检索结果-南通市图书馆

Multi-scale persistent spatiotemporal transformer for long-term urban traffic flow prediction

Journal of Electronic science and Technology 2024年第1期22卷 53-69页

作者： Jia-Jun Zhong Yong Ma Xin-Zheng niu Philippe fournier-Viger Bing Wang Zu-kuan Wei school of Computer science and Engineering University of Electronic Science and Technology of ChinaChengdu611731China College of Computer science&software Engineering Shenzhen UniversityShenzhen518060China school of Computer science Southwest Petroleum UniversityChengdu610500China

Long-term urban traffic flow prediction is an important task in the field of intelligent transportation,as it can help optimize traffic management and improve travel *** improve prediction accuracy,a crucial issue is how to model spatiotemporal dependency in urban traffic *** recent years,many studies have adopted spatiotemporal neural networks to extract key information from traffic ***,most models ignore the semantic spatial similarity between long-distance areas when mining spatial *** also ignore the impact of predicted time steps on the next unpredicted time step for making long-term ***,these models lack a comprehensive data embedding process to represent complex spatiotemporal *** paper proposes a multi-scale persistent spatiotemporal transformer(MsPsTT)model to perform accurate long-term traffic flow prediction in *** adopts an encoder-decoder structure and incorporates temporal,periodic,and spatial features to fully embed urban traffic data to address these *** model consists of a spatiotemporal encoder and a spatiotemporal decoder,which rely on temporal,geospatial,and semantic space multi-head attention modules to dynamically extract temporal,geospatial,and semantic *** spatiotemporal decoder combines the context information provided by the encoder,integrates the predicted time step information,and is iteratively updated to lea.n the correlation between different time steps in the broader time range to improve the model’s accuracy for long-term *** on four public transportation datasets demonstrate that MsPsTT outperforms the existing models by up to 9.5%on three common metrics.

关键词： Graph neural network Multi-head attention mechanism spatio-temporal dependency Traffic flow prediction

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

a.novel overlapping minimization sMOTE algorithm for imbalanced classification

引用

Frontiers of Information Technology & Electronic Engineering 2024年第9期25卷 1266-1281页

作者： Yulin HE Xuan LU Philippe fournier-VIGER Joshua Zhexue HUAnG Guangdong Laboratory of Artificial Inteligence and Digital Economy(sZ) Shenzhen 518107China College of Computer science and software Engineering Shenzhen UniversityShenzhen 518060China

The synthetic minority oversampling technique(sMOTE) is a popular algorithm to reduce the impact of class imbalance in building classifiers, and has received several enhancements over the past 20 years. sMOTE and its variants synthesize a.number of minority-class sample points in the original sample space to alleviate the adverse effects of class imbalance. This approach works well in many cases, but problems arise when synthetic sample points are generated in overlapping areas between different classes, which further complicates classifier tra.ning. To address this issue, this paper proposes a.novel generalization-oriented rather than imputation-oriented minorityclass sample point generation algorithm, named overlapping minimization sMOTE(OM-sMOTE). This algorithm is designed specifically for binary imbalanced classification problems. OM-sMOTE first maps the original sample points into a.new sample space by balancing sample encoding and classifier generalization. Then, OM-sMOTE employs a set of sophisticated minority-class sample point imputation rules to generate synthetic sample points that are as far as possible from overlapping areas between classes. Extensive experiments have been conducted on 32 imbalanced datasets to validate the effectiveness of OM-sMOTE. Results show that using OM-sMOTE to generate synthetic minority-class sample points leads to better classifier tra.ning performances for the naive Bayes,support vector machine, decision tree, and logistic regression classifiers than the 11 state-of-the-art sMOTE-based imputation algorithms. This demonstrates that OM-sMOTE is a viable approach for supporting the tra.ning of high-quality classifiers for imbalanced classification. The implementation of OM-sMOTE is shared publicly on the Git Hub platform at https://***/luxuan123123/OM-sMOTE/.

