NLSTM在时空特征预测中的应用

在实际生活中，存在许多需要对数据进行建模的场景。例如：对基站数据进行建模，能了解基站的负载以及用户的流量，让运营商能够及时调整该范围内的基站数量；对交通数据进行建模能够使管理部门更好地治理拥堵路段；对气象数据进行建模能够预测污染物的浓度。总而言之，对空间时序数据进行建模，抽取特征挖掘深层关系，并加以预测，能让决策者更地做出相应的判断。本文以气象数据为例，用NLSTM网络对清洗之后的空间时序数据进行建模，从而来预测污染物的浓度，而且网络可以轻松地拓展到其他空间时序数据预测场景中。     

基于时空演变多重特性建模的近海叶绿素浓度时序预测

近海环境是沿海地区社会经济发展的关键支撑系统，近海环境的持续恶化对海洋经济的可持续发展带来了巨大挑战。叶绿素浓度的反映了水体理化性质的演变规律，对近海生态环境保护具有重要意义。尽管现有时序叶绿素浓度预测方法能从时空数据中挖掘有效信息，揭示时空数据的发展趋势和变化规律，但忽略了时空数据的结构化特征以及外界因素/突发因素对叶绿素浓度的影响。因此，本文提出基于时空演变多重特性建模的近海叶绿素浓度时序预测模型，并由四部分构成:自相关时序预测模块预测叶绿素浓度时序变化规律；多视角空间融合预测模块在构建预测点与其他位置叶绿素浓度空间关联性基础上，考虑海域气象状况，提高了空间叶绿素浓度预测的可靠性；基于环境上下文的突变模块通过对极端因素建模，挖掘突变因素与的叶绿素浓度变化的关联；时空动态聚合模块利用结构化模式，结合时间、空间叶绿素预测结果，实现不同圈层全要素近海叶绿素浓度建模。在渤海叶绿素浓度数据上的实验结果表明，该算法模型极大程度提升了近海叶绿素预测模型的准确性与可靠性。      

基于ConvGRU和注意力特征融合的人体动作识别

在动作识别任务中,如何充分学习和利用视频的空间特征和时序特征的相关性,对最终识别结果尤为重要。针对传统动作识别方法忽略时空特征相关性及细小特征,导致识别精度下降的问题,本文提出了一种基于卷积门控循环单元(convolutional GRU, ConvGRU)和注意力特征融合(attentional feature fusion,AFF) 的人体动作识别方法。首先,使用Xception网络获取视频帧的空间特征提取网络,并引入时空激励(spatial-temporal excitation,STE) 模块和通道激励(channel excitation,CE) 模块,获取空间特征的同时加强时序动作的建模能力。此外,将传统的长短时记忆网络(long short term memory, LSTM)网络替换为ConvGRU网络,在提取时序特征的同时,利用卷积进一步挖掘视频帧的空间特征。最后,对输出分类器进行改进,引入基于改进的多尺度通道注意力的特征融合(MCAM-AFF)模块,加强对细小特征的识别能力,提升模型的准确率。实验结果表明:在UCF101数据集和HMDB51数据集上分别达到了95.66%和69.82%的识别准确率。该算法获取了更加完整的时空特征,与当前主流模型相比更具优越性。     

基于时空推理网络的空中红外目标抗干扰识别算法

复杂空战背景下的抗红外诱饵干扰技术是红外空空导弹的核心技术之一。针对传统静态贝叶斯网络不能表达序列图像中特征变量在时序上动态变化关系,提出了一种符合人类视觉推理识别过程的时空关联推理网络抗干扰识别算法。首先,提出的时空关联推理网络在考虑特征空间约束关系的基础上,引入了特征变量时间约束的先验知识,建立表达特征时空关联的目标推理网络识别模型,从而增强了序列图像目标识别的稳定性;其次,通过仿真数据构建样本集,离线训练学习时空关联推理网络结构及特征跳转概率参数,确定概率推理网络识别离线模型;最后,依据测试数据,结合推理识别网络模型进行概率推理,实现对目标的识别分类。实验结果表明,在伴随红外诱饵干扰投放的条件下,基于时空关联推理网络的抗干扰识别率达到94%,比静态贝叶斯网络抗干扰识别算法高3%,有效提升了目标识别的稳定性。     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖，忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系，提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长，将机会网络切分为快照，用快照的链路状态矩阵表征其拓扑信息；采用时序卷积神经网络获取短期时序特征，结合网络变化构建时空图表征短期时空关系，利用图卷积运算提取网络的短期时空特征，经过多次卷积的堆叠，得到网络长短期时空特征；基于自编码器结构实现向量空间切换，预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明，DTW-STC方法的预测性能优于基线方法。     

集群移动通信多区多基站组网方案的初探

从网络功能和性能、用户数量与信道分配、站址选择、覆盖范围预测、网络组织５个方面，对集群移动专用网内的多区多基站通信系统组网方案作一初探。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法。首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系。实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法.首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系.实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果.     

