多约束条件下多无人机协同任务规划问题分析及求解方法综述

多无人机协同任务规划是现阶段无人机集群智能化发展的关键技术,其中任务分配与航迹规划是无人机任务规划技术的核心部分.鉴于规划要素众多且相互耦合的研究现状,寻找降低问题耦合度和复杂度的求解策略至关重要.首先,文中从问题建模出发,建立了任务规划问题通用模型,总结归纳出常见约束条件和评价指标,并着重分析问题求解框架;其次,从集中式和分布式角度详细阐述了任务分配问题的常见模型与求解算法;再次,论述了单机路径规划和路径平滑方法,并针对多机时空协同约束归纳了多机间协同方法;此外,从约束耦合、子问题耦合、分层结构耦合角度整理归纳了求解过程中存在的复杂耦合因素,并重点探讨了解耦策略;最后,讨论了未来多无人机协同任务规划问题的发展趋势.     

基于工人长短期时空偏好的众包任务分配

近年来,随着移动设备的计算能力和感知能力的提高,基于位置信息的时空众包应运而生,任务分配效果的提升面临许多挑战,其中之一便是如何给工人分配他们真正感兴趣的任务.现有的研究方法只关注工人的时间偏好而忽略了空间因素对偏好的影响,仅关注长期偏好却忽略了短期偏好,同时面临历史数据稀疏导致的预测不准的问题.研究基于长短期时空偏好的任务分配问题,从长期和短期两个角度以及时间和空间两个维度全面考虑工人的偏好,进行时空众包任务分配,提高任务的成功分配率和完成效率.为提升时空偏好预测的准确性,提出分片填充的张量分解算法(SICTD)减小偏好张量的空缺值占比,提出时空约束下的ST-HITS算法,综合考虑工人短期活跃范围,计算短期时空偏好.为了在众包任务分配中最大化任务总收益和工人偏好,设计基于时空偏好的贪心与Kuhn-Munkres (KM)算法,优化任务分配的结果.在真实数据集上的大量实验结果表明,提出的分片填补张量分解算法对时间和空间偏好的RMSE预测误差较基线算法分别下降22.55%和24.17%;在任务分配方面,提出的基于偏好的KM算法表现出色,对比基线算法,在工人总收益和工人完成任务平均偏好值上分别提升40.86%和22.40%.     

一种融合社交关系的矩阵分解推荐模型

推荐系统可以有效解决信息过载问题,为用户提供个性化的推荐服务.然而在评分矩阵稀疏的情况下,仅通过分析用户项目评分矩阵来生成预测结果的传统模型效果较差.针对该问题,利用用户评分以及用户社会信任关系两部分信息计算用户相似度,提出一种融合社交关系的矩阵分解型推荐模型SoRegIM.通过挖掘社交网络中用户的拓扑关系,利用目标用...     

基于多粒度时间注意力RNN的航班客座率预测

准确预测航班客座率有利于处理航班机票超售、座位虚耗等问题,然而传统时间序列预测方法只关注航班近期每日客座率的变化特点,无法同时考虑其他因素的影响,预测效果不够理想。针对该问题,提出一种基于多粒度时间注意力机制的循环神经网络模型MTA-RNN。通过构建多级注意力机制获取航班客座率在不同时间粒度下的时序相关性,同时考虑航班自身属性及节假日等其他因素,得到未来一段时间内的目标航班客座率。在真实历史航班客座率数据集上的实验结果表明,MTA-RNN模型的预测准确率高于ARIMA模型、LSTM模型和Seq2seq模型。     

融合市场动态层次宏观信息的股票趋势预测

股票市场结构复杂、信息多样,股票趋势预测极具挑战性.但现有研究大都把每只股票当作一个独立的个体,或者使用图结构对股票市场中复杂的高阶关系进行建模,缺少对股票、行业、市场三者间相互影响的层次性和动态性考量.针对上述问题,提出一种动态宏观记忆网络(DMMN),并基于DMMN同时对多只股票进行价格趋势预测.该方法按照\"股票-行业-市场\"的层次对市场宏观环境信息进行建模,并捕获这些信息在时序上的长期依赖;然后将市场宏观环境信息与股票微观特征信息动态融合,在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖.在收集的CSI300数据集上得到的实验结果表明,相较于基于注意力长短期记忆(ALSTM)网络、添加了图卷积的LSTM网络(GCN-LSTM)、卷积神经网络(CNN)等模型的股票预测方法,基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果,和表现最优的对比方法ALSTM相比分别提升了4.87％和31.90％,这表明DMMN在具备较好预测性能的同时还具备更好的实用价值.     

