摘要：为提升移动流媒体的用户体验质量(quality of experience,QoE)和设备续航时长,提出一种基于移动设备电量状态的QoE模型,模型的参数包括初始延迟、重新缓冲、平均视频质量、码率切换平滑度以及设备电量状态。在模型的基础上,给出一种基于网络吞吐量,同时又考虑设备电量状态的码率自适应策略。策略能避免客户端在设备剩余电量处于中、低状态时,请求高码率视频,导致过多的电池电量消耗。实验结果表明,该策略能有效平衡不同电量状态下用户对视频质量和设备续航的需求。

摘要：运用时间序列分析方法考察特质波动率和换手率对横截面预期收益解释能力之间的区别与联系,采用法马和弗伦奇的组合设计和因子构造方法控制相关因素对预期回报的影响。结果显示,控制换手率会减弱特质波动率对收益回报的解释能力,这种影响是由于换手率与特质波动率之间的相关性造成的;换手率风险溢价主要体现在高特质波动率的组合中,特质波动率风险溢价也主要体现在高换手率组合;卖空限制和投资者异质信念差异导致的投机性交易泡沫可以解释实证结果。

摘要：针对视频流行度动态变化过程中的时序信息难以捕捉的问题,提出一种融合内容特征和时序信息的深度注意力视频流行度预测模型(DAFCT)。首先,根据用户的反馈信息,构建基于注意力机制的长短期记忆网络(Attention-LSTM)模型来捕捉流行趋势并挖掘时序信息;然后,采用神经网络因子分解机(NFM)处理多模态的内容特征,并采用嵌入技术对稀疏的高维特征进行降维处理,从而降低模型的计算复杂性;最后,采用concatenate方法融合时序信息和内容特征,并设计了一种深度注意力视频流行度预测(DAVPP)算法来求解DAFCT。实验结果表明,与Attention-LSTM模型和NFM模型相比,DAFCT的召回率分别提高了10.82和3.31个百分点,F1分数分别提高了9.80和3.07个百分点。