基于时空特征的无线网络流量预测方法

无线网络流量分布具有空间上和时间上的特征,针对传统预测方法对流量分布空间特征的利用不足问题,提出三维卷积神经网络(3D-CNN)和长短期记忆网络(LSTM)相结合的无线网络流量预测模型。首先通过3D-CNN挖掘流量数据的局部时空关联性,并利用空间注意力机制完善全局空间关联的提取;然后使用LSTM模型对抽象时空特征进行训练,并加入了注意力机制缓解循环神经网络的遗忘现象带来的信息损耗。运用此方法对"意大利电信大数据挑战赛"的公开数据集进行训练,其均方根误差(RMSE)和平均绝对误差(MAE)分别降至5.17和3.32,明显优于其他对比预测模型。     

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题，提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性；然后利用BiGRU网络对分解后的信号进行时序建模，并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块，对BiGRU网络提取的特征进行权重加权；最后经过决策层获得最终的光伏功率预测结果。实验结果表明，SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度，在不同季节和不同天气情况下均优于其他几种经典方法，具有较高的实用价值。     

基于协同时空建模的视频行为识别算法

行为识别是计算机视觉领域的一个重要研究方向,已被广泛应用于视频监控、人群分析、人机交互、虚拟现实等领域.而时空建模是视频行为识别的一个重要部分,有效地进行时空建模可以极大地提高行为识别的精度.现有的先进算法采用3D CNN学习强大的时空表示,但在计算上是复杂的,这也使得相关部署昂贵;此外,改进的具有时间迁移操作的2D CNN算法也被用来进行时空建模,这种算法通过沿时间维度移动一部分特征通道用以进行高效的时序建模.然而,时间迁移操作不允许自适应地重新加权时空特征.以前的工作没有考虑将这两种方法结合利用起来,取长补短,以便更好地建模时空特征.本文提出了一个协作网络用以有效地结合3D CNN和2D卷积形式的时间迁移模块.特别是一个新的嵌入注意力机制的协同时空模块(Collaborative Spatial-temporal module,CSTM)被提出用以有效的学习时空特征.本文在与时序相关的数据集(Something-Something v1,v2,Jester)上验证了该算法的有效性,并且获得了竞争性的性能.     

基于时空耦合的时空网格快速伴随研究

提出一种在大数据场景下快速计算时空网格伴随相似度的方法,该方法基于移动终端设备与通信基站之间的信令数据,首先利用时间分片和空间索引算法将多维数据降为一维的时空网格数据,以时空网格数据建立索引关联移动对象ID存储于分布式数据库中.接着利用伴随关系的时空耦合特征,在检索条件中增加排除条件后检索数据库,然后统计结果集中关联对...     

基于注意力机制和时空信息的群组行为识别

群组行为识别是对个体的共同行为进行识别。群组行为与群组状态密不可分,也与群组内个体时空特征息息相关,时空信息既能描述空间语义信息,更能反映行为的动态变化情况。针对有效精细的时空特征提取问题,本文提出了一种基于注意力机制和深度时空信息的群组行为识别方法。首先将ShuffleAttention引入双流特征提取网络中,有效提取个体外观和运动信息。其次使用改进Non-Local网络提取深度时序信息。最后将个体特征送到图卷积网络中进行空间交互信息建模,得到群组行为识别结果。在CAD和CAED数据集上的准确率达到了93.6%和97.8%,在CAD数据集上与凝聚群组搜索算法(CCS)和成员关系图(ARG)方法相比,准确率提高了1.2%和2.6%,这表明本文方法能有效提取深度时空特征,提升群组行为识别准确率。     

异构网络中的基站休眠——基于流量预测的方法

针对传统的基站休眠方法基于确定的流量模型设计,无法适应实际中基站负载流量动态变化的缺点,本文首先利用改进的小波神经网络(Modified Wavelet neural network,MWNN)模型对基站的负载流量进行动态预测,然后根据预测的结果选择在网络非高峰期时,利用微基站(Pico Base Stations,PBSs)代替宏基站(Macro Base Station,MBS)为用户提供服务。尽管微基站的覆盖范围小于宏基站,但是当用户数量处于非高峰期时,微基站的覆盖范围可以保证对用户较高的服务质量。由于微基站的发射功率要远小于宏基站的发射功率,因此该方法可以节省网络能耗,达到绿色通信的目的。     

