基于热力图的公共自行车站点时间与用户类型分析

应用热力图对公共自行车站点数据进行可视分析和展示.研究结果显示,公共自行车的租借量的影响因素主要与以下几点有关:天气晴朗会使租借量增多;旅游业的发展也会带动公共自行车的租借;男性由于裤装会更易于租车;工作时间内租车量在工作区域内会显著增加.     

城市公共自行车租赁数据的可视分析方法

自行车已经成为广大民众公共出行的一种常见交通工具,杭州市公共自行车系统分布范围已覆盖了整个市区.研究公共自行车系统的可视化及分析方法,需要查询每个站点的实时租赁数据及历史统计,包含上周、昨天和今天的统计数据,用户可以选取一些站点,在同一个视图内显示它们的统计数据,通过交互分析,预测每个站点的借用趋势,帮助管理人员充分理解和分析这些数据,并了解这个区域内的整体趋势.     

上班族轨道交通刷卡流量可视分析

由于轨道交通的便捷性,其已成为上班族的首选出行方式.为了从海量轨道交通刷卡数据中分析不同时段的交通流量变化和上班族群体的移动行为特征,提出交互式的可视分析系统.首先定义相关规则,以发现上班族居住地点和工作地点;然后通过流量快照可视化视图,结合上班族的工作地点和居住地点分析不同时段的流量变化情况,其中,流量关系视图展示地铁站之间的流量变化和不同上班族的出行特征,流量时序视图展示整体地铁流量变化情况,便于用户分析工作日和非工作日的流量特征.最后,通过2个案例对该系统进行了验证.     

基于多级深度网络架构的群体行为分析模型研究

群体行为的多层次深度分析是行为识别领域亟待解决的重要问题。在深度神经网络研究的基础上,提出了群体行为识别的层级性分析模型。基于调控网络的迁移学习,实现了行为群体中多人体的时序一致性检测;通过融合时空特征学习,完成了群体行为中时长无约束的个体行为识别;通过场景中个体行为类别、交互场景上下文信息的融合,实现了对群体行为稳定有效的识别。在公用数据集上进行的大量实验表明,与现有方法相比,该模型在群体行为分析识别方面具有良好的效果。     

城市公共自行车租赁系统站点配车数仿真优化

城市公共自行车系统旨在满足当地居民“最后一公里”的出行需求,因其低成本且环保的特点受到越来越多城市的欢迎,但整个系统涉及人流量、出行方式及交通状况等多层因素,难以构建数学模型进行定量描述。依据某市公共自行车系统的运营情况,采用系统建模的方式,构建基于Plant Simulation的公共自行车系统仿真模型,以站点服务度和设施利用率为评价指标,对各个租赁站点的配车数进行了分析。利用敏感性分析和迭代相结合的方法,在平衡服务质量和设施利用率的情况下,对各公共自行车租赁站点的配车数进行了优化,仿真结果表明优化后的配车数有利于改善系统的服务质量。     

面向交通状态时空模式的双向聚类可视分析

城市道路网络的交通状态存在多种时序变化模式和空间分布模式.为了能综合分析各时序模式在不同区域的分布情况，以及各空间模式在不同时间段的出现规律，本文提出一种基于双向聚类的时空模式可视分析方法.该方法可同时将路段集合和以小时为尺度的时间戳集合划分为簇，以提取出时序模式和空间模式.然后，通过多视图联动和降维投影可视化分别从小时尺度和日期尺度上分析时序模式的空间分布，同时分析空间模式的时间分布.本文以一份新冠疫情期间采集的交通数据为例进行研究，实验结果表明，该方法能有效发现因政府交通限制等因素而呈现的多种时序模式和空间模式，同时辅助用户分析这些模式在时空上的分布情况.     

基于时空特征点的群体异常行为检测算法研究

提出了用时空特征点描述群体行为的新方法。首先对比分析时空Harris角点、Gabor小波、Hessian矩阵三种特征点提取方法,选择了基于Hessian矩阵的尺度不变方法提取特征点;分别采用梯度直方图、光流直方图以及时空Haar特征三种方法对特征点构建描述符。采用Bag-of-words策略对正常行为建模,使用基于EM估计的高斯混合模型建模产生关键词,根据关键词为每一视频片段建立一个带有概率分布的编码向量,形成编码表。异常行为的检测是将测试样本的编码向量与训练样本编码表进行比较,计算相似度距离,当最小距离大于阈值时,判该群体行为异常。在UCF和UMN两种群体行为数据集下的实验结果表明,该方法能够对群体异常行为进行有效识别,对尺度变化以及背景光照变化等具有较好的适应性。     

基于社交网络大规模行为数据的用户关系研究

用户关系是构成微博社会网络的基础。用户关系的分析可以帮助更好地研究社会网络的构成、消息传播模式等多个方面。对超过百万用户的海量微博数据进行分析处理,利用信息论理论分析比较用户微博行为的特点,构建用户活跃交互网络并观察交互网络的动态性,分析社交网络用户群体的在线行为模式及特点。实验表明在微博的交互活动中,用户的直接交互关系相对稳定,不因时间的变化而变化,而用户的转发对象会不断地变化,即用户实际关注的群体是动态变化的。     

