摘要：针对企业Web应用提出一种新的事件预测方法DeepEvent,以更好地检测异常事件。DeepEvent包括三个关键特性:特定于Web应用而设计的神经网络结构以充分考虑连续事件之间的特征,克服标注数据稀缺的自监督学习技术,以及集成上下文事件和捕获事件之间依赖关系的序列嵌入技术。在从六个真实世界的企业Web应用程序中收集到的事件上来对DeepEvent进行评估。实验结果表明,DeepEvent在预测连续事件和检测Web异常方面是有效的。

摘要：时序事件预测是指基于历史事件预测下一个事件,事件包括时间和类型两个属性。当前主要工作集中在单方面(事件时间或事件类型)的预测,但这无法回答“何时发生何事”这类更精细的问题。此类问题的挑战主要是事件类型非常多样,而行为往往高度稀疏,给预测带来极大困难;需要预测的事件时间和事件类型分属两个域,如何把这两个域的信息加以融合并形成互补也是一个挑战。针对上述挑战,从融合多序列隐信息的角度探索了一种解决方法。基于某些事件序列之间具有模式相似性这一观察,提出建模事件序列的隐关系图,利用邻居序列的信息解决行为稀疏性的问题;通过合理设计神经网络模块,将事件的时间域和类型域的信息映射到共同的抽象空间,解决事件时间和事件类型信息的融合建模问题。通过在多个真实数据集上进行了大量实验,实验结果印证了多序列深度时序模型优于现有的一系列基准模型。

摘要：离散时空事件预测是城市计算领域中的重要科学问题之一.现有工作主要聚焦于使用多样化的时空神经网络对城市动态特征与事件时空关联进行建模,且已经取得了一定成效,但仍然存在以下问题:首先,城市事件具有诱因多源和时空稀疏性,而这种时空稀疏性可能同时源于事件本身的稀少性和采集的不完整性,现有工作尚未能解决短期预测中的稀疏性挑战及零膨胀问题;其次,已发生事件倾向于继续向周边区域传播事件风险,但由于现有工作同质化了动态特征和事件之间的交互关联,因此其不能捕捉历史事件对未来事件风险带来的交互影响.鉴于此,为协同地利用事件标记信息和时空特征,本文提出基于教师-学生时空半监督学习框架以预测短期离散事件的时空分布.在教师网络中,为应对事件标记的稀疏性,本文在时空学习中引入半监督机制,提出基于自编码器的特征重建和时空方差异常描述引导的动态特征表示学习;在学生网络中,本文设计了特征-事件解耦的双管道学习机制,并提出时空衰减图卷积网络与长短期记忆网络来模拟事件在时空范围内发生的风险传播.此外,本文发展了时空多粒度预测机制,通过易学的粗粒度预测任务指导细粒度的高质量预测,最终实现粗-细粒度协同提名的离散时空事件预测.实验基于纽约和苏州工业园区数据集开展,本文模型能够在事件击中准确率上分别超越最好的基线模型5.46%和10.65%,充分验证了提出方法的有效性.

摘要：交叉口是一个交通事故多发区,除了交叉口设计复杂外,更重要的是交叉口车辆行驶情况比较杂乱,使得交叉口交通冲突的检测难度增加.本文以淮安市淮海南路与解放路交叉口为例,根据车辆运行与相位配时总结在该四相位控制的交叉口具有冲突的两辆车的相对运动情况,在车辆跟踪的基础上对具有冲突的车辆进行运动矢量量化,采用HMM(隐马尔可夫模型)对该交叉口的交通冲突进行分类,并通过实验验证该算法能对正常交通下的车辆运行状态进行冲突分类.通过冲突的检测可以提前预测发生在交叉口处的交通事故(如碰撞、追尾、突然停车等)和危险状态.

摘要：大数据时代,数据资源共享开放和综合利用给公共安全领域警务模式带来了重大变革。论文首先分析了大数据在社会安全中的应用现状及其具有的重要地位与作用;给出了天空地一体化大数据的定义及其存在的新特征,结合天空地一体化大数据在社会治安防控和反恐维稳方面的实际应用需求,利用大数据的理论和方法,开展系统的总体架构设计,最后以系统建设过程中的数据协同感知与处理、数据融合关联、分析建模、应用为主线探讨各个环节涉及的关键技术。