融合SEIR与LSTM模型的传染病预测研究

针对现有的传染病预测模型未充分考虑时间序列的复杂度且预测性能不稳定等问题,提出一种基于传染病动力学模型SEIR与长短时记忆网络(LSTM)的传染病组合预测模型.首先,通过计算Pearson相关系数分析气候因素与传染病新增人数之间的相关性;其次,通过FE(Fuzzy Entropy)算法提取序列的局部特征且保证序列的平稳性,降低时间序列的复杂度,提升时间序列的可预测性;最后,根据传染病特点,构建SEIR模型分析不同人群传播情况,并结合LSTM模型实现大幅度提升传染病预测精度.仿真结果表明,相较于传统的模型算法,本文提出的混合模型能保证预测的平稳性并实现更高的预测精度,同时,本文使用该混合模型在不同的干预策略下进行预测,表明了提早采取防控措施对遏制传染病传播的重要性.

边缘环境下基于移动群智感知计算卸载的数据汇聚

当前“云-端”式移动群智感知(mobile crowd sensing,MCS)系统面临负载过重的问题,导致数据汇聚过程中时延和能耗显著增加,从而降低了数据汇聚的效率。针对该问题,提出了一种基于AP-DQN的“云-边-端”MCS计算卸载算法。首先,考虑时延和能耗的均衡优化建立效用函数,以最大化系统效用作为优化目标。其次,优化P-DQN算法,提出一种联合资源分配的计算卸载算法AP-DQN,结合MCS优势,将空闲用户作为卸载设备之一。最后,使用该方法求解问题。实验结果显示,与已有算法相比,该方法能有效提高数据汇聚效率,并具有很好的稳定性。

卫星物联网中面向多类型任务的计算卸载策略

边缘计算与卫星物联网相融合,可以将本地物联网设备产生的任务在靠近边缘端进行处理,极大地缓解了本地物联网设备的计算压力。然而,鉴于卫星物联网中计算任务具有多样性,由于任务特性不同需求也不同,针对每一种任务类型部署一套计算卸载策略会导致计算资源的浪费。此外,由于卫星物联网中计算任务产生具有随机性,如果仅考虑系统短期优化会导致计算设备的计算资源利用不足,进一步导致任务处理时延的增加。为解决上述问题,提出了一种基于DQN(deep Q-network)多类型任务计算卸载策略,该策略引入排队论以最小化长期系统任务处理平均时延,并且为提升模型训练结果,在训练阶段重新设计了探索机制。最后,大量仿真结果表明,与其他卸载策略相比,所提策略能有效降低系统任务处理的平均时延。

通信受限下基于注意力的多智能体协同算法

受限于现实场景中有限的通信资源,现有的多智能体算法在实际应用时面临诸多挑战,如带宽受限、通信噪声等。为了提升多智能体系统在通信受限环境中的协同性能,提出了一种创新的多智能体协同算法。该算法在设计过程中,针对通信对象、通信内容和通信时间三个方面分别进行优化,旨在降低带宽消耗,提升系统协同性能。首先,该算法引入了一种可扩展多维信息编码融合模块,该模块具备卓越的信息提取与融合能力。通过编码多维度信息,该模块能够有效提取智能体感知等信息,以及智能体之间的通信信息,并在融合过程中实现信息的互补,从而提升协同决策的准确性和效率。其次,该算法包含了一种门控通信决策模块,该模块具备自适应的信息通信和决策能力,能够根据通信信息价值决定是否进行通信。实验结果表明,与对比算法相比,提出算法在协同导航和协同巡检等场景下均展现出了更出色的协同性能。此外,该算法还显著减少了智能体间通信信息量,进一步提高了在复杂环境中的适应性。

融合CNN与BiLSTM模型的短期电能负荷预测

针对卷积神经网络(CNN)在捕捉预测序列间历史相关性方面的不足以及在变量复杂情况下出现的无法精准提取预测关键信息的问题,提出一种将双向长短期记忆网络(BiLSTM)与卷积神经网络结合的CNN-BiLSTM模型.首先,采用数据预处理方法保证数据的正确性和完整性,并对数据进行分析以探究多变量之间的相关性;其次,通过CNN与L1正则化对多维输入特征进行特征筛选,选取与预测相关的重要性特征向量;最后,使用BiLSTM对CNN输出的关键特征信息进行保存,形成向量与预测序列,并通过分析时序特征的潜在特点,提取用户的内在消费模式.实验比较了该模型与其他时序模型在不同时间分辨率下的预测效果,实验结果表明,CNN-BiLSTM模型在不同的回望时间间隔下表现出了最佳的预测性能,能够实现更好的短期负荷预测.

