基于JPA的数据持久化模型设计与实现

基于SQL的JDBC持久化技术和基于对象/关系映射（ORM）的面向对象持久化技术都会导致系统紧耦合。针对上述问题,通过研究Java持久化API（JPA）ORM技术、JPA模型和JPA接口,提出并实现一种灵活的数据持久化模型。该模型与ORM框架松耦合,可以简化对象持久化的开发,加快应用系统的开发速度。     

基于NHibernate的数据持久化方案

分析目前广泛使用的对象关系映射（ORM）组件——NHibernate,针对NHibernate的不足提出改进的ORM模型,根据该模型设计并实现基于.NET平台的轻量级ORM组件——MYPL,利用该组件无须编写任何映射文件即可实现对象关系映射等数据持久化操作,并能降低业务层和数据层之间的耦合,提高系统的扩展性、可维护性和应用系统的开发效率。     

面向对象技术中OR映射框架的研究与应用

在中小型应用系统开发中对象数据类型与关系数据库数据类型的转换成为面向对象技术开发中对象持久化问题的“瓶颈”。介绍了传统的对象持久化映射模型的架构．在此基础上设计实现了一种适合中小规模应用开发的OR（object／relational）映射框架，并在框架中应用合适的设计模式，大大方便了应用系统的维护和叠代开发。     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

基于元数据的对象关系映射研究

持久化框架较好地解决了关系型数据库的对象持久化问题,对象关系映射是持久化框架的核心内容。参考MOF标准,本文设计了面向对象和面向关系的元数据模型,在分析属性映射和关系映射的基础上,介绍了基于元数据的对象关系映射,最后讨论了利用XML技术的实现。     

嵌入路网图模型的自动驾驶场景描述语言

深度学习的快速发展带动着自动驾驶技术的迅速进步.深度学习感知模型在识别准确率逐步提升的同时,也存在鲁棒性和可靠性不足等隐患,需要在大量场景下进行充分测试以确保达到可接受的安全标准.基于场景的仿真测试是自动驾驶技术的核心和关键,如何描述和生成多样化仿真测试场景是需要解决的关键问题之一.场景描述语言能够描述自动驾驶场景并在虚拟环境中实例化场景获取仿真数据,但现有的场景描述语言大都缺少对于场景道路结构的高层抽象和描述.提出路网属性图来表示路网中抽象出的实体及他们的关系,并设计能简洁描述场景路网结构的语言SceneRoad. SceneRoad可以基于描述的场景道路结构特征构建路网特征查询图.这样,在路网中搜索符合描述的场景道路特征的问题被抽象为路网图上的子图匹配问题,该问题可用VF2算法求解.进一步地,将SceneRoad作为扩展集成到Scenic场景描述语言中.使用拓展后的语言随机生成大量多样的静态场景并构建仿真数据集.仿真数据集的统计信息表明生成的场景具有丰富的场景多样性.不同感知模型在真实和仿真数据集上的训练测试结果表明,模型在两个数据集上的表现呈正相关,意味着模型在仿真数据集上的评估...     

一种基于DAO设计模式与Hibernate框架的数据持久化层模型

分析了DAO设计模式与Hibernate框架的工作原理,研究了Hibernate进行持久化操作的核心API.设计了一个结合DAO设计模式与Hibernate框架的数据持久化层模型.最后,详细描述了该模型在具体应用中的实现过程.     