关键词： Imbalanced classification synthetic minority oversampling technique(sMOTE) Majority-class sample point Minority-class sample point Generalization capability Overlapping minimization

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于分类风险的半监督集成学习算法

引用

模式识别与人工智能 2024年第4期37卷 339-351页

作者：何玉林朱鹏辉黄哲学 PHILIPPE fournier-Viger 人工智能与数字经济广东省实验室(深圳) 深圳518107 深圳大学计算机与软件学院深圳518060

针对当前半监督集成学习算法对无标记样本预测时容易出现的标注混沌问题,文中提出基于分类风险的半监督集成学习算法(Classification Risk-Based semi-supervised Ensemble Lea.ning Algorithm,CR-ssEL).采用分类风险作为无标记样本置... 详细信息

针对当前半监督集成学习算法对无标记样本预测时容易出现的标注混沌问题,文中提出基于分类风险的半监督集成学习算法(Classification Risk-Based semi-supervised Ensemble Lea.ning Algorithm,CR-ssEL).采用分类风险作为无标记样本置信度的评判标准,可有效衡量样本标注的不确定性程度.迭代地训练分类器,对高置信度样本进行再强化,使样本标注的不确定性逐渐降低,增强半监督集成学习算法的分类性能.在多个标准数据集上验证CR-ssEL的学习参数影响、训练过程收敛和泛化性能提升,实验表明随着基分类器个数的增加,CR-ssEL的训练过程呈收敛趋势,获得较优的分类精度.

关键词：半监督集成学习集成学习半监督学习分类风险不确定性置信度

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于优先填补策略的spark数据均衡分区方法

引用

电子学报 2024年

作者：何玉林吴东彤 Philippe fournier-Viger 黄哲学人工智能与数字经济广东省实验室(深圳) 深圳大学计算机与软件学院

spark作为基于内存计算的分布式大数据处理框架，运行速度快且通用性强.在任务计算过程中，spark的默认分区器HashPartitioner在处理倾斜数据时，容易产生各个分区数据量不平衡的情况，导致资源利用率低且运行效率差.现存的spark均衡分... 详细信息

spark作为基于内存计算的分布式大数据处理框架，运行速度快且通用性强.在任务计算过程中，spark的默认分区器HashPartitioner在处理倾斜数据时，容易产生各个分区数据量不平衡的情况，导致资源利用率低且运行效率差.现存的spark均衡分区改进方法，例如多阶段分区、迁移分区和采样分区等，大多存在尺度把控难、通信开销成本高、对采样过度依赖等缺陷.为改善上述问题，本文提出了一种基于优先填补策略的分区方法，同时考虑了样本数据和非样本数据的分配，以便实现对全部数据的均衡分区.该方法在对数据采样并根据样本信息估算出每个键的权值后，将键按照权值大小降序排列，依次将键在满足分区容忍度的条件下分配到前面的分区中，为未被采样的键预留后面的分区空间，以获得针对样本数据的分区方案. spark根据分区方案对样本中出现的键对应的数据进行分区，没有出现的键对应的数据则直接映射到可分配的最后一个分区中.实验结果表明，新分区方法能够有效实现spark数据的均衡分区，在美国运输统计局发布的真实航空数据集上，基于该方法设计的优先填补分区器的总运行时间比HashPartitioner平均缩短了15.3%，比现有的均衡数据分区器和哈希键值重分配分区器分别平均缩短了38.7%和30.2%.

关键词：均衡分区优先填补策略数据倾斜 spark算子大数据

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种新的期限与成本平衡为导向的spark作业调度算法

引用

计算机工程 2024年

作者：何玉林莫沛恒黄哲学 Philippe fournier-Viger 人工智能与数字经济广东省实验室(深圳) 深圳大学计算机与软件学院

大数据计算框架如Apache spark在大数据分析任务中的重要性日益凸显。但是，仅依靠本地计算资源往往难以支撑数据密集型作业任务的处理。因此，一种可行的方案是租用公共云服务商的云资源，并将spark集群完全部署在云端。然而，这样做... 详细信息

