基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

BIM 空间关系数据的云存储与检索方法研究

随着工程项目体量的增大,模型中存在的空间关系更加复杂多样化,现有的建筑 信息模型(BIM)数据存储和检索方式无法满足使用要求。为了提高 BIM 中大量空间关系数据的 存储和检索效率,通过集成 BIM 与云计算技术,提出了一种 BIM 分布式负载均衡集群方案, 在此基础上利用弹性搜索框架(Elastic Search)和图数据库Neo4j实现了IFC空间关系数据的云存 储和检索,为海量 BIM 空间关系数据提供一种高效快速的云存储和检索方法。     

基于图神经网络的联合实体关系抽取

从非结构化文本中联合提取实体和关系是信息抽取中的一项重要任务。现有方法取得了可观的性能,但仍受到一些固有的限制,如错误传播、预测存在冗余性、无法解决关系重叠问题等。为此,提出一种基于图神经网络的联合实体关系抽取模型BSGB（BiLSTM+SDA-GAT+BiGCN）。BSGB分为两个阶段：第一阶段将语义依存分析扩展到语义依存图,提出融合语义依存图的图注意力网络（SDA-GAT）,通过堆叠BiLSTM和SDA-GAT提取句子序列和局部依赖特征,并进行实体跨度检测和初步的关系预测;第二阶段构建关系加权GCN,进一步建模实体和关系的交互,完成最终的实体关系三元组抽取。在NYT数据集上的实验结果表明,该模型F₁值达到了67.1%,对比在该数据集的基线模型提高了5.2%,对重叠关系的预测也有大幅改善。     

Inferencing hourly traffic volume using data-driven machine learning and graph theory

Traffic volume is a critical piece of information in many applications, such as transportation long-range planning and traffic operation analysis. Effectively capturing traffic volumes on a network scale is beneficial to Transportation Systems Management & Operations (TSM&O). Yet it is impractical to install sensors to cover a large road network. To address this issue, spatial prediction techniques are widely performed to estimate traffic volumes at sites without sensors. In retrospect, most relevant studies resort to machine learning methods and treat each prediction location independently during the training process, ignoring the potential spatial dependency among them.This paper presents an innovative spatial prediction method of hourly traffic volume on a network scale. To achieve this, we applied a state-of-the-art tree ensemble model - extreme gradient boosting tree (XGBoost) - to handle the large-scale features and hourly traffic volume samples, due to the model's powerful scalability. Moreover, spatial dependency among road segments is taken into account in the proposed model using graph theory. Specifically, we created a traffic network graph leveraging probe trajectory data, and implemented a graph-based approach - breadth first search (BFS) - to search neighboring sites in this graph for computing spatial dependency. The proposed spatial dependency feature is subsequently incorporated as a new feature fed into XGBoost. The proposed model is tested on the road network in the state of Utah. Numerical results not only indicate high computational efficiency of the proposed model, but also demonstrate significant improvement in prediction accuracy of hourly traffic volume comparing with the benchmarked models.     

BIM 模型相似度计算方法

针对从业者不论是想从本地模型库还是线上共享网站获取所需的BIM 模型只能靠 逐个查找、人工识读的方法,而模型的数量越来越多,获取符合需求的模型需要花费大量的时 间和人力的问题,提出了一种构件级BIM 模型相似度计算方法。从模型的构件出发,以BIM 通用交互格式工业基础类(IFC)文件作数据源,以通用数据标准IFC 2×3 为数据基础,首先提取 模型中构件的几何信息、语义信息等,并利用改进的方向包围盒(OBB)碰撞检测算法查找相连 构件;然后以构件为顶点、构件间连接关系为边将BIM 模型构建为邻接图模型,并用图编辑距 离算法计算邻接图模型的编辑距离;最后即可计算出不同模型之间的相似度。该方法以构件级 BIM 模型的相似度为依据可以大大提升BIM 模型的检索速度与准确率。     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

