ORACON: An adaptive model for context prediction

Context prediction has been receiving considerable attention in the last years. This research area seems to be the next logical step in context-aware computing, which, until a few years ago, had been concerned more with the present and the past temporal dimensions. Most of research works related to context prediction employ the same algorithm for all cases. We did not find any approach that automatically decides the best prediction method according to the situation. Therefore, we propose the ORACON model. ORACON adapts itself in order to apply the best algorithm to the case. This adaptive behavior is the main contribution of this work and differentiates the proposed model of other related works. Furthermore, ORACON supports other important aspects of ubiquitous computing, such as, context formal representation and privacy. We have built a functional prototype that allowed us to conduct two experiments. The first experiment successfully tested the main functionalities provided by ORACON to support context prediction and privacy aspects. The test used context histories generated with a location database that contains 22 millions chekins across 220,000 users in the location sharing services Foursquare and Twitter. The second experiment assessed the adaptive feature of the ORACON. The test simulated the behavior of 30 users for a period of 30 days, using context histories generated through the Siafu simulator. This tool generates data for the evaluation and the comparison of machine learning methods in mobile context-aware settings. We concluded that ORACON chose the most accurate prediction algorithm in the simulated scenario, proving that the model reached the main contribution sought by this research.     

基于情境上下文的智能虚拟装配动作预测模型

针对现有虚拟装配系统普遍缺乏对复杂情境的分析能力,难以根据上下文有效预测用户动作意图的问题,给出了虚拟装配中情境上下文的形式化定义,建立了智能虚拟装配动作预测模型.该模型通过对装配动作模式的挖掘,进行基于实例的动作意图预测,实现系统的智能虚拟装配.结合水轮发电机组的转轮体装配实例,给出了模型的实现框架.通过实验验证,该模型能够根据情境上下文准确预测用户的动作意图,实时调整零部件的动作以自动完成装配.     

Wi-Fi based non-invasive detection of indoor wandering using LSTM model

Wandering is a significant indicator in the clinical diagnosis of dementia and other related diseases for elders. Reliable monitoring of long-term continuous movement in indoor setting for detection of wandering movement is challenging because most elders are prone to forget to carry or wear sensors that collect motion information daily due to their declining memory. Wi-Fi as an emerging sensing modality has been widely used to monitor human indoor movement in a noninvasive manner. In order to continuously monitor individuals’ indoor motion and reliably identify wandering movement in a non-invasive manner, in this work, we develop a LSTMbased deep classification method that is able to differentiate the wandering-causedWi-Fi signal change from the others. Specifically, we first use the off-the-shelf Wi-Fi devices to capture a resident’s indoor motion information, enabling to collect a group ofWi-Fi signal streams, which will be split into variablesize segments. Second, the deep network LSTM is adopted to develop wandering detection method that is able to classify every variable-size segment of Wi-Fi signals into categories according to the well-known wandering spatiotemporal patterns. Last, experimental evaluation conducted on a group of realworld Wi-Fi signal streams shows that our proposed LSTMbased detection method is workable and effective to identify indoor wandering behavior, obtaining an average value of 0.9286, 0.9618, 0.9634 and 0.9619 for accuracy, precision, recall and F-1 score, respectively.     

基于IRBF的草原环境污染物预测模型

综合考虑传统RBF模型在污染物预测中容易出现参数学习不足、泛化能力低下等问题,构建基于IRBF网络的草原环境污染物预测模型.利用均值思想,通过最近邻聚类之后每个类的平均值作为新的聚类中心,对中心参数进行改进,利用共轭梯度下降法优化RBF网络的权值参数.实验结果表明,IRBF网络模型相比传统的RBF和BP网络模型,预测误...     

基于上下文的位置预测研究

分析了现有的三种预测用户下一时刻位置的方法,即概率模型、Markov模型、状态模型。在此基础上提出了一种基于普适计算上下文信息的学习模型,用logistic回归解决分类问题。该模型可以很好很灵活地预测用户的下一位置。     

一种周期时变马尔可夫室内位置预测模型

根据在家庭环境中居住者的行为习惯具有周期性和时变性的特点,设计了一种智能数字家庭环境中的基于位置信息上下文的周期时变马尔可夫预测模型(PTVMM),用于预测居住者的下一个出现位置(房间).另外还构建了一个三维虚拟的智能数字家庭实验仿真环境(virtual smart home)用于模型的仿真对比研究.利用模拟行为数据的仿真结果表明,和其他的预测模型相比,周期时变马尔可夫位置预测模型具有较小的时间复杂度、较高的预测精度和较快的预测精度收敛速度,能够在智能数字家庭环境中进行实时、高精度的位置预测.     

基于中心词的上下文主题模型

潜在狄利克雷分配（LDA）主题模型是处理非结构化文档的有效工具。但是它是建立在词袋模型假设上的（BOW,bag of word）,这种假设把每一篇文档看成是单词的组合,既不考虑文档与文档之间的顺序关系,也不考虑单词与单词之间的顺序关系。同时针对现有的模型精度不高,我们提出了基于中心词的上下文主题模型,这种模型的思想是一篇文档中单词的主题与其附近若干单词的主题关系更为紧密。在计算每个单词的主题分布时,以这个词为中心,前后各扩展若干个单词作为窗口,然后对每个窗口进行计算。这种方法就会形成窗口与窗口之间的顺序,从而形成了单词之间也是局部有序,同时由于每个单词的上下文信息不同,所以每个单词的主题分布与其所在文档中的位置有关。通过实验表明,基于中心词的上下文主题模型在未知数据集上具有更高的精度和收敛速度。     

