基于CTBN的移动对象不确定轨迹预测算法

为了高效准确地预测移动对象动态运动轨迹,提出了一种基于轨迹时间连续贝叶斯网络(CTBN)的不确定性轨迹预测算法,充分考虑了移动速度和方向对移动对象动态运动行为的影响,包含3个主要步骤:热点区域挖掘将轨迹数据集划分为不同的热点聚簇;轨迹时间连续贝叶斯网络的构建,其由3个变量(街区号、移动速度、移动方向)构成的状态组合;利用该网络预测移动对象动态运动行为计算可能运动轨迹。不同数据集上的实验结果表明该算法的预测精度优于朴素预测算法,并证明了热点区域挖掘的作用在于能够在保证较高预测准确性的前提下提高预测时间性能近60%。     

机会网络中节点相遇的时-空特征

节点相遇特征是构建机会网络节点运动模型、实现数据机会转发的基础,也是研究机会网络的动态拓扑演化规律,指导网络部署,特别是移动节点部署的重要依据.以4个实测数据集为对象,研究了基于节点度的节点相遇空间特征:节点度分布很不均衡;随着节点度的增加,任意相遇次数按照幂律递增,核心节点比孤僻节点对消息传输成功率的贡献更大;研究了基于任意相遇时间间隔的节点相遇时间特征:多数任意相遇时间间隔和相遇持续时间都很小,相遇持续时间较小的记录对消息传输成功率影响较大,而相遇持续时间达到一定值后,时间的增长对消息传输成功率的贡献可以忽略不计.这些时空特征对于构建机会数据传递方法,解决无网络覆盖或覆盖不佳区域的通信难题具有重要意义.     

基于出租车轨迹数据的车联网通信机会间隔模型

针对车联网中车辆间相遇机会间隔的统计分布模型及其参数估计问题,基于北京市出租车轨迹大数据,提出了基于栅格划分和地理哈希值索引的过滤查找方法和轨迹内插方法以高效提取车辆间的相遇机会时刻,进而对机会间隔进行统计建模、参数估计和假设检验.模型呈现分段分布,在小尺度时间间隔上呈指数分布,在大尺度间隔上呈对数正态分布,并具有重尾特征.     

基于真实车载移动数据的RSU部署算法

为了有效提高网络性能,基于车载移动数据研究了真实城市环境下的路边单元(RSU)部署问题,收集并记录了基于北京市的车载移动数据集,通过差值方法等对车辆轨迹数据进行了预处理,使得该数据成为研究RSU部署策略的重要支持. 基于真实的移动数据,提出了综合考虑中心性和均匀性的RSU部署算法,以优化网络整体性能. 以真实车载移动轨迹为基础的仿真实验结果表明,所提出的RSU部署算法可以有效提升网络性能.     

一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法（CINE）。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明：在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.900 2、0.840 2、0.761 9,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。     

基于属性相关分析的离群数据并行挖掘算法

针对高维海量数据集中的局部离群数据,利用并行计算和属性相关性分析思想,给出了一种离群数据并行挖掘算法。该算法首先由主节点分配属性相关分析任务,各个子节点并行查找数据集中的冗余属性,将其冗余属性传回主节点,并由主节点删除;其次,主节点分配搜索任务,各子节点采用微粒群算法,并行搜索局部离群子空间;再次,由主节点对局部离群子空间合并计算后,确定全局离群数据;最后,在MPICH2-1.0.3的并行计算环境下,采用恒星光谱数据作为数据集,实验结果验证了算法的正确性和有效性。     

基于双层多粒度知识发现的移动轨迹预测模型

针对现实移动轨迹空间分布上的稀疏性、不均匀性对移动轨迹建模与预测方面带来的挑战性问题,提出基于双层多粒度移动轨迹知识发现的在线轨迹预测模型.分别在粗/细粒度语义层对移动轨迹数据进行多粒度建模与模式挖掘,基于粗/细粒度语义表达之间的关联包含关系建立双层移动模式映射索引结构.通过在双层语义模式上对在线移动轨迹进行匹配与输出合并互补操作,实现对在线查询移动轨迹的混合预测.在真实数据集上的实验结果表明,采用提出的方法能够有效地提升预测精度,可以扩展稀疏数据下的可预测轨迹范围.     

