基于对象时态稳定性分类特征的双时态ER模型

对双时态数据库建模时以客观事物的时态特征为切入点,定义有关时态表示的双时态点、双时态组合集和双时态标签,通过分析客观对象的时态稳定性,将其划分为时态值稳定对象和时态值变对象。参照数据库概念结构设计基本方法,给出一种基于对象时态稳定性分类特征的双时态ER模型,并定义了相关的基本图元及建立规则,该模型可有效减少因模式中存在大量与时态无关属性而造成的数据冗余现象。最后给出该模型与应用较为普遍的BCDM模型相互转化的方法,使其具有推广应用价值。     

基于多维时态关联规则的演化模糊推理预测算法

挖掘时态关联规则的目的是为了发现带有时态信息的项集之间有趣的关系.由于数据库经常动态更新,时态关联规则的挖掘也应该适应数据库的更新.然而,现有的大多数算法不仅需要重新挖掘更新的数据库,浪费了大量的时间和效率,而且不能利用已存在的规则定量地预测某些项的变化趋势.本文提出了一个基于多维时态关联规则的演化模糊推理预测建模算法（Evolving fuzzy inference model based on multidimensional temporal association rules,EFI-MTAR）,主要优势是构建了一种基于多维时态关联规则的模糊推理建模算法（Fuzzy inference modeling algorithm based on multidimensional temporal association rules,FI-MTAR）,实现了对时间序列的定量预测.此外,为了降低规则更新的代价和加快规则预测的速度,提出了概念漂移检测策略来处理时间序列数据以适应数据库的动态更新.实验结果表明了本文提出算法的有效性和准确性.     

类型增强的时态知识图谱表示学习模型

知识图谱表示学习旨在将知识图谱中的元素（实体和关系）表示在低维的连续向量空间中，可以有效地实现知识图谱补全并提高计算效率，是贯穿知识图谱构建和应用全过程的重要问题.现有的知识图谱表示学习模型大多基于静态的结构化三元组，忽略了知识的时间动态性和实体的类型特征，限制了它们在知识图谱补全和语义计算中的表现.针对这一问题，提出一种类型增强的时态知识图谱表示学习模型（type-enhanced temporal knowledge graph representation learning model,T-Temp），基于经典的张量分解技术，将不同形式的时间信息显式融合到知识图谱表示学习过程中.同时，利用实体与关系间的类型兼容性，充分挖掘隐含在实体中的类型特征，进一步提升表示学习的准确性.此外，证明T-Temp模型具有完全表达性，且与同类模型相比，具有较低的时空复杂度.在多个真实的时态知识图谱上进行的详细实验说明了T-Temp模型的有效性和先进性.     

时态RDF数据存储策略研究

我们的生活中几乎所有的事物都或多或少的具有时态特征，时态数据的处理已经成为当前重要的研究热点之一。时态信息处理在电子商务、数据挖掘、信息提取、电力系统、医疗系统、时空和多媒体信息技术以及网络应用等方面发挥着越来越重要的作用。另一方面，为了提高互联网的智能程度，语义网的不断发展。资源描述框架（RDF）作为语义网实现的基础，因此大量时态RDF格式的数据涌入网络。截止到目前为止，并没有针对时态RDF数据的有效存储方案。在原有时态RDF模型的基础之上， 分析了传统RDF存储方式在时态RDF数据存储上的可行性并提出了一种新的存储方案。     

有效的BCDM时态信息简化方法

时态信息是管理决策中的重要支持信息,需求的不同造就了时态信息不同的表示方法.随着数据库与信息技术的深入发展,越来越需要简单高效的时态数据模型以方便时态信息的表示与处理.介绍了BCDM模型及其时态表示思想,讨论了模型中事务时间和有效时间表示在查询优化时存在的问题,提出了一种基于BCDM的时态信息简化方法,不但能够有效的保存数据库现有的时态信息,而且能够大大简化有效时间的表示,为时态数据的查询优化奠定了良好基础.     

