In order to describe the characteristics of dynamic traffic flow and improve the robustness of its multiple applications, a dynamic traffic temporal-spatial model(DTTS) is established. With consideration of the tempor...In order to describe the characteristics of dynamic traffic flow and improve the robustness of its multiple applications, a dynamic traffic temporal-spatial model(DTTS) is established. With consideration of the temporal correlation, spatial correlation and historical correlation, a basic DTTS model is built. And a three-stage approach is put forward for the simplification and calibration of the basic DTTS model. Through critical sections pre-selection and critical time pre-selection, the first stage reduces the variable number of the basic DTTS model. In the second stage, variable coefficient calibration is implemented based on basic model simplification and stepwise regression analysis. Aimed at dynamic noise estimation, the characteristics of noise are summarized and an extreme learning machine is presented in the third stage. A case study based on a real-world road network in Beijing, China, is carried out to test the efficiency and applicability of proposed DTTS model and the three-stage approach.展开更多
蒸散发是水文循环和地表能量平衡的关键组成部分,对于水资源的有效管理、干旱情况的监测以及农业生产的优化均有着不可或缺的作用。选取红碱淖流域为研究区,基于Landsat8遥感数据,结合地表能量平衡系统(surface energy balance system,S...蒸散发是水文循环和地表能量平衡的关键组成部分,对于水资源的有效管理、干旱情况的监测以及农业生产的优化均有着不可或缺的作用。选取红碱淖流域为研究区,基于Landsat8遥感数据,结合地表能量平衡系统(surface energy balance system,SEBS)模型,估算了流域内2019年的6个日期的日蒸散发量,并对其进行了验证。通过对蒸散发的时空变化趋势和影响因素进行分析,获得结果表明:通过SEBS模型估算的日实际蒸散发量与通过Penman-Monteith(P-M)公式估算的潜在蒸散发量,以及气象站蒸发皿实际观测的蒸散发量的拟合优度R^(2)分别为0.84(P<0.01)、0.602(P<0.05),验证了SEBS模型在红碱淖流域的蒸散发量估算中具有较高的准确性和可靠性。红碱淖流域日蒸散发量呈现出明显的季节差异,夏季最高,春季次之,秋季再次,而冬季最低。流域东部红碱淖水体和流域西部查干淖尔及其周边区域的蒸散发量相对较高。流域中部蒸散发量相对较低。不同的土地利用类型中,水体的蒸散发量最高,其次是林地、耕地、建设用地、草地,最低的是未利用地。气象因素中,气温、气压和日照时数是主要影响因素,分别与蒸散发量呈显著正相关(r=0.847,P<0.05)、负相关(r=-0.840,P<0.05)和正相关(r=0.801,P<0.05),而相对湿度和风速与蒸散发量相关性较弱。展开更多
社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction...社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。展开更多
基金Project(2014BAG01B0403)supported by the National High-Tech Research and Development Program of China
文摘In order to describe the characteristics of dynamic traffic flow and improve the robustness of its multiple applications, a dynamic traffic temporal-spatial model(DTTS) is established. With consideration of the temporal correlation, spatial correlation and historical correlation, a basic DTTS model is built. And a three-stage approach is put forward for the simplification and calibration of the basic DTTS model. Through critical sections pre-selection and critical time pre-selection, the first stage reduces the variable number of the basic DTTS model. In the second stage, variable coefficient calibration is implemented based on basic model simplification and stepwise regression analysis. Aimed at dynamic noise estimation, the characteristics of noise are summarized and an extreme learning machine is presented in the third stage. A case study based on a real-world road network in Beijing, China, is carried out to test the efficiency and applicability of proposed DTTS model and the three-stage approach.
文摘蒸散发是水文循环和地表能量平衡的关键组成部分,对于水资源的有效管理、干旱情况的监测以及农业生产的优化均有着不可或缺的作用。选取红碱淖流域为研究区,基于Landsat8遥感数据,结合地表能量平衡系统(surface energy balance system,SEBS)模型,估算了流域内2019年的6个日期的日蒸散发量,并对其进行了验证。通过对蒸散发的时空变化趋势和影响因素进行分析,获得结果表明:通过SEBS模型估算的日实际蒸散发量与通过Penman-Monteith(P-M)公式估算的潜在蒸散发量,以及气象站蒸发皿实际观测的蒸散发量的拟合优度R^(2)分别为0.84(P<0.01)、0.602(P<0.05),验证了SEBS模型在红碱淖流域的蒸散发量估算中具有较高的准确性和可靠性。红碱淖流域日蒸散发量呈现出明显的季节差异,夏季最高,春季次之,秋季再次,而冬季最低。流域东部红碱淖水体和流域西部查干淖尔及其周边区域的蒸散发量相对较高。流域中部蒸散发量相对较低。不同的土地利用类型中,水体的蒸散发量最高,其次是林地、耕地、建设用地、草地,最低的是未利用地。气象因素中,气温、气压和日照时数是主要影响因素,分别与蒸散发量呈显著正相关(r=0.847,P<0.05)、负相关(r=-0.840,P<0.05)和正相关(r=0.801,P<0.05),而相对湿度和风速与蒸散发量相关性较弱。
文摘社交网络中,节点间存在多种关系类型,节点数量会随着时间的推移而变化,这种异质性和动态性给链路预测任务带来极大的挑战。因此,本文提出一种基于增量学习的社交网络链路预测方法(incremental learning social networks link prediction,IL-SNLP)。通过对网络进行分层,使每一层网络只包含一种关系类型,以更好地获取节点在每种关系类型下的语义信息;针对网络的动态性,利用时序随机游走捕获社交网络中的局部结构信息和时序信息;针对增量数据,采用增量式更新随机游走策略对历史随机游走序列进行更新。通过增量式skip-gram模型从随机游走序列中提取新出现节点的特征,并进一步更新历史节点的特征;针对网络的异质性,采用概率模型提取不同关系类型之间的因果关系关联程度,并将其作用于每一层的节点特征,以改善不同关系层下节点特征表现能力;利用多层感知机构建节点相互感知器,挖掘节点间建立连接时的相互贡献,实现更高的链路预测准确率。实验结果表明,在3个真实的社交网络数据集上,IL-SNLP方法的ROC曲线下的面积(AUC)和F1分数比基线方法分别提高了10.08%~67.60%和1.76%~64.67%,提升了预测性能;对于增量数据,只需要少次迭代就能保持预测模型的性能,提高了模型训练的速度;与未采用增量学习技术的IL-SNLP−方法相比,IL-SNLP方法在时间效率上提升了30.78%~257.58%,显著缩短了模型的运行时长。