一种基于用户情境的QoS预测方法

完整的QoS信息有利于更准确的服务推荐,但是现实中往往很难得到。文章提出了一种基于用户情境的QoS预测方法,对于老用户,根据他们原来的QoS选择,考虑QoS类型区别和时间衰减情况,预测新的QoS取值;对于新用户,按照用户分类信息,根据同类用户的服务选择情况,预测他们的QoS取值。实验证明,该方法有助于提高服务推荐的性能。     

一种基于BP-GA的室内定位模型

使用BP-GA算法相结合的方法来作为室内定位模型的主要定位算法,在得到初始坐标后利用泰勒级数定位算法优化得到最终待测点坐标。该算法很好地减弱了室内环境对定位精度的影响,并且具有较高的精度。仿真实验验证了该模型的有效性。     

最小一乘回归神经网络集成方法股市建模研究

提出了一种新的神经网络集成股市建模方法,采用偏最小二乘方法构造神经网络输入矩阵,利用Bagging技术和不同的神经网络学习算法生成集成个体,再用遗传算法选择参与集成的个体,以"误差绝对值和最小"为最优准,建立最小一乘回归神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。     

基于改进灰色预测模型的交通事故预测模型研究

为了提高交通事故数据预测的准确度,采取GM(1,1)和OSDGM(1,1)等单一模型,对2008-2019年我国交通事故死亡人数数据进行分析。根据GM(1,1)和OSDGM(1,1)模型建立最优加权组合模型,使用Verhulst模型对建立的加权组合模型进行残差修正,并借助灰色模型精度评价指标对预测结果进行检验。预测结果表明,GM(1,1)、OSDGM(1,1)模型和改进的灰色预测模型的预测结果的平均相对误差分别为4.35%、4.30%和1.19%,且改进的灰色模型通过精度指标检验,说明改进灰色预测模型具有较高的精度。     

基于全局注意力的室内人数统计模型

随着人工智能技术的爆炸式发展,机器学习、深度学习等技术在人脸识别、行人检测和视频跟踪等各个领域得到了广泛的应用,其中利用目标检测进行室内人数统计一直以来是一个热门的研究。室内监控画面存在人群相互遮挡,且目标特征模糊等问题,往往导致检测准确率低,误检率和漏检率高等情况的出现。为了解决此问题,提出了一种基于全局注意力的室内人数统计模型,引入注意力机制,对目标检测算法YOLOv3进行改进,通过提取更多小人头或模糊人头的特征来增强检测能力。实验结果表明,改进后的网络模型具有更高的召回率和平均精度。     

Skills prediction based on multi-label resume classification using CNN with model predictions explanation

Neural Computing and Applications - Skills extraction is a critical task when creating job recommender systems. It is also useful for building skills profiles and skills knowledge bases for...     

基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著 降低了云环境中对资源负载的实时预测误差。     

基于IMT-Advanced信道模型的室内MIMO性能研究*

LTE-Advanced与多输入多输出（MIMO）技术的结合极大地改善了MIMO在不同信道环境下的传输质量和可靠性。为此,在基于IMT-Advanced几何分布统计信道模型基础上,建立LTE-Advanced通信系统的MIMO信道模型,深入研究室内多天线系统的性能。针对MIMO发射分集技术,研究在瑞利衰落信道下不同调制技术对系统误码率（BER）性能的影响,并通过理论验证仿真结果的可行性,进而在非视距（NLOS）情况下,结合不同载波频率的路径损耗,理论分析不同载波频率对系统误码率性能的影响。仿真结果表明,IMT-Advanced室内信道模型只适用于8 GHz以下的低载波频段通信。     

基于RSSI的室内测距模型的研究

基于接收信号强度指示(RSSI)的测距技术是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中.由于室内环境下存在非视距和多径传输的影响,测距误差比较大.在消除测距误差的方法中,采用线性回归分析对射频参数A和信号传输常数n进行优化,得到满足具体环境的参数值.提出2种滤波型对采集的RSSI进行滤波处理.实验表明:通过参数优化和滤波处理,测距精度得到了明显的提高.     

Rainfall prediction model using soft computing technique

 Rainfall prediction in this paper is a spatial interpolation problem that makes use of the daily rainfall information to predict volume of rainfall at unknown locations within area covered by existing observations. This paper proposed the use of self-organising map (SOM), backpropagation neural networks (BPNN) and fuzzy rule systems to perform rainfall spatial interpolation based on local method. The SOM is first used to separate the whole data space into some local surface automatically without any knowledge from the analyst. In each sub-surface, the complexity of the whole data space is reduced to something more homogeneous. After classification, BPNNs are then use to learn the generalization characteristics from the data within each cluster. Fuzzy rules for each cluster are then extracted. The fuzzy rule base is then used for rainfall prediction. This method is used to compare with an established method, which uses radial basis function networks and orographic effect. Results show that this method could provide similar results from the established method. However, this method has the advantage of allowing analyst to understand and interact with the model using fuzzy rules.     

基于灰色预测模型的跨层切换优化

随着移动互联网的飞速发展,无线通信一直在寻求一种更好的支持无缝切换的机制。首先使用改进的指数加权移动平均算法对接收信号强度进行平滑处理,然后提出了一种在移动WIMAX环境中基于运动预测的快速跨层切换机制。使用灰色预测模型可以预测移动用户的接收信号强度。在预测模型的帮助下,3层切换可以提前2层切换触发,因此总的切换时延可以降低。