基于改进Transformer和超图模型的股票趋势预测方法研究

股票预测是一项令人痴迷又极具挑战的任务。近年来,融合关系信息的股票时序预测方法取得一些进展,但仍存在如下问题:首先,基于图神经网络的方法仅考虑股票之间简单的成对关系,而未考虑股票间的高阶协同关系。其次,现有方法采用预定义图的方式直接给出股票间的静态关系,无法建模股票间潜在的动态变化关系。为了解决上述问题,提出一种端到端的动态超图卷积神经网络股票趋势预测框架。该框架基于改进的Transformer提取股票的时序信息,通过静态超图和动态超图将股票间的协同关系信息引入到时序建模中。在中国A股和美股市场数据集上的实验结果表明,与当前先进模型相比,本文模型的预测性能具有显著优势。

机场跑道病害检测算法设计

机场道面裂缝是机场安全隐患之一,目前裂缝检测的方式以人工巡检为主,但人工检测不但无法覆盖全部道面导致结果精确度较低,而且耗费大量时间精力。因此,为提高精确性节约资源,依靠机场跑道表观图像大数据,基于图像处理技术以及深度学习的方法实现机场道面病害自动化的检测。实验结果表明,提出的机器检测道面裂缝的方法能快速、大量地识别机场跑道裂缝,并将裂缝与道面设计中的拉毛相区别,实现了高速率、高效率、高精确度、低资源浪费的目标。