实际数据驱动的纯电动汽车途中充电潜在偏好行为分析

为分析纯电动汽车途中充电行为特征,提出基于位置识别算法的途中充电段甄别方法,以初始剩余电池电量、上次充电后行驶里程、充电时长和充电速度为核心指标,利用K-means聚类方法进行途中充电潜在偏好行为分析与分类,解析城市典型途中充电偏好行为特征.基于300辆150 km续航里程的纯电动汽车实际运行数据,分析表明,纯电动汽车...     

考虑参考点依赖的随机网络用户均衡与系统演化

考虑出行者路径选择过程中的有限理性和参考点依赖,以基于累积前景理论的路径选择决策规则为基础,建立随机网络用户均衡及其等价的变分不等式模型,力图展示现实中的交通流分布形态.提出了求解模型的算法,并通过简单的算例对模型和算法的合理性进行验证.考虑到日常出行路径选择是一个重复的学习与更新过程,通过模型描述出行者路径选择过程中的学习、选择和更新行为,进一步建立基于累积前景理论的动态交通系统,最后通过算例说明动态交通系统演化到用户均衡的过程.     

非正交多址接入系统下行链路簇内用户数最大化研究

针对非正交多址接入系统(NOMA)下行链路,基于系统吞吐量最大化原则,对簇内用户发射功率进行了最优分配,发现簇内用户数过多会导致簇内吞吐量下降,提出了给定吞吐量最小限值条件下簇内用户数最大值的估计方案.仿真结果显示:当给定吞吐量的最小限值为10 Mbit·s~(-1)时,簇中所能包含的最大用户数为4.     

不完全信息的离散型模糊随机多准则决策方法

针对状态概率与准则权重均为区间数且准则值有缺失的离散型模糊随机多准则决策问题,设计了一种基于信息集结的新方法.该方法在区分准则类型和确定决策者的风险偏好水平后,首先根据准则类型利用最大、最小算子计算方案集在不同状态下有缺失值的准则上的正、负理想值,再通过决策者的风险偏好水平与正、负理想值补充方案集在不同状态下缺失的准则值,然后参照准则类型与决策者的风险偏好水平集结方案集在不同状态下赋值为梯形模糊数的准则值并进行规范化,接着利用熵与离差最大化分别构建规划模型以求解最优状态概率分布与最优准则权重向量,进而得到方案集的综合评价值并确定排序,最后给出具体算例.结果显示了该方法的有效性和可行性.     

基于个人-群体-商户关系模型的虚假评论识别研究

从评论利益相关者内容与行为特征相结合的角度,提出一种基于个人–群体–商户的主体关系模型(IGMRM)。选择93家店铺中9558个不同IP的97804条评论作为样本数据进行实验,结果表明,IGMRM在识别虚假评论者、存在信用操纵的商铺以及虚假评论者群体的F1值分别达到82.62%、59.26%和95.12%。使用基于评论内容的逻辑回归模型和K最邻近模型作为基线分类方法,识别虚假评论者的F1值分别为52.63%和76.75%,表明IGMRM在识别虚假评论者方面优于传统方法。     

一种基于内容的信息过滤改进模型

根据过滤系统的不同过滤目的，将信息过滤分为两类：(1)基于满足用户信息需求的用户兴趣过滤；(2)基于保障数据安全和社会安全的安全过滤．在详细分析了这两类信息过滤的异同之后，指出了安全过滤研究的特殊性及其主要研究内容．在现有用户兴趣过滤系统模型的基础上，提出了一个基于内容的信息过滤模型，并对模型中新增模块进行了试验．研究结果表明，新增模块能够很好地实现基于内容过滤系统的高精度，证明了该过滤模型具有一定的实用价值．     

我国文献传递服务模式之用户体验

介绍了我国四大文献传递服务系统所依托的资源,根据太原理工大学图书馆的实践经验,从用户体验的角度,对这些系统进行了比较分析。     

考虑动静态交通转换的中心商业区停车供给优化研究

基于排队论构建停车阻抗函数,基于综合出行阻抗(停车阻抗+行车阻抗)函数建立双层规划模型,上层模型根据综合出行阻抗随停车容量变化确定CBD内停车泊位数及空间分布,目标函数为最小化所有小汽车的综合出行阻抗.下层模型为分担-分配组合模型,用于计算CBD内不同停车供给方案所对应的交通流特征.在双层模型外构建重力模型,计算在CBD新增停车泊位所诱增的小汽车出行.由于上层模型的结果会改变下层模型中的OD矩阵和停车阻抗,而下层模型又决定着上层模型的目标函数,因此均衡状态下的停车供给方案既是优化的结果.     

基于情境化用户偏好的协同过滤推荐模型

协同过滤推荐是目前个性化推荐系统中使用最为广泛的方法.然而,传统协同过滤推荐一方面仅根据用户对项目的评分来判断用户之间是否存在共同喜好具有一定的片面性,因而降低了近邻搜索的质量;另一方面忽略了不同情境对用户偏好影响的差异性,进而影响了个性化推荐的效果.为此,提出一种基于情境化用户偏好的协同过滤推荐模型.首先,在模型中采用信息熵理论分析不同情境对用户偏好产生影响的重要程度,并结合用户-商品评分和用户对商品属性的偏好来搜索近邻用户;在此基础上,将情境重要度的权重引入到协同过滤推荐的生成过程中进而产生推荐结果.通过MovieLens数据集对该模型和其它两种协同过滤推荐进行比较的结果表明:本模型具有较低的平均误差,进而表明了考虑情境化用户偏好的协同过滤可明显改善个性化推荐的质量.