- 博客(23)
- 收藏
- 关注
RSS订阅原创 8.13面试题目
将8个球分成三组，分别为3个球、3个球和2个球。将两组各3个球放在天平的两端进行称重。这种方法确保了最少需要两次称重就能找出重球。
2024-08-13 17:42:32
417
原创 【自己论文】Cooperation and Competition among information on social networks【社交网络上的信息传播与竞争】
本文通过构建新的信息传播模型，并在真实社交网络上进行仿真实验，深入探讨了多种信息在社交网络上的合作与竞争关系。研究成果对于理解信息传播机制、优化信息传播策略具有重要意义。在论文《Social Networks上的信息传播中的合作与竞争》中，虽然具体的伪代码没有直接给出，但基于论文中描述的模型和算法，我们可以推导出模拟信息传播过程的伪代码框架。以下是一个简化的伪代码示例，用于描述论文中提出的信息传播模型。
2024-08-01 14:46:42
641
原创 【自己论文】Multiple configurations of neutron stars containing quark matter【中子星结构与高密物质物态研究】
文章还提出了夸克物质中子星内的非径向振荡模式（如g-model和f-model）相比于纯中子星将发生明显变化，如果这些变化通过双中子星并和过程的潮汐动力学效应，在引力波辐射信号中留下印记，则可能被未来的引力波探测器所探测到，成为探测中子星内部夸克物质信号的有利证据。研究揭示了夸克物质在中子星内的可能相变途径，构造了多种混杂星结构模型，并提出以NICER探测器的观测精度以及GW170817引力波信号给出潮汐形变量限制，区分不同的混杂星结构难度较大，该研究对理解夸克物质在中子星内出现的可能方式很有意义。
2024-08-01 14:29:29
288
原创 【每日一篇】UrbanGPT：时空大语言模型 【方便自己看】
时空预测的动机是准确预测和获得有价值的洞察城市环境的动态性质。通过分析和理解跨时间和空间的不断变化的动态，时空预测使我们能够预测未来的模式，趋势和各种事件。城市生活的方方面面。这在城市计算领域具有重要意义，预测交通模式的能力可以优化交通流量，减少拥堵，并提高整体城市流动性[18，31]。此外，预测人口流动有助于有效的城市规划和资源分配[7，20]。此外，预测犯罪的能力可以大大有助于加强公共安全[32]。时空预测在塑造更智能、更高效的城市方面发挥着至关重要的作用，最终提高城市生活质量。
2024-07-30 14:28:43
893
1
原创 【每日一篇】使用图神经网络进行交通速度预测的上下文感知知识图谱框架【为了自己方便读论文】
人类流动在空间和时间上受到城市环境的密切影响，构成了理解交通系统的重要领域知识。虽然现有的交通预测模型主要依赖于原始交通数据和先进的深度学习技术，但由于缺乏有效的集成框架和城市环境的复杂性，结合背景信息仍未得到充分探索。本研究提出了一种新颖的上下文感知知识图谱 (CKG) 框架，通过有效地建模空间和时间背景来增强交通速度预测。该框架采用关系依赖集成策略，从 CKG 的空间和时间单元生成上下文感知表示，以捕捉城市环境的时空依赖关系。
2024-07-28 13:39:50
375
原创 Causal Conditional Hidden Markov Model for Multimodal Traffic Prediction
多式联运交通流可以反映交通系统的健康状况，多式联运交通流预测对城市交通管理具有重要意义。最近的研究过分强调交通流量的时空相关性，忽略了导致观测结果产生的物理概念及其因果关系。在不同条件的影响下，时空相关性被认为是不稳定的，在观测中可能存在伪相关。本文从观测生成原理的角度分析了影响多模式交通流生成的物理概念，提出了一种用于多模式交通流预测的因果条件隐马尔可夫模型(CCHMM)。在潜变量推理阶段，后验网络从条件信息和观察中分离出感兴趣概念的因果表示，因果传播模块挖掘它们的因果关系。
2024-01-19 19:45:43
1425
1
原创 局部自适应时空图神经网络
时空图模型是抽象和建模时空依赖关系的主流。在这项工作中，我们提出了以下问题:我们是否以及在多大程度上可以局部化时空图模型?我们将研究范围限制在自适应时空图神经网络(astgnn)，这是最先进的模型架构。我们的定位方法涉及到空间图邻接矩阵的稀疏化。为此，我们提出了自适应图稀疏化(AGS)，这是一种图稀疏化算法，它成功地使astgnn的本地化达到了极限(完全本地化)。我们将AGS应用于两种不同的ASTGNN架构和9个时空数据集。
2023-12-31 11:34:29
2782
原创 SageFormer:用于多变量时间序列预测的系列感知图增强变压器
