检索结果-南通市图书馆

情景感知驱动的移动对象多模式轨迹预测技术综述

在线全文

学校读者我要写书评

暂无评论

软件学报 2023年第1期34卷 312-333页

作者：乔少杰吴凌淳韩楠黄发良毛睿元昌安 louis alberto gutierrez 成都信息工程大学软件工程学院四川成都610225 成都信息工程大学管理学院四川成都610225 南宁师范大学计算机与信息工程学院广西南宁530100 深圳大学计算机与软件学院广东深圳518060 广西教育学院广西南宁530023 Department of Computer Science Rensselaer Polytechnic InstituteNew York 12180USA

如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题.现有的大多数轨迹预测方法是长序列轨迹模式预测模型,根据历史轨迹的特点进行预测,或将当前移动对象的轨迹位置放入时空语义场景根据... 详细信息

如何利用多源异构时空数据进行准确的轨迹预测并且反映移动对象的移动特性是轨迹预测领域的核心问题.现有的大多数轨迹预测方法是长序列轨迹模式预测模型,根据历史轨迹的特点进行预测,或将当前移动对象的轨迹位置放入时空语义场景根据历史移动对象轨迹预测位置.综述当前常用的轨迹预测模型和算法,涉及不同的研究领域.首先,阐述了多模式轨迹预测的主流工作,轨迹预测的基本模型类;其次,对不同类的预测模型进行总结,包括数学统计类、机器学习类、滤波算法,以及上述领域具有代表性的算法;再次,对情景感知技术进行了介绍,描述了不同领域的学者对情景感知的定义,阐述了情景感知技术所包含的关键技术点,诸如情景感知计算、情景获取和情景推理的不同类模型,分析了情景感知的不同分类、过滤、存储和融合以及它们的实现方法等.详细介绍了情景感知驱动的轨迹预测模型技术路线及各阶段任务的工作原理.给出了情景感知技术在真实场景中的应用,包括位置推荐,兴趣点推荐等,通过与传统算法对比,分析情景感知技术在此类应用中的优劣.详细介绍了情景感知结合LSTM(long short-term memory)技术应用于行人轨迹预测领域的新方法.最后,总结了轨迹预测和情景感知研究的当前问题和未来发展趋势.

关键词：轨迹预测时空数据库移动数据库数据挖掘机器学习情景感知计算

在线全文

学校读者我要写书评

暂无评论

面向多维稀疏数据仓库的欺诈销售行为挖掘

软件学报 2020年第3期31卷 710-725页

作者：郑皎凌乔少杰舒红平应广华 louis alberto gutierrez 软件自动生成与智能服务四川省重点实验室(成都信息工程大学) 四川成都610225 成都信息工程大学软件工程学院四川成都610225 阿里巴巴技术有限公司浙江杭州311121 Department of Computer Science Rensselaer Polytechnic InstituteNew YorkUSA

分销渠道系统中,产品制造商会分配给销售额较大的分销商更多返点利润鼓励销售,而分销商之间可能会联合起来将多个分销商的销售业绩累计在其中一个分销商上,获取高额利润,这种商业欺诈行为被称为挂单或窜货.由于数据中大量正常极值点的存... 详细信息

分销渠道系统中,产品制造商会分配给销售额较大的分销商更多返点利润鼓励销售,而分销商之间可能会联合起来将多个分销商的销售业绩累计在其中一个分销商上,获取高额利润,这种商业欺诈行为被称为挂单或窜货.由于数据中大量正常极值点的存在,使得传统异常探测算法很难区分正常极值和由挂单导致的异常极值;另外,多维销售数据本身就存在的稀疏性导致多维数据异常探测算法无法有效运行.为了克服上述问题,将人工智能和数据库技术结合起来,提出了基于分割率的特征提取方法和基于张量重构的挂单行为挖掘算法.同时,由于分销商之间存在多种挂单行为,设计了基于挂单模式偏序格的特征提取方法来对销售数据集中存在的挂单行为进行分类.在合成数据的实验中,所提出的挂单点挖掘算法能达到65%的平均AUC值,而传统特征提取方法仅达到36%和30%的平均AUC值.在真实数据上的实验结果表明,挂单行为探测方法能区分正常销售极值和挂单行为产生的异常极值.

