一种时间序列相似性的快速搜索算法

时间序列数据库中相似子序列的搜索,常用滑动窗口、分形插值逼近等方法将时间序列分割成各子序列,线性拟合各分段子序列,计算查询序列与各子序列的欧氏距离,满足距离阈值条件的为相似子序列.这些方法忽略了时间序列本身的位置和连贯特性.为此提出时间序列变化关键点的概念,以检索出的关键点为边界分割时间序列,线性拟合各分割的子序列,计算查询序列和各子序列的形态距离,快速搜索出相似子序列.     

一种团购商品的个性化推荐算法研究

团购商品凭借其价格优惠和能够亲身体验的优势越来越得到人们的青睐.为帮助团购网站实现个性化营销,将用户购物过程中的上下文环境因素融入到传统的推荐算法中,提出了一种基于上下文感知的推荐算法,基于用户相似和物品相似中加入上下文信息相似,构造了计算商品预测评分的公式,进而得到推荐列表,使个性化推荐体现得更加充分.     

时间序列的模式距离

为了有效度量时间序列变化趋势的相似性,基于时间序列的分段线性表示,针对变化趋势,提出时间序列的模式模型表示.该模式模型表示不对测量尺度进行标准化处理,实现了模式距离的快速计算.序列模式距离克服了以点距离为基础的时间序列误匹配以及物理概念不明确等缺陷.对应于时间序列线性分段数目的不同,模式距离体现了多分辨特性,可以有效反应不同分析频率下时间序列的相似程度.     

旅游景点个性化导航及服务的研究与应用

将普适计算的概念应用到旅游景点,采用游客模型、景点模型、服务设施模型来获取各种上下文信息,为游客提供个性化导航及服务.给出了Myguide的系统原型实现,说明所提出的系统关键技术的可行性.     

一种普适环境下动态演化模型的研究

针对普适计算下内外环境多变的特性,并利用具有灵活性,适应性的体系结构方法,提出了一种自适应演化模型,通过对自适应演化模型的抽象,描述了结构功能内部各层的原理,并使用具有高敏感度的上下文感知机制来获得适应性的变化的原因与时机,并描述了该模型的自适应演化过程,以达到面向运行时刻软件体系结构的动态自适应。     

下一代网络环境中上下文感知应用提供框架

上下文感知是遍布计算中的一项重要技术,其应用已经成为下一代网络环境中业务开发的一个热点.为了更好地支持下一代网络中的上下文感知业务提供,结合上下文感知概念和面向服务的思想提出上下文服务,给出了适合于下一代网络环境的上下文感知业务提供通用框架CASPGA(Context-Aware Service Provision General Architecture),并详细讲述其功能结构和实现技术,从而可以更加方便地开发出各种上下文感知应用.     

融合异常QoS数据检测的安全云服务选择方法

为了检测异常的QoS数据并提高云服务选择算法的精度,提出一种融合异常QoS数据检测的安全云服务选择方法。给出云环境下用户上下文环境的定义,利用上下文环境计算目标用户的相似上下文环境。通过改进的K-means算法过滤历史QoS数据中异常的QoS数据,利用过滤后的数据预测云服务的QoS值,进行云服务的选择。实验结果表明,该方法能够有效地从历史的QoS数据中检测出异常的QoS数据,降低了异常QoS数据干扰云服务选择结果的可能性,具有更高的预测精度。     

基于D-Markov模型的金融波动模式识别

将小波变换与符号时间序列分析相结合,引入工程领域的D-Markov模型,提出了一种用于金融波动变化模式识别和异常检测的方法。波动序列经过离散小波变换,产生小波系数序列,将小波系数序列符号化产生符号时间序列,建立符号时间序列的D-Markov模型,并求状态转移概率矩阵,计算各状态转移概率矩阵的状态概率向量与标准状态转移概率矩阵的状态概率向量之间的欧拉距离,从而得到异常度。基于得到的异常度识别金融波动变化模式,检测异常波动的发生。以上证综指的5分钟序列为样本实证分析,对该方法的可行性和有效性进行了验证。     

一种变步长趋势子序列搜索算法

为了克服基于点距离的时间序列相似性搜索物理概念模糊和速度慢的缺点,提出时间序列的分段趋势序列(PTS)概念,并在此基础上提出一种变步长趋势子序列搜索算法.该算法基于时间序列分段线性表示理论,通过相似阈值和子序列间的趋势距离计算跳跃步长,从跳跃步长后开始的子序列进行下一次匹配,从而对全序列实现跳跃式搜索.理论分析和仿真结果表明,该算法对基于趋势表示的子序列搜索在时间和空间上都具有更优的性能,适用于时间序列的动态特征分析.     