大数据计算框架如Apache spark在大数据分析任务中的重要性日益凸显。但是，仅依靠本地计算资源往往难以支撑数据密集型作业任务的处理。因此，一种可行的方案是租用公共云服务商的云资源，并将spark集群完全部署在云端。然而，这样做会导致计算成本过高。为了降低成本，越来越多的用户选择使用本地资源和云资源协同的方式构建混合云计算集群。但是，在混合云部署的spark集群中，如何在满足多个服务水平协议需求(例如最小化成本和保证作业截止期限)的同时完成作业调度是一项具有挑战性的任务。现有的研究主要关注如何降低集群使用成本或者提高作业截止日期的满足率，而没有考虑这两个目标之间的平衡。针对这一问题，本文提出了一种新的期限-成本感知蚁群优化(Deadline-Cost Aware Ant Colony Optimization，DC-ACO)作业调度算法，该算法能够在利用混合云部署集群中不同虚拟机(Virtual Machine，VM)实例定价优化集群VM使用成本的同时，最大限度地保证作业截止日期的满足百分比。详实可信的仿真实验被执行用以对比提出的DC-ACO作业调度算法与基线算法的性能。实验结果表明，DC-ACO算法具有良好的可扩展性，并且能够将作业截止日期的满足百分比提升约20%，同时将混合集群的VM使用成本降低约10%。

关键词： spark 作业调度混合云蚁群优化算法作业截止期限虚拟机使用成本

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于大数据随机样本划分的分布式观测点分类器

引用

计算机应用 2024年第6期44卷 1727-1733页

作者：李旭何玉林崔来中黄哲学 PHILIPPE fournier-Viger 人工智能与数字经济广东省实验室(深圳) 广东深圳518107 深圳大学计算机与软件学院广东深圳518060

观测点分类器(OPC)是一种试图通过将多维样本空间线性不可分问题转换成一维距离空间线性可分问题的有监督学习模型,对高维数据的分类问题尤为有效。针对OPC在处理大数据分类问题时表现的较高训练复杂度,在spark框架下设计一款基于大数... 详细信息

观测点分类器(OPC)是一种试图通过将多维样本空间线性不可分问题转换成一维距离空间线性可分问题的有监督学习模型,对高维数据的分类问题尤为有效。针对OPC在处理大数据分类问题时表现的较高训练复杂度,在spark框架下设计一款基于大数据的随机样本划分(RsP)的分布式OPC(DOPC)。首先,在分布式计算环境下生成大数据的RsP数据块,并将它转换为弹性分布式数据集(RDD);其次,在RsP数据块上协同式地训练一组OPC,由于每个RsP数据块上的OPC独立训练,因此有高效的spark可实现性;最后,在spark框架下将在RsP数据块上协同训练的OPC集成为DOPC,对新样本进行类标签预测。在8个大数据集上,对spark集群环境下实现的DOPC的可行性、合理性和有效性进行实验验证,实验结果显示,DOPC能够以更低的计算消耗获得比单机OPC更高的测试精度,同时相较于spark框架下实现的基于RsP模型的神经网络(nn)、决策树(DT)、朴素贝叶斯(nB)和K最近邻(Knn),DOPC分类器具有更强的泛化性能。测试结果表明,DOPC是一种高效低耗的处理大数据分类问题的有监督学习算法。

关键词：大数据分类分布式文件系统随机样本划分观测点分类器 spark计算框架

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Impact of pre-existing cardiometabolic diseases on metastatic cancer stage at dia.nosis:a prospective multinational cohort study

引用

Cancer Communications 2024年第5期44卷 593-597页

作者： a.na Jansana Aviane Auguste Marina Kvaskoff a.nès fournier Emma Fontvieille Laia Peruchet-noray Carine Biessy Reynalda Cordova Kristina Elin nielsen Petersen a.ne Tjoneland Verena Katzke Rudolf Kaaks Fulvio Ricceri salvatore Panico Paolo Contiero Maria-Jose sánchez Jesus Castilla Marta Crous-Bou Alicia Heath Elom Kouassivi Aglago Elisabete Weiderpass Marc James Gunter Pietro Ferrari Elio Riboli Vivian Viallon Heinz Freisling International Agency for Research on Cancer(IARC-WHO) LyonFrance Paris-saclay University University of Versailles-Saint-Quentin-en-YvelineUniversity Paris-SudFrench National Institute for Health and Medical Research(Inserm)Gustave Roussy“Exposome and Heredity”TeamCESPVillejuifFrance Department of nutritional sciences University of ViennaViennaAustria Danish Cancer society Research Center CopenhagenDenmark Department of Public Health University of CopenhagenCopenhagenDenmark Division of Cancer Epidemiology German Cancer Research CentreHeidelbergGermany Department of Clinical and Biological sciences University of TurinTurinItaly Unit of Epidemiology Regional Health Service ASL TO3GrugliascoTurinItaly Department of Clinical Medicine and surgery Federico II UniversityNaplesItaly Environmental Epidemiology Unit Istituto di Ricovero e Cura a Carattere Scientifico(IRCCS)-Istituto Nazionale dei TumoriMilanItaly Cancer Registry of Granada Institute for Biosanitary Research of Granada(ibs.GRANADA)GranadaSpain Epidemiology and Control of Chronic Diseases Group Epidemiology and Public Health Networking Biomedical Research CentreMadridSpain navarra Public Health Institute PamplonaSpain Unit of nutrition and Cancer Cancer Epidemiology Research ProgramCatalan Institute of Oncology(ICO)-Bellvitge Biomedical Research Institute(IDIBELL)L’Hospitalet de LlobregatBarcelonaSpain Department of Epidemiology Harvard Tseng-Hsi Chan School of Public HealthBostonMassachusettsUSA Department of Epidemiology and Biostatistics School of Public HealthImperial College LondonSt Mary’s CampusNorfolk PlaceLondonUK

