城市区域功能感知的细粒度疫情风险评估模型

针对疫情期间实施精准疫情防控的需求,达到兼顾疫情防护和社会经济发展的目的,实现了细粒度条件下的疫情风险评估深度学习模型,用于探索城市场景下街道、社区级别的疫情风险实时预测。提出一种城市区域功能感知的细粒度疫情风险评估模型,主要包括区域功能特征学习和区域关联挖掘2个模块。首先,区域功能特征学习模块将POI(point of interest)分布和疫情风险特征相融合,用于表达不同城市功能对于风险传播的影响,以引入风险扩散的先验知识。然后,区域关联挖掘模块将低层的城市网格按照功能分类映射至更高层的功能区域空间,并直接捕捉功能区域间的空间依赖,避免了低效的堆叠卷积计算。所提模型在2022年南京市新冠疫情数据集上进行了验证,相比于传统的时间序列和时空序列预测方法,所提模型相较于现有方法,在平均绝对百分比误差指标上降低了8%~23%,在均方根误差指标上降低了0.3~1.2。同时所提模型的可学习参数量大幅降低,模型计算效率远优于现有方法。

分布式视频转码服务调度算法研究

针对分布式环境下视频转码服务的任务请求自适应接收问题以及处理后视频序列分段向客户端的端传输控制问题,通过分析视频转码处理对资源占用的特点以及流式媒体服务实现的过程,提出了基于处理节点资源与客户信道质量反馈的视频转码任务自适应接收策略和用于实现客户端流畅视频服务的视频任务分段传输控制算法。实验表明,相比现有算法,该自适应客户请求接入策略能够依据客户端的信道质量选择最适合的任务版本;在用户播放缓冲区有限的条件下,提出的传输控制算法可以达到更小的任务失败几率。

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能。为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明:所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3%和25.0%,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了10.1%和10.4%。

联合图像域间和域内信息建模的图像风格转换

针对当前图像风格转换算法缺乏建模图像域间语义信息和域内长范围信息的能力,提出了一种联合图像域间和域内信息建模的图像风格转换算法SSC-GAN.通过提出语义残差连接,提取图像域内的语义特征,增强模型建模图像域间语义信息差异的能力;同时,将注意力机制引入图像风格转换任务中,解决卷积缺乏图像域内长范围信息建模能力的问题.SSC-GAN可以在不增加计算量的情况下,显著提升图像风格转换的表现.在图像风格转换数据集vangh2photo和selfie2anime上对SSC-GAN进行训练、评估和验证,结果表明,SSC-GAN不仅能取得极佳的视觉效果,而且在FID和KID指标上分别平均下降了1.3和1.1,证明了SSC-GAN的有效性.