基于图注意神经网络的最优时空规划系统模型研究

在旅游规划过程中,游客在出行时往往因缺乏个性化服务而造成旅游体验不佳。因此,在旅游时空规划中不仅应关注单一节点,更应针对旅游动机和旅游出行选择,以游客视角关注整个旅途的时空规划。利用图注意神经网络在推荐系统方面具有的良好性,并运用图注意神经网络研究和探讨了旅游时空规划问题,进而构建时空规划模型。     

基于图论和启发式搜索的装配序列规划算法

将装配序列规划中成熟的割集法和人工智能中启发式搜索方法相结合，提出一个高效的装配序列生成算法。此算法在启发函数的指导下，直接产生所需的最佳装配规划，避免了单独采用割集法产生装配AND／OR图而导致的组合爆炸的问题。同时省去了在选择装配规划时，对整个装配AND／OR图进行再次搜索。此算法与其它算法相比具有效率高、智能性强的特点。最后给出了一个实例。     

一种基于序列到序列时空注意力学习的交通流预测模型

城市交通流预测是研究交通时空序列数据的动态演化并预测未来交通情况的关键技术,对于智能交通预警及管理决策来讲至关重要.但是有效的交通流建模非常具有挑战性,因为它受到很多复杂因素的影响,例如交通网络的时空依赖性和序列突变性等问题.一些研究工作将卷积神经网络(convolutional neural networks, CNN)或循环神经网络(recurrent neural networks, RNN)用于交通流量预测建模.但是,直接使用经典的深度学习模型难以有效捕获与交通流相关的多通道多变量序列数据中的隐含时空依赖性特征.针对上述问题,提出了一种新的序列到序列时空注意力深度学习框架(spatial-temporal attention traffic forecasting, STATF)来处理城市交通流建模任务,它是一种基于卷积LSTM编码层和LSTM解码层,并辅助注意力机制的端到端深度学习模型,可以自适应地学习与城市交通流相关的多通道多变量时空序列数据中的时空依赖性和非线性相关性特征.基于3个真实的交通流数据集实验结果表明：不管是单步预测还是多步预测条件下,STATF模型都具有更优的预测性能.     

基于深度学习的时空序列预测方法综述

随着数据采集技术的蓬勃发展,各个领域的时空数据不断累积,迫切需要探索高效的时空数据预测方法.深度学习是一种基于人工神经网络的机器学习方法,能有效地处理大规模的复杂数据,因而研究基于深度学习的时空序列预测方法具有十分重要的意义.在这一背景下,针对已有的预测方法进行归纳和总结,首先回顾了深度学习在时空序列预测中的应用背景和...     

基于时间序列相似性的自动观测数据时空异常探测方法研究

针对野外无线传感器获取的时空数据的特点,总结常见的时空异常探测方法,提出了一种根据时间序列相似性度量时空邻域的时空异常探测方法,用于准确检测时空数据的异常情况。采用2012年7月15日黑河流域生态水文无线传感器观测网中13个观测节点的数据进行验证,结果表明:该算法能够有效地探测到无线传感器网络时空数据中的异常,并能识别由于灌溉或降雨造成的伪异常,对其他数据处理探索研究有一定指导意义。     

时空序列预测方法综述

随着数据采集技术的进步,带有地理位置信息的时空数据迅速增长,迫切需要探索有效的时空数据建模方法。时空序列预测是时空数据建模的基础方法之一,它广泛应用于很多领域。目前缺乏对它进行综述的中文文献,因而对这些方法进行归纳和总结具有重要的研究意义。针对时空序列预测问题进行了研究,首先回顾了其应用背景和发展历程,介绍了它的相关定义及特点。然后按其类别介绍了传统的时空序列预测方法、基于传统机器学习的时空序列预测方法和基于深度学习的时空序列预测方法,并分析了这些方法的应用范围和优缺点。最后对时空序列预测未来的研究方向进行了梳理和展望,为研究者们进一步深入研究时空序列预测问题奠定了理论基础。     

