Prefix-LSDPM：面向小样本的在线学习会话退出预测模型

在线学习会话退出预测旨在准确预测在线学习过程中的学习会话退出，是智慧教育领域中十分重要的一项研究任务。针对现有模型在小样本场景下预测准确率较低的问题，提出了基于前缀提示的在线学习会话退出预测模型Prefix-LSDPM。该模型为获取单个学习行为内部特征及连续学习行为之间的隐含关联信息，在改进了键值向量的Transformer网络中对提示形式的合成序列进行掩码学习；为降低模型训练涉及的参数量以适应小样本学习，将学习会话退出预测任务建模形式靠近预训练任务，并在冻结的预训练参数基础上对提示参数进行调优。基于多个数据集的实验结果表明，Prefix-LSDPM的预测准确率优于现有模型，且在小样本学习中仍能达到较好的预测效果。     

基于活动模式的工作者出行生成预测模型

为改进传统出行生成预测以单个出行为分析单元、难以反映个体出行行为的不足,建立了基于活动模式的工作者出行生成预测模型.采用相关性分析和多项logit方法研究了1617个有效样本的居民个体属性、家庭属性、区位属性、出行属性、活动属性所引起的活动和出行生成模式的差异.通过建立包含显著变量的6种典型活动模式效用函数,获得个体选择概率.按概率集计法分析各交通小区各类活动模式总量,结合活动模式中包含的出行链平均长度,进行工作者出行生成量预测.基于活动模式的工作者出行生成预测模型有助于以出行链整体为单元考察多次出行之间的关联性,增强出行生成模型与行为模型的融合.     

基于注意力机制的CNN-GRU船舶交通流预测模型

为更准确地预测内河船舶交通流，提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征，GRU单元学习数据中的时序特征，并通过引入注意力机制加强重要特征的学习，实现对超长序列的学习。此外，通过分析内河上下游航道交通流间的关联性，提取长江中下游6个航段的船舶AIS数据，构造多航段船舶交通流序列数据集，并将其输入本文模型中进行训练及测试。结果表明：相比序列预测模型中的SAE、LSTM、GRU、CNN+GRU和GRU+Attention,本文模型在针对不同交通流参数的预测中均具有更高的预测精度，交通流量、交通流密度和交通流速度的预测精度分别达到95.42%、97.33%、94.99%,可更好地满足工程应用需求。     

基于集群智能的高速公路交通状态识别算法

针对传统交通状态识别算法仅考虑交通参数个体特征差异而存在识别率较低的问题,引入集群智能概念,提出了既考虑交通参数个体特征差异,又考虑个体参数所蕴含的群体特征差异性的高速公路交通状态识别算法。由于模糊C均值聚类算法(fuzzy C-means algorithm,FCM)在交通状态识别泛化能力上存在收敛缓慢的不足,基于反向学习策略以及鲸鱼优化算法(whale optimization algorithm,WOA),考虑个体交通参数所蕴含的集群行为增强了交通状态初始聚类中心种群的多样性,设计了一种具有良好的全局搜索能力集群智能的高速公路交通状态识别算法,融合了反向学习、WOA和FCM算法,克服了FCM识别算法容易陷入局部最优的局限。实证分析结果表明,所提出的交通状态识别算法具有良好的识别效果,准确率达到92%,且收敛速度较FCM算法更快。     

利他情境对驾驶个体跟驰行为的影响

地震灾害情景下的个体跟驰行为会受到利他情境的影响。基于驾驶模拟器,设置利他情境和中性情境两组驾驶任务,在相同的道路驾驶场景中,采集被试个体的跟驰行为数据。选择Gipps模型用于表示个体跟驰行为,采用遗传算法对不同个体的Gipps跟驰模型参数进行标定。对比不同驾驶任务组的标定结果表明:利他情境与中性情境驾驶任务组的组间差异显著;个体执行利他情境驾驶任务时,相比中性情境驾驶任务,驾驶的最大减速度上升、预估前车最大减速度上升、安全距离下降、最大加速度上升;利他情境下个体有意识紧跟前车以达到尽快完成驾驶任务的目的,同时在行驶过程中表现出个体对驾驶安全性有更高的期望。该研究表明:在应急交通疏散过程中,给予个体一定程度的利他情境,可能有助于提高交通疏散整体的安全性能与疏散效率。     

