一种属性不一致性加权的K近邻分类方法

针对传统的K近邻算法在计算样本之间相似度时将每个属性视为同等重要的问题,提出了一种基于推土机距离的方法来计算每个条件属性的权重。首先根据近邻关系划分用于比较一致性的两个分布;之后根据推土机距离设计不一致性评价函数,用于衡量每个属性下各个样本的近邻样本集与这一集合由决策属性细化的等价划分之间的不一致性程度;最后将近邻的不一致性程度转换为相应属性的重要性,用于实现属性加权K近邻分类器。通过在多个数据集上进行实验,该方法对参数的敏感程度低,在多个参数下可以显著提高K近邻的分类精度,并且在多个指标下的表现优于现有的一些分类方法。结果表明,该方法可以通过属性加权选择出更加准确的近邻样本,可广泛应用于基于近邻的机器学习方法中。     

三种近似算子之间的关系

在广义近似空间中,可以从对象、知识粒以及子系统的角度构造3种不同类型的广义粗糙近似算子。文中研究了这些近似算子的基本性质与相互关系,给出了3类近似算子相同的充要条件。另外,不同的近似空间可能生成相同的基于知识粒及基于子系统的近似算子,文中给出了不同二元关系生成相同近似算子的一些充要条件。     

融合用户评分与显隐兴趣相似度的协同过滤推荐算法

协同过滤算法是推荐系统中使用最广泛的算法,其核心是利用某兴趣爱好相似的群体来为用户推荐感兴趣的信息。传统的协同过滤算法利用用户-项目评分矩阵计算相似度,通过相似度寻找用户的相似群体来进行推荐,但是由于其评分矩阵的稀疏性问题,对相似度的计算不够准确,这间接导致推荐系统的质量下降。为了缓解数据稀疏性对相似度计算的影响并提高推荐质量,提出了一种融合用户评分与用户显隐兴趣的相似度计算方法。该方法首先利用用户-项目评分矩阵计算用户评分相似度;然后根据用户基本属性与用户-项目评分矩阵得出项目隐性属性;之后综合项目类别属性、项目隐性属性、用户-项目评分矩阵和用户评分时间,得到用户显隐兴趣相似度;最后融合用户评分相似度和用户显隐兴趣相似度得到用户相似度,并以此相似度寻找用户的相似群体以进行推荐。在数据集Movielens上的实验结果表明,相比传统算法中仅使用单一的评分矩阵来计算相似度,提出的新相似度计算方法不仅能够更加准确地寻找到用户的相似群体,而且还能够提供更好的推荐质量。     

融合注意力LSTM的神经张量分解推荐模型

针对结合深度学习模型的协同过滤算法未考虑关联数据的多维交互随时间动态变化的问题,该文提出一种融合时间交互学习和注意力长短期记忆网络的张量分解推荐模型(LA-NTF)。通过采用基于注意力机制的长短期记忆网络从项目文本信息中提取项目的潜在向量,然后使用融合注意力机制的长短期记忆网络来表征用户—项目关系数据在时间上的多维交互,最后将用户—项目—时间三维张量嵌入多层感知器中,学习不同潜在因子之间的非线性结构特征,从而预测用户对项目的评分。在两个真实数据集上的大量实验表明,与其他传统方法和基于神经网络的矩阵分解模型相比,方根误差(RMSE)和平均绝对误差(MAE)指标均有明显提升,说明LA-NTF模型可显著改善各种动态关系数据的评级预测任务。     

时序行为提名的上下文信息融合方法

在针对视频的人体活动定位和识别领域中,现有的时序行为提名方法无法很好地解决行为特征长期依赖性而导致提名召回率较低。针对此问题,提出了一种上下文信息融合的时序行为提名方法。该方法首先采用三维卷积网络提取视频单元的时空特征,然后采用双向门控循环网络构建上下文关系预测出时序行为区间。针对门控循环单元(GRU)存在参数较多和梯度消失的问题,通过输入特征控制门结构增强并行计算能力,通过引入加权平均增强历史和当前时刻信息融合能力,提出了一个简化的门控循环单元(S-GRU)。最后在数据集Thumos14上进行实验验证和比较,结果表明基于双向S-GRU循环网络的时序行为提名方法提高了提名召回率。     

基于时空循环神经网络的下一个兴趣点推荐方法

下一个兴趣点推荐已经成为基于位置的社交网络(location-based social networks,LBSNs)中一个重要任务。现有的模型没有深入考虑相邻签到兴趣点之间的转移时空信息,无法对用户访问下一个兴趣点的长短时间偏好和远近距离偏好进行有效建模。本文通过对循环神经网络(recurrent neural network, RNN)进行扩展,提出一个新的基于会话的时空循环神经网络模型(sesson-based spatial-temporal recurrent neural network, SST-RNN)用于下一个兴趣点推荐。该模型通过设置时间转移矩阵和空间转移矩阵分别对用户的时间和空间偏好信息进行建模,综合考虑连续签到兴趣点的序列信息、时空信息以及用户偏好进行下一个兴趣点推荐。通过在2个真实公开的数据集上进行实验,结果显示本文提出的SST-RNN模型的推荐效果比主流的推荐模型有显著提升。在Foursquare和CA数据集上,ACC@5评价指标分别提升了36.38%和13.81%,MAP评价指标分别提升了30.72%和17.26%。     