基于KOD能量特征的群体异常行为识别

在群体异常行为识别过程中, 针对传统特征易受目标遮挡影响导致其对群体行为的弱描述性问题, 提出一种基于KOD（kinetic orientation distance）能量特征的群体异常行为识别方法。该能量特征忽略群体中相互遮挡的个体的局部特征, 从群体行为整体上分别根据群体的运动剧烈程度、群体运动方向一致性和群体中个体的相对位置定义并提取群体动能、方向势能和距离势能构成群体行为高层KOD能量特征, 以此描述群体的运动状态变化, 最后通过构建隐马尔可夫模型实现群体异常行为检测及类型识别。在PETS和UMN公共数据集上进行实验并与传统光流特征进行对比, 实验结果表明, 使用KOD能量特征能够有效地检测出群体异常行为并识别出其类型, 且能够达到92%的准确率。     

基于行为片段模式的流程模型Petri网交互变化区域的责任分析

对Petri网模型交互后的变化区域的责任分析,是模型交互一致性和兼容性研究的一个重要问题。已有的关于变化区域的研究只涉及到寻找变化区域的方法,对于引起变化区域的责任分析并没有做更多研究。给出了责任的定义,结合行为片段模式的概念,从动态的角度,提出一种基于行为片段模式来分析判断变化区域的责任方的方法,并通过实例分析验证了该方法的有效性。     

基于Elman神经网络的公共自行车单站点需求预测

公共自行车租赁系统目前存在的主要问题是高峰时段用户存取车困难,站点需要工作人员值守。为了提高城市公共自行车调度的科学性、缩短调度时间、降低调度成本,避免调度过程中调度员凭经验确定各个站点需求量的盲目性,从而更好地服务租赁者,满足其出行需求。建立了基于改进的Elman神经网络的公共自行车单站点需求量预测模型。通过仿真实验将改进模型和已有模型的预测结果与实际需求量进行对比,证明了提出的预测方法有效可行。     

基于骨骼轨迹聚合模型的课堂交互群体发现

传统的课堂行为识别方法侧重于交互行为本身的辨识,而非群体发现.课堂环境下实现交互群体的准确定位与发现,是进行个体行为识别的基础,但存在由遮挡造成的行为数据缺失问题.使用骨骼数据表示人体行为及运动轨迹,具有不受光线和背景干扰、数据表达简单等优点.针对骨骼数据的多人交互群体发现进行研究,提出了一种基于骨骼轨迹聚合模型的交互群体发现算法(Interactive Group Discovery Algorithm Based on Skeleton Trajectory Aggregation,IGSTA).首先,将骨骼数据标准化到以人为中心的坐标系,减小尺寸变化和初始位置不同对识别精度的影响;其次,提出了一种多核表示的骨骼轨迹聚合模型,准确描述了学生交互行为群体的变化;最后,对聚合后的骨骼轨迹进行聚类,实现交互群体发现.采用Kinect获取模拟的课堂学生交互行为视频,通过实验验证了该方法的有效性,即在骨骼节点缺失的情况下,仍可准确发现课堂环境下的学生交互群体.     

视频群体行为识别综述

群体行为识别是指给定一个包含多人场景的视频,模型需要识别出视频中多个人物正在共同完成的群体行为.群体行为识别是视频理解中的一个重要问题,可以被应用在运动比赛视频分析、监控视频识别、社交行为理解等现实场景中.多人场景视频较为复杂,时间和空间上的信息十分丰富,对模型提取关键信息的能力要求更高.模型只有高效地建模场景中的层次化关系,并为人物群体提取有区分性的时空特征,才能准确地识别出群体行为.由于其广泛的应用需求,群体行为识别问题受到了研究人员的广泛关注.对近几年来群体行为识别问题上的大量研究工作进行了深入分析,总结出了群体行为识别研究所面临的主要挑战,系统地归纳出了6种类型的群体行为识别方法,包含传统非深度学习识别方法以及基于深度学习技术的识别方法,并对未来研究的可能方向进行了展望.     

基于演化博弈论的网络信息传播群体行为分析

以网络信息传播为背景,针对网络信息传播群体,对群体的静态结构和动态行为进行抽象和分析。以前期使用经典博弈论来分析传播个体行为的研究为基础,建立符合网络信息传播特性的演化博弈模型来刻画网络信息传播群体的交互行为,采用有限理性Agent来模拟真实网络信息传播环境下的信息传播者,使用演化稳定策略和复制者动态对网络信息传播单群体的行为进行静态和动态均衡的分析,并通过计算验证了网络信息传播群体的稳定结构与群体行为的动态均衡具有很强的关联性。     

