基于深度跨模态信息融合网络的股票走势预测

股票走势预测是经典且具有挑战性的任务，可帮助交易者做出获得更大收益的交易决策。近年来，基于深度学习的股票走势预测方法的性能得到明显提升，但现有方法大多仅依托于股票价格的历史数据来完成走势预测，无法捕捉价格指标之外的市场动态规律，在一定程度上限制了方法的性能。为此，将社交媒体文本与股票历史价格信息相结合，提出了一种基于深度跨模态信息融合网络(DCIFNet)的股票走势预测新方法。DCIFNet首先采用时间卷积操作对股票价格和推特文本进行编码，使得每个元素对其邻域元素都有足够的了解；然后，将结果输入到基于transformer的跨模态融合结构中，以更有效地融合股票价格和推特文本中的重要信息；最后，引入多图卷积注意力网络从不同角度描述不同股票之间的相互关系，能够更有效地捕获关联股票间的行业、维基和相关关系，从而提升股票走势预测的精度。在9个不同行业的高频交易数据集上实施走势预测和模拟交易实验。消融实验及所提方法与用于股票预测的多管齐下的注意力网络(MAN-SF)方法的比较结果验证了DCIFNet方法的有效性，准确率达到了0.630 9,明显优于领域内代表性方法。     

利用Barnsley蕨作为陷阱构造伪3D牛顿变换的广义M-J集

本文将P ickover、Carlson和叶瑞松的陷阱技术进行了改造,以Barnsley蕨类植物叶子(简称Barnsley蕨)作为陷阱,并提出了双陷阱技术。将Carlson和叶瑞松采用静态陷阱由陷入法构造复多项式F(z)=z4 (c-a0)z2-a0c的伪3D牛顿变换的准M集的方法进行了推广,利用Barnsley蕨陷阱构造并研究了复多项式F(z)=zα (c-a0)zβ-a0c(α,β∈R,且α>β≥2)伪3D牛顿变换的广义M-J集。研究表明:(1)无论α和β取何正整数值,广义M集中都存在着由坏点组成的经典M集,且经典M集的指向随α和β的不同而不同;(2)广义M-J集中存在具有3D效果且与对应陷阱形状相近的大小不同的彩色元素,并具有自相似特征;(3)α和β为正小数时,相角θ主值范围的不同选取将导致广义M-J集的不同演化。     

基于人群移动模式先验的兴趣点推荐

兴趣点推荐是基于位置的社交网络中的一项重要任务，为用户提供个性化的地点推荐。然而，当前的兴趣点推荐方法主要学习用户在兴趣点上的签到历史和用户间的社交关系网络，城市人群出行规律无法得到有效利用。首先提出了人群移动模式提取框架(Human Mobility Pattern Extraction, HMPE),利用图神经网络作为人群移动模式的提取器，引入注意力机制捕获城市交通模式的时空信息。HMPE通过制定下游任务，设计上采样模块将表征向量还原为任务目标，实现端到端的框架学习训练，完成人群移动模式提取器的预训练。其次，提出了兴趣点推荐算法HMRec(Human Mobility Recommendation),引入了人群移动模式的先验知识，使得推荐结果更符合城市中的人类出行意愿。对比实验结果显示，HMRec的表现优于基线模型。最后，讨论了兴趣点推荐存在的问题和未来的研究方向。     

面向3D打印的自支撑连通性填充结构设计

针对大多数3D打印轻质化填充结构因不能够自支撑而导致模型无法打印成型,额外添加支撑结构又会造成模型内部残留打印材料无法排出的问题,提出一种面向3D打印的自支撑连通性填充结构设计方法.首先,基于每层打印切片构建填充结构;其次,通过调整参数来控制不同层正三角形连续地周期性变化,实现填充结构的自支撑性和连通性;最后,根据每层的几何信息生成可以直接用于打印的G-code文件.通过进行打印实物、打孔灌水和力学测试实验,实验结果表明,该方法可以打印具有不同自支撑角度且包含2个连通区域的填充结构,与5种典型填充结构相比,该填充结构力学性能良好.     

大规模RFID系统中未知标签的快速可靠识别

未知标签的存在可能会给供应链系统、仓储管理等带来不可忽略的经济损失或安全隐患，因此未知标签的识别研究对射频识别系统意义重大。为减少冲突时隙的比例，传统协议通常需要设置较大的帧长，导致对未知标签识别效率较低，且协议中大多存在冲突时隙被直接废弃、时隙利用率低的问题。提出冲突分解法(CRM)协议，通过把大部分的冲突时隙转变为有用时隙，将没有未知标签参与的冲突时隙内已知标签灭活，对有未知标签参与的冲突时隙进行区分码的解缠绕，以提取并识别冲突时隙中的未知标签。通过优化帧长设置，提高时隙利用率，增大已知标签的灭活效率及未知标签的识别效率。实验结果表明，CRM协议对未知标签的识别效率分别可达到UTI-SBF、HUTI、PTI、FUTI协议的2.5、2.2、1.4、1.5倍。     

音频驱动跨模态视觉生成算法综述

由于音频驱动的跨模态视觉生成算法具有广泛地应用场景，近年来已得到产业界和科研界的广泛关注。音频和视觉为人们日常生活中最重要和常见的 2 种模态，然而设计一种能够创意地想象出与音频相对应的视觉场景一直是一个巨大挑战，目前关于音频驱动的跨模态视觉生成问题在已有文献中尚未得到系统而全面地研究。针对现有音频驱动的跨模态视觉生成算法进行概述，并将其分为音频到图像、音频到肢体动作视频和音频到说话人脸视频 3 类。首先阐述其具体应用领域与主流算法流程，并对涉及框架技术进行解析，然后按照技术推进的顺序对相关算法的核心内容与优劣势进行阐述，并解释其生成表现效果，最后对目前领域内所面临的机遇和挑战进行讨论，给出未来研究方向。