基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。     

基于教师-学生时空半监督网络的城市事件预测方法

离散时空事件预测是城市计算领域中的重要科学问题之一.现有工作主要聚焦于使用多样化的时空神经网络对城市动态特征与事件时空关联进行建模,且已经取得了一定成效,但仍然存在以下问题：首先,城市事件具有诱因多源和时空稀疏性,而这种时空稀疏性可能同时源于事件本身的稀少性和采集的不完整性,现有工作尚未能解决短期预测中的稀疏性挑战及零膨胀问题;其次,已发生事件倾向于继续向周边区域传播事件风险,但由于现有工作同质化了动态特征和事件之间的交互关联,因此其不能捕捉历史事件对未来事件风险带来的交互影响.鉴于此,为协同地利用事件标记信息和时空特征,本文提出基于教师-学生时空半监督学习框架以预测短期离散事件的时空分布.在教师网络中,为应对事件标记的稀疏性,本文在时空学习中引入半监督机制,提出基于自编码器的特征重建和时空方差异常描述引导的动态特征表示学习;在学生网络中,本文设计了特征-事件解耦的双管道学习机制,并提出时空衰减图卷积网络与长短期记忆网络来模拟事件在时空范围内发生的风险传播.此外,本文发展了时空多粒度预测机制,通过易学的粗粒度预测任务指导细粒度的高质量预测,最终实现粗-细粒度协同提名的离散时空事件预测....     

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...     

基于大数据的网络实时客户感知主动运维研究

针对移动客户体验掌控难和网络主动运维难的现状，本文基于网络信令大数据，以“五元五阶”时空模型和基于“异常事件聚集性”的大数据精准分析模型作为理论基础，借助HASH、B+树等基于内存预处理技术及人工智能算法，实现分钟级2G/4G/5G全制式实时感知指标监控、业务感知异常智能监测和问题自动定界能力，最终实现面向用户感知端到端实时主动运维保障。在先于故障发现问题，先于投诉解决问题和减少运维成本等方面发挥了重要作用，并可提供人流量实时监测等社会化服务。     

基于大数据的网络态势感知体系架构

在分析网络态势感知的目标和所面临的严峻形势基础上,对网络态势感知的研究框架进行了简要的介绍,在此基础上对经典的网络态势感知模型JDL模型和BASS模型进行进一步描述。结合目前大规模网络态势信息的大数据特性,提出基于大数据的网络态势感知体系架构设想,探讨大数据流式处理技术、并行计算技术、关联规则分析技术、基于证据理论与模糊逻辑相结合的态势评估技术以及基于神经网络的态势预测技术等在体系架构中的分层应用。并以此架构为基础,提出未来需要进一步深入研究的关键技术和研究方向。     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.     

基于信息感知平台的社交网络大数据分析

随着时代的进步和社会经济的发展，特别是科学技术的革新与应用，开始逐步兴起了社交网络，那么就从数据方面推动了城市感知的发展。但是因为它的数据复杂程度较高，那么就增加研究的难度。本文以某城市信息感知平台为例，对面向城市的信息感知技术进行了深入的研究；研究结果表明，基于社交网络，对城市规模的计算模型进行构建，可以对城市发展的进程进行更加有效的感知，将城市运行规律给找出来，促使智能城市的目的得到实现。     

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.     

基于图注意力机制的城市路网短时交通速度预测

针对城市路网短时交通速度预测问题,在考虑路网交通状态时空相关性的情况下,提出一种基于图注意力机制的预测方法。该方法利用图注意力网络(GAT)和门控循环单元(GRU)构建了GAT-GRU模型,在路网层面对交通状态的时空相关性进行有效地建模,进而预测路网短时交通速度。以城市道路网的交通速度数据为数据源展开数值实验,结果表明GAT-GRU模型的表现均优于对比模型。     

一种基于网格划分的有向传感网时空覆盖调度算法

针对有向传感器网络中的时空覆盖调度问题进行研究,从有向传感器节点感知模型出发,设计了基于网格划分的网络基本区域生成方法,在此基础上提出了节点最大覆盖调度迭代选择MaxGreedy算法.通过仿真实验验证了网格划分方法的有效性,设计了一系列的时空覆盖算法对比实验,深入评估MaxGreedy算法的性能.对比试验结果表明,MaxGreedy算法可以高效地生成网络的节点调度模式,并在一定程度上提高网络的时空覆盖率.