基于网络模型的城市公共自行车需求量预测研究

自行车共享系统逐渐出现在许多城市中,由于在不同时间和站点的自行车需求量(租/还量)的不平衡,系统中各站点的自行车需要人工频繁地使其不断达到平衡状态,然而实时监控并不能很好的解决这个问题。因此,提出了一个基于网络图的预测模型,可以预测未来时间段内的某个站点自行车的需求量,提前对自行车的重新分配。首先,我们通过分层聚类算法对预测站点进行聚类,得到与其相关的站点簇。其次,对站点簇构建网络模型。最后,使用纽约和华盛顿两个自行车共享系统的数据进行实验和结果分析。结果发现同一簇的站点具有相似的使用模式,模型预测误差率不高于0.45,且能够应用于不同城市的自行车共享系统。     

对数无限可分级串框架下的异常网络流量分析

湍流尺度分析中的对数无限可分级串方法具有描述数据流全范围下的多尺度行为的优点,可用于对网络流量的多尺度行为的分析。在对几组正常流量和含蠕虫的异常流量分析讨论的基础上,发现受数据流内含协议数据的成分变化的影响,正常流量的多尺度分段点具有不确定性;而受W32／Blaster蠕虫影响的数据流的尺度特性符合幂律关系,即尺度不变性;W32／Nachi蠕虫不影响TCP数据流的尺度特性。     

基于SimRank的公共自行车站点聚类算法

针对城市公共自行车系统快速发展面临的潮汐问题,提出一种基于SimRank的自行车站点聚类算法。从站点间的关联关系出发,基于站点特性定义站点相似度,引入SimRank算法进行站点相似度计算,并按计算得到的相似度值,根据最大相似优先的思想对站点进行聚类。实验结果表明,该算法得到的聚类结果能准确反映自行车流趋势和区域特征,其中同聚类成员也具有较大的关联性。     

双视图对比学习引导的多行为推荐方法

多行为推荐(MBR)通常利用多种类型的用户交互行为(例如,浏览、添加购物车和购买)来学习用户对目标行为(即购买)的偏好。受到稀疏监督信号的影响,现有的MBR方法推荐性能欠佳。最近,对比学习从原始数据本身挖掘辅助监督信号取得成功,受此启发提出了一种双视图对比学习引导的方法来增强MBR。首先,利用多行为交互数据来构造2个能同时捕获局部和高阶结构的信息视图;然后,设计2个不同的视图编码器在上述互补视图上学习用户和项目的嵌入表示;最后,通过跨视图协同对比学习与相互监督从而学习到更好的嵌入表示。在2个真实数据集上的实验结果表明,本文方法明显优于基线方法。     

一种基于多线程加速的大规模群体仿真方法

大规模群体仿真技术可以提高虚拟场景的临场感和趣味性,在游戏娱乐、演习训练、建筑设计等领域具有重要的应用价值。然而,常用于虚拟场景开发的游戏引擎难以实现大规模群体仿真。设计一种基于多线程加速的大规模群体仿真方法,提升大规模群体仿真包含的群体动画渲染和群体行为模拟性能。针对大规模群体动画渲染,在GPU蒙皮渲染算法上加入群体动画状态的多线程计算,实现群体动画状态与蒙皮动画的加速计算;针对大规模群体行为模拟,将自主性群体行为算法修改为速度模型,与多线程优化后的最优互相碰撞避让算法结合,实现群体的避让行为,提升群体行为模拟效率。实验结果表明,该方法可以很好地与游戏引擎结合,实现复杂场景的大规模群体仿真,提升大规模群体场景帧率。     

面向群体行为识别的非局部网络模型

目的 视频行为识别一直广受计算机视觉领域研究者的关注，主要包括个体行为识别与群体行为识别。群体行为识别以人群动作作为研究对象，对其行为进行有效表示及分类，在智能监控、运动分析以及视频检索等领域有重要的应用价值。现有的算法大多以多层递归神经网络（RNN）模型作为基础，构建出可表征个体与所属群体之间关系的群体行为特征，但是未能充分考虑个体之间的相互影响，致使识别精度较低。为此，提出一种基于非局部卷积神经网络的群体行为识别模型，充分利用个体间上下文信息，有效提升了群体行为识别准确率。方法 所提模型采用一种自底向上的方式来同时对个体行为与群体行为进行分层识别。首先从原始视频中沿着个人运动的轨迹导出个体附近的图像区块；随后使用非局部卷积神经网络（CNN）来提取包含个体间影响关系的静态特征，紧接着将提取到的个体静态特征输入多层长短期记忆（LSTM）时序模型中，得到个体动态特征并通过个体特征聚合得到群体行为特征；最后利用个体、群体行为特征同时完成个体行为与群体行为的识别。结果 本文在国际通用的Volleyball Dataset上进行实验。实验结果表明，所提模型在未进行群体精细划分条件下取得了77.6%的准确率，在群体精细划分的条件下取得了83.5%的准确率。结论 首次提出了面向群体行为识别的非局部卷积网络，并依此构建了一种非局部群体行为识别模型。所提模型通过考虑个体之间的相互影响，结合个体上下文信息，可从训练数据中学习到更具判别性的群体行为特征。该特征既包含个体间上下文信息、也保留了群体内层次结构信息，更有利于最终的群体行为分类。