加权要素对合著关系网络的影响研究

本文按照社会网络关系的研究方法,根据合著强度、作者贡献度和合著影响力等加权要素分别构建了3种合著网络关系计算模型,并通过实证研究对比分析3种模型对应的合著关系网络的网络图形、中心性、凝聚子群、核心—边缘结构等内容,研究探讨合著强度、作者贡献度和合著影响力等加权要素对合著关系网络的作用和影响。结果表明,不同加权要素的选择对点度中心性和核心—边缘结构影响明显;对网络图形的结构没有影响,对其连接的强度(连线粗细)有影响;对中间中心性、接近中心性和凝聚子群均没有影响。

基于事件要素加权的新闻摘要提取方法

为帮助读者从海量新闻报道中快速了解某一事件的来龙去脉,分析了新闻事件中事件要素对生成摘要的影响,结合新闻事件演变式发展的特点,提出了一种基于事件要素加权的新闻摘要提取方法。通过对事件要素的加权,对转移概率矩阵进行改进,有效地按时间顺序提取出摘要信息,使得最后生成的摘要包含更多的新闻要素细节信息,增加了输出时间轴摘要的细节性和可读性。实验结果证明了所提算法的有效性。

基于点序列和要素加权法的地图匹配算法

浮动车数据(Floating Car Data,FCD)已广泛应用于城市规划、智能交通系统中,其中地图匹配一直以来都是浮动车数据应用的技术难点。本文在已有地图匹配算法的基础上,提出了基于点序列和要素加权法的地图匹配模型,不仅考虑了当前GPS点的信息,同时也考虑了GPS数据的历史信息和道路网的拓扑结构,从空间关系上分析车辆行驶轨迹和道路的相似性。作者通过上海市出租车轨迹数据对算法进行验证,结果表明:该匹配模型解决了已有地图匹配算法的一些弊端,并且提高了地图匹配的精度,具有高效、实用的特点。

一种改进的基于要素加权的浮动车地图匹配算法

分析了现有地图匹配算法的优缺点,提出了一种改进的基于要素加权的地图匹配算法。算法采用多属性决策方法对匹配路段进行选择,改进了原算法在选择匹配路段中的一些弊端,提高了地图匹配的准确度。

城市规划与设计中的人工智能

文章关注了一个城市规划实践中的基本问题:如何综合考虑一系列可能存在潜在冲突的城市要素来为城市发展寻找更合适的区位?回答这一问题可以通过不同的建模方法,其中最简单的方法便是不考虑这些影响要素在现实中的权重差异,而将一个简单的平均度量作为区位优势的综合判断。作者在文中将区位优势定义为一种多要素网络的中心性度量。在这个要素网络中,不同要素不仅拥有各自的权重,还相互影响。在这样的一个社会需求网络模型中,通过多次迭代,每一个要素都通过与其他要素的互动,不断校准其相对重要性直至收敛至所有要素都拥有相同的权重,进而生成一个最接近现实状况的权重体系。区位优势的测度不仅是一个设计问题,还与真实可见的城市开发息息相关,然而,影响现实中城市发展模式的要素关系与权重往往很难捉摸。因此,规划设计问题的一个逆命题便是揭示一系列要素如何能协助我们理解观测到的城市开发现象。这与人工神经网络的设想不谋而合,后者整合了过去50年中机器学习与人工智能领域的大部分突破。文章开篇介绍了如何将规划设计问题转化成一个网络化的均值求解问题,即综合趋势估计问题,随后阐述了如何校准可知的要素权重网络来趋近于观测到的现实,最后阐释了这一个模型如何通过构建神经网络来实现。全文展示了一种基于人工智能技术将探究当下现实的形成机制与面向未来的规划设计相结合的新范式。

一种改进的浮动车地图匹配算法

为提高浮动车地图匹配精度,提出一种改进的浮动车地图匹配算法,综合利用道路拓扑关系和车辆定位误差,缩小候选路段范围,采用基于距离与方向的要素加权方法确定最终匹配点,减少正确匹配路段被剔除的概率。依托南京市局部路网以及浮动车定位数据进行实例分析,结果表明,该方法具有较好的精度和实时性。