CN115222159A - 一种基于空域关联度的热区识别方法 - Google Patents
一种基于空域关联度的热区识别方法 Download PDFInfo
- Publication number
- CN115222159A CN115222159A CN202211116903.7A CN202211116903A CN115222159A CN 115222159 A CN115222159 A CN 115222159A CN 202211116903 A CN202211116903 A CN 202211116903A CN 115222159 A CN115222159 A CN 115222159A
- Authority
- CN
- China
- Prior art keywords
- sector
- sectors
- semantic representation
- sequence
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000010006 flight Effects 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 5
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 4
- 241000283955 Ochotonidae Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本发明公开了一种基于空域关联度的热区识别方法,其目的为:构建基于Transformer的扇区语义表征模型,利用交通流特性对扇区序列化表征,建立涵盖扇区流量和容量特征的数据结构,设计扇区的时空位置编码和标识编码。然后,设计掩码自监督学习任务训练模型,挖掘不同扇区之间的时空依赖关系,生成扇区语义表征向量。最后计算扇区语义表征向量间的相似度作为空域关联度,选择与其它扇区关联度最高的扇区作为热区进行识别和调控,为精细化流量控制策略的制定提供态势支撑。
Description
技术领域
本发明涉及空中交通流量管理方法,特别是一种基于空域关联度的热区识别方法。
背景技术
随着我国国民经济持续、稳步、快速地发展,军民航飞行活动逐年保持强劲的增长势头。我国民航的空中交通活动主要集中在东部经济发达地区,部分民航空域已经趋于饱和;同时军航穿越民航航路的飞行也在不断增加,导致部分地区的训练空域资源紧张,空域内飞行矛盾越来越大,军民航协调工作日益繁重。为解决空中交通拥挤问题,近几年相关部门对航路走向、管制方法等作了多次调整,但飞行流量的快速增长仍使部分区域内的总流量很快达到饱和甚至超负荷。为确保高峰时期飞行安全,目前各地区大多采用流量控制方式,即限制本地区飞机起飞和外管制区的飞机进入。流量控制由于缺乏广泛的协调、信息和技术支持,完全依赖管制员个人的工作经验,具有较大的随机性和不确定性,其不仅严重威胁了飞行安全,也容易导致空中交通拥塞的恶性循环和航班的大面积延误,给国民经济造成巨大的经济损失。
当前空中交通流量管理分战略、预战术和战术三个阶段。战术流量管理阶段主要通过预测空域容量和流量,优化航班时刻表、调整航空器的起飞时间、飞行航线等实现流量管理。由于当前的流量管理方案需要对目标空域内的不同扇区的流量和容量分别计算,且由于不同扇区间的关系无法确定,导致管制员需要根据每个扇区的容流比分别制定独立的流量控制策略,而非针对关键扇区制定流量控制策略,难以实现精细化调控。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于空域关联度的热区识别方法。
为了解决上述技术问题,本发明公开了一种基于空域关联度的热区识别方法。
本发明引入空域关联度的概念,构建并训练扇区语义表征模型,挖掘扇区之间的时空依赖关系,计算一个扇区序列中的不同扇区在不同时间段上语义表征之间的相似度,生成空域关联度。然后,基于空域关联度识别关键扇区作为热区,并针对热区提供流量控制策略,为精细化流量控制策略的制定提供依据。
一种基于空域关联度的热区识别方法,包括以下步骤:
步骤1,扇区数据序列化表征:将目标空域内的扇区按照二维序列结构进行表征,得到扇区序列;
步骤2,扇区序列特征处理:计算扇区序列中的流量和容量特征值;
步骤3,扇区编码设计:设计扇区序列中所有扇区的时空位置编码,以及扇区标识编码;
步骤4,扇区语义表征模型构建:以Transformer为基础模型,构建扇区语义表征模型,计算扇区序列的语义表征向量;
步骤5,扇区语义表征模型训练:设计基于掩码自监督学习的训练任务,采集历史数据构建训练数据集训练扇区语义表征模型;
步骤6,扇区语义表征计算:使用训练后的扇区语义表征模型对扇区序列进行表征处理,生成扇区的语义表征向量;
步骤7,空域关联度计算:计算不同时间及空间位置的扇区的语义表征向量间的相似度,作为扇区间的空域关联度,并基于关联度识别目标空域内的热区。
步骤1中所述得到扇区序列的方法包括:
从流量管理系统中提取并分析每架航班的飞行计划,获取航班所经过航路点、航线和航向信息,利用4D轨迹预测并生成不同时间段中的交通流;根据交通流对航路经过的扇区进行排列组合,在空间维度上生成一维扇区序列;在此基础上引入时间维度,将一维扇区序列扩展为二维序列,定义为,其中表示扇区序列, 表示实数,表示扇区数量,表示时间间隔数量。
步骤2包括:
选择扇区流量和容量作为描述扇区的物理特征;从流量管理系统中获取扇区在未来一段时间内不同时间段上的预测流量值和预测容量值;预测流量值的定义为:设定时间段内进入扇区的航班数量,取值为之间的整数;预测容量值的定义为:设定时间段内扇区能提供服务的最大航班数量,取值为之间的整数;由于不同时间段中扇区预测流量和预测容量的数值分布较广泛,会影响神经网络模型训练的收敛性,需要对预测流量值和预测容量值进行归一化处理,映射到区间,计算过程如下所示:,表示预测流量或预测容量值;在步骤1中定义的扇区序列的基础上,引入扇区流量和容量特征,将扇区序列重新定义为三维张量。
步骤3中,在扇区序列之中,同一扇区在不同空间和时间上的流量值和容量值是时变的,很难通过固定的流量/容量值判断属于哪一个扇区,以及扇区所在的时空位置。为了解决以上问题,设计扇区编码,包括时空位置编码和扇区标识编码。扇区编码的设计方法包括:
