基于时空矩阵分解的空气质量推断

随着城市化进程加快,空气污染形势也愈发严峻,在城市范围内提供细粒度的空气质量时空分布对于人们的户外活动规划和身体健康具有重要意义。然而,稀疏的空气质量站点、不完备的相关特征数据及空气质量随空间和时间的非线性变化使无站点区域的空气质量准确推断面临巨大挑战。通过分析实际空气质量数据集,发现空气质量矩阵的低秩结构,并基于此提出一种基于低秩矩阵分解的方法,通过融合来自低秩结构、空气质量测量值和各类时空特征的信息进行空气质量推断。与现有工作分别处理特征恢复、特征提取和空气质量推断不同,本文方法将3个任务统一到一个模型,通过对不同任务的协同训练与监督提升总体的推断性能。在模型中,构建空间、时间特征矩阵及空气质量矩阵,进行联合低秩矩阵分解,分别得到空间区域的特征表示、不同时刻的特征表示,通过与空气质量矩阵共享空间及时间矩阵因子,将空间和时间特征表达的时空相似性信息迁移到空气质量矩阵缺失值推断以提升其性能。基于北京市的真实空气质量数据集,将所提模型与基线模型进行对比,结果表明所提模型在推断误差、标准差等指标上均优于基线模型,具有较好的FAC2结果,能够在一定程度上揭示影响空气质量变化的主要时空特征。

基于时空深度学习模型的PM_(2.5)预测

伴随着快速城市化进程,空气污染尤其是PM_(2.5)严重影响着人们的身体健康,精准的空气质量预测能够为空气污染防治以及政府决策提供有力支撑。针对当前空气质量预测研究中存在的问题,包括缺失数据填充,时空特征信息提取等,提出一种基于三维卷积神经网络和长短时记忆神经网络构建的时空混合深度学习模型C3D-LSTM。模型通过三维卷积模块对时空维度上的特征信息进行联合提取,并利用长短时记忆网络学习长时间序列数据的能力,预测目标站点的PM_(2.5)的浓度。基于北京市22个站点的真实数据集进行实验,结果表明,所提模型在平均绝对误差、均方误差和拟合系数三种指标方面均优于其它基准空气质量预测模型。

传感器网络高频数据采集算法

随着传感器网络技术的发展,传感器被广泛地应用到各个领域。由于传统的传感器数据采集采用串行采集算法,采集速率较低,严重影响了整个传感器网络的效率。针对此问题,本文提出了一种并行的高频数据采集算法,批量进行数据采集,并改进了设备响应等待时间机制。通过大量的实验数据进行对比分析及可视化处理,并进行验证分析,最终结果表明该算法在保证数据采集正确率的同时,大幅提高了数据采集的速率,并且数据采集的对象越多,提高的越明显。

采用分而治之策略的快速多标签支持向量机分类算法研究

在大规模多标签分类中,繁重的计算复杂度已严重限制了非线性核支持向量机的使用。因此,本文提出了采用分而治之策略的快速多标签支持向量机分类算法。首先,采用二元关联问题转换策略将多标签分类问题转换为多个二元分类问题。然后,每个二元分类问题都可以被改进的采用分而治之策略的支持向量机分类算法解决,其改进体现在采用DEC(Different Error Cost)方法来克服标签数据不平衡问题。最后,通过集成每个二元分类问题解决方案来实现快速多标签分类。它在训练和测试速度、测试性能等方面优于其它快速多标签分类算法。在两组大规模多标签数据集上的实验结果表明:该算法的训练和测试速度是最快的,测试性能接近ML-LIBSVM分类算法,优于其它快速多标签分类算法。