“五个好”和“五带头”是搞好老干部工作的保证

在党的基层组织和共产党员中开展创先争优活动,是中央继先进性教育和深入学习实践科学发展观活动后,推进党的建设的又一伟大工程,也是全面落实创建“五个好”党支部的基础工作。     

“学习李荣江，创先争优当先锋”主题演讲比赛于细微处见精神 在平凡中创业绩

今年以来,一名来自台州国土系统的普通的基层国土人李荣江成为了全国国土干部的优秀代表和创先争优活动的学习榜样,他用六年的坚守执着与无私付出为我们生动诠释了“全心全意为人民服务”的宗旨。他用蛘岭村旧貌换新颜的事实告诉我们——强化服务、深化作风、创先争优不能止于口号,而要行于实践。     

践行群众路线 用心国土资源信息化建设

党的群众路线教育实践活动,顺应了群众期盼,是恪守＂为民＂的根本宗旨,也是执政党的出发点和根本点。通过学习,有以下体会与思考：经济社会在发展、执政环境在变化,但群众路线却不能变,这样才不会发生角色错位。我省国土资源信息化建设已按照国土资源部信息化建设总体框架和我省实一、坚持为民、提高认识,     

振奋精神 扎实工作 为全省经济社会又好又快发展提供有力的资源保障——在全省国土资源工作会议上的讲话

这次会议的主要任务是，深入学习贯彻党的十六届六中全会、中央经济工作会议、全国国土资源厅局长会议和省委九届九次全会、全省经济工作会议精神，总结2006年工作，部署2007年工作任务。刚才，德香同志传达了全国国土资源厅局长会议精神，大家要认真学习贯彻好。下面，受福和厅长委托，我代表厅党组讲四点意见。     

认真学习十七届五中全会精神 切实加强地质灾害防治工作

在党的十七届五中全会公报和《中共中央关于制定国民经济和社会发展第十二个五年规划的建议》中,强调指出。加快建立地质灾害易发区调查评价体系、监测预警体系、防治体系、应急体系,提高对自然灾害的综合防范和抵御能力。在党的中央全会上专门就地质灾害防治工作作了专门的研究,提出具体的要求,这是史无前例的,这充分说明党中央对地质灾害防治工作的高度重视,也是对我们从事地质灾害防治工作同志的莫大鼓励与鞭策。     

基于深度学习的城市酒店双因素体验特征及其差异机制分析

当前“双循环”新发展格局下,酒店业迎来发展新机遇。本研究选取夫子庙（历史人文街区）和新街口（城市商业中心）2个环境差异明显的地区作为案例地,以携程旅行网上12家酒店文本作为数据来源,建构CNN-BiLSTM-ATT相结合的深度学习模型,探究游客酒店双因素体验特征,并对其差异机制进行分析。结果表明：(1) CNN-BiLSTM-ATT相结合的深度学习方法为酒店体验研究提供了一个系统的理论框架,可以深入挖掘游客酒店体验特征及其差异机制;(2)不同环境差异下的游客酒店双因素体验具有较大差异。游客夫子庙酒店激励体验涉及区位地标、餐饮体验等要素;游客新街口酒店激励体验涉及娱乐体验、酒店氛围等要素。游客夫子庙酒店保健体验涉及停车设施、客房面积等要素;游客新街口酒店保健体验涉及电梯设施、停车设施等要素;(3)游客酒店双因素体验机制存在差异。游客酒店激励体验多与区位地标、娱乐体验等外部要素有关,保健体验多与客房面积、客房隔音等内部要素有关。本研究拓展了深度学习在游客体验研究中的应用,为酒店韧性建设与高质量发展提供参考。     

结合注意力机制的卫星遥感影像立体匹配

采用立体匹配技术对多视卫星遥感影像进行三维场景重建一直是摄影测量与遥感领域的核心问题。基于卷积神经网络的深度学习方法极大地促进了立体匹配技术的发展,然而其中涉及匹配困难和误匹配问题的相关研究仍然不足。为了提升卫星遥感影像不适定区域中视差估计的精度,本研究提出了一种结合注意力机制的立体匹配深度学习网络,在特征提取模块中加入注意力机制,分别从通道和空间两个维度捕获全局信息,对特征进行优化;在代价体的构建模块中构建新的代价体积,并重新设置视差的回归范围。为了验证本文方法的有效性,在US3D、WHU-Stereo两个数据集上分别与已有方法 Stereo-Net、PSM-Net进行了比较分析。结果表明,本文方法在EPE(endpointerror)和D₁两个指标上均能达到最优,取得了较好的性能,提高了立体匹配的精度,尤其在无纹理、重复纹理、遮挡及视差不连续区域表现出良好的鲁棒性。     

基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例

受地面沉降严重威胁到生命财产安全的人口已达19%,开展地面沉降模拟预测对防灾减灾具有非常重要的现实意义。针对现有地面沉降预测在模型参数难以获取、单一深度学习方法在预测精度低等方面的局限性,本文提出了集成大模型核心技术的地面沉降预测方法。首先,从地面沉降模拟预测的顶层设计,提出了基于深度学习的地面沉降预测包括算力层、数据层、模型层、评估层与应用层的总体架构;其次,基于LSTM与Transformer提出了地面沉降预测的实用方法;最后,利用上海的地面沉降数据进行了实验研究。结果表明：深度学习技术可以在地面沉降模拟预测中取得较好的结果,多模型法对地面沉降变化不大、回弹、变化较大均可进行预测,iTransformer模型对地面沉降变化较小的情况预测效果较好;在微量地面沉降时代,利用大模型的核心技术Transformer可以取得较高的精度。     

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明：(1)相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83）,且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;(2)在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;(3)同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。     

基于Item2Vec负采样优化的专题地图产品个性化推荐方法研究

建立适用于专题地图产品检索的用户偏好推荐模型是提高专题地图质量的有效方式之一,在专题地图产品推荐场景中,存在严重的内容冷启动和评论数据稀疏问题,现有的推荐算法无法为特定类用户推荐不同特征的专题地图产品,导致用户从专题地图中获取偏好信息受到限制。因此,本文构建基于负采样的连续词袋模型和基于Word2Vec的Item2Vec相结合的用户偏好推荐方法,用于专题地图产品推荐。① 计算用户行为日志文件中交互行为数据的隐性评分,以代替专题地图推荐信息流场景中稀疏的用户评论数据;② 基于负采样的连续词袋模型提取目标专题地图的前后地图序列感知特征信息,通过控制正负样本比例为1:2,提升目标专题地图潜在评分的预测精度;③ 通过Item2Vec将带有用户行为特征信息的专题地图映射到向量空间,计算用户对专题地图的相似度矩阵,根据用户偏好程度完成推荐。在构建的专题地图评分实验数据集Thematic CMaps和4个公开验证数据集MovieLens上的测试结果表明:与LFM、Personal Rank、Content Based和SVD 4种传统推荐算法相比,本文所提方法可有效提高潜在评分的预测精度,推荐性能最高达到27.85%;与以霍夫曼采样方式的Item2Vec基础方法和YouTubeNet 2种神经网络推荐算法相比,评分预测精度有一定提高,且推荐性能不断提升,最高达到2.97%和5.78%。以经典算法奇异值分解（SVD）为例,将MovieLens-20M数据集切分后,在数据量不断增大的数据子集中,本文所用方法的评分预测精度和性能均优于SVD方法。