期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于驾驶上下文感知的驾驶员识别模型
1
作者
杨林
张磊
+2 位作者
刘佰龙
梁志贞
张雪飞
《计算机工程与科学》
北大核心
2025年第3期548-560,共13页
随着隐私保护意识的提升,利用车辆轨迹识别汽车驾驶员已成为车辆数据分析热点。然而,现有模型难以准确捕捉驾驶风格与驾驶上下文之间的关系,导致识别准确率不高。因此,提出基于驾驶上下文感知的驾驶员识别模型CDIM。CDIM利用轨迹数据计...
随着隐私保护意识的提升,利用车辆轨迹识别汽车驾驶员已成为车辆数据分析热点。然而,现有模型难以准确捕捉驾驶风格与驾驶上下文之间的关系,导致识别准确率不高。因此,提出基于驾驶上下文感知的驾驶员识别模型CDIM。CDIM利用轨迹数据计算车辆运动特征,同时通过路网匹配获取出行路线,并设计基于双向Transformer的路段信息嵌入模块,为出行路线中每一段路段生成融合邻接路段特征的嵌入。然后,通过卷积跨模态注意力融合模块结合路段特征与运动特征,实现二者的高效融合。此外,结合外部因素特征,全面捕捉驾驶上下文对驾驶风格的影响。在公开数据集上的实验结果表明,CDIM的识别准确率为68.54%,相较于RM-Driver与Doufu分别提高了8.14%和4.81%,具有更高的驾驶员识别准确率。
展开更多
关键词
驾驶员识别
表示学习
上下文感知
特征融合
在线阅读
下载PDF
职称材料
基于上下文全局空间图的轨迹用户链接
2
作者
侯萱
梁志贞
+2 位作者
张磊
刘佰龙
张雪飞
《计算机工程与科学》
北大核心
2025年第2期336-348,共13页
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规...
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规律,导致TUL结果准确度不高。提出了一种基于上下文全局空间图的轨迹用户链接模型CGSG-TUL。在位置嵌入方面,根据历史轨迹构建上下文全局空间图,融入所有位置的邻近关系和类别等上下文信息,对位置的空间相关性有效建模。在时间编码方面,根据不同时间尺度对签入的时间戳进行编码,捕获用户的多周期移动规律。在Foursquare-NYK和Foursquare-TKY这两个真实数据集上的实验结果表明,CGSG-TUL性能比目前最好的基准模型GNNTUL的ACC@1和Marco-F 1分别平均提高2.50%和2.72%。
展开更多
关键词
轨迹用户链接
上下文全局空间图
多周期移动规律
图神经网络
TRANSFORMER
在线阅读
下载PDF
职称材料
基于时空Transformer的多空间尺度交通预测模型
3
作者
张悦
张磊
+2 位作者
刘佰龙
梁志贞
张雪飞
《计算机工程与科学》
CSCD
北大核心
2024年第10期1852-1863,共12页
准确的交通预测对提高智能交通系统的效率至关重要。交通系统的空间依赖不仅体现在道路的相连关系上,更重要的是由道路属性、区域功能等因素形成的隐藏空间依赖。另外,交通数据之间的时间依赖具有严格的相对位置关系,忽略这一问题将难...