时态逼近关系及时态逻辑的扩充

本文提出了时态逼近关系，并给出了命题不确定性时态关系的一种分类，在Ｓｈｏｈａｍ的时态逻辑基础上，对命题和一阶两种情况，提出了能描述不确定性时态关系，基于时间点和（点对构成的）时间区间的时态逻辑（定性与定量相结合）．此外，还给出了在非确定性时态关系下用于描述命题类型的一些命题时态性质．     

基于时态边缘算子的时间序列自主分段表示法

时间序列具有数据量大、维数高和更新速度快等特点,导致一般的分段线性方法难以刻画原始时间序列的全局趋势特征。针对时间序列的特性,提出了一种基于时态边缘算子的自主分段表示方法（简称APLR_TEO）,能够有效刻画出时间序列的形状特征。首先通过时态边缘算子与原始时间序列做卷积并根据关联规则得到边缘极值点;然后根据时序的变化特征,采用趋势转折距离的关联规则进行自主线性分段得到关键点,进而用关键点组成的序列来线性近似表示原始时间序列。实验结果表明,APLR_TEO能够有效地刻画序列的形状特征,针对不同规模的数据集具有良好的适应性和稳定性,有效降低了拟合误差。     

物联网中具有时间持续性特征的乱序事件查询处理技术研究

现实世界中的很多事件都是基于时间段的,具有明显的时间持续性特征。具有这种特征的事件之间的时态关系复杂多变,在发生乱序事件时,查询处理极具挑战性。物联网环境中对于时序事件的有序到达具有非常严苛的要求,但网络延迟和机器故障却导致事件乱序问题频发。基于建立的时态事件语义表示模型,提出了一种用于处理具有时间持续性特征的乱序事件的查询处理模式,并构建了一种混合解决方案,使物联网环境中乱序事件在到达后的一定时间阈值内达到正确有序。最后,通过实验验证了所提方法的有效性。     

一种DBMS时态授权机制研究

通过整数限制域的方式引入时态限制域并提出一种基于DBMS的时态授权逻辑模型.该模型基于分层的限制Datalog/ ,c,并通过时态限制规则保持限制域的求反闭包性,通过授权阻塞规则解决正负授权冲突,因而具有逻辑上的一致性和可行性,能满足DBMS中各类时态授权的需要.最后对授权程序的可评价(evaluation)性、实现算法及其应用做了说明.     

改进的大规模本体分块与映射方法

针对当前大规模本体映射分块结果不精确的问题,提出一种改进的大规模本体分块与映射方法。对本体进行预处理,把本体表示为有向无环图,将本体分块问题转换为图分割问题。采用基于遗传算法的GPO算法对有向无环图进行分块,利用基于本体块结构和参考点相结合的策略找到正确的块映射。实验结果表明,改进映射方法的分块与映射质量较优。     

Visualizing Demographic Trajectories with Self-Organizing Maps

In recent years, the proliferation of multi-temporal census data products and the increased capabilities of geospatial analysis and visualization techniques have encouraged longitudinal analyses of socioeconomic census data. Traditional cartographic methods for illustrating socioeconomic change tend to rely either on comparison of multiple temporal snapshots or on explicit representation of the magnitude of change occurring between different time periods. This paper proposes to add another perspective to the visualization of temporal change, by linking multi-temporal observations to a geometric configuration that is not based on geographic space, but on a spatialized representation of n-dimensional attribute space. The presented methodology aims at providing a cognitively plausible representation of changes occurring inside census areas by representing their attribute space trajectories as line features traversing a two-dimensional display space. First, the self-organizing map (SOM) method is used to transform n-dimensional data such that the resulting two-dimensional configuration can be represented with standard GIS data structures. Then, individual census observations are mapped onto the neural network and linked as temporal vertices to represent attribute space trajectories as directed graphs. This method is demonstrated for a data set containing 254 counties and 32 demographic variables. Various transformations and visual results are presented and discussed in the paper, from the visualization of individual component planes and trajectory clusters to the mapping of different attributes onto temporal trajectories.     