基于遗传-小波神经网络和时空特性的交通数据融合

由于时间序列的交通数据重点关注断面交通流量变化,而空间序列的交通数据主要关注路网交通流分布。在综合考虑二者特性的前提下利用遗传算法的群体搜索技术及小波神经网络的较强学习能力,提出了基于遗传-小波神经网络(GAWNN)的交通数据融合模型。使用MAE、MRE和MSE三个指标对交通数据序列进行优劣对比分析。经实例验证,考虑时空特性的交通数据其数据质量优于单一的时间序列和空间序列。     

脑电预测行为:以效率与公平决策研究为例

目的:以效率与公平相关决策研究为例,探讨人脑电位对行为反应的预测.方法:本研究采用E-Prime程序和事件相关脑电位技术记录了22名健康被试完成效率与公平权衡决策实验时的行为数据和脑电数据,并进行分析.结果:被试对效率的行为敏感性(个体对高效率与低效率的行为反应的差异)可由他们先前对效率的脑电敏感性(个体对高效率与低效率的脑电反应的差异)预测;被试对公平的行为敏感性(个体对高公平与低公平的行为反应的差异)可由他们先前对公平的脑电敏感性(个体对高公平与低公平的脑电反应的差异)预测.结论:本研究例示了个体脑电差异可以预测个体行为差异.     

结合时间注意力机制的Bi-GRU-Atten的短时交通流预测

为使用深度学习模型预测未来高速公路交通流的情况,利用双向门控循环单元算法（Bi-GRU）从双向传播中提取信息,充分学习到历史交通流的时间相关特征,同时采用注意力机制通过正确分配权重来区分交通时间序列的重要性,进一步提高预测的计算效率。采用开源高速公路数据集对模型进行验证,结果表明：与递归神经网络算法、长短期记忆网络算法、双向长短期记忆网络算法,以及没有结合注意力机制的双向门控循环单元算法相比,本文所提算法在计算效率和预测精度方面更优,可以用于短时交通流的预测。     

事件序列中频繁并行情节的增量式发现算法

研究事件序列中频繁情节的发现问题,提出了在事件序列中发现频繁并行情节的增量式算法。如果在事件序列中发现了频繁情节及其出现频率,就可以生成描述或预测该序列行为的情节规则。     

基于贝叶斯分析的阶段性自主体育锻炼行为预测

为了提高阶段性自主体育锻炼行为分析和判断能力,提出基于贝叶斯分析的阶段性自主体育锻炼行为预测方法。构建阶段性自主体育锻炼行为预测的统计时间序列分析模型,采用大数据特征检测方法进行体育锻炼行为大数据挖掘和特征提取,基于贝叶斯分析预测思想进行行为统计特征序列的有序聚类,结合模糊C均值聚类分析方法进行体育锻炼行为预测过程中的信息聚类和属性归并,提取统计时间序列的关联规则特征量,在加权马尔可夫链中实现对阶段性自主体育锻炼行为量的准确预测。仿真结果表明,采用该方法进行阶段性自主体育锻炼行为预测的准确性较高,提高了自主体育锻炼行为的量化分析能力。     

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.     

空间交互网络研究进展

 空间交互网络是人、商品和信息等在地点之间流动而形成的嵌入在空间中的有向流网络。典型的空间交互网络包括国际贸易网络、人口迁移网络、人群出行网络及电话通信网络等。理解和预测空间交互网络中的流量分布模式不仅是区域科学、交通科学、经济地理学等很多领域长期以来的一个重要研究主题,在城市和交通规划、疾病传播防控、商业服务等领域也具有广泛应用价值。本文在简要介绍引力模型、介入机会模型等经典空间交互模型的基础上,着重对近年来复杂系统研究领域在空间交互网络建模方面的研究成果进行介绍,包括辐射模型、人口权重机会模型及空间交互网络上的随机游走模型等,并且对空间交互网络研究中存在的挑战性问题进行探讨,包括个体多样性行为建模、群体空间交互决策行为实验、数据驱动的活动-出行行为研究等。     

强化学习在城市交通信号灯控制方法中的应用

 悉尼自适应交通控制系统（SCATS）、绿信比-周期-相位差优化技术（SCOOT）及Smooth采用自适应交通信号灯控制方法，对城市道路口的交通信号灯进行了有效控制。随着深圳城市交通流量急剧增长，深圳交警在自主研发Smooth信号控制式基础上，提出实时、分布式、自适应调控要求，联合创新了人工信号控制方案TrafficGo，探索基于深度神经网络的强化学习，通过在线学习各种流量负荷，实时推理计算信控时段、相位、相序、信号周期、绿信比、相位差，进一步优化了交通信号灯的控制模式。介绍了在交通信号灯控制中运用的强化学习模型，实地测评表明，其取得了一定改进效果。     

