检索结果-南通市图书馆

基于自注意力机制的深度强化学习交通信号控制

在线全文

学校读者我要写书评

暂无评论

交通运输系统工程与信息 2024年第2期24卷 96-104页

作者：张玺君聂生元李喆张红兰州理工大学计算机与通信学院兰州730050

交通信号控制(Traffic Signal Control, TSC)仍然是交通领域中最重要的研究课题之一。针对现有基于深度强化学习(Deep Reinforcement Learning, DRL)的交通信号控制方法的状态需要人为设计,导致提取交通状态信息难度大以及交通状态信息... 详细信息

交通信号控制(Traffic Signal Control, TSC)仍然是交通领域中最重要的研究课题之一。针对现有基于深度强化学习(Deep Reinforcement Learning, DRL)的交通信号控制方法的状态需要人为设计,导致提取交通状态信息难度大以及交通状态信息无法全面表达的问题,为了从有限特征中挖掘潜在交通状态信息,从而降低交通状态设计难度,提出一种引入自注意力网络的DRL算法。首先,仅获取交叉口各进入口车道车辆位置,使用非均匀量化和独热编码方法预处理得到车辆位置分布矩阵;其次,使用自注意力网络挖掘车辆位置分布矩阵的空间相关性和潜在信息,作为DRL算法的输入;最后,在单交叉口学习交通信号自适应控制策略,在多交叉口路网中验证所提算法的适应性和鲁棒性。仿真结果表明,在单交叉口环境下,与3种基准算法相比,所提算法在车辆平均等待时间等指标上具有更好的性能;在多交叉口路网中,所提算法仍然具有良好的适应性。

关键词：智能交通自适应控制深度强化学习自注意力网络近端策略优化

基于自注意力网络和图神经网络的兴趣点推荐算法

在线全文

学校读者我要写书评

暂无评论

基于自注意力网络和图神经网络的兴趣点推荐算法

作者：王嘉楠燕山大学

学位级别：硕士

随着智能移动设备的广泛应用和通讯技术的快速发展,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐流行起来。兴趣点推荐作为LBSN中的一种辅助工具,能够利用用户的历史签到数据为其推荐感兴趣的位置,从而改善用户的体验... 详细信息

随着智能移动设备的广泛应用和通讯技术的快速发展,基于位置的社交网络(Location-Based Social Network,LBSN)逐渐流行起来。兴趣点推荐作为LBSN中的一种辅助工具,能够利用用户的历史签到数据为其推荐感兴趣的位置,从而改善用户的体验感。然而,当前研究仅考虑用户签到记录中的实体联系,忽略了有限交互数据造成的数据高稀疏性问题;另外,部分算法虽然利用了签到数据的特征信息,但缺乏对特征信息和拓扑结构的有效融合,导致推荐性能受限。针对上述局限,本文提出基于自注意力网络和图神经网络的兴趣点推荐算法。首先,针对当前兴趣点推荐算法对用户历史签到数据的特征信息挖掘不充分,导致数据高稀疏性的问题,本文提出基于多特征自注意力网络的兴趣点推荐算法。该算法从不同角度分析用户签到数据,并利用用户显性和隐性社交相似度、空间相关性等度量标准获得特征信息对用户签到行为的影响力;通过多特征自注意力网络模型捕获不同兴趣点间复杂的转移关系,实现异质信息的融合,从而为用户进行兴趣点推荐。其次,针对当前兴趣点推荐算法忽视了用户签到记录中节点属性特征与交互拓扑结构特征的有效结合,造成推荐不准确的问题,本文提出基于双图卷积神经网络的兴趣点推荐算法。该算法构建用户-用户社交图和用户-兴趣点交互图,利用传统的图卷积神经网络提取用户的社交特征,利用层次化的异构图卷积神经网络学习用户和兴趣点的交互特征,融合不同视角的用户特征获得用户最终的潜在向量表示,并联合兴趣点的潜在向量表示获取预测分数,为用户进行兴趣点推荐。最后,将本文提出的算法在两个真实的LBSN数据集中进行实验验证,并与目前主流的推荐算法进行对比分析,验证本文算法在兴趣点推荐中有更好的推荐性能。

