基于主张量的时空数据特征驱动可视化方法

面向时空场数据高维分析与表达的需求,构建基于主张量的时空数据结构分析与动态表达模型.简述了张量的定义、基本算子及主张量分解方法,给出了基于主张量分解的多维度特征分析流程.利用张量的多维融合特性进行多维时空数据的组织与表达,设计了多维时空数据统一组织与存储方法.利用主张量分解方法,实现了时空数据不同维度结构特征的解析与动态重构,进而建立了基于主张量的多维时空数据多维度解析模型与特征驱动的时空数据联动可视化策略.以赤道太平洋海域卫星测高SSHA(Sea Surface Height Abnormity)网格数据进行实验验证.实现了基于张量的多维透视、子集提取、等值面绘制与时空体可视化等功能.利用主张量分解实现了对ENSO(El Ni(n)o-Southern Oscillation)事件时间型与空间型的解析与提取,并实现了时间、经度、纬度系数驱动下的联动可视化.实例验证表明,该方法较好再现了ENSO事件的时空分布格局与动态演化特征,并可实现对ENSO时空演化过程的多维度透视.     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

考虑交通流行驶时间的高速公路动态OD矩阵估计模型

在对高速公路的起-讫(OD)矩阵进行动态估计时,往往忽略了交通流在运行实际过程中运行时间和车队离散的现象.分析了这一问题对高速公路的OD估计的影响,并通过时空分析引入了交通流"时-空带"的概念,消除了同一股车流在道路下游出现的时间不同步性对于OD估计的不利影响.在上述分析基础上,采用最小二乘理论建立动态OD矩阵估计模型.数值算例表明,该估计模型能够有效地过滤交通流运行时间的影响,提高动态OD矩阵的估计精度,具有较强的实用性.     

考虑双前导车的跟驰与换道联合模型

针对现有跟驰与换道模型没有同时考虑驾驶者决策过程中前瞻性的问题,在全速差跟驰模型及概率式换道模型的基础上,提出了一种考虑双前导车的跟驰与换道联合模型,并给出了模型参数的辨识方法.应用美国NGSIM开源交通流数据库中美国I80高速公路Emeryville路段的车辆行驶轨迹数据,分别采用轨迹标定法和极大似然法对所提模型中的跟驰模型和换道模型进行了参数标定,并参照NGSIM数据库中的交通环境设计了数值仿真实验.仿真实验结果显示,交通流平均速度、车速离散度与实测数据的误差均在5.0%左右,换道次数和换道率的误差均小于20%.所提出的模型能够准确描述多车道高速公路交通流的微观特性,适合用于模拟实际多车道高速公路交通流的动态特征.     

KCPStack:张量分解的卷积核分层矩阵压缩方法

针对现有张量分解卷积核压缩方法难以兼顾时空轻量化、过于依赖卷积瓶颈结构等问题,提出一种具有可观压缩与加速能力的卷积核分层矩阵压缩方法(KCPStack)。首先,在矩阵乘法视角下,将卷积核按通道拆分为2阶克罗内克规范多项式(KCP)分解,所得因子张量组合为两层权重矩阵,使卷积计算转换为具有较高推理效率的双层轻量卷积结构;其次,对比所提KCPStack方法与其他典型张量分解卷积核压缩方法的参数约减空间复杂度与推理计算时间复杂度;最后,基于RK3588神经处理单元进行KCPStack方法的部署,面向实际场景目标检测识别需求开发相关应用。实验结果表明：与现有张量分解方法相比,在张量秩相同或者参数量相当的前提下,所提KCPStack方法具有最快的推理计算效率;在图像分类标准数据集CIFAR-10和ImageNet上,KCPStack方法能够将精度损失控制在1%左右,最高可减少85.0%的参数量和79.8%的计算量;在目标检测识别标准数据集COCO上,KCPStack方法相对于基线模型的平均精度下降不超过1%;采用所提KCPStack方法对实际场景进行目标检测识别,在RK3588神经处理单元上能达...     