多目标依存建模在特定目标情感分类中的应用

特定目标情感分类旨在准确判别句子中目标的情感极性,现有的方法大多只对单一目标进行分析,而忽略了同一句中多个目标之间存在的依存性。为了有效建模目标之间的依存性,该文提出一种基于多目标依存建模的图卷积网络模型。首先,通过注意力机制对目标进行上下文语义编码;然后,根据句子的依存句法树构建多目标依存图,再根据多目标依存图使用图卷积网络对多个目标之间的依存性进行建模;最后,利用生成的目标表示进行情感分类。该模型在SemEval 2014 Task4 Restaurant和Laptop两个数据集上进行实验,结果表明,该文模型相比基于标准图卷积网络的模型性能有显著提高,在特定目标情感分类任务中更具竞争力。     

构件软件变更风险分析技术

构件软件相较于传统软件系统有更快的演化速度,对其变更进行有效的度量将有利于后期的维护活动.本文分别针对代码可见及不可见两种类型的构件,运用改进的构件依赖图建模,表示构件软件系统.分两步分析构件变更所带来的风险:首先在计算变更比例的基础上度量单个构件的变更风险,再通过将构件依赖图转化成构件依赖树来计算变更的构件集给系统所带来的风险.此外,结合实例系统的分析给出了所提出的变更风险度量的若干性质.     

医学图像深度学习技术:从卷积到图卷积的发展

以卷积神经网络为代表的深度学习技术推动神经网络在医学图像研究领域不断实现新突破。然而,平移不变性等理论假设限制了卷积神经网络在非欧氏空间数据中的表达能力,是医学图像深度学习技术亟待突破的瓶颈。图卷积技术不仅能够解决非欧氏空间数据的拓扑建模难题,还实现了空间特征提取,是深度学习技术全新的研究方向。本文对图卷积网络在医学图像领域的相关理论及其应用进行综述,旨在系统归纳和全面总结医学图像领域最新的图卷积理论、方法和实践,包括图结构视角下医学图像的专业采集、数据结构的剪枝转换以及特征聚类重构方法;图卷积网络的理论溯源,重要的网络架构和发展脉络;图卷积网络的优化方向和衍生出的跳跃连接、inception、图注意力等重要机制;图卷积网络在医学图像分割、疾病检测和图像重建等方面的实践应用。最后,提出了图卷积网络在医学图像分析领域仍亟待突破的瓶颈问题：1）多模态医学图像学习中,异构图的构建与学习任务的优化;2）特征重构和池化过程中,如何通过构图算法设计与神经架构搜索算法结合,以实现最优图结构的可学习过程转换;3）高质量图结构医学标注数据的大规模低成本生成与生成对抗网络的算法设计。随着人工智能技术的不断发展和医学影像规模的不断扩大,以图卷积为代表的深度学习方法必将在医疗辅助诊断领域取得更大的突破。     

Detecting logical relationships in mechanical,electrical, and plumbing (MEP) systems with BIM using graph matching

The increasingly complex design has gained difficulty in conducting the rule compliance checking for the Mechanical, Electrical and Plumbing (MEP) system in the design phase. Useful rule-checking systems could contribute to a quicker project delivery time. Currently, an efficient method for checking the logical relationship is still lacking. This study aims to propose an MEP rule checking framework using the subgraph matching technology. First, the MEP components in the BIM model are extracted by utilizing the application programming interface (API), and a graph database is established with point-based and curve-based instances being nodes and relationships, respectively. Second, the graph database is simplified to increase the speed of graph matching. Third, the rules, which regulate how the MEP components should be connected, are represented by a knowledge graph. Finally, rule checking is achieved by comparing the graph database against the knowledge graph, and the critical path in a sub-system is detected by calculating the betweenness centrality. A case study with a rail station is used to evaluate the approach where the overall model checking and rule checking are conducted on the original and simplified graph databases sequentially. The results show that the proposed approach could achieve the rule compliance checking at a high speed, and 6 unconnected instances along with 155 problematic pipe fittings have been found. Besides, the critical path for the selected ACS system is from the water-cooled chiller to the condenser water pump. The proposed framework could help in the overall model checking and rule checking process, improving the efficiency of BIM engineers. This research demonstrates that converting a BIM model into a graph database can benefit conventional BIM analysis methods by incorporating advanced technologies (e.g., artificial intelligence) to enable a more flexible and accurate MEP design process.     