关键词：基于位置的社交网络兴趣点推荐自注意力网络图神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

时间感知的自注意力网络序列化推荐

时间感知的自注意力网络序列化推荐

作者：孟志鹏南京邮电大学

学位级别：硕士

随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。... 详细信息

随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。现有的很多基于自注意力机制的序列化推荐算法主要考虑对用户的行为序列进行建模,而往往忽略了时间因素对用户行为的影响。此外,自注意力机制中传统的绝对位置编码方式将位置嵌入信息与商品嵌入信息相加作为网络的输入是不合理的,这会导致模型训练中产生噪声相关性和混合相关性,干扰了模型捕获序列中复杂关系的能力。本文针对上述问题进行了深入分析研究。首先,提出了一种融合时间信息的序列化推荐模型,将用户历史交互商品投影为常数个潜在兴趣,缓解了过度参数化和模型复杂度过高的问题。另外,通过提取隐含于用户-商品交互序列中的时间信息并将其注入自注意力网络,丰富上下文信息,增强模型捕获复杂序列模式的能力。通过与一组优秀的序列化推荐模型进行对比,验证了其在多个真实世界数据集上都具备良好的推荐性能。其次,将位置嵌入与商品嵌入分离,独立设计位置编码。考虑到位置信息与时间信息具有较强的相关性,将时间信息与位置信息融合,并结合自注意力机制计算位置信息权重,提出基于自注意力网络的时间感知序列化推荐模型,并与一组基准模型进行比较。结果表明,模型推荐性能显著提高。最后,基于SNTSR模型设计并实现了一个简易的电影推荐系统,可以向用户推荐其可能喜欢的电影,进一步验证了推荐模型的有效性和实用性。

关键词：序列化推荐自注意力网络物品嵌入时间信息位置编码

基于多视角轨迹表示的分层自注意力网络在行程时间预估中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多视角轨迹表示的分层自注意力网络在行程时间预估中的应用

作者：陈泽彬华南理工大学

学位级别：硕士

如今,智能交通系统已成为多功能交通信息服务中心,满足了人们爆炸性增长的出行需求,其中共享出行重新定义了人们的出行方式。行程时间预估旨在给定始发地和目的地的条件下预测所需的通行时间,是交通运输服务中最基本和最核心的组成部分... 详细信息

如今,智能交通系统已成为多功能交通信息服务中心,满足了人们爆炸性增长的出行需求,其中共享出行重新定义了人们的出行方式。行程时间预估旨在给定始发地和目的地的条件下预测所需的通行时间,是交通运输服务中最基本和最核心的组成部分之一。准确的时间预估有助于从一组候选路线中得出更好的调度方案,从而缩短乘客的等待时间,从而提升用户体验。因此,行程时间预估在交通场景决策过程中起着至关重要的作用,几乎所有的电子地图和在线叫车服务都在其应用程序中提供了行程时间预估,如谷歌地图、优步和滴滴出行平台。虽然行程时间预估经过了长时间的发展,存在大量的方法来解决该任务,在许多场景中也已有较为成熟的应用。然而,目前的行程时间预估任务仍有以下两大挑战:第一,传统的多种轨迹表示方法,存在输入类型单一,无法准确地刻画道路的局部路况的问题,如道路交叉口、交通信号灯,为进一步深入挖掘轨迹中的时空特性带来了阻碍;第二,现有的大多数方法常常将轨迹分解为路径序列进行处理,然后通过整合各路径的属性来预估行程时间,无法充分利用路网中轨迹的内在分层结构信息。为了克服以上局限性,本文研究了基于多视角轨迹表示的分层自注意力网络在行程时间预估中的应用。本文创新点总结如下:(1)首先我们通过分析各种传统轨迹表示方法的优势与不足,确定了基于地图匹配的路段序列的表示方式,从而能够确切地描述道路的局部交通状况。在此基础上,我们提出了基于多尺度时空网络的行程时间预估模型(A Deep Learning Network for Estimating the Time of Arrival,DeepETA)。我们首先通过属性特征模块生成动态路段属性嵌入向量,该向量可根据路段的上下文环境得到实际路况语义信息,使得模型能够共享相似轨迹的特征。在学习潜在表征的基础上,我们结合多尺度卷积网络层和长短时记忆网络的优势,深入挖掘复杂城市交通场景中轨迹的多尺度空间特征和时序特征依赖。(2)进一步地,针对路段序列表示无法充分利用路网分层结构信息的不足,我们提出了一种多视角轨迹表示方法,从路段、链接和道路交叉口多个视图综合利用道路网络的分层结构描述车辆行程轨迹。为了实现此目的,我们进一步设计了基于分层自注意网络的行程时间预估模型(A Hierarchical Self-Attention Network for Estimating the Time of Arrival,HierETA),用来同时刻画道路的局部交通状况和底层的道路轨迹结构。具体而言,我们提出了一种路段编码器,以获取细粒度的时空依赖关系,通过自适应的自注意力模块提高时间预估的性能。此外,相应的链接-道路交叉口编码器则用于表征由交替排列的链接和道路交叉口组成的自然道路结构。在此基础上,我们设计了基于注意力机制的分层感知解码器,通过利用不同层次的上下文特征来预估行程时间,从而权衡利用多视角轨迹的时空特征。我们在滴滴出行平台提供的两个大规模真实数据集上评估了提出的模型。实验结果表明,本文提出的算法能有效地提高ETA性能,并且在时间预估的准确性上优于现有的对比算法。实验结果从不同方面验证了我们算法的出色性能,并能够应用于实际问题。此外,我们提出的多视图轨迹表示在实践中卓有成效,为开发高效的城市道路轨迹数据挖掘模型提供了新的思路。