基于隐朴素贝叶斯模型的链路预测算法

针对目前基于共邻节点及其改进的链接预测模型中存在对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息的问题,本文提出了基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision方法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

面向异构处理平台的任务调度算法

随着任务类型多样化和任务节点数目增多,传统调度算法以及一些改进算法得到的调度结果使系统整体运行时间延长,导致系统实时性下降。针对这一问题,提出一种面向异构处理平台的任务调度算法。首先,针对不同类型任务采用不同的排序策略,得到任务优先级列表;其次,充分考虑任务间的依赖关系,引入任务上行序值和下行序值权重因子,确定关键路径任务集合和关键处理器;最后,按照最早完成时间原则,结合空闲时隙插入策略和任务复制思想进行处理器分配。仿真结果表明,所提算法在同样的任务图中,能够降低任务调度中的通信开销,调度长度平均减少15%,调度加速比平均提高10%。     

无人机群变航迹多任务综合规划方法研究

将无人机群作为一个整体,对任务和航线进行综合规划有利于提高效率,减少油耗。为了缩短机群的任务完成时间,减少飞行航程,提出了一种启发式的任务和轨迹综合规划方法。通过将各无人机的任务执行时间趋于均衡以减小机群任务的总完成时间,同时兼顾同一无人机执行的多个任务在路径上的相邻,使得机群的总飞行航程得到缩短,从而减少了油耗。仿真试验表明,任务轨迹综合规划算法与仅考虑航线或任务执行时间的算法相比较,机群的任务完成时间减少了18%左右,提高了无人机群的工作效率,减少了油耗。     

基于节点拓扑特性的网站无障碍抽样方法

针对已有无障碍网站抽样算法抽取的样本代表性不高,难以满足整体样本数据的分布特征,导致抽样误差大等问题,从网页节点间的拓扑结构入手,提出基于节点拓扑特性的间隔抽样算法.把每个网页作为一个节点,通过邻近构图算法(KNN)建立网页相似度拓扑图;根据节点局部和全局拓扑性质,对节点重要性进行评估和排序;在排序结果的基础上,采用间隔抽样算法,实现不同拓扑区域的分布抽样.真实残联网站上的实验数据表明,基于节点拓扑特性的间隔抽样算法与其他算法相比,在均值误差和分布性上具有更好的效果.     

基于K-Means和时间匹配的位置预测模型

随着移动服务的发展,越来越多的移动端服务基于对象的位置进行推送和推荐,因此位置预测技术显得越来越重要.由于对象位置信息存在采集不连续或对象行为不规律等因素,导致位置预测成为一项非常有挑战的工作.为了提高位置预测的准确性,提出一种基于K-Means算法和时间匹配的位置预测模型.该模型使用K-Means算法对历史位置点进行聚类,划分多个对象运动区域,针对对象运动区域进行预测.按照对象的作息时间将一天时间划分为多个时间段,运用笔者提出的轨迹建模算法和轨迹更新算法形成用户运动轨迹,形成对象运动轨迹,再使用时间匹配原则进行位置预测.笔者最后利用真实的数据实现该模型,实验证明:未使用该模型的位置预测准确率为39.7%;使用该模型后算法和时间匹配的位置预测模型预测准确率达到60.3%,准确率提高了20%左右.     

基于概率自适应蚁群算法的云任务调度方法

针对基本蚁群算法在求解云任务调度问题时易陷入局部最优的不足,提出一种任务分配概率自适应的蚁群算法.算法根据任务量的大小对任务进行降序排序.定义了任务分配集中度,引入了概率自适应调整因子对任务分配过于集中的资源节点的分配概率进行调整.结果表明,相对基本蚁群算法及改进蚁群算法,该算法有效地缩短了任务完成时间,且算法的执行效率、收敛速度均有一定程度的改善.     