中国电信选择NSN部署LTE网络

随着智能手机和移动互联网用户数量的不断攀升，运营商积极创新以满足移动客户对网速更快的期望。通过在全国部署4G网络，中国电信在构建高速移动宽带覆盖方面迈出有力的一步。根据协议，NSN将提供创新FlexiMultiradio10基站、网络启动优化、实施监控与维护服务，     

多源异构数据融合的城市私家车流量预测研究

通过有效地捕获城市私家车出行的时空特征,提出一种多源异构数据融合的私家车流量预测模型.首先,融合私家车轨迹和城市区域数据表征城市私家车的出行分布;其次,通过多视角时空图建模私家车出行和城市区域之间的动态关联,设计了多图卷积-注意力网络以提取车流量演变的时空特征;最后,进一步融合时空特征与天气等外部特征,联合预测私家车流...     

基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关，对人类出行计划、农林生产以及军事作战等方面都有着重要影响，因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题，提出了一种融合极端梯度提升树(Extreme Gradient Boosting, XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network, LSTNet)的气温预测模型。利用XGBoost进行特征筛选，降低数据维度；利用LSTNet进行改进，在其卷积层嵌入通道注意力(Channel Attention, CA)机制，强化显著特征；把循环神经网络层中的循环门单元(Gate Recurrent Unit, GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),并加入了时序注意力(Temporal Attention, TA)机制，使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息；用建立好的模型进行预测实验和对比实验。实验结果...     

PPNet：基于预先预测的降雨短时预测模型

降雨短时预测一直以来都是气象预测问题中的热点问题。传统的预测方法基于数值天气预测模型展开预报,但近些年利用深度学习展开基于雷达回波图的降雨短时预测方法受到了广大研究者的关注。其中,时序预测网络存在不能并行计算导致耗时过长的问题且存在梯度爆炸问题。全卷积网络可以解决上述两个问题,但是却不具备时序信息提取的能力。因此,该文以泰勒冻结假设为理论依据,提出一个基于预先预测辅助推断结构的2维全卷积网络(PPNet)。网络先行提取粗粒度时序信息与空间信息,然后利用全卷积结构细化特征粒度,有效缓解2维卷积网络不能提取时序信息的缺陷。此外,该文还提供一种时序特征约束器对预先预测特征进行时间维度的特征约束,使预测特征更倾向于真实特征。消融实验证明所提预先预测辅助推断结构和时序特征约束器具有优秀的时序特征能力,可以提升网络对时序信息的敏感度。与目前最好的降雨预测算法或视频预测算法相比,该文网络均取得较好结果,特别在暴雨指标上达到最优。     

融合注意力机制和连接时序分类的多模态手语识别

连续手语识别的难点之一是手语数据中存在时空维度的冗余信息,以及手语数据与给定标签序列的对齐问题。因此,本文提出一种融合注意力机制和连接时序分类的连续手语识别模型,可以提取手语数据中彩色和深度视频片段的短期时空特征以及手部运动轨迹特征,将三种模态的特征融合后使用空间注意力加权并按照时间顺序输入到双向长短期记忆网络中进行时序建模,以获取长期时空特征,最后利用融合注意力机制和连接时序分类模型的解码网络以端到端的方式实现连续手语的准确识别。本模型在自行采集的中国手语数据集上进行测试,得到了高达0.935的准确率。      

基于空间特征的生成对抗网络数据生成方法

传统的生成对抗网络(GAN)在特征图较大的情况下，忽略了原始特征的表示和结构信息，并且生成图像的像素之间缺乏远距离相关性，从而导致生成的图像质量较低。为了进一步提高生成图像的质量，该文提出一种基于空间特征的生成对抗网络数据生成方法(SF-GAN)。该方法首先将空间金字塔网络加入生成器和判别器，来更好地捕捉图像的边缘等重要的描述信息；然后将生成器和判别器进行特征加强，来建模像素之间的远距离相关性。使用CelebA,SVHN,CIFAR-10等小规模数据集进行实验，通过定性和盗梦空间得分(IS)、弗雷歇距离(FID)定量评估证明了所提方法相比梯度惩罚生成对抗网络(WGAN-GP)、自注意力生成对抗网络(SAGAN)能使生成的图像具有更高的质量。并且通过实验证明了该方法生成的数据能够进一步提升分类模型的训练效果。