Owing to shared risk factors between cardiometabolic diseases(CMDs)and cancer,coupled with population aging,the lifetime risk of an individual developing cancer after a CMD is ***,biological mechanisms such as insulin resistance or inflammation may not only predispose individuals withCMDto an elevated risk of certa.n types of cancer but also to a dia.nosis of cancer at an advanced stage[1,2].

关键词： dia.nosis diseases cancer

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

以标注确定性增强为导向的正类-无标签学习算法

引用

计算机应用 2024年

作者：何玉林何芃黄哲学解为成 PHILIPPE fournier-Viger 人工智能与数字经济广东省实验室(深圳) 深圳大学计算机与软件学院

正类-无标签学习(Positive and Unlabeled Lea.ning, PUL)是在负例样本未知的情况下，利用已知的少量正类样本和大量无标签样本训练出性能可被实际应用接受的分类器。现有的PUL算法存在共性的缺陷，即对无标签样本标注的不确定性较大，... 详细信息

正类-无标签学习(Positive and Unlabeled Lea.ning, PUL)是在负例样本未知的情况下，利用已知的少量正类样本和大量无标签样本训练出性能可被实际应用接受的分类器。现有的PUL算法存在共性的缺陷，即对无标签样本标注的不确定性较大，这将导致分类器学习到的分类边界不准确，从而限制了所训练分类器在新数据上的泛化能力。为解决这一问题，本研究提出了一种以无标签样本标注确定性增强为导向的正类-无标签学习(Labeling Certa.nty Enhancement-Oriented PUL, LCE-PUL)算法。首先，LCE-PUL算法通过验证集后验概率均值和正类样本集中心点的相似程度筛选出可靠的正类样本，通过多轮迭代逐步精细化标注过程，提升对无标签样本初步类别判断的准确性，以提高标注的确定性。这些可靠的正类样本与原始正类样本集合并，形成新的正类样本集，之后从无标签样本集中将其剔除。接着，遍历新的无标签样本集，利用每个样本与若干近邻点的相似程度再次筛选可靠正类样本，以更准确地推断无标签样本的潜在标签，减少误标注的可能性，提升标注的确定性。最终，更新正类样本集，未被选中的无标签样本被视为负类样本集。在代表性的数据集上对LCE-PUL算法的可行性、合理性和有效性进行了验证，实验结果表明，随着迭代次数的增加，LCE-PUL算法的训练呈现收敛的特性，且当正类样本比例为0.4、0.35和0.3的情况下，LCE-PUL算法构建的分类器测试精度相较于基于特定成本函数的偏置sVM算法(Biased-sVM)、基于Dijkstra的PUL标签传播算法(Label Propagation for Positive and Unlabeled Lea.ning, LP-PUL)和基于标签传播的正类-无标记学习算法(Positive and Unlabeled Lea.ning by Label Propagation, PU-LP)等5种代表性对比算法中提升幅度最大的情况，分别提升了5.8、8.8和7.6个百分点，从而证实了LCE-PUL是一种有效的处理正类-无标签学习问题的机器学习算法。