卫星物联网中联合资源分配的边缘计算卸载策略

卫星物联网通过引入边缘计算技术将计算能力下沉至靠近用户的边缘服务器上,使用户的服务质量得到了提升.然而计算资源有限的边缘服务器在面对大量的突发卸载任务时可能会出现过载的情况,导致任务的处理时延增加.本文将上述问题转化为马尔可夫决策过程下的最优策略问题,提出了一种基于D 3PG(Dueling Double Deterministic Policy Gradients)的联合资源分配的边缘计算卸载算法.该算法利用Double Q-learning思想和Dueling架构重新设计了DDPG(Deep Deterministic Policy Gradients)算法中的价值网络,以提高计算卸载决策的准确性.仿真结果表明,与传统的算法相比,该算法能有效降低系统的平均时延和能量消耗,提高任务的完成率.

基于能量效益的无人机辅助移动群智感知系统任务分配

与传统移动群智感知系统的感知工人相比,无人机具有能够执行危险任务、易控制、不需要额外的激励成本等优点,因此无人机更适合作为任务执行的主体。然而无人机的能量有限,且感知任务的完成时间有限制,因此如何综合考虑以上2个因素设计一种高效的任务分配方法是一个关键问题。由此提出一种基于能量效益的无人机辅助移动群智感知系统任务分配方法,在能量效益最大化的同时提高系统任务完成率。该方法首先在无人机获得的回报和消耗的能量基础上定义了能量效益计算方式,用于评价任务分配方案的优劣;然后,设计了一种改进的模拟退火遗传算法以获得能量效益最大化的任务分配方案。经实验证明,与其他基准算法相比,所提出方法在任务平均能耗、系统任务完成率、系统能量效益有更好的表现。

基于选择的移动群智感知反向拍卖激励机制

由于移动群智感知中工人和平台的自私性,社会福利和数据质量往往难以达到平衡,损害了基于移动群智感知的服务可用性和准确性。为了解决这一问题,本文提出一种基于选择的反向拍卖激励机制,分别研究反向拍卖中以工人为中心的任务选择和以平台为中心的工人选择,在最大限度提高社会福利的同时优化数据质量。首先,根据工人和任务的位置等属性评估工人与任务之间的匹配度,提出基于动态规划的任务选择算法,在工人资源约束下为每个工人选择具有最佳回报的任务进行投标;其次,使用多臂赌博机建模反向拍卖赢家选择过程,并设计了一种基于置信度上界的赢家选择算法,以确定最佳中标工人集;最后,实验验证本文所提出的激励机制能够同时有效提升社会福利和数据质量。

基于LBSN数据聚类分析的城市POI感知方法

城市POI的分布情况客观反映了一个城市各行各业的发展情况,传统获取POI的测绘手段成本高、更新周期长、时效性差,而基于位置的社交网络(Location-Based Social Network,LBSN)平台的发展为实现城市POI的感知提供了一种新思路。本文提出一种基于LBSN数据聚类分析的城市POI感知方法,首先,对LBSN数据进行预处理,包括清洗重复数据、删除无效数据、数据预分类等,以提高数据的有效性;其次,提出一种改进的DBSCAN算法,对处理后的数据进行聚类分析,从而得到准确度较高的城市各类POI分布情况。实验结果表明,与传统的DBSCAN算法以及K-means算法相比,本文提出的算法有更好的聚类效果,且在聚类指标上有更大的CH指数值和更小的DBI指数值。

卫星物联网中基于能量感知的自适应节能路由策略

随着5G技术的发展和6G技术的研究,低轨卫星网络在卫星物联网中的地位越发重要,而作为网络核心技术的路由策略仍面临一些挑战。本文针对低轨卫星网络拓扑结构动态变化、链路的不连续性、卫星能量供应受限等问题,为了及时感知星间链路状态和卫星的能量并选择正确的路由,将卫星物联网中的路由选择问题转化为马尔可夫决策过程下的最优策略问题,提出一种基于Dueling DQN(Dueling Deep Q Network)的自适应节能路由算法。该算法通过改进DQN中神经网络的架构,大幅度地提升了学习的效果。仿真结果表明,与传统的DQN算法相比,该算法能有效降低系统能耗,均衡网络负载,提高网络吞吐量。

