-
题名基于多尺度时空特征与软注意力机制的交通流预测方法
被引量：1
- 1
-
-
作者
史昕
曹凤腾
纪艺
马峻岩
-
机构
长安大学信息工程学院
山东高速信息集团有限公司
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第12期346-357,共12页
-
基金
国家自然科学基金重点项目(52131204)。
-
文摘
交通流预测在规划交通系统、优化道路资源和缓解交通拥堵等方面具有重要意义。针对交通流预测中时间周期性特征提取不充分的问题,提出一种基于多尺度时空特征和软注意力机制的交通流预测方法MSTFSA。首先,利用图交谈注意力网络(GTHAT)提取空间数据的非欧几里得结构特征,通过分配动态权重表征不同时间相邻道路交通流的影响程度;其次,利用双向增强注意力门控循环单元(Bi-EAGRU)结构提取时间数据的连续性关联特征,增强每个时刻的时间特征与上下时刻的联系;然后,基于软注意力机制融合周周期、日周期和近邻时间3个尺度下的相似交通流趋势,实现对时间周期性特征的充分提取,最后,结合高速公路数据集PeMS04和PeMS08验证MSTFSA的预测精度。实验结果表明,MSTFSA的交通流预测精度表现出良好效果,与基线模型STSGCN和ASTGCN相比,在PeMS04数据集上的预测均方根误差(RMSE)分别降低7.15%和3.8%,平均绝对误差(MAE)分别降低7.79%和3.99%。MSTFSA能较充分地提取并融合交通数据的多时间尺度时空特征,在交通流预测精度提升方面表现出一定的优势。
-
关键词
交通流预测
时空域联合
图注意力网络
软注意力机制
双向门控循环单元
-
Keywords
traffic flow prediction
spatio-temporal union
graph attention network
soft attention mechanism
Bidirectional Gated Recurrent Unit(Bi-GRU)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自注意力和位置感知图模型的会话推荐
- 2
-
-
作者
孙克雷
周志刚
-
机构
安徽理工大学计算机科学与工程学院
-
出处
《计算机工程与设计》
北大核心
2023年第12期3722-3728,共7页
-
基金
国家自然科学基金项目(61703005)。
-
文摘
为解决现有的会话模型方案都只基于局部会话信息而没有充分考虑全局会话信息的问题,提出一种基于自注意力和位置感知图模型的会话推荐。利用图神经网络构建会话图,利用位置感知注意力建模会话图的一阶邻居信息,引入反向位置嵌入赋予不同项目不同的权重,通过软注意机制获得局部会话表示;利用自注意力机制自适应地捕捉会话的全局依赖;将全局会话与局部会话相结合生成最终会话表示。对3个真实数据集进行实验,模型在3个数据集上P@20分别提升了1.2%、4.3%和12.9%,MRR@20分别提升了2.3%、5.4%和14.3%,验证了所提模型的有效性。
-
关键词
会话推荐
图神经网络
自注意力机制
反向位置嵌入
软注意力机制
邻居信息
位置感知图模型
-
Keywords
session recommendation
graph neural networks
self-attention mechanism
reverse position embedding
soft-attention mechanism
neighbor information
position-aware graph models
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向会话推荐的注意力图神经网络
- 3
-
-
作者
陈瑶
熊棋
郭一娜
-
机构
太原科技大学电子信息工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第2期307-312,共6页
-
基金
国家留学基金委科研项目(留金美[2020]1417号)资助
国家自然科学青年基金项目(61301250)资助
+2 种基金
山西省重点研发计划项目(201803D421035)资助
山西省自然科学优秀青年基金项目(201901D211313)资助
山西省回国留学人员科研教研资助项目(HGKY2019080,2020-127)资助.
-
文摘
面向会话的推荐方式起源于无法获得用户历史数据的应用场景,它是通过匿名会话来预测用户的行为.现有面向会话的推荐方法,虽然可以准确获得项目嵌入和考虑项目的复杂转换,但不能从多维度提取会话序列中隐藏的用户的长期兴趣和短期偏好,造成推荐性能低.该文引入注意力机制,提出一种多头注意力机制和软注意力机制有机结合的新机制,并据此提出面向会话推荐的注意力图神经网络.该注意力机制通过给不同的输入数据赋予不同权重,实现对当前推荐任务更为关键的信息的聚焦,以此从不同角度提取用户的兴趣和偏好.该模型在电商数据集上进行实验,与已有的基准模型相比,该文所提模型在各项评论指标上均有显著提升.在Dgeca数据集上,P@20可达61.77%,充分表明了所提方法的有效性.