基于图卷积网络融合依存信息的事件检测方法

句子级别细粒度的事件检测任务旨在对触发词进行识别与分类。针对现有事件检测方法中存在的过度平滑及缺乏依存类型信息的问题,提出了一种基于图卷积网络融合依存信息的事件检测方法。该模型首先使用双向长短期记忆网络对句子进行编码,同时根据依存分析构建多阶句法图和依存句法图;然后利用图卷积网络融合句子的依存信息,从而有效地利用多跳信息和依存标签信息。在自动文本抽取数据集上进行实验,在触发词识别和分类这两个子任务中分别取得了81.7%和78.6%的F1值。结果显示,提出的方法能更加有效地捕获句子中的事件信息,提升了事件检测的效果。     

基于空间形态数据的铁路通信数字工程设计系统

建筑信息模型 (building information modeling, BIM)技术作为建筑业实现信息化数字化转型的核心技术, 在铁路建设全生命周期中具有很高的研究价值. 在铁路通信机械室内、站场、区间设计中, 将铁路通信实体的空间位置、形状、大小、关系等空间形态描述数据化, 结合铁路通信设计规范、相关铁路BIM标准以及专业实际设计需求, 研究开发出铁路通信数字工程设计系统. 本系统以空间形态数据为支撑, 铁路工程实体结构分解标准为基础, 在三维环境下实现了铁路通信机械室内机柜设备的智能布设, 站场通信沟槽线缆的路径规划, 区间通信信息点位置的准确布置. 系统进一步基于数字工程模型和图论基本原理, 实现了从数字工程模型中获取逻辑关系并生成通信逻辑网图. 经实际工程验证, 系统对铁路通信数字工程设计效率和准确率都有较大提升, 从工程源头实现了铁路通信工程数字化成果交付和应用, 促进了铁路通信工程项目全过程技术升级和数字化模式革新.     

面向COVID-19疫情预测的图卷积神经网络时空数据学习

目的 当前的疾病传播研究主要集中于时序数据和传染病模型,缺乏运用空间信息提升预测精度的探索和解释。在处理时空数据时需要分别提取时间特征和空间特征,再进行特征融合得到较为可靠的预测结果。本文提出一种基于图卷积神经网络（graph convolutional neural network,GCN）的时空数据学习方法,能够运用空间模型端对端地学习时空数据,代替此前由多模块单元相集成的模式。方法 依据数据可视化阶段呈现出的地理空间、高铁线路、飞机航线与感染人数之间的正相关关系,将中国各城市之间的空间分布关系和交通连接关系映射成网络图并编码成地理邻接矩阵、高铁线路直达矩阵、飞机航线直达矩阵以及飞机航线或高铁线路直达矩阵。按滑动时间窗口对疫情数据进行切片后形成张量,依次分批输入到图深度学习模型中参与卷积运算,通过信息传递、反向传播和梯度下降更新可训练参数。结果 在新型冠状病毒肺炎疫情数据集上的实验结果显示,采用GCN学习这一时空数据的分布特征相较于循环神经网络模型,在训练过程中表现出了更强的拟合能力,在训练时间层面节约75%以上的运算成本,在两类损失函数下的平均测试集损失能够下降80%左右。结论 本文所采用的时空数据学习方法具有较低的运算成本和较高的预测精度,尤其在空间特征强于时间特征的时空数据中有着更好的性能,并且为流行病传播范围和感染人数的预测提供了新的方法和思路,有助于相关部门在公共卫生事件中制定应对措施和疾病防控决策。     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率。为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型。首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网络和注意力机制来共同构建预测模型。实验结果表明由于同时考虑了交通速度数据的时空特性,本文模型均方根误差、平均绝对误差和平均绝对百分比误差均小于传统模型和单个模型,验证了提出的模型预测精确度更高。     

A non-centralized adaptive method for dynamic planning of construction components storage areas

Rehandling of construction components, such as pipes, structural steel elements, and curtain walls, may increase the handling cost and reduce the construction efficiency, which is a critical issue for storage area plans of a project. Moreover, on some construction sites where space is limited, there are not adequate storage areas for centralized stacking of components and frequent changes in spatial state. Existing studies have investigated site layout planning for temporary facilities including arranging a storage area for the same type of material, which still have limitations in solving the above problems. This study proposes a novel and flexible arrangement method for incoming components in limited site space. This method is non-centralized and adaptive to the dynamic change of the actual component requirements based on construction activities and the real-time storage area availability. Therefore, a construction components storage areas planning (CCSAP) model is developed for dynamic allocation of construction components storage areas. Building information modeling (BIM) can be used to generate the material requirements planning before construction according to the actual construction activities. Real-time spatial recognition is a critical step for dynamic allocation of construction components storage areas because no such research has been done. This paper firstly presents an imaging technology with a low-rank matrix to identify on-site unoccupied locations automatically in real time. In addition, genetic algorithms (GA) consider two types of decision variables: actual components supply and real-time space availability. Finally, a dynamic visualization platform is built for planning construction components storage areas. An implementation example is demonstrated to validate principles and this model and shows a 21.9% reduction in the handling cost and a 19.4% increase in the construction efficiency compared with conventional methods.     