基于规划规则的激励学习偏差研究

在实际动态系统中,经典无启发知识的激励学习算法收敛非常慢,因此必须采用某种偏差技术加速激励学习的收敛速度．已有激励学习偏差算法,通常先验地给出启发知识,这与激励学习的思想相矛盾．通过在初次激励学习获得的策略知识中,先抽取满足条件的规划知识,然后将规划知识作为启发知识,进一步指导后继激励学习．实验结果显示这种学习技术能有效加快算法收敛速度,并适用于动态复杂环境．     

机器学习中加速强化学习的一种函数方法

 机器学习中值函数需要反复更新直至其收敛是造成强化学习速度慢的根本原因.提出一种可实现批量更新值函数的学习方法,从加快值函数收敛的角度来加速强化学习.通过在训练情节中记录下从初始状态到达当前状态的状态转换序列,从中求出其它状态到达当前状态的最短状态路径,使当前状态更新的值函数可沿该最短状态路径逆序向前传播,从而实现值函数的批量更新.从在栅格环境中求最短路径的仿真试验结果看,该方法可显著提高值函数的更新频率,缩短学习时间.     

EMME／2在沈阳市交通规划中的应用

ＥＭＭＥ／２软件于１９９５年开始在沈阳市交通规划中投入使用,沈阳市最近１０年已经 个人出行调查和机动车出行调查,并通过ＥＭＭＥ／２软件建立了个人出行和机动车出行模型,目前,沈阳交通规划正在沈阳市发挥重要的作用,在沈阳市,很多重要的交通项目都是通过ＥＭＭＥ／２软件来进行分析的,其中遥一些项目已经完成,如何,ＥＭＭＥ／２软件已经成为沈阳市交通规划中一个十分重要而且有效的工具。,     

基于信度分配函数的Agent强化学习算法

基于智能体 (Agent)系统强化学习原理和基于动态规划的Q -学习算法的基础上 ,提出了一种新的Agent强化学习算法 .该算法在Agent学习过程中不断调整Agent知识库的加权值 ,在强化学习的每个阶段 ,通过选取合适的信度分配函数来修正Agent强化学习动作的选取策略 .与标准的Q -学习方法相比 ,具有更加合理的物理结构 ,并且能保证算法收敛 .仿真实验说明该方法加快了标准Q -学习算法的收敛速度 ,具有较好的学习性能     

超网络在活动出行行为建模中的应用

网络表示和网络优化长期以来被用于解决很多工程和科学上的问题.这种应用最早可以追溯到哥尼斯堡七桥问题,然后延伸到各种各样的经典的P类问题和Np-难题,比如最小生成树、最短路及旅行商问题等.为了表述各种子系统之间的关联,在过去几十年里,不同层次的网络扩展被提出来,并对交通和经济这样的复杂系统进行了建模.这些网络扩展被称为超网络,它们可以用统一的方式来描述不同网络上不同选择维度.近年来,多状态的超网络被认为是一种很有潜力的方法来研究基于活动建模领域里的活动和出行行为.本文综述了这方面的研究进展,从最开始的经典交通网络到至今最高层次的一种超网络.这种最高层次的超网络能支持对出行路径和模式选择、活动和停车位置选择、ICT的使用,以及共同出行扣活动的建模.     

卫星姿态再励学习的模糊神经控制

将再励学习的模糊神经控制引入卫星姿态控制中，给出详尽的实现方法，推导了模糊神经控制器的自学习算法．直接利用再励信号，对控制器的参数进行在线调节，不需要控制器的学习样本．仿真结果表明该控制算法能有效地克服卫星的不确定性，具有较强的鲁棒性，可实现较高精度的卫星姿态控制．     

魏源思想的逻辑发展

涉足宋学、汉学、今文经学的魏源,由＂老经师＂一变为注重经世实用之学,是他思想的第一次飞跃;由经世而积极参与盐漕改革和水利建设,是他思想的第二次飞跃;由＂无双国士＂而放眼全球,提倡师夷制夷,是他思想的第三次飞跃;晚年却由积极入世变为消极尘世,精神由昂扬而渐趋沉寂。