关键词：分析渠道欺诈人工智能挂单模式张量偏序格

在线全文

学校读者我要写书评

暂无评论

基于树型门控循环单元的基数和代价估计器

软件学报 2022年第3期33卷 797-813页

作者：乔少杰杨国平韩楠屈露露陈浩毛睿元昌安 louis alberto gutierrez 成都信息工程大学软件工程学院成都信息工程大学管理学院北京华为数字技术有限公司深圳大学计算机与软件学院广西教育学院 Department of Computer Science Rensselaer Polytechnic Institute

基数估计和代价估计可以引导执行计划的选择,估计准确性对查询优化器至关重要.然而,传统数据库的代价和基数估计技术无法提供准确的估计,因为现有技术没有考虑多个表之间的相关性.将人工智能技术应用于数据库(artificial intelligence f... 详细信息

基数估计和代价估计可以引导执行计划的选择,估计准确性对查询优化器至关重要.然而,传统数据库的代价和基数估计技术无法提供准确的估计,因为现有技术没有考虑多个表之间的相关性.将人工智能技术应用于数据库(artificial intelligence for databases, AI4DB)近期得到广泛关注,研究结果表明,基于学习的估计方法优于传统方法.然而,现有基于学习的方法仍然存在不足:首先,大部分的方法只能估计基数,但忽略了代价估计;其次,这些方法只能处理一些简单的查询语句,对于多表查询、嵌套查询等复杂查询则无能为力;同时,对字符串类型的值也很难处理.为了解决上述问题,提出了一种基于树型门控循环单元, Tree-GRU (tree-gated recurrent unit)的基数和代价估计方法,可以同时对基数和代价进行估计.此外,采用了有效的特征提取和编码技术,在特征提取中兼顾查询和执行计划,将特征嵌入到Tree-GRU中.对于字符串类型的值,使用神经网络自动提取子串与整串的关系,并进行字符串嵌入,从而使具有稀疏性的字符串变得容易被估计器处理.在JOB、Synthetic等数据集上进行了大量实验,实验结果表明,所提模型的各方面性能优于主流算法.

关键词： AI4DB 基数估计代价估计查询优化器 Tree-GRU 执行计划

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于数据场聚类的共享单车需求预测模型

软件学报 2022年第4期33卷 1451-1476页

作者：乔少杰韩楠岳昆易玉根黄发良元昌安丁鹏 louis alberto gutierrez 成都信息工程大学软件工程学院四川成都610225 成都信息工程大学管理学院四川成都610225 云南大学信息学院云南昆明650504 江西师范大学软件学院江西南昌330022 南宁师范大学计算机与信息工程学院广西南宁530023 广西教育学院广西南宁530023 Department of Computer Science Rensselaer Polytechnic InstituteNew YorkUSA

共享单车系统日益普及,积累了海量的出行轨迹数据.在共享单车系统中,用户的借车和还车行为是随机的,且受天气、时间等动态因素影响,使得共享单车调度不平衡,影响单车用户体验,并给运营商造成巨大经济损失.提出了新型基于站点聚类的共享... 详细信息

共享单车系统日益普及,积累了海量的出行轨迹数据.在共享单车系统中,用户的借车和还车行为是随机的,且受天气、时间等动态因素影响,使得共享单车调度不平衡,影响单车用户体验,并给运营商造成巨大经济损失.提出了新型基于站点聚类的共享单车需求预测算法,通过构建单车转移网络计算站点活跃度,充分考虑站点地理位置和单车转移模式因素,基于数据场聚类思想,将距离相近和用车模式相似的站点聚合到一个聚簇中,给出最佳簇中心个数求取方法.充分分析时间和天气因素对站点单车需求的影响,利用皮尔逊相关系数,从真实天气数据中选择相关性最大的天气特征,结合历史聚簇内单车需求量,将其转化为三维向量,利用多特征长短时记忆深度神经网络LSTM(long short-term memory)对向量内的特征信息进行学习和训练,以30分钟为长时间间隔,对每个聚簇内的单车需求量进行预测分析.与传统机器学习算法和当前主流方法进行对比,实验结果表明,所提单车需求模型预测性能得到显著提升.