面向 Web 的建筑三维模型可视化方法研究

针对当前工业基础类(IFC)标准文件与 WebGL 框架集成方案存在模型语义完整性差及数据互操 性弱等问题,提出一套建筑信息模型(BIM)数据网络可视化实施方案。该方案以 IFC 标准文件作为输入数据源, 首先对 BIM 模型进行重构,并提出基于 IFC 结构树的构件实例层次拆分策略将原始 IFC 文件实施数模分离; 然后,将重构后的 IFC 模型文件向 glTF 格式文件进行转换,并在转换过程中完成几何空间和语义属性的双重 关系映射;最后,提出基于层次包围体(BVH)结构的 BS-AB 场景构件可视性检测算法对建筑构件进行可见性剔 除。实验结果表明：该方法能够显著减少 BIM 模型数据冗余,且高效完成了对复杂 BIM 场景不可见构件的剔 除工作,降低了渲染管线的开销,为基于 IFC 标准与 WebGL 框架集成方案的 BIM 模型数据网络可视化提供了 一种可行的参考方案。     

基于图结构源代码切片的智能化漏洞检测系统

针对智能化漏洞检测,从源代码程序依赖图中根据漏洞特征提取图结构源代码切片,将图结构切片信息表征后利用图神经网络模型进行漏洞检测工作。实现了切片级的漏洞检测,并在代码行级预测漏洞行位置。为了验证系统的有效性,分别与静态漏洞检测系统、基于序列化文本信息和基于图结构化信息的漏洞检测系统做比较,实验结果表明,所提系统在漏洞检测能力上有较高准确性,并且在漏洞代码行预测工作上有较好表现。     

基于构件形状分布和配准位置的BIM 模型对比方法

建筑全生命周期的各个阶段中会出现各种不同版本的BIM 模型,其间的差异可以 对建筑的施工和运维阶段提供决策支持。大部分BIM 模型对比都是基于目视检查、手动计数和 选择性属性检查。尽管目前有学者和相关机构研究了一些自动比较BIM 模型的方法,但大多依 赖于模型中构件的ID,而且比较的结果无法直观地体现到具体构件、具体属性上。针对以上问 题,提出了一种基于形状分布和位置配准的BIM 模型对比方法,即提取构件特征进行构件匹配, 从构件级进行BIM 模型对比。首先根据构件的几何信息构造构件的形状分布,计算类型相近构 件的形状分布之间的相似度;再配准构件的位置,计算位置之间的相似度;然后结合2 个相似 度进行构件匹配,比较匹配构件之间的差异;最后得出模型间的差异,并利用WebGL 进行可 视化展示。该方法忽略了构件ID 变化对模型对比的影响,并且能得出模型构件级别的差异。     

图卷积神经网络基础图结构影响研究

为进一步提高基于图卷积神经网络的半监督图节点分类的准确率,本文研究了基础图结构对图卷积神经网络的影响.通过对数据集(Cora、Citeseer及Pubmed)的图结构进行可视化,发现数据集(Cora、Citeseer)的图结构均为非连通图.通过研究非连通图中图拉普拉斯矩阵的"0"特征值和特征向量的特性,提出了通过对图拉普拉斯矩阵的"0"特征值对应的特征向量进行相关运算处理,获取非连通图最大连通分量的方法.该方法有效获取了数据集(Cora、Citeseer)图结构的最大连通分量,去除了非连通小分量.在该最大连通分量上利用3种先进的图卷积神经网络模型(GCN、GAT和GMNN)进行了实验验证,结果表明分类准确率提升了1%-4%,为其它包含小连通分量噪声的数据集更有效地利用图卷积神经网络模型训练提供了参考.