-
关键词
会话推荐
图神经网络
位置编码
软注意力机制
多头注意力机制
-
Keywords
session-based recommendation
graph neural network
position embedding
soft attention mechanism
multi-head attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名多专家注释的视杯和视盘不确定性量化
被引量：1
- 4
-
-
作者
刘丽霞
宣士斌
刘畅
李嘉祥
-
机构
广西民族大学人工智能学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第1期250-257,269,共9页
-
基金
国家自然科学基金(61866003)。
-
文摘
现有基于深度学习的视杯和视盘分割方法在模型训练时,仅使用图像的单个注释或从多个注释中获取唯一的注释信息,忽略原始多专家标注中嵌入的一致性或差异性信息,从而导致模型和预测结果过度自信等问题。提出一种基于多解码器不确定性感知体系的模型MUA-Net。通过引入专业知识推断模块,将各个专家注释的专业知识水平作为先验知识嵌入编码器和解码器的瓶颈中,以形成包含专家线索的高级语义特征。利用可同时学习多个注释的多解码器结构调节多专家之间的分歧,重构多专家注释过程,并对不确定或分歧区域进行量化。提出一种双分支软注意机制,增强多解码器分割预测的模糊区域,得到最终校准的分割结果。实验结果表明,该模型在RIGA数据集上能以较高的不确定性预测合理的区域,与MRNet模型相比,该模型在视杯分割中的平均精度、Dice系数、交并比分别提升了0.75、0.39、0.41个百分点。
-
关键词
不确定性估计
多解码器
多专家注释
视杯视盘分割
软注意机制
-
Keywords
uncertainty estimation
multi-decoder
multi-expert annotation
optic cup and optic disc segmentation
soft attention mechanism
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名融合多粒度信息与外部知识的短文本匹配模型
被引量：4
- 5
-
-
作者
梁登玉
刘大明
-
机构
上海电力大学计算机科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第8期129-135,143,共8页
-
基金
甘肃省自然科学基金(SKLLDJ032016021)。
-
文摘
中文短文本通常使用单词序列而非字符序列进行语义匹配,以获得更好的语义匹配性能。然而,中文分词可能是错误或模糊的,容易引入噪声或者错误传播,从而损害模型的匹配性能。此外,多数中文词汇具有一词多义的特点,短文本由于缺少上下文环境,相比一词多义的长文本更难理解,这对于模型正确捕获语义信息是一个更大的挑战。提出一种短文本匹配模型,使用词格长短期记忆网络(Lattice LSTM)融合字符和字符序列的多粒度信息。引入外部知识HowNet解决多义词的问题,使用软注意力机制获取2个句子间的交互信息,并利用均值池化和最大池化算法进一步提取句子的特征信息,获取句子级语义编码表示。在数据集LCQMC和BQ上的实验结果表明,与ESIM、BIMPM和Lattice-CNN模型相比,该模型能有效提升中文短文本语义匹配的准确率。
-
关键词
短文本语义匹配
词格长短期记忆网络
多粒度信息
外部知识
软注意力机制
-
Keywords
short text semantic matching
Lattice Long Short Term Memory(Lattice LSTM)
multi-granularity information
external knowledge
soft-attention mechanism
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名多模态数据驱动的服务需求预测方法研究
被引量：2
- 6
-
-
作者
海燕
宋宗珀
刘志中
丰凯
-
机构
华北水利水电大学信息工程学院
烟台大学计算机与控制工程学院
河南理工大学计算机科学与技术学院
-
出处
《郑州大学学报（理学版）》
CAS
北大核心
2023年第2期70-78,共9页
-
基金
国家自然科学基金项目(61872126,61772159)
山东省自然科学基金重点项目(ZR2020KF019)
河南省教育厅重点研发项目(20A520014)。
-
文摘
数据驱动的主动服务推荐已成为实现智能服务、提升用户体验的重要技术,如何精确预测用户的服务需求成为当前重要问题之一。针对这个问题,提出了一种基于软注意力与多模态机器学习(SAMML)的服务需求预测方法。该方法首先从文本数据和图像数据提取特征向量并实现多模态数据特征融合;然后应用软注意力机制处理融合后的特征数据,并将结果输入门控制循环单元(GRU)网络,从而更好地学习用户的服务兴趣;最后,基于用户特征与服务数据训练SAMML模型,并实现用户的服务需求精确预测。基于天池大数据众智平台提供的数据集进行了验证实验,SAMML模型的评估指标MAE、MSE、R 2分别比对比模型提高了0.0218、0.0263、0.0310。
-
关键词
软注意力机制
多模态机器学习
特征融合
门控循环单元
服务需求预测
-
Keywords
soft attention
multimodal machine learning
feature fusion
GRU
service demand prediction
-
分类号
TP302
[自动化与计算机技术—计算机系统结构]
-
