随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数...随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数据通常是不完整或带有噪声的,要求预测算法必须能够适应不完全的轨迹信息。基于此,提出了一种基于时空数据库的实时启发式轨迹预测模型(Real-time Heuristic Trajectory Prediction Based on Spatio-Temporal Databases,RHTP-STD)。RHTP-STD利用MobilityDB数据库平台存储和管理轨迹数据,通过图构建算法将轨迹数据转换为时空图。RHTP-STD采用启发式算法,融合历史和实时数据,快速预测移动对象的未来轨迹。实验结果表明,RHTP-STD在Argoverse数据集上的预测准确性和实时性均优于现有方法。讨论所提方法在不同应用场景中的适用性,提出了未来的研究方向。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
文摘随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数据通常是不完整或带有噪声的,要求预测算法必须能够适应不完全的轨迹信息。基于此,提出了一种基于时空数据库的实时启发式轨迹预测模型(Real-time Heuristic Trajectory Prediction Based on Spatio-Temporal Databases,RHTP-STD)。RHTP-STD利用MobilityDB数据库平台存储和管理轨迹数据,通过图构建算法将轨迹数据转换为时空图。RHTP-STD采用启发式算法,融合历史和实时数据,快速预测移动对象的未来轨迹。实验结果表明,RHTP-STD在Argoverse数据集上的预测准确性和实时性均优于现有方法。讨论所提方法在不同应用场景中的适用性,提出了未来的研究方向。
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。