面向实时环境的车机协同包裹配送路径规划

针对借助中转点进行跨区域包裹配送的路径规划问题,现有规划方法大多忽略了中转点处实时环境变化对配送效率的影响,本文提出了一种面向中转点实时环境的车机协同配送路径规划方法。该方法考虑了中转点之间的车辆和无人机的流量与简单环境参数,并将这些参数结合各自到中转点的路段距离来分别计算车辆与无人机的配送成本。考虑到无人机能量与配送截止时间等约束,该方法建立了以最小化配送成本为目标的数学模型,并在两阶段求解,在第一阶段使用遗传算法求解包裹由车辆配送的路径,在第二阶段搜索出包裹由无人机配送的路径。仿真实验表明,所提出的方法能够有效地降低包裹配送成本,提高配送成功率。

基于图神经网络和多主体评价的教学资源推荐

在现有的教学资源推荐系统中算法和模型不断进步,但推荐策略仍然停留在学生偏好分析或内容相关性计算两方面,忽略了教学资源推荐中授课教师对教学目标的掌控以及企业导师的实践价值引导作用。为此,提出一种基于图神经网络和多主体评价的教学资源推荐方法,综合考虑学生、教师和企业导师3个主体的评价,并解决多主体评价导致的小样本问题。首先,构建包含教学资源和知识点的异质图,通过异质图嵌入分别获取教学资源和知识点的特征向量表征,计算教学资源与知识点的相关性;然后,设计多主体评价机制,分别制定针对学生、教师和企业导师3个不同主体的细粒度评价指标,利用基于图神经网络的小样本学习(GNN-FSL)模型获取不同主体对教学资源的评分向量估计;最后,利用注意力机制来综合不同主体的评分向量估计以及教学资源与知识点的相关性对推荐结果的影响。实验结果表明,该方法在小样本训练中具有较好的评分向量估计准确度优势,并且融合多个主体评价和增加细粒度多主体评价指标的两大措施均对提升推荐准确度和学习成绩具有显著作用。

基于子网融合的多智能体系统自组网连通性恢复方法

在受损的多智能体自组网中,在维持现有连通结构的前提下快速恢复全连通极具挑战性。为此,提出一种基于子网融合的多智能体系统自组网连通性恢复方法。首先,该方法设计基于网络故障探测的子网划分算法来确定系统中的故障节点以及子网割裂情况。其次,该方法在子网内部署领航-追随者的主从移动模型,从而维持子网内部的稳定性。最后,该方法设计基于强化学习的子网融合算法,根据建立强化学习模型来进行领航者选举,依据智能体移动距离和智能体能量消耗设计奖励函数,引导子网完成周期性领航者选举的动作,领航者带领追随者移动实现子网之间的融合,从而实现全网连通性恢复。实验结果表明,相比于现有方法,该方法在实现连通恢复时所需的时间平均减少了11.3%,系统所产生的能量消耗平均降低了10.58%,证明该方法在效率和能耗方面更具优势。

IEC61850网关中典型抽象通信服务接口对象模型与MMS之间的映射方法

以变电站通信网络和系统中IEC 61850网关的研究为背景,首先介绍了制造报文规范(manufacturing message specification,MMS)在IEC 61850中的应用,分析了网关实现的关键技术——抽象通信服务接口(abstract communication service interface,ACSI)对象模型到MMS的映射,并给出了典型的映射实例。对象模型和服务的研究为实现变电站通信系统的互操作性和可扩展性提供了依据。

