基于关键点的时间序列模式表示

时间序列包含的数据量大、维数高、数据更新快,很难直接在原始时间序列上进行数据挖掘.借鉴时间序列线性分段的基本思想,提出了一种基于关键点的分段线性表示法,用关键点组成的直线段近似描述时间序列.将关键点作为时间序列的分割点,反映时间序列的主要特征,降低时间序列的维数,使整体误差达到最小.     

一种基于MPS的图像重建方法

提出了一种利用多点地质统计法实现图像重建的方法.由于传统基于线性降维的多点地质统计法不能有效处理非线性数据,因此引入等距特征映射以实现非线性数据的降维,并利用条件数据以提高重建图像的质量.实验证明,该方法有利于提高图像重建的有效性.     

面向服务的构件模型研究

对Internet平台下构件的运作机理和主流构件模型进行了分析,概括了面向服务的构件模型.该模型可实现在Internet环境下通过网络动态地发现和集成构件,并在平台和操作系统之间实现互操作性.     

基于多粒度和语义信息的中文关系抽取

中文关系抽取采用基于字符或基于词的神经网络,现有的方法大多存在分词错误和歧义现象,会不可避免的引入大量冗余和噪音,从而影响关系抽取的结果.为了解决这一问题,本文提出了一种基于多粒度并结合语义信息的中文关系抽取模型.在该模型中,我们将词级别的信息合并进入字符级别的信息中,从而避免句子分割时产生错误;借助外部的语义信息对多义词进行建模,来减轻多义词所产生的歧义现象;并且采用字符级别和句子级别的双重注意力机制.实验表明,本文提出的模型能够有效提高中文关系抽取的准确率和召回率,与其他基线模型相比,具有更好的优越性和可解释性.     

云服务中数据完整性验证技术综述

随着业务量的不断增长,越来越多的企业接受了云计算,数据也从本地迁移到了云端.这种新的数据存储模式也引发了众多安全问题,而如何确保云服务器中数据的完整性是其中的关键问题.数据拥有者亟需一个稳定、安全、可信的完整性审计方案,用于审核云服务器中数据的完整性和可用性.阐述了云计算环境下数据完整性系统模型和安全模型,以及云存储数据完整性审计的研究现状,并重点分析了部分经典方案,通过方案对比,指出当前方案存在的优点、缺陷,以及云服务中数据完整性验证当前仍然面临的安全与隐私挑战,并探讨了该领域未来的研究趋势.     

基于手机位置数据的个体行为规律研究

研究个体在不同时间的行为规律性,以及不同个体行为之间的相似性,可以为个性化推荐以及基于位置的服务提供帮助.从手机的基站位置数据中,通过聚类方法找到参考位置,并根据参考位置,将人们杂乱无章的行为转变为到达和离开的二进制时间序列.定义二进制时间序列的相似度,利用异或算法检测个体行为模式.在Reality数据集上的实验结果表明,该方法是有效且可靠的.     

Internet平台下的构件描述模型

为了使构件使用者能很容易地理解构件的功能及其属性，对构件作一个清晰的描述是非常必要的。随着构件技术和Internet技术的发展，构件的结构和构件软件框架发生了变化，急需一种能描述在Internet平台下的构件的描述模型。本文概括出一个四元组的构件描述模型，为构件异构问题的解决提供了一种方法。     

基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network, PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit, MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。     

基于残差时序图卷积网络的交通速度预测

准确的交通速度预测是现代智慧交通系统中重要的组成部分，对解决交通拥堵和保障公众出行安全具有重要的意义。针对现有的交通预测模型存在对交通速度中长期预测任务效果不是很好的问题，提出一个新的基于残差时序图卷积网络深度学习框架RSATCN。首先利用可学习的遮罩矩阵和图卷积网络相结合来捕捉空间特征，再利用时间注意力提取时间序列的动态相关性，最后用残差时序网络捕捉时间特征和速度特征。在两个真实世界的数据集上的实验表明，提出的模型在预测交通速度中长期任务方面优于最新的基线。     

基于信息熵的异常检测算法

针对K-means异常检测算法检测性能低的问题,提出了一种结合信息熵与改进K-means算法的异常检测算法。该算法均匀地选出密度大于数据集平均密度的数据对象作为初始聚类中心,避免了初始中心的随机选择。在此基础上,引入了信息熵确定属性权重的方法来计算簇中数据点与该簇聚类中心的加权欧氏距离,通过对比簇中数据点的加权欧氏距离与该簇中所有数据点的平均加权欧氏距离来进行异常检测。实验表明,改进算法具有更高的检测率和更低的误检率,应用于电力负荷数据时检测率达到了90. 5%,能够有效地检测出异常的负荷数据。