基于低秩张量图学习的不完整多视角聚类

传统多视角聚类都基于视角完备假设,要求所有样本的视角信息完整,不能处理存在部分视角缺失情形下的不完整多视角聚类任务.为解决该问题,提出一种基于低秩张量图学习的不完整多视角聚类方法.为了恢复相似图中缺失视角所对应的样本关联信息,该方法将低秩张量图约束和视角内在图保持约束融入到多视角谱聚类模型.通过在一个统一模型中同时挖掘视角间的互补信息和视角内未缺失样例的关联信息,所提出的方法能够得到表征样例邻接关系的完整相似图和视角间一致的最优聚类指示矩阵.与12种不完整多视角聚类方法进行实验对比,实验结果表明所提出的方法在多种视角缺失率下的5个数据集上获得了最好的聚类性能.

销量约束下基于切片递归神经网络模型的成品油价格推荐算法

加油站成品油零售价格的确定是智慧加油站发展的关键。由于成品油价格的变化遵循复杂的非线性规律,尽管以长短期记忆(LSTM)为代表的非线性时序模型提高了传统时序预测方法的精度,但其运行效率难以满足动态变化的油价预测需求。针对这一问题,提出一种基于切片递归神经网络(SRNN)的成品油价格推荐模型,该模型以LSTM模型为递归单元,创新性地通过决策者根据多源数据得到的聚类结果筛选、设置的市场环境因子,对成品油销量施加影响,从而实现在销售约束条件下的成品油价格推荐。基于4年的加油站历史数据对模型预测性能进行了评估。结果表明,使用该模型与LSTM神经网络具有相同的预测精度水平,但比LSTM神经网络的运行速度快72倍。此外,基于SRNN模型的成品油价格推荐算法,加油站在实际销售中得到有效的应用,验证该模型的实用价值。