基于图卷积网络融合群组关系的社会化推荐方法

协同过滤推荐系统普遍面临交互数据稀疏,社会化推荐通过引入用户社交信息来缓解数据稀疏问题.现有社会化推荐方法主要关注好友关系,即用户间形成的直接社交关系,但社交数据的稀疏性限制了该类方法的性能表现.由用户加入兴趣小组所形成的群组关系数量繁多且富有价值,然而目前较少有研究关注这种关系,仅有的方法多采用矩阵分解等传统方法建模,对用户协同兴趣和社交影响的表达不够深入.为提升推荐质量,进一步研究群组关系,从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用,并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系,分别设计出以间接和直接方式利用群组关系的推荐方法IGRec-Trans和IGRec-Direc,探索更合理的群组关系融合方式.在真实数据集上的实验结果表明,所提方法能有效提升推荐性能,相比最优基准方法DiffNet++,在HR@10和NDCG@10指标上最高可提升4.55％和3.98％,在冷启动用户推荐任务上NDCG@10指标最高可提升18.6％.     

面向快递员揽收到达时间预测的多任务深度时空网络

快递员揽件到达时间预测,即预测用户下单后快递员的上门揽收时间,一直都是物流企业所关心的重要问题。准确的揽件到达时间预测可以优化揽件效率,提升用户体验。该问题主要存在以下挑战：(1)快递员揽件到达时间受到多种复杂时空因素的影响,包括待预测订单自身的时空特征,以及与其他待揽收订单之间的相互影响;(2)快递员在执行揽件任务期间,会不断接收到系统分配的新订单,造成揽收路线的动态变化,从而给揽件到达时间预测带来了更大的不确定性。针对以上挑战,提出了一种面向揽件到达时间预测的多任务深度时空网络MSTN4PAT模型,从海量的揽件历史数据中学习快递员揽件到达时间的复杂时空模式。MSTN4PAT充分挖掘待预测订单始发地与目的地之间的内在关联,使用多任务学习来建模订单之间的相互影响,并从特征宽度和特征深度2个角度高效融合各种特征,实现准确的揽件到达时间预测。在真实的揽件数据集上的实验结果表明,MSTN4PAT的预测效果明显优于对比模型。     

基于手机大数据的动态人口感知

随着通信市场迅速发展和手机的高普及率,利用手机数据研究人类活动和城市规划发展成为可能.本文主要工作是构建了大数据实时处理分析平台,并基于此平台提出了一种利用手机数据感知城市人口分布的方法.通过实验表明,基于手机数据的动态人口感知能够反映实际城市人口分布,对于城市交通监管、公共资源配置优化等方面具有重要意义.     

样本加权的多视图聚类算法

大数据时代,人类收集、存储、传输、管理数据的能力日益提高,各行各业已经积累了大量的数据资源,这些数据常呈现出多源性和异构性.如何对这些多源数据进行有效的聚类(也称为多视图聚类)已成为当今机器学习研究关注的焦点之一.现有的多视图聚类算法主要从“全局”角度关注不同视图和特征对簇结构的贡献,没有考虑不同样本间存在的“局部”信息间的差异.因此,提出一种新的多视图样本加权聚类算法(sample-weighted multi-view clustering, SWMVC),该算法对每个样本的不同视图进行加权,采用交替方向乘子法自适应学习样本权值,不仅可以学习不同样本点间不同视图权重的“局部”差异,还可以从学习到的“局部”差异反映出不同视图对簇结构贡献的“全局”差异,具有较好的灵活性.多个数据集上的实验表明：SWMVC方法在异质视图数据上具有较好的聚类效果.     

基于条件随机场的中医临床病历命名实体抽取

中医临床病历是中医重要的科研数据资源,但目前临床病历仍以文本为主要表达形式,对病历数据深入分析的前提是进行结构化信息抽取,而命名实体抽取是其基础性步骤。针对中医临床病历的命名实体,如症状、疾病和诱因等的抽取问题,通过手工标注的413份病历数据(以中文字为特征)与4类特征模版,将条件随机场(CRF)、隐马尔科夫模型(HMM)和最大熵马尔科夫模型(MEMM)用于中医病历命名实体抽取的实验,并进行比较分析。结果表明,结合合适的特征模版,CRF命名实体抽取方法取得了较好的性能,F1值的症状达到0.80,疾病名称达到0.74,诱因0.74。与HMM和MEMM相比,CRF有最高的准确率和召回率,是一种较为适用的中医临床病历命名实体抽取方法。