关键词：共享单车系统单车转移网络站点聚类数据场 LSTM网络

基于贡献度证明共识机制的去中心化联邦学习框架

在线全文

学校读者我要写书评

暂无评论

软件学报 2023年第3期34卷 1148-1167页

作者：乔少杰林羽丰韩楠杨国平李贺袁冠毛睿元昌安 louis alberto gutierrez 成都信息工程大学软件工程学院四川成都610225 成都信息工程大学管理学院四川成都610225 西安电子科技大学计算机科学与技术学院陕西西安710071 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116 深圳大学计算机与软件学院广东深圳518060 广西人机交互与智能决策重点实验室(广西科学院) 广西南宁530100 Department of Computer Science Rensselaer Polytechnic InstituteNew YorkUSA

在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦... 详细信息

在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦中亟待解决的问题.针对上述问题,设计了一种高效的去中心化联邦学习框架(efficient decentralized federated learning framework,EDFL),能够降低存储开销,并显著提升FL的学习效率.首先,提出了一种基于贡献度证明(proof-of-contribution)的共识机制,使得区块生成者的选举基于历史贡献度而不采用竞争机制,从而有效发避免了挖矿过程产生的区块生成延迟,并以异步方式缓解模型参数验证中的阻塞问题;其次,提出了一种角色自适应激励算法,因为该算法基于节点的工作强度和EDFL所分配的角色,所以能够激励合法节点更积极地进行模型训练,并有效地识别出恶意节点;再者,提出一种区块链分区存储策略,使得多重局部修复编码块(local reconstruction code)可被均匀地分布到网络的各个节点上,进而降低节点的本地存储代价,并实现了较高的数据恢复效率;最后,在真实的FEMNIST数据集上,对EDFL的学习效率、存储可扩展性和安全性进行了评估.实验结果表明,EDFL在以上3个方面均优于主流的基于区块链的FL框架.

关键词：数据联邦区块链大数据安全管理共识机制存储策略

在线全文

学校读者我要写书评

暂无评论

复杂网络大数据中重叠社区检测算法

软件学报 2017年第3期28卷 631-647页

作者：乔少杰韩楠张凯峰邹磊王宏志 louis alberto gutierrez 成都信息工程大学信息安全工程学院四川成都610225 成都信息工程大学管理学院四川成都610103 西南交通大学信息科学与技术学院四川成都611756 北京大学计算机科学技术研究所北京100871 哈尔滨工业大学计算机科学与技术学院黑龙江哈尔滨150006 Department of Computer Science Rensselaer Polytechnic Institute

提出一种新的面向复杂网络大数据的重叠社区检测算法DOC(detecting overlapping communities over complex network big data),时间复杂度为O(nlog2(n)),算法基于模块度聚类和图计算思想,应用新的节点和边的更新方法,利用平衡二叉树对... 详细信息

提出一种新的面向复杂网络大数据的重叠社区检测算法DOC(detecting overlapping communities over complex network big data),时间复杂度为O(nlog2(n)),算法基于模块度聚类和图计算思想,应用新的节点和边的更新方法,利用平衡二叉树对模块度增量建立索引,基于模块度最优的思想设计一种新的重叠社区检测算法.相对于传统的重叠节点检测算法,对每个节点分析的频率大为降低,可以在较低的算法运行时间下获得较高的识别准确率.复杂网络大数据集上的算法测试结果表明:DOC算法能够有效地检测出网络重叠社区,社区识别准确率较高,在大规模LFR基准数据集上其重叠社区检测标准化互信息指标NMI最高能达到0.97,重叠节点检测指标F-score的平均值在0.91以上,且复杂网络大数据下的运行时间明显优于传统算法.

关键词：复杂网络大数据重叠社区检测模块度图计算

在线全文

学校读者我要写书评

暂无评论

一种基于高斯混合模型的轨迹预测算法

软件学报 2015年第5期26卷 1048-1063页

作者：乔少杰金琨韩楠唐常杰格桑多吉 louis alberto gutierrez 西南交通大学信息科学与技术学院四川成都610031 西南交通大学生命科学与工程学院四川成都610031 四川大学计算机学院四川成都610065 西藏大学藏文信息技术研究中心西藏拉萨850000 Department of Computer Science Rensselaer Polytechnic Institute New York USA

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移... 详细信息

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法 GMTP,主要步骤包括:(1)针对复杂运动模式利用高斯混合模型建模;(2)利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3)利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.