步骤3.1,针对输入数据特征具有的时间和空间两个维度的特点,所设计的扇区时空位置编码包含两个维度,时空位置编码的公式如下所示:
式中,表示扇区的时空位置编码,和是从区间内的等分数列,表示空间维度的位置,同理表示时间维度的位置,和的长度定义为,即扇区语义表征模型的隐层维度,定义为一个非负常数;表示空间尺寸,表示时间尺寸,则时空位置编码满足;
步骤4中所述扇区语义表征模型,包括:嵌入层、多头注意力层和前向传递网络(Feed-Forward Networks, FFN)层;
式中,代表Query向量,代表Key向量,代表Value向量,、和分别为转换矩阵;序列中的每个扇区都受到其它空间和时间位置上扇区特征值的影响,扇区之间的注意力值大小表示相互影响的程度,计算公式如下所示:
步骤5中所述设计基于掩码自监督学习的训练任务,包括:
设计自监督学习任务,参考BERT(参考:Devlin J, Chang M W, Lee K,Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding[C]. Proceedings of the North American Chapter of theAssociation for Computational Linguistics: Human Language Technologies, 2019:4171–4186.)的掩码语言模型(Masked Language Model, MLM)任务,在Transformer上拼接全连接层,实现线性空间映射,将扇区语义表征模型的输出从映射到维度;
从流量管理系统中采集历史数据构建训练数据集,以60%的概率对训练数据中的扇区随机遮掩,使用特殊标记MASK替换扇区的原始数值,生成输入数据,保留原始数据作为标签,生成训练数据集。
步骤5中所述设计基于掩码自监督学习的训练任务,包括:
在扇区语义表征模型的训练过程中,输入被遮掩的扇区序列数据,经过扇区语义表征模型的预测,得到被遮掩扇区的原始数值,通过计算预测值与标签间的误差,使用反向传播算法训练模型,使扇区语义表征模型学习时空依赖关系。
步骤7中所述空域关联度计算的方法包括:
使用扇区语义表征计算扇区间的空域关联度,公式如下所示:
有益效果:
本发明所提出的方法可以从历史流量数据中学习一个扇区序列中不同扇区间的时空相关性,计算扇区语义表征和空域关联度。基于空域关联度可以识别关键的热点扇区,并对其进行精细化流量控制,辅助管制员提出高效实时的决策建议,减少航班的大面积延误,降低国民经济损失。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明总体流程图。
图2为基于Transformer的扇区语义表征模型结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明的实现过程和步骤如下,其总体流程,如图1所示。
步骤1:扇区数据序列化表征。从流量管理系统中提取并分析每一架航班的飞行计划,获取航班所经过的航路点、航线和航向信息,利用4D轨迹预测并生成不同时间段中的交通流。根据交通流将个扇区以序列化的形式进行表征,同时将需要观测的目标时间段进行间隔化切片,以半小时为一个时间间隔,共计个时间间隔,形成的二维矩阵形式表示扇区序列。
步骤2:扇区序列特征处理。从流量管理系统中获取扇区在未来一段时间内不同时间段上的预测流量值和预测容量值,预测流量值定义为当前时间间隔内进入扇区的航班数量,取值为之间的整数;预测容量值定义为当前时间间隔内该扇区可提供的最大航班数量,取值为之间的整数。对预测流量值和预测容量值进行归一化处理,将数值映射到区间内,计算过程如下:,表示预测流量或预测容量值。
步骤4:扇区语义表征模型构建,如图2所示,模型包括嵌入层、多头注意力层和前向传递网络(Feed-Forward Networks, FFN)层,以及归一化处理。其中嵌入层对输入扇区序列进行表征处理,得到,参考公式(6),再和扇区的时空位置编码、标识编码相加,生成多头注意力层的输入,参考公式(5),然后将在时间维度上展平,转化成输入多头注意力层。多头注意力层中的具体过程参考公式(7) ~ (11),然后输出,经过归一化处理后,与输入相加,得到多头注意力层的输出。然后输入FFN层,使用公式(12)进行计算,再对FFN层的计算结果进行归一化处理,得到扇区的深层语义表征向量。
步骤5:扇区语义表征模型训练。从流量管理系统中采集历史数据,以60%的概率对输入序列进行随机遮掩,即使用特殊标志替换原始数值,生成训练样本。保留原始数据作为标签,生成训练数据集,计算正确数据与输出数据间的误差,并进行反向传播,实现模型自监督训练。
步骤6:扇区语义表征计算。使用扇区语义表征模型计算输入扇区序列的语义表征向量。
步骤7:空域关联度计算。根据公式(13)计算不同的时空位置上的扇区语义表征向量之间的相似度,作为扇区间的关联度,然后选择与其它扇区关联度最高的扇区作为热区。
实施例
首先给出航班飞行计划的例子:
航路点和航线:PIKAS, G330, PIMOL, A593, BTO, W82, DOGAR。
解释:在上述例子中,PIKAS、PIMOL、BTO和DOGAR表示航路点,G330、A593和W82表示两个航路点之间的航段,该飞行计划的航向是从PIKAS飞往DOGAR。使用4D轨迹预测可以算出一架航班在每个航路点上的过点时间。
步骤1:根据航路点和航线信息可以获得航路点所在扇区位置,根据4D轨迹预测航班进入到扇区的时间。其中,该航线经过的扇区序列长度为,以航路点之间的过点时间间隔进行时间段切片,则定义,输入的序列为,满足的限制条件。
步骤2:针对不同的扇区和时间间隔计算扇区的流量和容量特征,需要根据流量管理系统中的数据统计分析获得。例如:PIMOL航路点所在扇区进入航班60架,则其流量为60架;而该扇区可以提供的最大航班数量为70架。经过归一化后,该扇区的表征为,即得到特征为,则输入序列为。
步骤4:构建扇区语义表征模型,该模型基于Transformer构建,包括嵌入层、多头注意力层和前向传递网络层。
步骤5:从流量管理系统中采集历史数据并构建训练数据集,设计掩码自监督学习任务训练模型。