关键词：正类-无标签学习标注确定性增强后验概率贝叶斯分类器两步法

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

风险最小化加权朴素贝叶斯分类器

引用

计算机科学 2024年

作者：欧桂良何玉林张曼静黄哲学 Philippe fournier-Viger 人工智能与数字经济广东省实验室(深圳) 深圳大学计算机与软件学院

朴素贝叶斯分类器被誉为机器学习领域的十大经典算法之一，以其完备的理论基础和简单的模型结构而闻名，在许多的实际应用中取得了良好的分类效果。然而条件属性独立性假设在一定程度上限制了朴素贝叶斯分类器的性能，因此大量的改进工... 详细信息

朴素贝叶斯分类器被誉为机器学习领域的十大经典算法之一，以其完备的理论基础和简单的模型结构而闻名，在许多的实际应用中取得了良好的分类效果。然而条件属性独立性假设在一定程度上限制了朴素贝叶斯分类器的性能，因此大量的改进工作被提出来缓解这一限制，加权朴素贝叶斯分类器便是其中之一。在对边缘概率权重作用深入分析的基础之上，本文提出了一种基于风险最小化的加权朴素贝叶斯分类器（Risk Minimization-Based Weighted naive Bayesian Classifier，RM-WnBC），即在权重确定的过程中同时考虑分类器的经验风险和权重的结构风险。不同于现有的过分关注朴素贝叶斯分类器外在泛化性能的改进策略，RM-WnBC是从朴素贝叶斯分类器的内在概率分布出发改善其泛化性能。经验风险度量了加权朴素贝叶斯分类器的分类能力，采用后验概率的估计质量表示；结构风险刻画了加权朴素贝叶斯分类器对属性相关性的处理，采用类条件概率的均方差表示。经验风险最小保证了RM-WnBC可以获得良好的训练精度，同时结构风险最小化又使得RM-WnBC能够取得最佳的属性相关表达能力。为了获得RM-WnBC的最优权重，我们推导了高效且收敛的权重更新策略保证结构风险和经验风险的最小化。在31个UCI和KEEL标准分类数据集上，我们对RM-WnBC的可行性、合理性和有效性进行了验证。实验结果表明（1）RM-WnBC的训练和测试精度随着边缘概率权重的不断更新逐渐增加直至收敛；（2）RM-WnBC具有比现有加权朴素贝叶斯分类器更好的属性相关性表达能力；（3）在给定的显著性水平下，RM-WnBC在31个数据集上能够获得比经典朴素贝叶斯分类器、3种贝叶斯网络、4种加权朴素贝叶斯分类器和1种特征选择朴素贝叶斯分类器更好的训练和测试表现。

关键词：朴素贝叶斯独立性假设加权朴素贝叶斯结构风险经验风险贝叶斯网络

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

针对大规模动态图流三角形计数的边哈希分布式抽样算法

引用

计算机研究与发展 2024年第8期61卷 1882-1903页

作者：何玉林吴波吴定明黄哲学菲律普弗尼尔-维格人工智能与数字经济广东省实验室(深圳) 广东深圳518107 深圳大学计算机与软件学院广东深圳518060

三角形计数是大图分析的一个经典问题,近年的研究工作主要集中在针对静态流式图的三角形数量估计上,相关流式图抽样算法只能处理边的插入操作,无法处理边的删除操作;而现有的动态流式图抽样算法估计准确性又偏低.针对上述问题,提出了基... 详细信息

三角形计数是大图分析的一个经典问题,近年的研究工作主要集中在针对静态流式图的三角形数量估计上,相关流式图抽样算法只能处理边的插入操作,无法处理边的删除操作;而现有的动态流式图抽样算法估计准确性又偏低.针对上述问题,提出了基于边哈希分配的分布式抽样(edge hashing assignmentbased distributed sampling,EHADs)算法,它是一个用于估计动态流式图中三角形数量的分布式流算法,可以快速准确地估计动态流式图中的全局三角形数量以及每个顶点的局部三角形数量.EHADs算法只对输入的图流进行1次处理,并在多台机器上对边进行抽样.与先进的单机流算法相比,EHADs算法具有2点优势:1)在相同样本容量的情况下,EHADs算法以更短的运行时间获得了更小的估计误差,估计全局三角形数量的误差平均降低了31.79%,估计局部三角形数量的误差平均降低了23.35%;2)EHADs算法能够提供流式图中三角形数量的无偏估计,并且严格的数学证明显示该无偏估计具有更小的方差.

关键词：三角形计数动态图流边抽样分布式流算法边哈希分配

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：