较高的精度和效率。     

基于网络受限移动对象数据库的交通流统计分析模型

网络动态交通流的统计分析技术是目前移动计算及智能运输系统领域的一个重要研究方向.然而,现有的交通流统计分析方法(如基于固定传感器的方法、高空交通流监视方法、浮动车法等)存在着信息量少、数据处理复杂、精确度及效率低下、通信代价高昂等缺陷.为了有效地提高交通流统计分析的效率与精度,提出了一种基于网络受限移动对象数据库的交通流统计分析方法(network-constrained moving objects database based traffic flow statistical analysis,NMOD-TFSA).通过对移动对象所提交的位置更新信息进行联机统计,NMOD-TFSA能够实时地获取交通网络各部分的动态交通参数.由于在数据采集时考虑了道路网络的拓扑结构,NMOD-TFSA有效地降低了通信及计算的代价;此外,NMOD-TFSA所采集的数据能够反映移动对象完整的时空轨迹,因此为数据分析提供了更为丰富的信息,提高了数据处理的精度.实验结果表明,与目前通行的浮动车法相比,NMOD-TFSA有效地降低了通信及计算代价,提高了交通流统计分析的精度与灵活性.