基于时空序列的Conv-LSTM航班延误预测模型

精准的航班延误预测结果可以为大面积航班延误的预防提供巨大的参考价值。航班延误预测是在特定空间下做时间序列预测,然而目前已有预测方法多为两种或多种算法的结合,存在算法间的融合问题。针对上述问题,提出了一种综合考虑时空序列的卷积长短时记忆（Conv-LSTM）网络航班延误预测模型。所提模型在长短时记忆（LSTM）网络提取时间特征的基础上,将网络的输入和权重矩阵进行卷积来提取空间特征,从而充分利用数据集包含的时间和空间信息。实验结果表明,与LSTM、仅考虑空间信息的卷积神经网络（CNN）模型相比,Conv-LSTM模型的准确率分别提高了0.65个百分点和2.36个百分点。由此可见,同时考虑时空特性可以在航班延误问题中获得更精确的预测结果。此外,基于所提模型设计并实现了基于浏览器/服务器（B/S）架构的航班延误分析系统,并且该系统也可以应用于空中交通管理局流量控制中心。     

基于影响路径的个性化影响最大化算法

个性化影响最大化问题是近年来社交网络影响最大化问题研究领域一个较新的分支,其现有解决方案普遍建立在网络边影响传播强度一致的假设下,该假设对于真实社交网络缺乏普遍适用性。为此基于独立级联模型,提出最大影响路径算法(MIPA)。该算法通过三个阶段来求解个性化影响最大化问题,首先将边影响强度作对数转换以获得最大影响路径,从而计算网络节点对目标节点的邻居节点的影响;然后利用多条经过目标节点邻居的最大影响路径联合计算目标节点受到的影响强度;最后选择Top-k节点作为种子节点,从而摆脱边影响强度的一致性约束,获取高质量的种子集。在不同的真实社交网络数据集上进行的对比实验验证了算法的有效性。     

基于时间序列的时空插值算法改进研究

为了提高气象预报的精细化程度,针对空间插值算法进行了改进研究,加入了时间序列后的时空混合插值更加符合气象要素的时空特性,从源头上解决了由于各种不可抗力因素(如仪器故障、传输线路故障等)造成的气象站点实时数据缺失。利用重庆市900多个气象站近一年的观测数据进行了插值方法的对比研究,证实了该算法的可行性。     

基于社交网络模式的个体个性化学习资源的推荐方法研究

随着网络教学的发展和网络学习资源的增长,如何准确挖掘学习者个体的学习兴趣,并根据学习兴趣找到适合的学习资源,成为越来越多研究者关注的问题。本文正是在这种背景下,提出一种依托社交网络模式的,深度挖掘个体的学习兴趣的个性化学习资源推荐机制。     

基于用户偏好特征挖掘的个性化推荐算法

为了提升社交网络个性化推荐能力,结合用户行为分布进行个性化推荐设计,文中提出基于用户行为特征挖掘的个性化推荐算法,构建社交网络的用户行为信息特征挖掘模型,采用显著数据分块检测方法对社交网络用户特征的行为信息进行融合处理,提取反映用户偏好的语义信息特征量。从情感、关键词和结构等方面根据用户行为特征组,结合模糊信息感知方法进行社交网络个性化推荐过程中的信息融合处理,在关联规则约束控制下,构建社交网络用户偏好特征的混合推荐模型,实现用户偏好特征挖掘,根据语义分布和用户的行为偏好实现社交网络的个性化信息推荐。仿真结果表明,采用所提方法进行社交网络个性化推荐的特征分辨能力较好,对用户行为特征的准确识别能力较强,提高了社交网络推荐输出的准确性。     

基于改进蚁群算法的维修拆卸序列规划

维修拆卸序列规划是整个维修性设计的重要内容。为了能够以较高的效率求解出产品中零件的拆卸方案,依据产品的基本信息和零件之间的约束关系,建立拆卸Petri网可达图,将拆卸序列规划问题转化为对Petri网可达图最优路径的搜索和寻优问题。同时利用蚁群优化算法对组合优化具有高强适应性的特征,改进基本蚁群算法,对可达图模型进行路径寻优,得到最优或次优的拆卸序列。最后通过实例验证了该方法的有效性。     

基于Agent的个性化信息服务

文章提出了基于Agent技术所实现的个性化信息服务,利用面向对象思想实现了Agent类模型,并说明了A-gent能提供的几种新的服务模式。利用这样的Agent类模型实现了个性化信息服务系统的开发框架,解决了现有的个性化信息服务存在的某些问题。     