面向多类型资源需求的机器人任务分配方法

针对多机器人系统中任务的多类型资源需求问题,单个机器人往往因能力有限而无法胜任,需要多个机器人来协同完成。为此,提出了一种面向多类型资源需求的任务分配优化模型,在单个机器人携带资源有限的情况下,为任务分配合适的机器人协同小组。该模型综合考虑了影响任务协同成本的时间、移动距离、资源利用率等因素,设计了任务的协同成本函数,并提出基于纳什均衡策略的任务分配方法。该方法首先通过遗传算法为更多的任务分配符合其资源需求的初始机器人小组,然后利用博弈论中的纳什均衡思想为初始机器人小组寻找最优平衡解,最终得到满足纳什均衡解的机器人小组,从而降低任务的协同成本。实验结果表明,本文所提方法能有效提高任务完成率和降低任务的平均协同成本。

基于MPC8248的嵌入式Linux系统的研究与实现

首先介绍了嵌入式PowerPC处理器MPC8248的主要特征和嵌入式Linux系统。借助于Embedded Planet公司提供的一套BSP(board support package)开发套件着重阐述了如何开发嵌入式Linux系统,主要包括主机/目标系统配置、交叉编译和调试环境的建立、PPCBoot的修改、Linux内核的裁减与移植以及文件系统的制作,并且实现了实时Linux扩展——RTAI。Linux系统对于PowerPC处理器具有良好的支持性能。基于MPC8248的嵌入式Linux系统提供了一个小体积、低功耗、接口丰富的开发平台,为变电站通信网络和系统的开发打下了一个坚实的基础。

面向新工科的物联网工程实践教学模式探索

随着我国经济转型和产业升级,教育部积极推进高等教育改革,提出建设新工科。新工科具有融合、创新和共享等特点。探索了在新工科背景下的物联网工程自适应实践教学模式,在该模式中,设计多学科交叉融合的课程体系,夯实专业基础,同时制定培养创新能力的教学方案,提升学生的实践能力以及创新意识,并进一步提供多方位育人机制,整合教学资源,优化教学氛围。另外,该教学模式建立学生学习风格档案,用于指导个性化教与学,促进教学质量和效率的提高。

面向单任务质量保障的移动群智感知任务分配

在移动群智感知中,现有的任务分配方法大多关注平台的整体感知质量,未充分考虑任务对工人、预算等资源的竞争,无法有效保障大规模任务分配场景下每个任务的感知质量,从而导致平台资源利用率降低。针对该问题,提出一种面向单任务质量保障的任务分配方法。为高效利用平台预算,考虑任务的难度和位置以及工人的设备能耗和理性因素,设计平台的激励成本。为保障每个任务的感知质量,考虑任务间的资源竞争情况并设计2种衡量指标,分别是从任务的角度根据差异化感知质量需求设计任务覆盖效率,以及从工人的角度基于最大熵原理设计工人利用效率,将这2种衡量指标相结合作为平台的系统效用,在平台资源有限的情况下以平台系统效用最大化为优化目标,提出一种融合交叉和变异操作的天牛群(BSO)算法。实验结果表明,与PSO、GA等基线方法相比,BSO算法的系统效用最大值平均提升13.51%,寻优速度平均提高40.61%,利用该算法获取的具有最大系统效用的任务分配方案可以有效保障每个任务的感知质量。

基于物联网技术的情景感知教学模式

物联网技术已经是当前科技角逐和产业竞争的热点技术,而物联网的快速发展使得物联网技术在应用上有了很多的创新模式。物联网在教学模式中的应用则具有重大的社会价值和意义,本文基于对物联网的内涵、特征的把握,探讨了物联网在教育中的应用,并针对物联网的特性,使其和情景感知系统以及虚拟现实技术结合起来,提出了一种创新的教学模式,该模式将学习环境参数和学生的个体特征结合起来进行融合处理,并通过虚拟现实技术作为输出,以提高学生的学习体验和学习效率。

边缘计算中基于马尔可夫决策过程的数据分流时间优化

随着物联网的发展,大规模的数据传输增大了网络负载和数据分流时间.为了优化数据分流时间,本文在边缘计算的环境中,提出基于马尔可夫决策过程(MDP)的分流节点选择策略.本文首先构建一个支持蜂窝和WiFi通信的网络模型,该模型由终端设备、分流节点和中心云构成,然后通过终端设备的位置和上传数据量的大小构建马尔可夫决策过程模型,最后,运用值迭代算法求解马尔可夫决策过程模型,得到最优分流节点选择策略,达到优化数据分流时间的效果.本文采用两组对比实验,大量实验结果表明本文所提策略在传输数据的同时,其数据分流时间比基准算法更短.