题名 基于MVC的多组件融合的气象传感网管理平台
被引量:5
1
作者
朱兴宇
杜景林
沈晓燕
机构
南京信息工程大学电子与信息工程学院
出处
《科技通报》
北大核心
2016年第4期59-65,共7页
基金
国家自然科学基金面上项目(60873026
61021062
+3 种基金
61372128)
江苏省科技支撑计划(工业)项目(BE2011195
BE2010178)
江苏省高校科研成果产业化推进工程项目(JH10-3)
文摘
使用Web Form架构开发的信息管理系统和插件式的数据图形显示不利于后期系统拓展和维护。针对这种情况,气象传感网管理平台采用MVC设计模式和组建融合的多组件图形库进行开发。首先研究分析MVC设计模式,其次分析气象传感网需求以及平台开发需要的技术,然后利用工具对平台进行设计,最后通过集成开发工具使用Razor视图引擎,Linq to Sql数据查询技术,融合MATLAB工具实现气象传感网信息管理系统。系统的整体运行情况表明,MVC设计模式和多组件图形库极大方便了平台的设计与开发,平台实现了气象信息管理系统的业务需求和管理功能。
关键词
气象传感网
ASP.NETMVC
数据查询
网络拓扑图
关联规则
组件融合
Keywords
meteorological sensor network
ASP.NET MVC
data queries
network topology
association rule
multi-component integration
分类号
P456.7
[天文地球—大气科学及气象学]
TP311.52
[自动化与计算机技术—计算机软件与理论]
题名 溶滞网络缓冲区占用率预测模型设计
2
作者
刘博
康旖
陈禹旭
梁子键
李晓璐
机构
南方电网数字电网集团有限公司
出处
《自动化仪表》
CAS
2024年第2期79-83,共5页
基金
南方电网数字电网集团有限公司基金资助项目(JY-KF-03-YP-21-005-TQ)。
文摘
溶滞网络中数据滞留较多,占用了缓冲区大部分内存。为此,构建基于多组件融合的溶滞网络缓冲区占用率预测模型。在多组件框架的基础上,求解数据样本融合条件。联合数据库主机内存储的信息样本,完成对可移植任务的配置,实现溶滞网络缓冲区内的数据样本处理。设置决策树组织,确定复杂度指标的取值范围,完成基于多组件融合的溶滞网络缓冲区占用率预测模型设计。对比试验结果表明,在多组件融合预测模型作用下,拥塞系数最大值仅为0.6、信道平均占用率始终不超过60%。该模型预测准确率较高。所构建模型预测溶滞网络缓冲区占用率的性能较优,具有一定的实际应用价值。
关键词
多组件融合
溶滞网络缓冲区
占用率
可移植任务
决策树
溶滞缺失值
网络拥塞
Keywords
Multi-component fusion
Dissolved lag network buffers
Occupancy rate
Portable tasks
Decision trees
Dissolved lag missing value
Network congestion
分类号
TH-39
[机械工程]
题名 面向交通流量预测的多组件时空图卷积网络
被引量:60
3
作者
冯宁
郭晟楠
宋超
朱琪超
万怀宇
机构
北京交通大学计算机与信息技术学院
交通数据分析与挖掘北京市重点实验室(北京交通大学)
出处
《软件学报》
EI
CSCD
北大核心
2019年第3期759-769,共11页
基金
国家自然科学基金(61603028)~~
文摘
流量预测一直是交通领域研究者和实践者关注的热点问题.流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地捕获数据的时空相关性.提出一种新颖的基于深度学习的多组件时空图卷积网络(MCSTGCN),以解决交通流量预测问题.MCSTGCN通过3个组件分别建模流量数据的近期、日周期、周周期特性,每个组件同时利用空间维图卷积和时间维卷积有效捕获交通数据的时空相关性.在美国加利福尼亚州高速公路流量公开数据集上进行了实验,结果表明,MCSTGCN模型的预测效果优于现有的预测方法.
关键词
交通流量预测
时空相关性
图卷积网络
多组件融合
Keywords
traffic flow forecasting
spatial-temporal correlation
graph convolutional network
multi-component fusion
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
题名 多尺度时序依赖的校园公共区域人流量预测
被引量:8
4
作者
谢贵才
段磊
蒋为鹏
肖珊
徐一凡
机构
四川大学计算机学院
出处
《软件学报》
EI
CSCD
北大核心
2021年第3期831-844,共14页
基金
国家自然科学基金(61972268)。
文摘
校园公共区域人流量预测对于维护校园安全、提升校园管理水平有重大意义.尤其在疫情防控下,高校复学对公共区域的人流量预测和控制提出了更高的要求.以高校食堂为例,通过预测就餐人数,有助于食堂防疫人员合理调度和安排,既降低了人群聚集的潜在风险,也可以针对食堂人流量分布情况提供分时分批服务.然而,由于校园管理需求,如节假日和教学安排等因素,使得校园公共区域人流量预测问题颇具挑战性.为此,提出一种基于深度学习的多尺度时序卷积网络MSCNN(multi-scale temporal patterns convolution neural networks),实现人流量时序数据中短时依赖、长时周期模式的获取和多尺度时序模式特征的重标定,以对任意时段人流量进行预测.通过在真实校园环境数据集以及公开数据集上的实验,验证了MSCNN模型的有效性和执行效率.
关键词
公共区域人流量预测
多尺度时序依赖
卷积神经网络
多组件融合
Keywords
pedestrian volume prediction in public area
multi-scale temporal dependency
convolution network
multi-component fusion
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]