多元时间序列预测在各个领域都具有重要作用。虽然最近深度学习方法的进步，特别是变形金刚，已经显示出了希望，但在解决系列间依赖关系的重要性方面仍然存在差距。本文介绍了SageFormer，一个系列感知图增强的Transformer模型，设计用于使用图结构有效地捕获和建模系列之间的依赖关系。SageFormer解决了两个关键挑战:跨系列有效地表示不同的时间模式，并减轻系列之间的冗余信息。重要的是，提出的系列感知框架与现有的基于transformer的模型无缝集成，增强了它们对系列间依赖关系建模的能力。
2023-12-29 19:28:53
2928
3
原创 基于增强动态对抗训练的鲁棒时空交通预测
基于机器学习的预测模型通常用于智能交通系统(ITS)中预测交通模式并提供全市范围的服务。然而，大多数现有模型容易受到对抗性攻击，这可能导致不准确的预测和负面后果，如拥塞和延迟。因此，提高这些模型的对抗鲁棒性对ITS至关重要。在本文中，我们提出了一个将对抗性训练纳入时空交通预测任务的新框架。我们证明了为静态域指定的传统对抗性训练方法不能直接应用于流量预测任务，因为它们不能有效地防御动态对抗性攻击。然后，我们提出了一种基于强化学习的方法来学习对抗示例的最优节点选择策略。
2023-12-29 15:45:29
1206
1
原创 空间异质性感知图神经网络
图神经网络(gnn)已广泛应用于许多城市应用，将城市作为城市图，其节点是城市对象，如区域或兴趣点。最近，已经开发了一些增强的GNN架构来处理连接节点不同的异相关图。然而，通常可以观察到城市图具有独特的空间异质性;即在不同的空间距离上，邻居的不相似性可以表现出很大的多样性。这种特性虽然经常存在，但尚未被开发。为此，在本文中，我们提出了一个度量，称为空间多样性得分，以定量衡量空间异质性，并显示它如何影响gnn的性能。
2023-12-28 22:28:32
1904
1
原创 基于大语言模型的时空图学习
时空预测在城市计算中具有巨大的意义，因为它使决策者能够预测交通流量、犯罪率和空气质量等关键现象。通过利用时空数据固有的图结构和利用图神经网络(gnn)的力量来捕获不同时隙和位置的复杂关系和依赖关系，研究人员在这一领域取得了显着进展。这些进步极大地改善了表征学习，导致了更准确的预测。本研究的重点是探索大语言模型(LLMs)处理城市系统时空数据动态特性的能力。所提出的方法被称为STLLM，将llm与跨视图互信息最大化范式集成在一起，以捕获隐含的时空依赖性并保留城市空间中的空间语义。
2023-12-28 15:41:47
1646
1
原创 【阅读笔记】深度时空混合图卷积的城市交通预测模型
由于交通网络复杂的时空相关性和交通数据的非线性，给交通预测带来了很大的挑战。现有的方法主要关注路网的时空特征，分别对时间相关性和空间相关性进行建模来模拟时空依赖关系。随着城市道路网络的进一步扩大，导致模型对路网空间特征的挖掘能力不足。此外，交通运行状态收到外部环境因素的干扰，交通流在路段传递效应的影响下会出现较大波动。为解决上述问题，提出深度时空混合图卷积模型，利用图卷积网络和图书伊利网络的残差连接分别汇聚路网全局和局部信息，扩展图卷积的感受野范围，从而增强路网空间特征的提取能力。
2023-12-26 21:57:12
1383
1
原创 图神经网络的局部增强
图神经网络(gnn)在基于图的任务上取得了显著的性能。gnn的关键思想是通过聚合来自局部邻域的信息来获得信息表示。然而，邻域信息是否被充分地聚合以用于学习具有很少邻居的节点的表示仍然是一个悬而未决的问题。为了解决这个问题，我们提出了一种简单有效的数据增强策略——局部增强，以中心节点的特征为条件来学习相邻节点特征的分布，并用生成的特征增强GNN的表达能力。局部增强是一个通用框架，可以以即插即用的方式应用于任何GNN模型。
2023-12-19 19:47:38
1738
原创 图对比学习的模型增强技巧
对比学习(CL)已经成为无监督视觉表征学习的一个很有前途的范例(Chen et al . 2020;他等人2020;Grill等人2020;简而言之，典型的CL方法将通过数据增强生成相同样本的两个视图，然后最大化其编码表示之间的相似性。这样，CL可以提取不同视图之间共享的信息(Tian et al . 2020)，从而缓解只出现在单个视图中的任务无关噪声。最近，CL也被引入到图域，用于无监督图的表示学习，被称为图对比学习(GCL) (Y ou et al 2020;Zhu等2021;邱等人2020;
2023-12-19 11:57:03
1986
原创 交通流预测的时空残差图注意网络
准确的时空交通流预测对于现代交通管理和控制具有重要意义。为了同时捕捉交通流的时空特征，提出了一种新的时空残差图注意网络(STRGAT)。首先，网络采用深度全残差图关注块，对交通网络的节点信息进行空间特征的动态聚合;其次，设计了一个序列到序列的块来捕获交通流中的时间依赖性。将具有周周期依赖关系的交通流数据进行整合，并利用STRGAT进行交通路网的交通预测。实验在美国加利福尼亚州的三个真实数据集上进行。结果表明，我们提出的STRGAT能够很好地学习交通流的时空相关性，并且优于目前最先进的方法。