基于Grid-PARAFAC毫米波大规模多输入多输出系统联合信道估计算法

针对在毫米波大规模多输入多输出系统中超密集组网存在干扰的问题,提出了基于Grid-PARAFAC（grid-parallel factor analysis）联合信道估计方法。首先,将大规模天线的高维接收信号映射到大尺度张量空间,利用Grid-PARAFAC张量分解将其分解为子张量接收信号,然后对子张量接收信号并行张量分解得到符号、接收天线和子载波的子投影矩阵,最后,通过交替最小二乘准确求得隐藏高维接收信号中的信道信息。通过Grid-PARAFAC张量分解能够在保留原始空间信息的条件下深度挖掘数据隐藏因子,并对其处理而不是整个数据张量,降低了接收信号维度,同时又保留着高维接收信号的空间结构互相关信息;仿真结果表明,所提算法减少了超密集组网所存在高维度信道干扰,降低了计算复杂度,提高了系统性能。     

基于Grid-PARAFAC的毫米波大规模多输入多输出系统联合信道估计算法

针对在毫米波大规模多输入多输出系统中超密集组网存在干扰的问题,提出了基于Grid-PARAFAC(grid-parallel factor analysis)的联合信道估计方法。首先,将大规模天线的高维接收信号映射到大尺度张量空间,利用Grid-PARAFAC张量分解将其分解为子张量接收信号;然后对子张量接收信号并行张量分解得到符号、接收天线和子载波的子投影矩阵;最后,通过交替最小二乘准确求得隐藏高维接收信号中的信道信息。通过Grid-PARAFAC张量分解能够在保留原始空间信息的条件下深度挖掘数据隐藏因子,并对其处理而不是整个数据张量,降低了接收信号维度,同时又保留着高维接收信号的空间结构互相关信息。仿真结果表明,所提算法减少了超密集组网所存在高维度信道干扰,降低了计算复杂度,提高了系统性能。     

城市道路交通流监测数据最优汇集时间间隔分析

针对传统的交叉验证均方差模型在确定交通流监测数据最优汇集时间间隔研究方面存在的不足,以交通流量、时间平均速度、占有率等3个交通流基本参数来表征城市道路交通流运行状态.在传统的交通状态交叉验证均方差估计方法的基础上,提出了一种改进的基于交通状态矢量的交叉验证均方差模型,以估计不同汇集时间间隔时交通流监测数据的波动性.然后,构建了基于交通状态矢量的均差值假设检验,并采用t检验方法寻找交叉验证均方差值变化的拐点,以确定交通流监测数据的最优汇集时间间隔.以昆山市城市道路车辆检测器实际采集的交通流数据为例,对不同等级城市道路交通流监测数据的最优汇集时间间隔进行了量化分析.结果表明,在实际应用中,城市道路交通流监测数据的最优汇集时间间隔可以选取为5 min.     

基于非负张量分解的音频分类方法

为了提高音频数据分类正确率,提出一种通过非负张量分解(NTF)的分类方法.音频信号经过预处理后,提取声学特征和感知特征参数,然后构建非负的3阶音频张量,其各阶分别对应特征、帧、样本;其次,通过NTF得到每一类音频的核张量与因子矩阵,让测试样本构建的张量与各类型音频的因子矩阵的转置进行张量乘,得到对核张量的近似;最后,通过Frobenius范数进行相似性度量,完成分类.使用古典音乐、流行音乐、语音、噪声4种类型的音频数据测试分类效果.结果表明,平均分类正确率在85%,以上,说明该方法可以有效地完成音频分类.     

基于支持向量机的高速公路实时事故风险研判

采用G60高速公路(上海段)上布设的单组线圈检测器检测的车道级交通流数据对该路段上发生追尾事故可能性进行研究.通过配对案例对照的方法,分别对事故前5~10min,10~15min和15~20min的交通流数据建立了追尾事故实时预测支持向量机模型.结论表明基于事故前5~10min的交通流数据构建的支持向量机分类器能够有效的对事故进行实时预测,总体事故预测精度为84.85%,误报率为0.33%,该支持向量机分类器具有较高的实用价值,同时也表明了基于单流量检测器的交通流数据对事故进行实时预测的可靠性.     