关键词：移动对象数据库轨迹预测高斯混合模型运动模式

在线全文

学校读者我要写书评

暂无评论

基于前缀投影技术的大规模轨迹预测模型

软件学报 2017年第11期28卷 3043-3057页

作者：乔少杰韩楠李天瑞李荣华李斌勇王晓腾 louis alberto gutierrez 成都信息工程大学网络空间安全学院四川成都610225 成都信息工程大学管理学院四川成都610103 西南交通大学信息科学与技术学院四川成都611756 深圳大学计算机与软件学院广东深圳518060 Department of Computer Science Rensselaer Polytechnic InstituteNew YorkUSA

智能手机、车载GPS终端、可穿戴设备产生了海量的轨迹数据,这些数据不仅描述了移动对象的历史轨迹,而且精确地反映出移动对象的运动特点.已有轨迹预测方法的不足在于:不能同时兼具预测的准确性和时效性,有效的轨迹预测受限于路网等局部... 详细信息

智能手机、车载GPS终端、可穿戴设备产生了海量的轨迹数据,这些数据不仅描述了移动对象的历史轨迹,而且精确地反映出移动对象的运动特点.已有轨迹预测方法的不足在于:不能同时兼具预测的准确性和时效性,有效的轨迹预测受限于路网等局部空间范围,无法处理复杂、大规模位置数据.为了解决上述问题,针对海量移动对象轨迹数据,结合频繁序列模式发现的思想,提出了基于前缀投影技术的轨迹预测模型PPTP(prefix projection based trajectory prediction model),包含两个关键步骤:(1)挖掘频繁轨迹模式,构造投影数据库并递归挖掘频繁前序轨迹模式;(2)轨迹匹配,以不同频繁序列模式作为前缀增量式扩展生成频繁后序轨迹,将大于最小支持度阈值的最长连续轨迹作为结果输出.算法的优势在于:可以通过较短的频繁序列模式,增量式生成长轨迹模式;不会产生无用的候选轨迹,弥补频繁模式挖掘计算代价较高的不足.利用真实大规模轨迹数据进行多角度实验,表明PPTP轨迹预测算法具有较高的预测准确性,相对于1阶马尔可夫链预测算法,其平均预测准确率可以提升39.8%.基于所提出的轨迹预测模型,开发了一个通用的轨迹预测系统,能够可视化输出完整的轨迹路线,为用户路径规划提供辅助决策支持.

关键词：轨迹预测前缀投影频繁序列模式轨迹匹配马尔可夫链

A BiLSTM cardinality estimator in complex database systems based on attention mechanism

在线全文

学校读者我要写书评

暂无评论

CAAI Transactions on Intelligence Technology 2022年第3期7卷 537-546页

作者： Qiang Zhou Guoping Yang Haiquan Song Jin Guo Yadong Zhang Shengjie Wei Lulu Qu louis alberto gutierrez Shaojie Qiao School of Information Science and Technology Southwest Jiaotong UniversityChengduChina School of Software Engineering Chengdu University of Information TechnologyChengduChina School of Energy Power and Mechanical Engineering North China Electric Power UniversityBaodingChina Digital Media Art Key Laboratory of Sichuan ProvinceSichuan Conservatory of MusicChengduChina Department of Computer Science Rensselaer Polytechnic InstituteNew YorkNew YorkUSA

An excellent cardinality estimation can make the query optimiser produce a good execution plan.Although there are some studies on cardinality estimation,the prediction results of existing cardinality estimators are inaccurate and the query efficiency cannot be guaranteed as well.In particular,they are difficult to accurately obtain the complex relationships between multiple tables in complex database systems.When dealing with complex queries,the existing cardinality estimators cannot achieve good results.In this study,a novel cardinality estimator is proposed.It uses the core techniques with the BiLSTM network structure and adds the attention mechanism.First,the columns involved in the query statements in the training set are sampled and compressed into bitmaps.Then,the Word2vec model is used to embed the word vectors about the query statements.Finally,the BiLSTM network and attention mechanism are employed to deal with word vectors.The proposed model takes into consideration not only the correlation between tables but also the processing of complex predicates.Extensive experiments and the evaluation of BiLSTM-Attention Cardinality Estimator(BACE)on the IMDB datasets are conducted.The results show that the deep learning model can significantly improve the quality of cardinality estimation,which is a vital role in query optimisation for complex databases.

关键词： attention BiLSTM cardinality estimation complex database systems query optimiser Word2vec