面向空间信息智能分发的动态化用户偏好模型研究

用户偏好模型的构建方法是制约空间信息智能分发理论取得进展的关键瓶颈。现有的空间信息智能分发算法和系统存在空间范围定位不准确、效用度计算存在偏差等缺陷,且大多关注用户的检索行为对偏好模型的贡献却均未考虑时间因素的影响,也很少注意到用户反馈的作用。鉴于此,对现有文献的理论和算法进行扩展,通过引入区域数、兴趣度、兴趣度密度等概念和算法,以及权值衰减函数和用户信息反馈等动态化因素,使模型能够更为准确、及时地随着用户偏好特征的变化进行修正。试验表明,相较于传统的静态模型而言,该模型能够更为有效地反映用户偏好特征的变化。

动态交通网络的用户均衡配流模型

提出一种离散的动态交通网络用户均衡配流模型 ,它是静态UE模型的一种推广 .通过最优方法得到模型的最优解条件 ,最优解与Wardrop用户最优原理的动态推广相一致 ,该模型能够反映交通网络的动态属性 .

用户用电需求动态模型与供电企业盈亏模型及其应用

基于智能电网下需求侧响应的完善和智能电能表使用的普及,提出了一种居民峰荷定价的新方法,该方法介绍了当前峰荷定价的发展定位及与其他分时电价的区别,引入电费回扣作为激励措施,并在实施电费回扣的CPP机制下,构建了用户用电需求动态模型和供电企业盈亏模型,推导出电费回扣价格的最优值。算例分析结果表明,该模型经济、有效。

关于动态用户最优模型的几点分析

Ran等人 (1996 )构造了动态用户最优的变分不等式 (VI)模型 ,并利用变分不等式问题与 NLP之间的等价关系设计了松弛的优化算法。在深入分析 Ran等 (1996 )的模型及求解算法的基础上 ,对其中的一些概念、理论推导以及算法过程进行了一定的改进。在此基础上 ,提出一个改进的动态用户最优(DUO)条件下的变分不等式 (VI)

基于组播用户动态模型的密钥批更新研究

根据组播用户动态模型分析了用户的请求时延 ,结果表明时延与指数分布的参数和批更新间隔长度有关 ;讨论了批更新间隔内的用户申请量与批更新间隔长度和当前时间的关系 ,结果表明申请量是时间的负指数函数 ;还提出了一种变间隔的批更新方法 。

动态多用户网络承载模型

动态网络承载模型是拥挤网络在一定时期内在路径流率被给定的条件下,确定依赖于时间的路段承载量、路段出行时间和路径出行时间.笔者的目标在于提出动态多用户网络承载模型(无需FIFO条件),同时证明网络承载模型解的存在性.

路段与交叉口通行能力限制的动态用户最优配流模型研究

首先分析了离散化条件下的动态交通模型中的路段与交叉口通行能力限制下的约束条件。然后,在满足Wardrop第一原理要求下提出了基于瞬时路段与交叉口阻抗的动态用户最优配流的变分不等式模型。最后用修正的投影算法计算出每个时间段的路段流量和路段与交叉口的流入率、流出率,以及路段滞留车辆数,并为驾驶员提供可靠的动态信息。数值实验反映了本模型与算法的有效性与可实施性。

动态主用户流量模型的跨层优化设计

为适应主用户流量变化较快的场景,在不完美频谱感知的情况下最大化认知用户的吞吐量,提出了一种基于集中式Overlay认知无线网络中感知时间与资源分配跨层优化算法。将优化目标分解为信道分配和检测时间同功率分配联合优化两个子问题,通过子算法迭代,最终得到感知时间与资源分配的联合最优解。仿真结果表明,相对于仅考虑频谱感知或资源分配的单层优化算法,该算法可在兼顾公平的前提下使次用户吞吐量得到有效提升。

基于记忆曲线的数据密集型动态用户行为建模

分析用户行为的历史数据,使用特定方法建立用户的偏好模型,是目前研究的热点和关键。考虑了数据产生的时序特征,以及具有时间特征的变量在用户行为模型中的影响,以心理学中的记忆曲线模型为依据,从用户的行为数据出发,给出了用户偏好的表示,并为用户的每个偏好建立一个记忆曲线模型,实时地表示用户的偏好。针对海量的用户行为数据,提出了基于MapReduce的模型参数增量更新算法和动态用户偏好计算方法,从而使得模型能反映动态变化的用户偏好。建立在真实数据上的实验结果表明,提出的模型和算法具有高效性、正确性和可用性。

乘子法在求解拥挤交通问题中的应用

笔者讨论了具有能力约束 ,带拥挤排队现象的城市交通配流问题 ,包括静态的UE配流模型和动态的用户最优配流模型 ,并建立了相应的数学规划模型来进行描述 ,说明了模型的解与用户平衡条件之间的等价性 ,在给出了乘子法的理论依据的基础上 ,分别设计了基于乘子法的求解带有路段能力限制的静态UE和动态用户最优模型的算法 ,并给出了算法的具体步骤。

Online composite shape recognition based on relevance feedback

This paper describes a novel method of online composite shape recognition interms of the relevance feedback technology to capture a user's intentions incrementally, and adynamic user modeling method to adapt to various users' styles. First, the relevance feedback isadapted to refine the recognition results and reduce the ambiguity incrementally based on theestablishment of a feature-based vector model of a user's sketches. Secondly, a dynamic usermodeling is introduced to model the user's sketching habits based on recording and analyzinghistorical information incrementally. A model-based matching strategy is also employed in the methodto recognize sketches dynamically. Experiments prove that the proposed method is both effective andefficient.

面向移动应用的探索式个性化服务推荐方法

个性化推荐系统是应用系统中广泛应用的技术之一,用户兴趣偏好模型的建立与更新是个性化推荐系统的关键环节,针对移动设备位置随时变化的特点,以移动端的应用系统为研究对象,提出了一种随用户位置变化而动态更新的用户兴趣偏好模型,并对实现过程中的几个关键问题,包括用户兴趣偏好模型表示方法、用户兴趣关键字提取、用户兴趣偏好模型的建立与更新算法进行了详细描述,最后利用用户兴趣偏好模型根据协同过滤算法进行个性化推荐,并根据用户对推荐结果的评价进一步修正用户兴趣偏好模型。用户兴趣偏好模型采用基于兴趣关键字的向量空间模型表示,用户兴趣关键字由根据TF-IDF算法获得的用户隐式兴趣和用户参与的显式兴趣相结合获得,用户位置信息变化时,系统获取当前位置附近的服务,对已存在于用户兴趣关键树中的服务权值进行增强,而对不存在其中的进行遗忘以调整用户兴趣树从而更新用户兴趣偏好模型。验证表明,该方法推荐的服务更符合用户所处的位置上下文环境,并且具有高度的可达性。