张量分解在用户影响力度量中的应用

提出一种基于张量分解的有影响力用户识别算法.该算法首先构建基于查询主题的用户交互关系张量,接着利用张量分解算法对用户行为进行预测,最后融合各种交互关系和用户的主题信息给出用户影响力的综合评判.实验结果表明,与非负矩阵分解相比,张量分解的挖掘精度提升了约10%,而与PageRank相比,张量分解的挖掘精度提升了约20%.     

融合时间特征的社交媒介用户影响力分析

针对现有张量影响力模型未能充分考虑用户的时间特征以及在线学习等问题,提出了一种融合时间特征的社交媒介用户影响力分析方法。该方法首先将用户观点、活跃度、网络中心度等特征加入张量模型中,并将张量分解过程中的用户潜在特征矩阵加入时间特征约束;其次,采用随机梯度下降的方法进行张量的分解;最后,通过融合不同张量片的影响力信息得到用户影响力得分。该方法的优点是能够快速分解张量并准确预测特定话题领域下的用户社会影响力,同时能够在已有模型参数的基础上进行新数据的在线训练。实验结果表明,与现有TwitterRank、OOLAM、受限非负张量分解模型等相比,该方法在平均预测准确率上提升了2%~6%。同时,该方法的时间消耗仅为受限非负张量分解模型的30%~50%。     

矩阵分解理论在降维中的应用

本文主要介绍矩阵论中的矩阵分解在计算机人工智能中的降维中的应用.从矩阵的奇异值分解和张量的高阶奇异值分解两个方面,结合张量子空间分析(TSA)和张量邻域保持嵌入(TNPE)两个算法,研究矩阵分解理论与降维的结合及应用原理.     

基于交通流预测的高速公路收费站车道开闭配置

针对高速公路收费站的收费车道资源分配不均问题,结合贝叶斯优化算法（bayesian optimization algorithm, BOA）和长短时记忆神经网络（long short term memory, LSTM）,提出了一种基于交通流预测的收费车道开闭配置方法。首先,对收费数据进行预处理,得到交通量、车型比例、收费方式占比和服务时间等基础数据,用于构建模型训练数据集。其次,提出了一种基于多元收费方式的M/G/K排队模型,实现收费站通行过程的理论描述和平均排队长度、平均逗留时间、通行能力等关键指标的计算。然后,针对超参数设置困难问题,引入贝叶斯优化算法构建了BOA-LSTM组合模型实现交通流预测。接着,以交通流预测结果为输入,以车道开启数目为输出,构建了一种以综合成本最小为目标的车道开闭配置模型。最后,以河北新元高速机场收费站为例展开实证分析,结果表明,BOA-LSTM组合模型能够取得良好的预测效果,其中交通量和车型比例的均方根误差分别为16.24和0.03,平均绝对百分比误差分别为13.32%和1.77%;相比于实际方案,工作日平均每天的综合成本降低了2.30%,休息日平均每天的综合成本降低了5.14%。     

低秩张量分解的多视角谱聚类算法

针对传统多视角学习算法只关注从多视角中提取共享信息而忽略了各视角的特有信息和高阶关联的问题,提出了一种基于截断核范数的低秩张量分解的多视角谱聚类算法。计算各视角的样本相似度矩阵和转移概率矩阵,构建一个包含各视角马尔可夫转移概率矩阵的张量,从而保留各个视角的信息。采用基于张量奇异值分解的截断核范数约束目标张量的秩。通过最小化张量截断核范数,学习到一个既包含各个视角共享信息又具有高阶关联的张量。利用迭代最优化算法求解目标函数,将求得的目标张量输入谱聚类算法得到聚类结果。在4个不同类型数据集上进行实验并与传统聚类算法进行了对比,结果表明:所提算法在4个数据集上的标准互信息度量值比标准谱聚类算法的分别提高了7.9%、24.9%、29.5%、8.1%,比LT-MSC算法的分别提高了3.4%、18.1%、17.6%、6.6%。通过对非负平衡参数在0.000 1～100之间的测试发现,所提算法表现基本稳定,在非负平衡参数取0.1～1之间表现良好。与传统多视角聚类算法相比,所提算法可有效增强各视角之间的互补性和高阶关联,并且具有良好的准确性和鲁棒性。     