交叉口信号控制方案描述仿真模型

提出了一种交叉口多相位信号控制方案描述仿真模型，该模型较好地反映交叉口信号控制方案及其在仿真时段内的动态变化过程，为交通仿真模型真实地反映路网交通状态以及利用仿真系统评价交叉口信号控制方案奠定了基础。     

基于Spring＋JPA框架的电子政务基础平台

电子政务基础平台主要是利用Intemet技术实现网络行政办公的一体化,以核心Spring API作为系统后台管理,对各个窗口的数据接口进行统一管理、分配;以持久化对象JPA（部分是用Hibernate）作为ORM对象去处理数据存储,其所引入的数据持久化编程模型利用Java5中的注释（Annotation）和对象／关系映射,为数据持久化提供了高效、易用的编程模式。结合电子政务自身的特点,对表现层和业务逻辑层进行严格的分离,减少功能耦合,整体上构建高效、可靠、移植性高的基础系统平台。     

拥堵程度时变的随机路网可变元胞传输模型

为了描述拥堵程度时变的随机路网,提出了一种新的可变元胞传输模型。该模型是以路网各车道为基础,将各车道分为车道元胞和交叉口元胞。同一车道的两个元胞“此消彼长”,相互作用。分别建立两种元胞模型,将车道元胞的平均车速和交叉口元胞拥堵程度作为模型输出。根据模型输出结果判断各车道元胞和交叉口元胞的拥堵程度。为描述路网的随机特性,建模及仿真数据的设置增加了路网的随机性。仿真结果表明：路网中各车道元胞和各交叉口元胞的拥堵程度时变,提出的可变元胞传输模型能够描述路网的随机性。     

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性.针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型.该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对...     

基于道路网络的受限优化路径搜索算法

为刻画基于道路的景区空间相关情况,通过定义道路网络模型、道路受限距离、R-半径近邻道路等概念,提出受限的空间自相关指标及优化道路路径算法SRP,用于搜索景区路网中景点的最邻近道路及计算道路长度。利用MapInfo格式的贵州省城市主干道数据进行实验,结果表明,SRP算法能快速找到最优道路路径。     

基于自监督学习语言模型的罪名预测研究

针对解决法律判决预测中的罪名预测问题,为了更高效地捕捉案件事实描述中上下文的语义信息,提出了一种结合ALBERT（A Lite BERT）和卷积神经网络CNN（TextCNN）的中文罪名预测模型ALBT。模型利用ALBERT模型将法律文本的事实描述转化成向量表示,提取事实描述中的关键特征,把提取到的特征送入卷积神经网络TextCNN模型中进行分类预测,最终完成对事实描述中的罪名预测。实验在2018“中国法研杯”司法人工智能挑战赛构建的数据集上精度达到了88.1%。实验结果表明,模型在中文罪名预测上能够达到更好的预测效果。     

基于改进MFCC融合特征及FA-PNN的驾驶员路怒情绪识别

现今关于驾驶员路怒情绪识别方法中语音特性分析相对较少,该研究以路怒情绪为研究对象,利用模拟驾驶系统建立数据集,通过分析驾驶员语音的频谱特征,将时域中短时能量及短时过零率特征参数和改进Mel频率倒谱系数（Mel frequency cepstral coefficients,MFCC）特征参数融合构成特征参数向量,利用萤火虫算法（firefly algorithm,FA）优化PNN神经网络（probabilistic neural networks）并构建识别模型,实现驾驶员路怒情绪的识别。实验结果表明,在相同神经网络下,改进MFCC融合特征提取方法相比传统MFCC特征提取方法具有更好的抗噪性。同时,FA-PNN模型的识别准确率为93.0%,相比传统PNN模型提高了11个百分点;F1-Score值为0.932 8,提高了0.104 7。该研究论证了语音信号处理技术对驾驶员路怒情绪识别的可行性,为汽车主动安全驾驶预警研究提供了新方法。     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于Katz自动编码器的城市路网链路预测模型