基于实例的回转类零件工艺路线决策方法研究

以回转类零件为例,利用基于实例的推理（ＣＢＲ）方法、专家系统方法和特征技术,构造了一套完整实用的基于实例的工艺路线决策方法。构造了一种相似性参数计算公式,论述了新零件与实例进行比较和匹配的策略和算法,以及实例工艺信息筛选和实例工艺线修正方法,在实例抽取过程中,新零件与实例的匹配信息被详细记录下来,使得以实例抽取为基础的实例工艺信息筛选和工艺线路修正算法变得相对简单并易于实现。     

基于序列结构信息的多序列比对算法

在介绍生物信息学中多序列比对定义和原理的基础上,给出了序列结构信息集的表示形式和基于序列结构信息的度量函数,该函数只与参加比对序列自身信息有关,不受主观因素的影响,能更客观、有效地反映生物序列之间的进化距离.通过利用该函数计算序列间的进化距离,在渐进比对的基础上,采用迭代策略,不断修正指导树,进而提高比对的准确性,避免了局部最优问题.最后,通过实验模拟,本算法在保证不提高计算时间复杂度的基础上,提高了序列比对的准确性,同时也很好地反映了生物学意义.     

基于多智能体的个性化信息系统研究

提出了一种基于多智能体机制的个性化信息系统（PNSS）,通过建立用户操作的动态特征模型,运用基于语义及统计的文本匹配算法,结合用户基本特征,实现了信息的自动归类和排序,使得用户能够对其最重要的信息迅速作出决策.     

基于热扩散影响力传播的社交网络个性化推荐算法

有针对性地为用户提供推荐,提高互联网信息利用率是个性化推荐系统的主要目标.文中基于热扩散传播概率模型,结合用户在社交网络中隐含的跟随关系,提出基于热扩散影响力传播的社交网络个性化推荐算法.首先,算法将现实生活中人与人的朋友关系转化为购物网络中用户与用户的跟随关系,构建异构信息网络图,计算用户之间的复合相似度.然后,利用基于热扩散概率模型模拟社会网络中影响力的传播过程,计算社交网络中用户的跟随概率分数并精确排序,筛选与目标用户相似的邻近用户.最后,根据目标邻近用户对各个产品的评分,将评分较高、具有潜在兴趣的产品推荐给目标用户,实现个性化的用户推荐.在公开数据集上与现有的个性化推荐算法进行对比,实验表明,文中算法具有较好的精确度和多样化的推荐效果.     

基于航路点搜索法的军用飞行器航路规划

为提高军用飞行器航路规划的效率和对威胁体的适应性,提出一种基于几何原理的、步进搜索的新航路规划方法:航路点搜索法。对禁飞区、雷达和防空武器、高山等地形障碍物进行建模,推导出航路规划时的代价函数。介绍在规划空间内如何选取航路点、使用航路点搜索法在获得的航路点中进行筛选,从而生成航路的过程和原则,并根据代价函数对规划出的航路进行寻优。通过算例对航路点搜索法进行仿真验证,结果表明,该方法简单有效,收敛性好,对威胁体的类型和数量不敏感,具有一定的工程应用价值。     

基于SA模型的数字图书馆个性化搜索

随着信息技术的飞速发展,数字图书馆的信息正在已不可思议的速度增加,从而导致信息超负载。个性化搜索致力于跟踪大量搜索结果来满足每个用户的需求。本文提出一种基于激活扩散模型（SA）计算数据来重新对搜索结果进行分类的方法。扩散激活被应用于领域本体,从而建立一种新型的borrowintent的关系。     

基于张量分解的药品个性化推荐

在当前网购越来越流行的趋势下,网上买药也给很多病人带来了极大的便利.但是普通人在网上购买药品时普遍存在盲目购药、无法获得买药指导的问题,针对这一问题,提出首先根据药品的功能描述信息进行聚类,设计了基于用户相似度的协同过滤药品推荐算法;然后针对该算法的冷启动以及数据稀疏性等问题提出了基于张量分解的个性化药品推荐算法来对获取到的药品功能描述信息进行特征分析,构建标签特征向量,利用特征向量与用户对药品的评分值构建三阶张量,再利用张量分解方法对该三阶张量进行分解;最后得到推荐评估值,再利用该推荐评估值进行Top-N药品推荐.通过对真实的药品销售网站数据进行抓取并分析,构建了张量模型,并进行数据建模,与协同过滤的推荐结果相比,其得到了较好的推荐效果.