基于张量ESPRIT-SVD算法的双基地MIMO雷达测向方法

针对双基地MIMO雷达的波离方向(DOD)和波达方向(DOA),提出了一种基于张量ESPRIT-SVD的估计方法。该方法利用匹配滤波输出数据具有多维结构特性构造3阶测量张量,进而获得协方差张量并通过高阶奇异值分解(HOSVD)来估计信号子空间。然后利用ESPRIT算法估计目标的波离方向,使用估计的波离方向构建发射端的导向矢量,将信号子空间进行矩阵变换并与构建的发射端的导向矢量一起构造新的数据矩阵,将新构造的数据矩阵经过奇异值分解(SVD)来估计接收端的导向矢量,最后估计目标的波达方向。该算法在小快拍情况下具有较好的均方根误差、成功概率等性能,且运算量低,估计的波离方向和波达方向不需要额外配对。     

基于张量分解的多声道音频恢复方法

为恢复多声道音频在采集过程中丢失的数据,提出基于加权优化的张量分解方法.首先用张量对音频建模,并且根据其尺寸定义一个标识数据丢失位置的加权张量,然后使用加权最小二乘问题描述CANDECOMP/PARAFAC(CP)模型并通过一阶优化算法求解,最终通过获得的因子矩阵恢复音频.通过不同数目通道数据丢失的隐藏参考和基准的多激励测试,说明针对丢失数据采用CP分解方法是有效的,即张量分解能够得到较好的音频恢复效果.      

面向短时交通流预测的动态时空图卷积网络

针对现有的交通流量预测模型缺乏对交通数据动态时空相关性建模能力的问题,提出一种新的基于深度学习的动态时空图卷积网络(DSTGCN)模型,该模型无需给出道路网络信息,从交通数据中即可建模时空相关性.动态时空图卷积层包含2个主要部分:（1）动态邻接矩阵生成模块:使用时间自相关机制与空间注意力机制捕捉交通数据中的动态时空相关性;（2）时空图卷积:使用图卷积和标准二维卷积对信息进行高效聚合.DSTGCN通过堆叠动态时空图卷积层,能够捕捉不同时间级别的时空依赖关系.文章提出的方法在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明:所提出的DSTGCN模型在各项评价指标中均优于现有的基准方法.在PeMSD04数据集上,与当前较新的GeoMAN和ASTGCN模型相比,MAE分别降低了4.00和2.16,验证了所提模型在交通流预测中的有效性.     

基于自然驾驶数据的高速公路出口区换道风险模型

依托上海自然驾驶实验数据,提取高速公路出口区的交通流特性数据和驾驶行为样本.以单向四车道高速公路出口为例,考虑不同道路交通环境和出匝换道路径因素,基于比例优势模型构建高速公路出口区换道风险模型.在该模型基础上生成换道风险图谱,解析高速公路出口区换道风险分布特征,为车流控制管理提供理论决策支持.     

基于ACapsGRU的短时交通流预测研究

针对交通流预测中的时空相关性进行研究．首先,根据城市交通路网建立速度矩阵,将每个时刻的速度矩阵输入胶囊网络进行空间特征的提取;其次,利用注意力机制结合近期交通流数据生成注意力权重;最后,将带有注意力权重的数据输入到门控循环单元学习交通流的时间特征,进行组合模型的短时交通流预测．使用西安市的交通流数据进行验证,结果表明：提出的ACapsGRU组合模型有更好的预测结果,相比于卷积神经网络、胶囊网络及CapsNet-NLSTM等模型预测结果,在平均绝对误差(MAE)方面分别优化了17.08%,13.85%和4.78%.