顾及缺失值的因果图时空预测网络

时空预测是地理时空大数据挖掘的基础研究命题。目前,多种模型用于预测未知系统的时空状态。然而,存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试,忽略了缺失值对预测结果的影响。在真实场景中,由于传感器或网络传输故障,数据缺失是一个不容忽视的问题。鉴于此,本文提出了一种顾及缺失值的因果图卷积网络(causal graph convolutional network considering missing values, Causal-GCNM)模型用于时空预测。Causal-GCNM模型可以自动捕捉时空数据中的缺失模式,使得Causal-GCNM模型在不需要借助额外插值算法的前提下,可以直接完成时空预测任务。本文提出的模型在3种真实的时空数据集(交通流数据集、PM_2.5监测数据集及气温监测数据集)得到了验证。试验结果表明,Causal-GCNM模型在4种缺失条件(20%随机缺失、20%块状缺失、40%随机缺失及40%块状缺失)下仍然具有较好的预测性能,并在预测精度和计算效率两类指标上优于10种存在的基线方法。     

网络文本数据时空感知计算概念、方法及应用场景

网络文本数据作为网络传感数据的一种,因其包含大量的时空信息,以及丰富的语义信息,不仅能够用于研究社会问题的时空特征,也能够对社会现象的时空规律提供语义上的可解释性,因此存在一定的应用价值,目前已逐渐得到研究者的关注。本文提出了网络文本数据的一般概念表示,分析了网络文本数据的类型和特征,重点梳理了网络文本数据时空感知计算的计算方法,总结了文本优先+地理背景和地理优先+文本增强两种计算模式,并从静态到动态、场景到区域的视角总结了4个相关应用场景。     

地理空间智能研究进展和面临的若干挑战

随着地理空间科学、人工智能、高性能计算技术的迅速发展,地理空间智能已成为处理和分析地理空间大数据的主要手段,并将在地球科学、空间认知、智慧城市、智慧社会等科学研究、工程建设和社会发展中发挥越来越重要的作用.地理空间智能作为地理空间科学和人工智能深度融合的交叉领域,其发展受到多学科的驱动,目前已在算力增强软硬件研制、系统开发、数据与模型共享、服务与应用方面不断取得进展,显示出巨大的活力和潜能,同时难题和挑战也相生相伴.本文首先阐述地理空间智能的概念演进、若干技术系统构建思路和国内外科学研究现状,然后梳理地理空间智能的典型应用,分析地理空间智能面临的问题和挑战,最后对其重要的发展方向及趋势予以展望.     

长江航道信息智能推送服务方法研究

当前中国内河航道信息服务多局限于被动式搜索,为建立面向航运企业、社会大众、港航管理单位等多元用户的主动推送式智能服务体系,向各类用户提供丰富、及时、主动的信息服务,提出一种基于用户行为的智能信息推送模型。通过数据挖掘、Word2vec深度学习及地理围栏等技术,结合长江航道图应用程序（application,APP）的业务特性,制定了相应的服务策略,实现航道信息推送的精细化、智能化,促进航道信息服务由传统型向智能型转变。     

基于网络Voronoi图启发式和群智能的最大覆盖空间优化

提出一种基于网络Voronoi面域图的最大覆盖选址模型及相应的粒子群优化方法,并应用于城市响应时间敏感型公共服务设施的空间优化。本文考虑设施功能沿交通网络辐射以及需求非均匀分布情形,对设施在网络连续空间上进行布局优化,选址模型采用网络Voronoi面域图划分布局设施的功能辐射域,以启发空间优化最小化重叠覆盖。模型同时顾及了设施利用率的最大化,规定设施对给定距离以内的需求实行的完全服务覆盖和对给定距离以外的需求实行随距离衰减的部分服务覆盖。本研究提出基于遗传机制和广义Voronoi图改进的粒子群算法以提高其空间优化性能,通过对南京市消防站最大覆盖空间优化实验表明,该研究取得了较为理想的结果,可应用于城市化区域应急设施最大覆盖空间优化。     

基于深度学习的城市PM2.5浓度时空分布预测及不确定性评估

城市PM2.5浓度的时空分布预测旨在基于有限观测样本实现研究区域内PM2.5分布的全范围感知。理想的预测模型需同时保证结果的高精度与高可靠性。然而,现有研究大多以提升精度为唯一目的,忽视了由于数据质量与模型结构的各异所导致预测结果的不确定性,这极大限制了高精度预测结果的可靠性与可用潜力,从而难以有效辅助空气污染治理等实际应用。为此,本文提出一种耦合不确定性评估的PM2.5浓度时空分布预测模型。通过构建以图卷积和循环网络为主的预测模块,实现PM2.5浓度的高精度预测;同时,基于对抗学习策略与变分自编码思想构建不确定性量化模块,同步揭示预测结果的不确定性水平。深圳市实际数据实证表明,本文方法能有效兼顾PM2.5浓度预测结果的精度与可靠性,能为包括监测站点布局选址在内的环境治理工作提供科学决策支持。     

基于互联网的城市时空数据调查技术方法研究

分析互联网时空数据的类型和来源,研究互联网时空数据的获取和挖掘方法。以重庆市空气质量的时空变化研究为例进行案例分析,探讨在时空数据获取和挖掘中的应用。     

基于加权图的地籍时空数据描述模型研究

以计算机通用的数据结构——图为基础，研究了基于加权图的时空数据组织策略，为表达时空语义提供了一种形式化的描述方法，并分析了以该模型为中间件实现不同时空模型转换的应用前景。     

改进深度交叉网络的遥感信息即时智能推荐方法

随着遥感大数据时代的到来,海量遥感数据的主动、即时推送问题成为限制遥感信息智能服务领域发展的瓶颈。针对现有遥感信息推荐模型空间特征表达能力不足、交叉特征表达能力欠缺和无差别对待交叉特征等问题,本文提出一种融合注意力机制的深度交叉空间变换网络(attention deep&cross spatial-transformation network, ADCSTN)。首先,模型使用深度交叉网络提取遥感信息不同关联的交叉特征;然后,基于栅格划分,利用空间变换层将一维空间属性数据转换为二维空间矩阵,充分捕捉遥感信息空间结构特征;最后,通过注意力层对得到的不同关联的交叉特征设置不同权重,增强模型性能,实现遥感信息的主动、即时、智能推送。本文利用STK仿真1584颗智能遥感卫星组成的遥感卫星星座为20°N—40°N、120°E—140°E区域内的舰船提供实时遥感数据,并设置用户兴趣,得到试验数据集。试验结果表明,本文模型的推荐效果较好,相比于传统的四元组模型,F₁ score提高了37%～54.7%。     

集成时空邻近与卷积网络车道级高精度定位算法

提高车道水平定位精度是智能交通系统发展的重要技术之一。本文提出了一种新的车道级定位方法——时空邻近卷积神经网络(STP-CNN),利用时空附近(STP)动态细化候选匹配道路,再进一步采用个性化卷积神经网络(CNN)自适应识别最优匹配车道。该方法通过优化集成GPS、车速和惯性测量单元等参数,实现了厘米级和车道级车辆位置的平滑估计。试验结果验证了该方法的可行性和有效性。