多因子融合时空图神经网络的交通参数预测

针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图神经网络(MF-STGNN)。该模型从路网地理拓扑结构、通行能力和道路交通数据相关性3个角度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征。在多因子空间特征聚合模块(MF-GNN)中,构建了3个因子关联矩阵;将其中的通行能力关联矩阵C和交通数据关联矩阵D输入到基于频域的图卷积网络(GCN)中,将空间近邻矩阵A输入到图注意力网络(GAT)中,分别提取3种不同的空间特征,将3种特征通过通道注意力模型进行融合,通过GRU提取时间特征。使用重庆市渝北区部分区域浮动车数据集进行实验,结果表明:MF-STGNN能够更好地捕捉路网的时空特性,提高预测精度。

基于多因子融合的水质异常检测算法

为了及时有效地发现偶发或蓄意的水质异常,保障饮用水供水安全,在总结现有异常检测算法的基础上,提出基于自回归(AR)模型和模糊C-均值聚类(FCM)的多因子融合水质异常检测算法.通过AR模型实现水质背景信号的高精度跟踪,采用FCM算法融合多种水质指标的AR预测残差,与设定阈值作比较并判断异常.实验结果表明,与单因子算法、直接融合水质指标监测值的算法、利用多维欧氏距离融合AR预测残差的算法相比,提出的多因子融合水质异常检测算法具有更高的异常检出率和较低的误报率.

基于多因子融合和Stacking集成学习的大坝变形组合预测模型

变形是反映大坝服役形态变化的直观表征,构建高效准确的变形预测模型对于大坝结构安全控制十分重要。传统单因子及单算法变形预测模型存在泛化能力不足、鲁棒性差等问题,易出现预测偏差甚至误判。针对这一问题,本文选取不同变形解释因子及回归算法,构建多种单因子单算法预测模型,结合Stacking集成学习思想,对上述模型进行组合,提出了大坝变形组合预测模型。该组合模型以Stacking集成学习为核心,采用高斯过程回归作为元学习器,从算法、因子两方面对单因子单算法预测模型进行集成,并通过k折交叉验证减小模型过拟合风险。以某混凝土拱坝变形监测数据为例,通过多模型构建与性能比较,对所提出模型的准确性与有效性进行评估。结果表明:单因子单算法预测模型具备准确性和多样性的特征;通过算法、因子集成,组合模型的预测精度和鲁棒性得到了显著提高,在水位波动期的预测能力得到了有效增强。综上,大坝变形组合预测模型具备出色的非线性信息挖掘与建模预测能力,可为大坝安全监测提供可靠依据。

基于多因子融合的维修性验证试验故障样本分配方法研究

针对维修性验证试验中样本分配结果不理想,导致维修性验证试验结论置信度低的问题,提出了基于多因子融合的维修性验证试验样本分配方法;首先,通过对故障样本分配影响因素的分析,定义了故障样本分配影响因子集,提出了基于多因子融合的故障样本分配算法;然后,分别确定了各影响因子的影响系数,并采用模糊层次分析法获得了各影响因子的影响权值;最后,以某型装备子系统为例进行实例验证,并同基于故障率的分层抽样样本分配方法进行对比分析,结果表明该方法得到的样本分配结果结构更加科学,提高了试验结论的置信度,具有良好的工程应用价值。

关于用户踪迹融合协同过滤推荐的仿真研究

用户踪迹估测对于智能产品的偏好预测,数据推荐,以及服务优化等方面有重要意义,由于输入数据的严重稀疏特性,现有矩阵分解方法很难全面准确提取出用户踪迹信息。提出了基于聚类操作的融合协同过滤推荐方法。方法首先针对输入矩阵的稀疏特性,利用拉普拉斯变换与归一化处理,将输入矩阵转换为求解最小特征矩阵,并完成聚类处理。然后针对余弦距离计算相似度时可能产生的偏差,引入结构因子,同时分析了用户踪迹与时间关系,引入时间因子与时间间隔因子,根据衰减系数控制不同时期数据的影响度。最后为提高聚类数据的利用率,引入隐式反馈,利用正则表达式,对协同过滤处理时的参数进行限定,防止过拟合现象出现,并根据损失函数动态监测和调整对用户踪迹的估测。通过仿真结果,表明融合协同过滤推荐方法能够有效处理输入的稀疏矩阵,避免余弦距离计算相似度时的偏差问题,提高原始数据利用率,有效提高了用户踪迹的估测和推荐准确度。

State Estimation Method for GNSS/INS/Visual Multi-sensor Fusion Based on Factor Graph Optimization for Unmanned System

With the development of unmanned driving technology,intelligent robots and drones,high-precision localization,navigation and state estimation technologies have also made great progress.Traditional global navigation satellite system/inertial navigation system(GNSS/INS)integrated navigation systems can provide high-precision navigation information continuously.However,when this system is applied to indoor or GNSS-denied environments,such as outdoor substations with strong electromagnetic interference and complex dense spaces,it is often unable to obtain high-precision GNSS positioning data.The positioning and orientation errors will diverge and accumulate rapidly,which cannot meet the high-precision localization requirements in large-scale and long-distance navigation scenarios.This paper proposes a method of high-precision state estimation with fusion of GNSS/INS/Vision using a nonlinear optimizer factor graph optimization as the basis for multi-source optimization.Through the collected experimental data and simulation results,this system shows good performance in the indoor environment and the environment with partial GNSS signal loss.