城市交通道路网络（以下简称“路网”）是一种特殊的复杂网络,对路网进行链路预测在城市规划与城市结构演化方面有着重要的应用价值。针对路网的高度稀疏性、高度非线性特点,提出了一种基于Katz相似度自动编码器（Katz Auto Encoder Network Embedding,KAENE）的路网链路预测模型,它是一种基于自动编码器的深度学习网络嵌入模型,使用Katz相似度矩阵保存路网的结构特征,利用多层非线性自动编码器对路网进行网络表征学习,在模型训练阶段通过局部线性嵌入损失函数保存路网的局部特征,在此基础上引入L2范数来提高模型的泛化能力,最后结合路网的方向性特征提高路网的链路预测精确度。通过实验对比了KAENE模型与其他链路预测模型在国内外的不同城市路网数据上的表现以及不同嵌入维度对KAENE模型预测精度的影响,最后通过可视化了解了模型的网络表征学习过程。实验结果表明,KAENE在国内外6个具有代表性的路网数据集的链路预测任务中取得了良好的表现。     

High-resolution Remote Sensing Image Road Extraction Method for Improving U-Net

Accurate and efficient extraction of road information based on remote sensing image is a great significance for the establishment and maintenance of basic geographic databases. Due to the complex background information of high-resolution remote sensing images, existing algorithms cannot extract road information very well. U-Net network has good experimental results in image segmentation, but the accuracy of road segmentation results is not good. For this reason, this paper proposes a high-resolution image road extraction method based on improved U-Net network. Firstly, the U-Net-based network structure is designed and implemented. The network uses VGG16 as the network coding structure, which can extract feature semantic information better. Secondly, the use of Batch Normalization and Dropout solves the phenomenon of over-fitting that occurs during the network training process. Finally, the training data is expanded by rotation and mirror transformation, and the ELU activation function is used to improve the network training speed. The experimental results show that the method can extract road information more accurately and efficiently.     

一种改进U-Net的高分辨率遥感影像道路提取方法

从遥感影像中准确高效地提取道路信息,对基础地理数据库的建立与维护具有重大意义。高分辨率遥感影像背景信息复杂,导致现有算法无法较好地从中提取道路信息。U-Net网络在图像分割方面有较好的实验效果,但道路分割结果准确性不佳,因此,提出了一种改进U-Net网络的高分辨率影像道路提取方法。首先,设计基于U-Net的网络结构,将VGG16作为网络编码结构,可更好地提取特征语义信息;其次,利用Batch Normalization与Dropout解决网络训练过程中出现的过拟合;最后,对训练数据利用旋转与镜像变换进行扩充,采用ELU激活函数,提升了网络训练速度。实验结果表明：该方法可以较为准确高效地提取道路信息。     

区域停车诱导信息发布板的选址优化算法

为解决城市区域停车诱导信息系统（PGIS）中的诱导信息板选址问题,提出以诱导量为目标,以停车场对驾驶员的吸引能力、诱导信息发布板的影响范围、发布信息可信度的衰减、通往停车场的道路情况、诱导信息发布板的疏密程度和每个停车场至少被诱导一次作为约束条件建立模型。采用改进混合蛙跳算法（ISFLA）对所建数学模型进行求解,在一个网格型的路网进行仿真实验,并对求解过程进行阐述说明。结果表明,该模型可以应用在停车诱导信息系统中,合理地分配诱导信息发布板的位置,使其得到最大诱导量,方法具有可行性。     

融合LSD算法与深度学习的开关状态检测方法

针对工业复杂环境下设备维保成本高、视觉检测落地周期长等问题,并根据建筑信息模型（Building Information Modeling,BIM）具有与现实场景空间一致,场景视角灵活可调以及可以模拟各类光照条件等优点,提出一种在BIM环境下融合LSD（Line Segment Detector）直线检测与深度学习的设备开关状态检测方法。通过检测图像直线段信息,并基于开关盒边沿特征对直线段进行筛选,实现在图像中框定开关盒位置生成图像数据集,进而输入到YOLOv3（You Only Look Once version3）网络训练生成深度学习模型。将深度学习网络框架部署到边缘设备,在边缘侧对真实环境下开关盒工作状态进行检测。实验结果表明,该方法能够在短时间内实现BIM环境下识别检测机柜设备上的开关盒工作状态,并对真实环境下开关盒工作状态检测具有良好适应性。