基于深度神经网络结构的互联网金融市场动态预测

近些年,互联网金融市场在国内外迅速发展;同时,针对互联网金融市场的研究也成为了学术界的热点.相比于传统金融市场,互联网金融市场具有更高的流动性和易变性.针对互联网金融市场的动态(日交易量和日交易次数)进行研究,提出了基于深度神经网络结构的融合层次时间序列学习的预测模型.首先,该模型可以实现对多序列(市场宏观动态序列和多种子序列)特征变量输入的处理,并且在时间和序列特征2个维度上利用注意力机制来融合输入变量.其次,模型设计了基于预测序列平稳性约束的优化函数,使得模型具有更好的稳健性.最后,在真实的大规模数据集上进行了大量的实验,结果充分证明了所提出的模型在互联网金融市场动态预测问题上的有效性与稳健性.

基于图稀疏Group Lasso算法的农业科教视频多语义标注方法

针对农业领域的视频标签,多以人工方式标注不利于大量视频准确快速标注、检索的问题,提出了一种基于图稀疏Group Lasso模型的农业科教视频多语义标注方法:通过添加待测镜头与视频组间组内的稀疏约束,得到待测镜头在视频集内的稀疏编码,结合视频集内人工标注的标签,进行多语义的标注。农业科教视频多语义标注的试验表明,该方法能够实现语义的快速标注,并使得农业视频多语义标注的F综合指标达到64%。农业视频多语义标注效果,不仅可满足用户个性化的信息需求,同时也为农业知识视频检索等相关领域,提供了参考方案。