构建扇区语义表征模型并使用历史数据进行训练,然后使用该模型对实施例中的扇区计算语义表征,得到四个扇区的语义表征,然后计算空域关联度。假如与其它三个扇区的关联度都最高,则选择作为扇区序列中的热区进行调控。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于空域关联度的热区识别方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random Access Memory, RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机或网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于空域关联度的热区识别方法的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于空域关联度的热区识别方法,其特征在于,包括以下步骤:
步骤1,扇区数据序列化表征:将目标空域内的扇区按照二维序列结构进行表征,得到扇区序列;
步骤2,扇区序列特征处理:计算扇区序列中的流量和容量特征值;
步骤3,扇区编码设计:设计扇区序列中所有扇区的时空位置编码,以及扇区标识编码;
步骤4,扇区语义表征模型构建:以Transformer为基础模型,构建扇区语义表征模型,计算扇区序列的语义表征向量;
步骤5,扇区语义表征模型训练:设计基于掩码自监督学习的训练任务,采集历史数据构建训练数据集训练扇区语义表征模型;
步骤6,扇区语义表征计算:使用训练后的扇区语义表征模型对扇区序列进行表征计算,得到扇区序列的语义表征向量;
步骤7,空域关联度计算:计算不同时间及空间位置上的扇区序列的语义表征向量间的相似度,作为扇区间的空域关联度,并基于关联度识别目标空域内的热区。
4.根据权利要求3所述的一种基于空域关联度的热区识别方法,其特征在于,步骤3中,扇区编码设计的方法包括:
步骤3.1,空间和时间位置编码包含两个维度,公式如下:
式中,表示扇区的时空位置编码,和是从区间内的等分数列,表示空间维度的位置,同理表示时间维度的位置,和的长度定义为,即扇区语义表征模型的隐层维度,定义为一个非负常数;表示空间尺寸,表示时间尺寸,则时空位置编码满足;
5.根据权利要求4所述的一种基于空域关联度的热区识别方法,其特征在于,步骤4中所述扇区语义表征模型,包括:嵌入层、多头注意力层和前向传递网络层;
式中,代表Query向量,代表Key向量,代表Value向量,、和分别为转换矩阵;序列中的每个扇区都受到其它空间和时间位置上扇区特征值的影响,扇区之间的注意力值大小表示相互影响的程度,计算公式如下所示:
7.根据权利要求6所述的一种基于空域关联度的热区识别方法,其特征在于,步骤5中所述设计基于掩码自监督学习的训练任务,包括:
在扇区语义表征模型的训练过程中,输入被遮掩的扇区序列数据,经过扇区语义表征模型的预测,得到被遮掩扇区的原始数值,通过计算预测值与标签间的误差,使用反向传播算法训练模型,使扇区语义表征模型学习时空依赖关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211116903.7A CN115222159B (zh) | 2022-09-14 | 2022-09-14 | 一种基于空域关联度的热区识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211116903.7A CN115222159B (zh) | 2022-09-14 | 2022-09-14 | 一种基于空域关联度的热区识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222159A true CN115222159A (zh) | 2022-10-21 |
CN115222159B CN115222159B (zh) | 2023-01-31 |
Family
ID=83617188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211116903.7A Active CN115222159B (zh) | 2022-09-14 | 2022-09-14 | 一种基于空域关联度的热区识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222159B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915930A (zh) * | 2020-07-21 | 2020-11-10 | 北京航空航天大学 | 机载空管增强协处理系统及方法 |
US20210174262A1 (en) * | 2019-12-10 | 2021-06-10 | Beihang University | Deep unsupervised learning approach , device and storage medium for airspace complexity evaluation |
CN114493034A (zh) * | 2022-02-14 | 2022-05-13 | 重庆大学 | 一种面向区域流量预测的时空全局语义表示学习方法 |
CN114548893A (zh) * | 2021-12-28 | 2022-05-27 | 北京航空航天大学 | 一种基于深度强化学习的多机场协同放行方法 |
CN115049009A (zh) * | 2022-06-21 | 2022-09-13 | 长三角信息智能创新研究院 | 基于语义融合表征的轨迹预测方法 |
-
2022
- 2022-09-14 CN CN202211116903.7A patent/CN115222159B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210174262A1 (en) * | 2019-12-10 | 2021-06-10 | Beihang University | Deep unsupervised learning approach , device and storage medium for airspace complexity evaluation |
