Hyperentanglement has attracted considerable attention recently because of its high-capacity for long- distance quantum communication. In this study, we present a hyperentanglement concentration pro- tocol （hyper-ECP...Hyperentanglement has attracted considerable attention recently because of its high-capacity for long- distance quantum communication. In this study, we present a hyperentanglement concentration pro- tocol （hyper-ECP） for nonlocal three-photon systems in the polarization, spatial-mode, and time- bin partially hyperentangled Greenberger-Horne-Zeilinger （GHZ） states using the Schmidt projection method. In our hyper-ECP, the three distant parties must perform the parity-check measurements on the polarization, spatial-mode, and time-bin degrees of freedom, respectively, using linear optical ele- ments and Pockels cells, and only two identical nonlocal photon systems are required. This hyper-ECP can be directly extended to the N-photon hyperentangled GHZ states, and the success probability of this general hyper-ECP for a nonlocal N-photon system is the optimal one, regardless of the photon number N.展开更多
针对港内水域船舶交通密集且轨迹复杂度高所导致的聚类算法参数敏感、聚类结果不全面的问题,提出一种相似性距离筛选方法。该方法利用经纬度、对地航速、航向和艏向等数据,构建多种相似性距离。采用带有噪声的基于密度的空间聚类(densit...针对港内水域船舶交通密集且轨迹复杂度高所导致的聚类算法参数敏感、聚类结果不全面的问题,提出一种相似性距离筛选方法。该方法利用经纬度、对地航速、航向和艏向等数据,构建多种相似性距离。采用带有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法获取每种相似性距离的聚类结果。计算每种聚类结果的轮廓系数、戴维森堡丁指数和聚类簇数等3项指标,分析DBSCAN超参数变化下这3项指标的稳定性,筛选出稳定性高的相似性距离。采用筛选出的稳定相似性距离进行轨迹聚类,分析并筛选出最优相似性距离。实验验证了筛选方法的有效性,表明基于经纬度的豪斯多夫(Hausdorff)距离与基于航向的动态时间规整(dynamic time warping,DTW)距离组合的聚类结果最佳,能更全面地完成港内船舶轨迹聚类,并识别典型交通流。本文研究成果能为港口交通流识别和特征数据挖掘提供有效方法,为船舶轨迹聚类相似性距离选择提供指导。展开更多
随着智能交通系统和共享出行服务的迅猛发展,人们对行程时间预测的需求日益增长,准确的行程时间预测已成为提升交通效率和优化用户体验的重要任务.传统的行程时间估计方法大多侧重于预测均值,提供点估计结果,忽略了复杂且动态变化的交...随着智能交通系统和共享出行服务的迅猛发展,人们对行程时间预测的需求日益增长,准确的行程时间预测已成为提升交通效率和优化用户体验的重要任务.传统的行程时间估计方法大多侧重于预测均值,提供点估计结果,忽略了复杂且动态变化的交通状况带来的不确定性.量化行程时间的不确定性以提供包含置信区间的结果,可以为用户和共享出行平台提供更全面可信的预测信息.但是,由于动态变化的路段通行时间分布以及多个路段通行时间不确定性的累积问题,难以准确量化行程时间的不确定性.为解决上述问题,提出了一种基于动态交通路况的行程时间预测与不确定性量化方法,设计了一个分布感知行程时间不确定性估计模型(Distribution Aware Travel Time Estimation,DATE),该模型包括路网板块化模块、全局分布感知器模块以及分布融合不确定性估计模块.该模型能在准确预测行程时间的同时,提供可靠的置信区间,全面量化不确定性.实验结果表明,DATE在两个真实数据集上的表现优于现有方法,且能有效提高行程时间预测的精度和可靠性,为智能交通系统提供更为可靠的决策支持.展开更多
基金This work was supported by the National Natural Science Foundation of China under Grants Nos. 11604226, 11674033, and 11474026, and the Science and Technology Program Foundation of the Beijing Municipal Commission of Education of China under Grant No. KM201710028005.
文摘Hyperentanglement has attracted considerable attention recently because of its high-capacity for long- distance quantum communication. In this study, we present a hyperentanglement concentration pro- tocol （hyper-ECP） for nonlocal three-photon systems in the polarization, spatial-mode, and time- bin partially hyperentangled Greenberger-Horne-Zeilinger （GHZ） states using the Schmidt projection method. In our hyper-ECP, the three distant parties must perform the parity-check measurements on the polarization, spatial-mode, and time-bin degrees of freedom, respectively, using linear optical ele- ments and Pockels cells, and only two identical nonlocal photon systems are required. This hyper-ECP can be directly extended to the N-photon hyperentangled GHZ states, and the success probability of this general hyper-ECP for a nonlocal N-photon system is the optimal one, regardless of the photon number N.
文摘针对港内水域船舶交通密集且轨迹复杂度高所导致的聚类算法参数敏感、聚类结果不全面的问题,提出一种相似性距离筛选方法。该方法利用经纬度、对地航速、航向和艏向等数据,构建多种相似性距离。采用带有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法获取每种相似性距离的聚类结果。计算每种聚类结果的轮廓系数、戴维森堡丁指数和聚类簇数等3项指标,分析DBSCAN超参数变化下这3项指标的稳定性,筛选出稳定性高的相似性距离。采用筛选出的稳定相似性距离进行轨迹聚类,分析并筛选出最优相似性距离。实验验证了筛选方法的有效性,表明基于经纬度的豪斯多夫(Hausdorff)距离与基于航向的动态时间规整(dynamic time warping,DTW)距离组合的聚类结果最佳,能更全面地完成港内船舶轨迹聚类,并识别典型交通流。本文研究成果能为港口交通流识别和特征数据挖掘提供有效方法,为船舶轨迹聚类相似性距离选择提供指导。
文摘随着智能交通系统和共享出行服务的迅猛发展,人们对行程时间预测的需求日益增长,准确的行程时间预测已成为提升交通效率和优化用户体验的重要任务.传统的行程时间估计方法大多侧重于预测均值,提供点估计结果,忽略了复杂且动态变化的交通状况带来的不确定性.量化行程时间的不确定性以提供包含置信区间的结果,可以为用户和共享出行平台提供更全面可信的预测信息.但是,由于动态变化的路段通行时间分布以及多个路段通行时间不确定性的累积问题,难以准确量化行程时间的不确定性.为解决上述问题,提出了一种基于动态交通路况的行程时间预测与不确定性量化方法,设计了一个分布感知行程时间不确定性估计模型(Distribution Aware Travel Time Estimation,DATE),该模型包括路网板块化模块、全局分布感知器模块以及分布融合不确定性估计模块.该模型能在准确预测行程时间的同时,提供可靠的置信区间,全面量化不确定性.实验结果表明,DATE在两个真实数据集上的表现优于现有方法,且能有效提高行程时间预测的精度和可靠性,为智能交通系统提供更为可靠的决策支持.
