城市路网中考虑多方影响的电动汽车能耗预测

为加快电动汽车行业低碳发展进程,调整交通运输领域能源组成结构,对于电动汽车能量消耗方面的研究成为当下重点。文中分析了天气因素、社会因素以及路网线路特性等因素对道路行车速度的影响,构建基于平均速度预测的电动汽车能耗模型;提出考虑样本相似度的长短期记忆神经网络,对电动汽车平均速度进行预测,计算汽车行驶能耗,结合空调能耗得出单位里程电动汽车总耗电量;最后,基于杭州市交通路网进行算例分析,结果表明,对比传统LSTM神经网络与BP神经网络,改进的LSTM神经网络预测精度更高、泛化能力更强。     

句子级状态下LSTM对谣言鉴别的研究

针对目前网络谣言鉴别研究,文本学习往往会受到文本读入内容过长导致长距离信息丢失或者是为了捕捉局部信息而依赖于长期输入表示从而影响鉴别结果。通过提出S-LSTM(sentence-state long short term memory networks)算法在保留字词节点信息的同时对句子进行聚合,从而保留句子的局部和全局信息,进而提升网络谣言鉴别的精确性和有效性。与TextGCN、Bi-GCN、Att＿BiLSTM等几种深度网络谣言鉴别方法的对比中,该方法在两组模型测试上的准确率分别达到78.87%、90.30%,均取得了不错的效果,在考虑句子全局信息的情况下,其对谣言鉴别效果会有不错的提升。     

基于扩展的S-LSTM的文本蕴含识别

文本蕴含识别旨在自动判断给定的前提和假设(通常为2个句子)之间是否存在蕴含关系,是自然语言处理领域一项基础但富有挑战的任务.当前,主流的基于深度学习的模型通常分别建模前提和假设的语义表示,而没有把它们看作一个整体;另外,在捕获它们之间的语义关系时,大都没有同时利用句子级别的全局信息和短语级别的局部信息.最近提出的S-LSTM能够同时学习句子和短语的语义表示,在文本分类等任务上取得了较好的效果.基于上述情况,提出了一种基于扩展的S-LSTM的文本蕴含识别模型.一方面,把前提和假设看作一个整体,扩展S-LSTM以同时学习它们的语义表示;另一方面,在建模语义关系时,既利用句子级别的信息又利用短语级别的信息,以此获得更好的语义表示.在英文SNLI数据集和中文CNLI数据集上的实验结果表明：提出的模型取得了比基准模型更好的识别性能.