普适环境下的多Agent协同框架的研究

根据普适计算的特点,提出了一种多agent协同框架模型.考虑到普适计算环境下移动设备的交互和多通道的信息集成,该模型在已有多agent协同设计框架模型上增加了相应的a-gent,并且在设计agent的结构中包含了通道识别、上下文生成及多通道信息整合模块,以处理多通道的信息.详细介绍了在该agent模型中基于设计上下文的知识表示,以及协同设计系统中多agent知识共享的方法.该研究对于普适计算在设计领域中的应用有重要的意义.     

客户端上下文感知的Web服务QoS预测方法

识别用户客户端的上下文特征的差异性,有助于为新用户预测Web服务QoS,但现有研究缺乏对影响用户QoS体验的上下文特征的系统分析。提出了一种客户端上下文感知的Web服务QoS预测方法,该方法通过量化分析客户端的上下文特征,应用模糊层次分析法计算历史用户与当前用户的上下文相似度,并以该相似度结果为指导,结合协同过滤技术,以特征加权合成方法预测Web服务的QoS值。通过实验对比和分析可知,该方法能有效解决“新用户问题”,并提高Web服务QoS预测的精度。     

洪水相空间预测

混沌理论不仅为认识洪水变化规律提供了新的观点，同时也为洪水预测方法提供了新的途经。本文简要论述洪水时间序列相空间预测途经的理论背景．基本方法及缺点．     

基于用户行为序列特征的位置预测模型

针对现有位置预测研究中忽略用户行为序列特性、预测精度提升受限的问题,提出了基于用户行为序列特征的位置预测模型.首先以人工提取的方式构建用户行为的序列特征,融合到位置预测模型中,构造了基于行为序列特征的循环神经网络模型（BCP-RNN）;借助RNN模型循环结构的特点,自动学习行为序列特征,并引入位置预测模型,构造了3层对称循环神经网络模型（TS-RNN）.实验结果证明,引入行为序列特征的BCP-RNN和TS-RNN模型,其预测性能均高于现有的位置预测模型,验证了行为序列特征对挖掘用户移动模式的重要性.相较于人工提取行为序列特征的BCP-RNN模型,TS-RNN不仅节省了人工特征提取的成本,还弥补了人工分析的片面性造成的偏差,具有更高的预测性能.     

基于时间序列相似性匹配算法的地震预测研究

把匹配抽象时间序列相似性的方法引入到地震预报的应用中,结合大量地震历史源数据,地震领域的专家经验知识和相关成果基础上,提出了一种简化的抽象时间序列匹配模型。该模型在对海量数据进行预处理筛选的基础上在进行时间相似性匹配,增加了横向和纵向多方位地区和多方位时间段的匹配,不同时间差和阈值的匹配,并通过大量实验对该模型进行了反复验证,同时对我国地震频繁地区近几十年的地震历史数据进行了相似性匹配实验分析,取得了可信度较高的实验结果,实验结果验证了所给时间序列相似性匹配控制策略的有效性、实用性以及算法的优越性。     

公交专用道条件下公交车辆轨迹的Seq2Seq预测

即使在公交专用道条件下，因受前方车辆、站台通行能力、行人过街等因素影响，由路段上游到下游停车线持续一定时长的公交车辆轨迹仍然表现出较强的不确定性. 简单场景下的单一目标时间序列模型难以有效应对不确定性对公交车辆轨迹预测的影响. 针对上述问题，提出将车辆通过路段的整体轨迹表示为由多个相对简单的局部时间序列顺序组成的高维时间序列，应用循环神经网络的单层和多层循环编码器-解码器结构建立高维时间序列中局部序列和整体序列的映射关系，从当前时段轨迹序列开始依次循环预测每个局部序列直到获得未来时段的整体序列. 在实验验证中，采用杭州市文三路公交线路的实测GPS轨迹数据对2种结构进行训练和测试. 结果表明，所提方法优于现有流行的多步循环序列到序列方法，其中多层结构预测结果和复杂场景的泛化性能均优于单层结构.     

