摘要：随着信息技术、智能物联网技术以及机器学习理论的飞速发展,时空感知数据为应急灾害救援提供了新的视角,综合利用时空感知数据进行灾区态势信息感知与提取,可以为应急救援形成新的着力点.由于时空感知数据拥有丰富的语义信息和较高的实用价值,并且对灾害救援具有积极引导作用,因此,研究和利用时空感知数据进行应急疏散,是一项具有现实意义的工作.本文重点聚焦面向时空感知数据下的资源受限的人群应急疏散规划问题,研究了基于时空感知数据的人群应急疏散规划模型与方法,以期为应急救援提供积极的思路和技术保证.首先,分析了时空感知数据对人群应急疏散的作用;其次,提出了基于时空感知数据的应急疏散框架,并设计了一种基于行人流量预测的应急疏散场所推荐算法,还构建了一种考虑疏散偏好的应急疏散人群分配整数规划模型;然后,提出了一种全局最优疏散路径规划算法,接着将应急疏散路径规划问题转化为多组疏散路径规划查询问题,并通过使用网络扩展策略和剪枝策略,进一步设计了一种面向全局最优疏散路径规划查询的求解算法,来解决多组疏散路径规划查询问题.此外,为了提高应急疏散路径搜索结果的质量,还设计了一种改进算法,对全局最优疏散路径规划查询算法生成的路径组合,进行改进和优化.最后,通过大量实验分析与评估,充分验证了所提方法与模型的有效性.

摘要：时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法不能捕获节点间的长时时空趋势.为了克服这些缺陷,研究并提出了一种新的用于时空图建模的图神经网络模型,即面向时空图建模的图小波卷积神经网络模型(graph wavelet convolutional neural network for spatiotemporal graph modeling,简称GWNN-STGM).在GWNN-STGM中设计了一个图小波卷积神经网络层,并在该网络层中设计并引入了自适应邻接矩阵进行节点嵌入学习,使得模型能够在不需要结构先验知识的情况下,从数据集中自动发现隐藏的结构信息.此外,GWNN-STGM还包含了一个堆叠的扩张因果卷积网络层,使模型的感受野能够随着卷积网络层数的增加呈指数增长,从而能够处理长时序列.GWNN-STGM成功将图小波卷积神经网络层和扩张因果卷积网络层两个模块进行有效集成.通过在公共交通网络数据集上实验发现,提出的GWNNSTGM的性能优于其他的基准模型,这表明设计的图小波卷积神经网络模型在从输入数据集中探索时空结构方面具有很大的潜力.

摘要：融合了路网结构的交通流态势预测是一个高度非线性化且复杂的时空动态相关性的时序数据预测问题。然而,传统交通流态势预测方法无法建模交通网络中长时间序列数据间的时空相关性。针对交通路网交通流态势预测问题,提出了一种基于图结构的交通流预测深度学习模型。首先,基于图小波变换定义图小波卷积算子,设计了面向路网交通流态势预测的图小波卷积神经网络模块;其次,结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型,以捕获交通网络的动态时空相关性;最后,采用叠加多层图小波神经网络模块的策略,构建了一种面向路网交通流态势预测的图小波卷积神经网络模型。实验结果表明,该网络模型在数据集上的性能优于现有的基线模型。通过图小波变换矩阵与傅里叶变换矩阵非零元素统计对比实验,发现基于图小波变换定义的卷积运算更具稀疏性。因此,基于图小波变换定义的卷积运算更有助于提升交通流态势预测模型的计算效率。

摘要：随着软件技术的飞速发展,现代互联网涉及的算法和动态效果也越来越复杂。互联网上的一系列数据的测量对于指导网络设计和改进网络运行性能状况有着重要的意义。为了能够利用软件准确的计算出以后的数据情况,本论文主要分析了多选预测功能实现的框架工具、方法与原理以及实现的具体工程,其中结合实际案例分析了多选预测功能实现所使用的主要方法。