准确的交通预测对提高智能交通系统的效率至关重要。交通系统的空间依赖不仅体现在道路的相连关系上,更重要的是由道路属性、区域功能等因素形成的隐藏空间依赖。另外,交通数据之间的时间依赖具有严格的相对位置关系,忽略这一问题将难以实现准确的交通预测。为了解决这些问题,提出了一种基于时空Transformer的多空间尺度交通预测模型(MSS-STT)。MSS-STT使用多个特定的Transformer网络对不同的空间尺度建模,以捕捉隐藏空间依赖,同时使用图卷积网络来学习静态空间特征。接着,使用门控机制将不同空间尺度的空间依赖与静态空间特征根据各自对预测的重要性进行融合。最后,根据时间序列中不同相对位置对预测的不同贡献来提取不同的时间依赖关系。在PeMS数据集上的实验结果表明,MSS-STT优于最先进的基线。
展开更多
关键词
交通数据预测
时空依赖
时空Transformer
图神经网络
在线阅读
下载PDF
职称材料
题名
基于驾驶上下文感知的驾驶员识别模型
1
作者
杨林
张磊
刘佰龙
梁志贞
张雪飞
机构
中国矿业大学矿山
数字
化教育部工程研究中心
中国矿业大学计算机科学与技术学院
江苏恒旺数字科技有限责任公司
出处
《计算机工程与科学》
北大核心
2025年第3期548-560,共13页
基金
中国矿业大学建设双一级专项资金(2018ZZCX14)。
文摘
随着隐私保护意识的提升,利用车辆轨迹识别汽车驾驶员已成为车辆数据分析热点。然而,现有模型难以准确捕捉驾驶风格与驾驶上下文之间的关系,导致识别准确率不高。因此,提出基于驾驶上下文感知的驾驶员识别模型CDIM。CDIM利用轨迹数据计算车辆运动特征,同时通过路网匹配获取出行路线,并设计基于双向Transformer的路段信息嵌入模块,为出行路线中每一段路段生成融合邻接路段特征的嵌入。然后,通过卷积跨模态注意力融合模块结合路段特征与运动特征,实现二者的高效融合。此外,结合外部因素特征,全面捕捉驾驶上下文对驾驶风格的影响。在公开数据集上的实验结果表明,CDIM的识别准确率为68.54%,相较于RM-Driver与Doufu分别提高了8.14%和4.81%,具有更高的驾驶员识别准确率。
关键词
驾驶员识别
表示学习
上下文感知
特征融合
Keywords
driver identification
representation learning
context-aware
feature fusion
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于上下文全局空间图的轨迹用户链接
2
作者
侯萱
梁志贞
张磊
刘佰龙
张雪飞
机构
中国矿业大学矿山
数字
化教育部工程研究中心
中国矿业大学计算机科学与技术学院
江苏恒旺数字科技有限责任公司
出处
《计算机工程与科学》
北大核心
2025年第2期336-348,共13页
基金
中国矿业大学建设双一级专项资金(18ZZCX14)。
文摘
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规律,导致TUL结果准确度不高。提出了一种基于上下文全局空间图的轨迹用户链接模型CGSG-TUL。在位置嵌入方面,根据历史轨迹构建上下文全局空间图,融入所有位置的邻近关系和类别等上下文信息,对位置的空间相关性有效建模。在时间编码方面,根据不同时间尺度对签入的时间戳进行编码,捕获用户的多周期移动规律。在Foursquare-NYK和Foursquare-TKY这两个真实数据集上的实验结果表明,CGSG-TUL性能比目前最好的基准模型GNNTUL的ACC@1和Marco-F 1分别平均提高2.50%和2.72%。
关键词
轨迹用户链接
上下文全局空间图
多周期移动规律
图神经网络
TRANSFORMER
Keywords
trajectory-user linking(TUL)
contextual global spatial graph
multi-periodic movement pattern
graph neural network
Transformer
分类号
TP393.09 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于时空Transformer的多空间尺度交通预测模型
3
作者
张悦
张磊
刘佰龙
梁志贞
张雪飞
机构
中国矿业大学矿山
数字
化教育部工程研究中心
中国矿业大学计算机科学与技术学院
江苏恒旺数字科技有限责任公司
出处
《计算机工程与科学》
CSCD
北大核心
2024年第10期1852-1863,共12页
基金
中国矿业大学建设双一流专项资金(2018ZZCX14)。
文摘
准确的交通预测对提高智能交通系统的效率至关重要。交通系统的空间依赖不仅体现在道路的相连关系上,更重要的是由道路属性、区域功能等因素形成的隐藏空间依赖。另外,交通数据之间的时间依赖具有严格的相对位置关系,忽略这一问题将难以实现准确的交通预测。为了解决这些问题,提出了一种基于时空Transformer的多空间尺度交通预测模型(MSS-STT)。MSS-STT使用多个特定的Transformer网络对不同的空间尺度建模,以捕捉隐藏空间依赖,同时使用图卷积网络来学习静态空间特征。接着,使用门控机制将不同空间尺度的空间依赖与静态空间特征根据各自对预测的重要性进行融合。最后,根据时间序列中不同相对位置对预测的不同贡献来提取不同的时间依赖关系。在PeMS数据集上的实验结果表明,MSS-STT优于最先进的基线。
关键词
交通数据预测
时空依赖
时空Transformer
图神经网络
Keywords
traffic data prediction
spatio-temporal dependency
spatio-temporal Transformer
graph neural network
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于驾驶上下文感知的驾驶员识别模型
杨林
张磊
刘佰龙
梁志贞
张雪飞
《计算机工程与科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于上下文全局空间图的轨迹用户链接
侯萱
梁志贞
张磊
刘佰龙
张雪飞
《计算机工程与科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于时空Transformer的多空间尺度交通预测模型
张悦
张磊
刘佰龙
梁志贞
张雪飞
《计算机工程与科学》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