1971-2018年汉江流域陕西段降水时空特征分析

基于1971-2018年汉江流域陕西段 27个气象站点的逐日降水数据,选择了年降水量、降水强度、最大日降水量、年降水日数、中雨日数和大雨日数6个降水指数分析其降水时空特征,分析方法包括线性估计法、小波分析法、滑动均值法、IDW 空间插值法及Mann-Kendall检验法。结果表明：在研究时段内,汉江流域陕西段降水强度有缓慢增加趋势,其余5个降水指数均呈缓慢减小趋势,且6个降水指数的变化趋势均不显著;研究区域仅年降水日数无突变点,且在1995年后呈现显著减小趋势,其余降水指数均有突变点;年降水量有7 a的副周期和27 a左右的主周期,主周期有3个循环交替,且丰、枯交替突变点在1983和2000年。汛期降水量与年降水量周期基本一致,而非汛期有4和16 a两个副周期和1个28 a的主周期;年降水量空间分布呈现由北到南逐渐增大的趋势,除了年降水日数的高值中心在宁强县外,其余5个降水指数的高值中心均在镇巴县,而低值中心除了降水强度在太白县外其余的均在商县。在研究时段内各年代际降水指数的比较中,1971-2018年的年降水量、降水强度和年降水日数均仅次于最大值,预计未来极端降水事件可能更加频繁,严重的情况下会影响水生态、水环境、水安全等的健康发展。     

基于时序逆影响的随机游走推荐算法*

相似性计算是协同过滤推荐的关键步骤,针对传统相似性计算认为相似关系是对等的且没有考虑消费顺序和时间间隔的问题,提出了基于时序逆影响的随机游走推荐算法。首先,基于用户时序关联图提出一种新的称为时序逆影响的相似性度量,利用随机游走得到了目标用户近邻集合;其次,利用随机游走在项目时序关联图上进一步改进推荐的多样性和覆盖率。它不但认为用户间相似是不对称的,考虑了用户消费项目的顺序和时间间隔,获得了用户全局的直接和间接近邻,而且考虑了项目间的时序逆影响。通过在真实数据集上的大量试验结果表明,与其他随机游走方法相比,不但能提高推荐性能、缓解数据稀疏,而且通过提高多样性和覆盖率解决了过拟合的问题。     

基于NASA观测数据的风电出力时空分布及波动特性分析

为克服实际风电场运行数据难以获取的问题,提出一种基于历史风速的风资源评估方法。首先,基于美国NASA(National aeronautics and space administration)数据中心获取风速数据,并利用假想风电机组模型转化为风机出力时间序列;然后,通过对时间序列的统计分析,计算期望、半载概率等指标评估风电出力的时空分布特性;最后,通过计算风电出力方差和分析相邻峰谷点差值概率分布规律分析风电出力的波动特性。所提方法能够同时考虑风资源自然特性和风电机组特性,且能对风电波动特性提供定量描述。利用所提方法对山东省风资源的评估结果表明:山东省可利用风能资源随地区、季节和昼夜的变化呈现出明显规律。     

1961-2014年石家庄地区降水量的时空变化特征

利用石家庄地区5个代表站1961—2014年的逐日降水资料,采用多种统计分析方法,分析了石家庄地区降水量的时空变化特征,结果表明石家庄地区年降水量从20世纪70年代开始下降,80年代达到最低,90年代有所增加,但也没有明显的上升趋势,21世纪初又开始下降.20世纪70年代降水量的减少春季和秋季贡献最大,80年代降水量的减少和90年代降水量的增加主要是夏季的贡献.石家庄地区年降水量起伏较大,1963年降水量最多,为1 038.4 mm,2014年最少,仅为276.2 mm.近54年石家庄年降水量在波动中呈现下降趋势,线性趋势为-11.0 mm/(10 a),但下降趋势并不明显.石家庄北部年降水量呈上升趋势,市区及东部、南部和西部年降水量均呈下降趋势,变化趋势均不明显.近54年,石家庄春季降水量呈上升趋势,线性趋势为0.9 mm/(10 a),夏季、秋季和冬季降水量均呈下降趋势,线性趋势分别为-11.9,-1.1和-0.3 mm/(10 a),上升或下降趋势均不明显.夏季降水减少是导致石家庄年降水减少的主要原因.石家庄四季降水量变化趋势的空间分布具有明显的季节特征和区域特征.石家庄四季降水量均存在显著周期变化.