关键词：智能交通系统轨迹数据挖掘行程时间预估自注意力网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合社交网络和分层自注意力的团购推荐算法

计算机工程与设计 2023年第6期44卷 1867-1874页

作者：孙男男朴春慧马新娜石家庄铁道大学信息科学与技术学院河北石家庄050043 石家庄铁道大学河北省电磁环境效应与信息处理重点实验室河北石家庄050043

针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出融合社交网络和分层自注意力的团购推荐算法SSAGR。采用循环神经网络,捕捉团购中用户随时间变化的复杂潜在兴趣;利用用户级和群... 详细信息

针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出融合社交网络和分层自注意力的团购推荐算法SSAGR。采用循环神经网络,捕捉团购中用户随时间变化的复杂潜在兴趣;利用用户级和群组级自注意力网络,将社交网络信息整合到用户表示中,实现不同权重下的群组偏好聚合策略;通过神经协同过滤NCF,挖掘群组-项目交互,完成团购推荐。在MaFengWo和Douban Book数据集上的实验结果表明,SSAGR方法相较对比算法具有更好的群组推荐效果。

关键词：团购群组推荐融合策略社交网络循环神经网络自注意力网络神经协同过滤

在线全文

学校读者我要写书评

暂无评论

基于自注意力网络的多视角立体重建

北京印刷学院学报 2023年第12期31卷 48-53页

作者：李秋怡徐长波赵梓平北京印刷学院北京102600

为了缓解多视图立体(multi-view stereo,MVS)重建模型缺乏对图像的整体理解以及深度信息的关联未有效利用,而只关注图像局部相关性的信息,本文提出一个动态尺度特征提取网络,该网络由粗到细的级联结构输出特征以及Transformer注意力机... 详细信息

为了缓解多视图立体(multi-view stereo,MVS)重建模型缺乏对图像的整体理解以及深度信息的关联未有效利用,而只关注图像局部相关性的信息,本文提出一个动态尺度特征提取网络,该网络由粗到细的级联结构输出特征以及Transformer注意力机制的方法有效地建立多视图深度相关性,适用于场景深度推断及三维重建。模型在DTU(Technical University of Denmark)公开数据集上测试,与CasMVSNet相比,重建的整体性提升6.6%。实验表明,其模型在完整性和准确性指标上较其他基于深度学习方法有一定的提升,取得较好的三维重建效果。

关键词：三维重建深度学习特征提取自注意力网络

基于自注意力和长短期记忆网络的管制信息抽取模型

在线全文

学校读者我要写书评

暂无评论

电气自动化 2023年第4期45卷 76-78页

作者：王雪川王煊杨涛雷宁王磊北京首都国际机场股份有限公司北京101317 中国电子科技集团公司第二十八研究所空中交通管理系统与技术国家重点实验室江苏南京210007

管制指令的正确理解对飞行安全具有重要意义,从指令中提取管制信息有助于管制员的理解。为实现管制信息的自动提取,提出了一种新的管制信息抽取模型。模型基于自注意力和长短期记忆网络,将管制指令转换成标签序列,并学习标签之间的长距... 详细信息

