基于语义扩展与注意力网络的问题细粒度分类

针对问题文本细粒度分类中文本特征稀疏、文本整体特征相似、局部差异特征较难提取的特点,提出基于语义扩展与注意力网络相结合的分类方法。通过依存句法分析树提取语义单元,在向量空间模型中计算语义单元周围的相似语义区域并进行扩展。利用长短期记忆网络模型对扩展后的文本进行词编码,引入注意力机制生成问题文本的向量表示,根据Softmax分类器对问题文本进行分类。实验结果表明,与传统的基于深度学习网络的文本分类方法相比,该方法能够提取出更重要的分类特征,具有较好的分类效果。     

隐马尔可夫模型的道路拥堵时间预测

道路车辆拥堵问题导致交通事故增加,降低了居民的出行效率,长时间的道路拥堵更是加重了环境污染,造成国家经济损失等诸多问题。为缓解城市道路交通的拥堵问题,提高出行效率,基于隐马尔可夫模型,针对已有道路拥堵时间数据进行采集与建模,并对该隐马尔可夫模型进行训练,通过算法计算与分析,预测未来一段时间的道路拥堵情况,为人们的出行提供拥堵时间预测,而后提出不同时段通过道路用时最短的最优路径。对韦尔奇算法进行改进,在原算法基础上增加考虑前n时刻状态。利用改进型韦尔奇算法,使得训练集参数更精确,达到预测精度更高的目的。实验结果表明,预测数据结果与真实数据相比,误差不超过3%,该模型预测结果具有较高准确性。     

基于时间着色Petri网的建筑火灾疏散系统建模与仿真

为缓解建筑火灾疏散时间长且效率低问题,基于时间着色Petri网的理论,针对某建筑的结构特点进行建模并进行性能分析。通过算法计算与分析,合理规划不同类型人员的不同疏散通道选择,并对模型进行时间模拟仿真,提高建筑内人员疏散效率。提出带有建筑火灾疏散因素的管理疏散方法,增加相关的颜色集和时间戳,并在原模型中融入算法计算,模拟火灾疏散时间,并提出不同类别人员疏散引导的方案。达到疏散用时更短、效率更高、伤亡率更低的目标。实验结果表明,相比于其他模型,融入管理疏散算法的时间着色Petri网模型,人员平均疏散时间降低6.9 s,具有较高疏散效率。