CYPK-KNN:一种改进的移动对象KNN查询算法

目的改进YPK—KNN算法以提高其查询效率，方法利用网格对移动对象进行索引．确定一个尽可能小的搜索区域，使得此区域一定包含距离查询点最近的K个移动对象，然后在此区域内完成查询．最的KNN查询，结果针对真实数据集的实验结果表明在同等条件下，改进算法的查询执行时间明显小于原算法．而且随着移动对象个数的增加和网格划分粒度的减小这种优势随之增加．结论改进的移动对象YPK—KNN查询算法有效提高了原算法的查询效率．     

基于隐朴素贝叶斯模型的链接预测算法

基于共邻节点及其改进的链接预测模型中对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息,针对此问题,提出基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。该算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision算法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

基于Q-learning的分布式自适应拓扑稳定性算法

针对移动节点对网络拓扑稳定性的影响,提出了一种预测相邻节点稳定联接的自适应分布式强化学习算法。各节点采用强化学习和学习区间自适应划分相结合的方法,利用相邻节点间的接收信号强度信息对相邻节点间的联接状态进行判定,最终预测出能够保持稳定联接的邻居节点集。通过多种条件下随机游走模型仿真,结果表明预测准确度均保持在95%左右,验证了该算法的有效性和稳定性。     

基于反向标签传播的移动终端用户群体发现

针对现有方法在移动终端用户群体发现中不能兼顾社会关系和位置属性的问题,提出基于反向标签传播算法的重叠群体发现方法.根据移动终端用户的位置信息推断社会关系拓扑图,提取时空共现区.将时空共现区作为位置属性标签,标注社会关系拓扑图.在标签拓扑图上进行反向标签传播,消除节点伴随标签.经过反复迭代,在标签稳定状态下的每一个节点保留所属群体的主标签.根据用户社会关系和稳定状态下的节点主标签完成群体划分与识别.在4个真实数据集上比较反向标签传播算法与3种同类方法,实验结果表明,反向标签传播算法较好地兼顾了用户社会关系和位置属性,群体发现结果的标准互信息（NMI）与综合评价函数（F）分别比次优者平均高8.97%和3.87%.     

数据中心上异构资源的细粒度分配算法研究

数据中心的出现,使得大数据分析任务被分散到不同的计算节点。随着GPU计算的广泛应用,如何为不同的计算框架合理分配异构计算资源是目前的研究热点。研究了传统大数据计算框架和GPU计算的特点,针对现有的集群资源管理和GPU管理模式,提出了一种集中式异构资源管理模型,计算节点负责本地资源管理和任务的执行和管理,资源管理中心统一管理各个计算框架。对于不同的计算框架,根据其使用CPU以及GPU资源的不同,设计并实现了一种混合主资源共享分配算法,通过计算不同框架对主资源的使用,优先从可用资源中为主资源使用率最小的框架分配资源,实现主资源在各个框架的公平共享,防止CPU任务过多而导致GPU资源"饥饿",或者反过来导致CPU资源"饥饿"的现象发生。通过实验验证,该分配算法在异构资源使用效率以及任务完成数量方面能提高15%左右。     

可信的图神经网络节点分类方法

为了研究节点特征表示的不确定性对节点分类的影响,提出一种可信的图神经网络节点分类方法。算法使用径向基函数计算节点间距离,得到各类节点质心后,根据距离分配与未标记节点最近质心的类别标签提高节点分类性能,同时定义未标记节点和质心之间的距离为模型输出的不确定性,并使用梯度惩罚损失加强输入变化的可检测性,可以有效地检测分布外节点样本。在Cora、Citeseer和Pubmed这3个公开网络数据集上的结果表明：模型在分类任务的AUROC指标分别达到81.5%、76.2%和74.6%,在分布外样本检测任务中AUROC指标分别达到83.6%、72.8%和70.6%,证明了所提算法在提高节点分类性能的同时,可以有效检测分布外的节点样本,提高了节点分类的可信性。     

基于按键动作识别的帕金森病早期预测方法

针对目前帕金森病早期预测方法普遍存在误诊率高、步骤繁多等问题,设计了基于AdaBoost算法的按键动作识别方法,实现对帕金森病早期的精准预测。该方法首先删除数据集的缺失值,并选取按键次数过万的数据;然后针对不同按键手,根据按键的时间间隔对预处理后的结果进行分类,以平均值、标准差、方差、偏度和峰度5个指标为特征,对每一位病人的数据进行分块,扩充数据集,并加入高斯噪声平衡数据集;最后应用AdaBoost算法进行分类预测。在公开的数据集上进行实验,结果表明：在按键数据集分类上,该方法的准确率、灵敏度和特异性分别为95%、98%和97%。该方法具有较高的准确率、灵敏度和特异性,为帕金森病早期的精准预测提供了一种有效的解决方案。