管制指令的正确理解对飞行安全具有重要意义,从指令中提取管制信息有助于管制员的理解。为实现管制信息的自动提取,提出了一种新的管制信息抽取模型。模型基于自注意力和长短期记忆网络,将管制指令转换成标签序列,并学习标签之间的长距离依赖性,实现管制信息的精确抽取。通过试验可知,新模型对管制信息的抽取精度不低于97%。由此可见,新模型可赋予计算机对管制信息的自动提取能力,辅助管制员工作,保障飞行安全。

关键词：管制指令信息抽取长距离依赖性自注意力网络长短期记忆网络

基于自注意力网络的下一个兴趣点推荐方法研究

在线全文

学校读者我要写书评

暂无评论

基于自注意力网络的下一个兴趣点推荐方法研究

作者：倪佳成苏州大学

学位级别：硕士

随着互联网和智能移动设备的应用和普及,基于位置的社交网络为人们搭建了现实世界与虚拟世界的桥梁,极大地便利了人们的生活。然而,数据量的爆炸式增长也为用户带来了信息过载的问题。因此,下一个兴趣点推荐已经在基于位置的社交网络中... 详细信息

随着互联网和智能移动设备的应用和普及,基于位置的社交网络为人们搭建了现实世界与虚拟世界的桥梁,极大地便利了人们的生活。然而,数据量的爆炸式增长也为用户带来了信息过载的问题。因此,下一个兴趣点推荐已经在基于位置的社交网络中成为必不可少的一部分,其旨在为用户推荐在不久的将来可能会访问的下一个兴趣点。近年来,自注意力网络在各种序列任务中取得了优秀的性能和效率。然而,现有的一些基于自注意力网络的工作都没有考虑相邻兴趣点签到之间的时空间隔信息以及类别信息,这对于下一个兴趣点推荐中建模用户的签到行为是至关重要的。本文主要工作如下:（1）分析兴趣点推荐的研究背景和意义,以及国内外研究现状,探讨现有的兴趣点推荐方法并分析其优缺点,为后续研究工作提供坚实的理论基础。（2）为了更好地建模用户签到序列中兴趣点的长距离依赖关系,本文提出了基于时空自注意力网络的下一个兴趣点推荐模型。该模型通过衰减函数刻画兴趣点之间的时空关联度,并将其融合到自注意力网络中,以更好地捕获用户对兴趣点的偏好。在两个真实数据集上的对比实验验证了模型的有效性。（3）利用兴趣点类别信息挖掘用户的行为偏好以缓解数据稀疏性问题,本文提出了基于多任务自注意力网络的下一个兴趣点推荐模型。该模型构建了一个多任务学习框架,用户行为预测任务建模兴趣点类别和签到时间在序列上的转换模式,捕获用户不同时间段的行为偏好。兴趣点位置预测任务建模兴趣点的时空间隔信息,捕获用户对兴趣点的偏好。在两个真实数据集上的对比实验验证了模型的有效性。最后,基于提出的两个模型,本文实现了一个基于自注意力网络的下一个兴趣点推荐原型系统。

关键词：兴趣点推荐注意力机制自注意力网络多任务学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

双路注意力循环网络的轻量化语音分离

声学学报 2023年第5期48卷 1060-1069页

作者：杨弋胡琦张鹏远中国科学院语言声学与内容理解重点实验室(声学研究所) 北京100190 中国科学院大学北京100049

提出了双路注意力循环网络的轻量化语音分离方法。首先,该方法使用基于“双路注意力机制”和“双路循环网络”的可选择分支结构对语音信号进行建模,从而提取深层特征信息并降低模型的参数量。其次,引入子带处理技术,从而降低模型的计算... 详细信息

提出了双路注意力循环网络的轻量化语音分离方法。首先,该方法使用基于“双路注意力机制”和“双路循环网络”的可选择分支结构对语音信号进行建模,从而提取深层特征信息并降低模型的参数量。其次,引入子带处理技术,从而降低模型的计算量。在LibriCSS数据集上的实验结果表明,该方法取得的平均词错误率为8.6%,且参数量和计算量分别仅为0.15 MiB和15.2 G/6s,与当前主流方法相比,分别减小了3.3~391.3倍和1.1~3.2倍。这表明,所提方法在取得高语音分离性能的同时,能有效地降低模型的参数量和计算量。

关键词：语音分离轻量化模型深度神经网络双路网络自注意力网络