基于教师-学生时空半监督网络的城市事件预测方法

离散时空事件预测是城市计算领域中的重要科学问题之一.现有工作主要聚焦于使用多样化的时空神经网络对城市动态特征与事件时空关联进行建模,且已经取得了一定成效,但仍然存在以下问题:首先,城市事件具有诱因多源和时空稀疏性,而这种时空稀疏性可能同时源于事件本身的稀少性和采集的不完整性,现有工作尚未能解决短期预测中的稀疏性挑战及零膨胀问题;其次,已发生事件倾向于继续向周边区域传播事件风险,但由于现有工作同质化了动态特征和事件之间的交互关联,因此其不能捕捉历史事件对未来事件风险带来的交互影响.鉴于此,为协同地利用事件标记信息和时空特征,本文提出基于教师-学生时空半监督学习框架以预测短期离散事件的时空分布.在教师网络中,为应对事件标记的稀疏性,本文在时空学习中引入半监督机制,提出基于自编码器的特征重建和时空方差异常描述引导的动态特征表示学习;在学生网络中,本文设计了特征-事件解耦的双管道学习机制,并提出时空衰减图卷积网络与长短期记忆网络来模拟事件在时空范围内发生的风险传播.此外,本文发展了时空多粒度预测机制,通过易学的粗粒度预测任务指导细粒度的高质量预测,最终实现粗-细粒度协同提名的离散时空事件预测.实验基于纽约和苏州工业园区数据集开展,本文模型能够在事件击中准确率上分别超越最好的基线模型5.46%和10.65%,充分验证了提出方法的有效性.

基于骨架模态的多级门控图卷积动作识别网络

人类动作识别是一个极具挑战性的研究课题,广泛应用于安全监控、人机交互和自动驾驶等领域。近年来,图卷积网络在建模非欧几里德结构数据上取得了巨大成功,为骨架模态动作识别提供了新思路。由于骨架预定义图包含大量噪声,现有方法多使用高阶空域特征对空间依赖性进行建模。然而,仅关注高阶子集并不能在全局上反映顶点之间的动态相关性。此外,主流方法中模拟时间依赖性使用的卷积神经网络或循环神经网络也无法捕获多范围的时序关系。为了解决这些问题,文中提出了一种基于骨架模态的多级门控图卷积动作识别网络框架。具体地,提出了门控时序卷积模块来提取时域顶点之间的多时期依赖关系;同时,通过多维注意力机制来增强图的全局表征。为了验证所提方法的有效性,在NTU-RGB+D和Kinetics两个大型视频行为识别基准数据集上进行了实验。结果表明,所提方法的性能优于目前最先进的方法。