面向移动终端的偶发事件信息需求与发布框架研究

目前城市交通运行特性逐渐由规律性向偶发性转变,居民对偶发事件的预警需求也日渐增加。针对常见公共交通偶发事件,通过SP公众小样本调查,从影响程度、发生频率及对居民行为影响等角度开展偶发性事件特征的深入分析;进而利用系统聚类算法实现点、局部、全局三层级的偶发事件分类。在此基础上,分析并明确不同偶发事件下居民对信息需求的类型、位置、提示时间,构建偶发事件信息需求表。通过研究移动互联环境下不同服务终端的信息发布和收取特性,获取最佳信息发布获取渠道,进而构建偶发事件信息发布框架并搭建基于手机APP移动终端的服务平台。结果表明,手机移动终端的居民使用满意率达到85%。有助于解决城市交通运行特性的不确定性与出行信息的可靠性、及时性之间的矛盾,提高交通出行效率。

基于XML Pipeline的XML发布框架

在基于XML的企业应用系统中,数据发布过程实际上可看成是XML的处理流程,因此需要一种统一的语言将流程描述出来。XMLPipelineDefinitionLanguage的出现为该问题的解决提供了一种切实可行的方案。本文介绍了XMLPipeline及其在构建XML发布框架中的应用。通过基于XMLPipeline的发布框架,能将数据发布的开发提升到面向模型的层次,避免重复烦琐的代码泛滥,优化了体系结构和大幅提高开发效率。

遥感图像全色锐化的卷积神经网络方法研究进展

随着计算机科学、遥感科学和大数据科学等领域的迅速发展,基于卷积神经网络的方法在图像处理、计算机视觉等任务上发挥着越来越重要的作用。而在遥感图像全色锐化领域,卷积神经网络由于其优秀的融合效果,已得到研究学者的广泛关注并有大量的研究成果产生。尽管如此,依然有一些亟待解决的问题,例如缺乏全色锐化数据集的仿真细节描述、公平公开的训练—测试数据集、简单易懂的统一代码编写框架等。对此,本文主要从以下几方面回顾当前遥感图像全色锐化问题在卷积神经网络方面的一些进展,并针对前述问题发布相关数据集和代码编写框架。1)详细介绍7种典型的基于卷积神经网络的全色锐化方法,并在统一数据集上进行公平比较(包括与典型传统方法的比较);2)详细介绍训练—测试数据集的仿真细节,并发布相关卫星(如WorldView-3, QuickBird, GaoFen2,WorldView-2)的全色锐化训练—测试数据集;3)针对本文介绍的7种基于卷积神经网络的方法,发布基于Pytorch深度学习库的Python代码统一编写框架,便于后来初学者入门、开展研究以及公平比较;4)发布统一的全色锐化传统—深度学习方法MATLAB测试软件包,便于后来学者进行公平的实验测试对比;5)对本领域的未来研究方向进行讨论和展望。本文的相关数据集和代码详见课题主页:https://liangjiandeng.github.io/PanCollection.html。