基于元分析的移动医疗持续使用意愿影响因素

基于30篇中外文献，以信息系统持续使用模型（ECM-IS）为基础，构建了包含个体感知因素与个体特征的综合研究框架。同时，采用元分析方法，探讨了用户持续使用意愿影响因素并分析了国家经济发展水平的调节效应。结果表明：信息系统持续使用模型各变量关系在移动医疗服务领域解释用户持续使用意图方面均得到了验证；个体感知因素与个人特征因素对用户满意度及持续使用意愿均有正向影响；除感知有用性与满意度、感知服务质量与满意度的关系而外，国家经济发展水平均显著调节模型中相关变量关系。所得结论一方面可以为后续研究提供理论参考，另一方面可以协助移动医疗服务提供商进一步了解用户行为，增强用户粘性，促进移动医疗服务持续发展。     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。