基于局部上下文的超光谱图像压缩方法

根据超光谱遥感图像有很强谱间相关性成像特点,及局部上下文三维预测方法的思想,设计三种适合超光谱图像的预测方法,并进行比较,选择其中的谱间LOCO-I预测方法.该方法是将前一波段像素值作为预测像素的基准值,根据谱间像素变化规律来选择修正梯度项.实验表明该预测方法具有很好的压缩效果.     

基于多时间尺度相似性的涡扇发动机寿命预测

针对传统相似性方法在提取健康指标和相似性匹配上存在的不足,提出结合自编码器神经网络的基于多时间尺度健康指标相似性的预测方法（AE MTS-HI）. 采用自编码器从状态监测数据中提取表征发动机退化状态的健康指标,降低提取过程非线性信息的损失. 将测试退化轨迹长度的波动纳入考量,针对性地设计多时间尺度的健康指标进行相似性匹配. 这不仅可以克服单一时间尺度匹配导致的精度限制,而且可以提高预测的鲁棒性. 在涡扇发动机的公开数据集上验证所提方法的性能. 结果表明,利用该方法能够显著提升剩余使用寿命（RUL）的预测精度,为预知维护提供有力支撑.     

主梁变形预报的改进非等间隔权重灰色修正模型

针对斜拉体系加固张拉施工阶段主梁变形难以预报,传统非等间隔灰色模型在其应用中存在精度低的问题,提出了一种马尔科夫链残差修正的改进非等间隔权重灰色主梁变形预测模型。首先,该模型将主梁变形量和索力差分别看作传统非等间隔灰色模型中的原始数据列和时间差,考虑在累加生成和累减还原过程中是否引入权重分配系数,构建了4种不同的非等间隔权重灰色预测模型,并依据相似度准则确定相应的最优权重分配系数和最佳计算模型,提高预测精度;然后,采用马尔可夫链法反映出主梁变形残差序列的随机波动特征,从而对改进非等间隔权重灰色模型的预测值进行修正,较好地弥补了单一预测模型预测精度偏低的不足,进一步提高模型的预测精度;最后,通过该模型对斜拉体系加固主梁变形进行预测。研究表明,相对传统非等间隔灰色模型,在模型累减过程中引入权重分配系数后的模型相对误差平均值降低0.47%;采用马尔可夫链法对预测结果进行修正后,相对误差平均值降低10.32%,能显著提高预测模型的精度;与马尔科夫链修正后的传统模型相比,经累减还原优化后的修正模型相对误差平均值降低3.50%,预测精度更高,能够较好地反映出了斜拉体系加固主梁变形的发展趋势;该模型的核心理论是灰色系统理论,对实测数据并无特殊要求和限制,同样适应于其他工程领域的变形预测问题。     

目标检测强化上下文模型

强化上下文模型中的强化上下文模块（ECM）利用双空洞卷积结构，在节省参数量的同时，通过扩大有效感受野来强化浅层上下文信息，并在较少破坏原始SSD网络的基础上灵活作用于网络中浅预测层，形成强化上下文模型网络（ECMNet）. 当输入图像大小为300×300时，在PASCAL VOC2007测试集上，ECMNet获得的均值平均精度为80.52%，在1080Ti上的速度为73.5 帧/s. 实验结果表明，ECMNet能有效强化上下文信息，并在参数量、速度和精度上达到较优权衡，优于许多先进的目标检测器.     

嵌入注意力机制并结合层级上下文的语音情感识别

由于情感语料问题、情感与声学特征之间关联问题、语音情感识别建模问题等因素,语音情感识别一直充满挑战性.针对传统基于上下文的语音情感识别系统仅局限于特征层造成标签层上下文细节丢失以及两层级差异性被忽略的缺陷,本文提出嵌入注意力机制并结合层级上下文学习的双向长短时记忆(BLSTM)网络模型.模型分3个阶段完成语音情感识别任务,第1阶段提取情感语音特征全集后采用SVM-RFE特征排序算法降维得到最优特征子集,并对其进行注意力加权;第2阶段将加权后的特征子集输入BLSTM网络学习特征层上下文获得最初情感预测结果;第3阶段利用情感标签值对另一独立BLSTM网络训练学习标签层上下文信息并据此在第2阶段输出结果基础上完成最终预测.模型嵌入注意力机制使其自动学习调整对输入特征子集的关注度,引入标签层上下文使其联合特征层上下文实现层级上下文信息融合提高鲁棒性,提升了模型对情感语音的建模能力,在SEMAINE和RECOLA数据集上实验结果表明:与基线模型相比RMSE和CCC均得到较好改善.