团分划问题的固定参数算法研究

图论中的团分划问题属于NP-完全问题,难以在多项式时间内解决。为此,对团分划问题的固定参数算法进行研究,提出一个针对K4-free图的新归约法则,结合深度限制搜索树技术对K4-free图中的团分划固定参数可解类算法做出改进。实验结果表明,与原算法相比,在稀疏图的情况下改进算法效率提高了30%。     

动态连续时间网络表示学习

随着时间的推移,网络会随着节点和连边的变化不断发展。针对传统网络表示学习算法不能正确处理动态网络的问题,提出一种基于随机游走的动态连续时间网络表示学习算法（DCTNE）。通过定义一个灵活的节点时序邻居概念,设计一个有偏的随机游走过程。根据时间信息,有效地探索节点的不同时序邻居并建模不同邻居的影响,学习网络表示。实验证明了DCTNE动态网络时序信息的有效性。在链接预测任务上,DCTNE的AUC值与其他算法相比最高获得了50%的增益;在节点分类任务上,DCTNE相较于其他算法在效果上有明显提升。结果表明,对网络中时间依赖关系进行建模有助于后续的网络分析任务。     

时空图卷积网络在人体异常行为识别中的应用

在监控场景下,由于监控资源短缺,行人异常行为容易发生漏检。针对该问题,提出了一种视频监控场景下的人体异常行为识别的方法,辅助监控人员及时发现异常。使用OpenPose对图像中行人进行人体骨架提取。针对图卷积网络对关节点特征聚合方式单一的问题,融合了基于图注意力网络（graph attention network,GAT）的图注意力机制。在改进后的图卷积网络的基础上,利用时空图卷积神经网络（spatial temporal graph convolutional networks,ST-GCN）,对行人关节点信息进行异常行为识别。实验结果表明,提出的识别算法对定义的行为识别准确率达85.48%,能够准确地识别监控视频中行人的异常行为。     

已知时间的空间文本skyline查询

现有的空间文本skyline查询忽略了地理空间对象的时间信息,考虑到时间信息对应用的重要性,将时间信息应用到空间文本skyline查询中,提出了一种新的查询,即已知时间的空间文本skyline查询（Time-aware Spatial-Textual Skyline Query,TSTSQ）。TSTSQ中skyline对象的筛选依赖于三个条件：文本相关性、空间邻近和有效时间。分别设计了对象的空间文本相关性和时间文本相关性的计算函数,构建时空信息和文本信息的对象索引结构TKR-Tree,通过构造高效的裁剪策略实现了TSTSQ的查询算法。通过实验数据的分析和对比,验证了TSTSQ查询的有效性。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

面向大规模信息网络的高效自适应聚类算法

为解决传统聚类算法在处理大规模信息网络中时间开销过大的问题,基于大规模信息网络的统计学特性,提出了一种将信息网络拓扑结构进行“分而治之”的思想,有效地减少了聚类问题规模和时间开销,并保持了相当的聚类效果。主要贡献包括：提出按照聚类影响力排名来对整个信息网络进行分层切割,然后分别聚类的思想;按照特定信息网络统计学意义上的结构特性,如信息网络的富人集团特性和分层社区结构特性,设计了一套将信息网络进行层次划分的粗略方案,并通过实验证明了其具有一定的合理性;提出了迭代的层级间聚类融合算法,可以实现不同层次聚类的融合。实验表明,该算法在兼具较好聚类效果的同时,非常明显地减少了运算开销。     

精细化辨识时空特征的视频隐写分析

视频隐写分析技术可以侦测出含有隐藏秘密信息的视频,为社会安全提供保障。视频除了含有图像内的空间信息,还蕴含着相邻帧图像之间的时间信息。针对这一特点,提出一种精细化辨识时空特征的视频隐写分析方法。该方法对视频在时间和空间维度的特征量进行精细化建模。采用Marcov对视频空间层次上的块内和块间过程进行建模,以提取空间特征量。利用差值分析视频时间层次上的变化,以提取时间特征量,并将时间和空间特征量输入到SVM模型中进行训练和检测。实际测试结果表明,该方法能够有效区分载密视频和非载密视频,对3 100段测试视频样本的检测准确率高达97.13%。