2023-12-19 11:05:45
3162
1
原创 自动时空图对比学习
在各种区域嵌入方法中，基于图的区域关系学习模型因其具有较强的结构表示能力，可以用图神经网络编码空间相关性而脱颖而出。尽管它们很有效，但现有方法尚未很好地解决几个关键挑战:1)由于各种因素，数据噪声和缺失在许多时空情景中普遍存在。2)输入的时空数据(如流动性轨迹)通常表现出时空分布的异质性。在这种情况下，当前的方法容易受到生成的区域图质量的影响，这可能导致次优性能。在本文中，我们通过在多视图数据源生成的异构区域图上探索自动时空图对比学习范式(AutoST)来解决上述挑战。
2023-12-12 11:14:54
1596
1
原创 【交通流预测论文】基于时空自监督学习的交通流预测
在智能交通系统中，对不同时间段的城市交通流量进行鲁棒预测是至关重要的。虽然以往的研究在建立时空相关性模型方面做了大量的工作，但现有的方法仍然存在两个关键的局限性:1)大多数模型集中预测所有区域的交通流量，而没有考虑空间异质性，即不同区域的交通流量分布可能存在偏差。ii)这些模型无法捕捉时变交通模式引起的时间异质性，因为它们通常是在所有时间段内与共享参数化空间进行时间相关性建模。
2023-11-21 11:39:41
2182
原创 【时空图卷积网络】交通预测的深度学习框架STGCN
及时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了交通流的时空依赖性。本文提出了一种新的深度学习框架——时空图卷积网络(STGCN)来解决交通领域的时间序列预测问题。我们没有使用常规的卷积和循环单元，而是在图上表达问题，并使用完整的卷积结构构建模型，这使得训练速度更快，参数更少。实验表明，我们的模型STGCN通过建模多尺度交通网络，有效捕获了全面的时空相关性，并在各种真实交通数据集上始终优于最先进的基线。
2023-11-18 22:57:49
3293
2
原创 【交通预测模型】STSGCN
时空网络数据预测在交通管理和城市规划中有着广泛的应用。然而，潜在的复杂时空相关性和异质性使这个问题具有挑战性。现有方法通常使用单独的分量来捕获时空相关性，而忽略了时空数据的异质性。本文提出了一种时空同步图卷积网络(STSGCN)模型，用于时空网络数据预测。该模型通过精心设计的时空同步建模机制，能够有效捕获复杂的局部时空关联。同时，在模型中针对不同时间段设计了多个模块，有效捕捉局部时空图的异质性。在四个真实数据集上进行了广泛的实验，这表明我们的方法达到了最先进的性能，并且始终优于其他基线。
2023-11-15 15:54:59
1408
1
原创 【多停车场车位预测】Prediction of Vacant Parking Spaces in Multiple Parking Lots:A DWT-ConvGRU-BRC Model
对于城市来说，“停车难、停车乱”的问题增加了碳排放，降低了生活质量。准确有效地预测空车位(VPSs)的可用性可以帮助驾车者减少寻找停车位的时间，减少温室气体污染。本文提出了一种深度学习模型DWT-ConvGRU-BRC，用于预测多个停车场中VPSs的未来可用性。
2023-11-09 22:18:15
933
2
原创 【交通流量预测论文】A novel hybrid method for achieving accurate and timeliness vehicular traffic flow predict
交通运输系统的高效、顺畅运行对于保证现代社会的正常运转和人们的日常生活至关重要。然而，由于现有道路网络的容量有限，车辆的增加导致了更频繁和严重的交通拥堵。因此，如何有效利用现有系统有限的通行能力，通过适当的交通流管理来降低拥堵发生的概率是亟待解决的关键问题。在这种情况下，及时准确的交通流预测对于制定合理的交通控制策略至关重要，直接影响交通控制措施的有效性。然而，作为一个典型的大型复杂网络，不同路段的交通运动是相互影响的。
2023-11-09 17:36:05
2888
1
原创 DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network forTraffic Flow Forecasting
交通流预测作为时间序列分析中的一个典型问题，是机器学习最重要的应用领域之一。然而，由于道路网络中存在复杂的动态时空依赖关系，实现高精度的交通流预测是一项具有挑战性的任务。本文提出了一种新的动态时空感知图神经网络(DSTAGNN)来模拟路网中复杂的时空相互作用。首先，考虑到历史数据承载着路网空间结构的内在动态信息，提出了一种基于数据驱动策略的动态时空感知图，以取代传统图卷积中常用的预定义静态图;
2023-11-09 11:03:13
2239
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人