可判定的时序动态描述逻辑

动态描述逻辑DDL(dynamic description logic)提供了一种基于描述逻辑的动作理论,适用于语义Web环境下对动态领域知识的刻画和推理.为了将分支时序逻辑的刻画能力引入到动态描述逻辑中,将时间的进展体现为原子动作的执行,从而将时序维与动态维统一起来.在此基础上,从描述逻辑ALCQIO出发构建了一个时序动态描述逻辑TDALCQIO,给出了TDALCQIO的Tableau判定算法,并证明了算法的可终止性和正确性.TDALCQIO不仅兼容了构建在描述逻辑ALCQIO基础上的动态描述逻辑的刻画和推理能力,而且还可从可达性、安全性等角度对整个动态领域的时序特征进行刻画和推理,从而为语义Web环境下对动态领域知识的刻画和推理提供了进一步的逻辑支持.

基于时序双分支图卷积网络的交通流量预测

米精准的交通流量预测是现代智能交通系统稳定运行的关键。在过去的十几年中,交通流量数据呈爆炸式增长,智能交通步人大数据时代。交通流量预测受空间道路拓扑结构和时序流量运动模式等多种因素影响,如何捕获观测节点间的复杂时空相关性,如何利用合理的先验知识辅助建模海量数据,提升在真实场景下的预测精度,成为交通流量预测的重点。现有交通流量预测方法主要使用基于隐式特征提取的设计,在综合交通时空信息,捕获节点时空依赖关系上仍存在模型能力弱,可解释性差等不足。本文提出了一种时序双分支图卷积网络(Bi-Path graph convolutional network,简称Bi-PathGCN),设计了基于时序特征提取的双分支图卷积网络。双分支图卷积网络首先利用时序特征解耦模块将时序特征拆分成低频分量和高频分量。不同分量输入由两个并行的时空特征提取模块提取有判别力的特征,并利用时空特征融合模块进行自适应加权融合。该设计显式利用了时序先验信息,提升了模型对复杂时空结构信息的捕获能力。本文还使用两个真实场景下的交通数据集评估了该方法的预测性能。实验表明,本文提出的双分支图卷积网络结构,可以有效利用不同时序分量的互补信息,简化模型的学习难度,在对比模型中取得了更好的表现,体现了本方法在精准预测交通流量方面的潜力和优越性。

具有全局时间的BDI模型

具有分支时序的主体BDI模型没有一个统一的时间度量与现实中的时间相对应,不方便进行关于时间相关目标的推理和实现基于时间相关目标的协同。本文给出了一个具有分支时序和全局时间的主体BDI模型。该模型结构简单、自然,不存在"逻辑全知"和"副作用"等问题。

基于CTL的循环优化变换描述方法

TRANS是基于CTL的优化变换描述语言,对TRANS语言作了宏扩展,给出了循环嵌套、循环归纳变量、循环依赖及方向向量的时序逻辑描述。从依赖分析的角度对重排序循环优化变换加以考查,并以循环逆转和循环交换为例阐述了其形式化描述方法。