短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalou...短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。展开更多
方面级情感分析是一种情感分析任务,旨在对文本中不同方面或目标的情感进行分类和分析,本研究针对现有方面级情感分析模型中只对全局上下文中句法依赖信息进行建模,而忽略了局部上下文中深度语义信息和句法结构信息对方面级情感分析的...方面级情感分析是一种情感分析任务,旨在对文本中不同方面或目标的情感进行分类和分析,本研究针对现有方面级情感分析模型中只对全局上下文中句法依赖信息进行建模,而忽略了局部上下文中深度语义信息和句法结构信息对方面级情感分析的积极影响,提出了基于局部信息增强的多特征融合的方面级情感分析模型(aspect level sentiment analysis model with enhanced local information and multi feature fusion, LYLEGCN),该模型通过构建句法依存和深度语义依存中的距离特征和单词之间的关系类型特征两种重要信息来增强局部特征信息的影响权重,从而提高模型对局部文本特征的学习能力。模型在Restaurant、Laptop及Twitter三个公开数据集上进行了实验分析,F1值分别达到75.92%、74.52%和74.39%。实验结果表明,该模型能够有效挖掘实体方面级相关的文本特征信息,更精确地预测方面级的情感极性。展开更多
文摘短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。
文摘方面级情感分析是一种情感分析任务,旨在对文本中不同方面或目标的情感进行分类和分析,本研究针对现有方面级情感分析模型中只对全局上下文中句法依赖信息进行建模,而忽略了局部上下文中深度语义信息和句法结构信息对方面级情感分析的积极影响,提出了基于局部信息增强的多特征融合的方面级情感分析模型(aspect level sentiment analysis model with enhanced local information and multi feature fusion, LYLEGCN),该模型通过构建句法依存和深度语义依存中的距离特征和单词之间的关系类型特征两种重要信息来增强局部特征信息的影响权重,从而提高模型对局部文本特征的学习能力。模型在Restaurant、Laptop及Twitter三个公开数据集上进行了实验分析,F1值分别达到75.92%、74.52%和74.39%。实验结果表明,该模型能够有效挖掘实体方面级相关的文本特征信息,更精确地预测方面级的情感极性。