CN111915930A (zh) * | 2020-07-21 | 2020-11-10 | 北京航空航天大学 | 机载空管增强协处理系统及方法 |
CN114548893A (zh) * | 2021-12-28 | 2022-05-27 | 北京航空航天大学 | 一种基于深度强化学习的多机场协同放行方法 |
CN114493034A (zh) * | 2022-02-14 | 2022-05-13 | 重庆大学 | 一种面向区域流量预测的时空全局语义表示学习方法 |
CN115049009A (zh) * | 2022-06-21 | 2022-09-13 | 长三角信息智能创新研究院 | 基于语义融合表征的轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
庄宁: "面向视觉行为理解的时空多粒度特征分析算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222159B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103679611B (zh) | 基于案例推理的城市综合应急智能仿真系统的运行方法 | |
Qu et al. | Flight delay prediction using deep convolutional neural network based on fusion of meteorological data | |
Yu et al. | A special event-based K-nearest neighbor model for short-term traffic state prediction | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
Feng et al. | Design and simulation of human resource allocation model based on double-cycle neural network | |
Jarry et al. | On the use of generative adversarial networks for aircraft trajectory generation and atypical approach detection | |
Yu et al. | Passenger flow prediction for new line using region dividing and fuzzy boundary processing | |
Shen et al. | An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks | |
Basturk et al. | Prediction of aircraft estimated time of arrival using machine learning methods | |
CN103605493B (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
CN115222159B (zh) | 一种基于空域关联度的热区识别方法 | |
Su et al. | Short-time traffic state forecasting using adaptive neighborhood selection based on expansion strategy | |
Yao et al. | Power function-based signal recovery transition optimization model of emergency traffic | |
CN107124761A (zh) | 融合pso和ss‑elm的蜂窝网无线定位方法 | |
Yu et al. | Sports event model evaluation and prediction method using principal component analysis | |
CN116543603A (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
Wang et al. | Dynamic traffic prediction based on traffic flow mining | |
Wei | Discretized and continuous target fields for the reservoir release rules during floods | |
Song et al. | Spatial-temporal transformer network for multi-year ENSO prediction | |
Zhang | The application of PSO-SVM algorithm in the evaluation system of sports competition events | |
Shan et al. | Predicting duration of traffic accidents based on ensemble learning | |
CN115600744A (zh) | 一种基于手机数据的共享时空注意力卷积网络人口数量预测方法 | |
CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
Song et al. | TINet: multi-dimensional traffic data imputation via transformer network | |
Gu et al. | Study on Discrete Dynamic Modeling of College Students' Innovative Employment Security Mechanism under the Environment of Internet of Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |