基于时空约束和三角形迭代划分的渔船AIS与ARPA轨迹匹配

针对现有的轨迹相似度匹配算法用于渔船AIS(Automatic Identification System)与ARPA(Automatic Radar Plotting Aid)轨迹匹配时存在复杂度高、效率低等问题,本文提出基于时空约束和三角形迭代划分的渔船AIS与ARPA轨迹匹配算法TSC-TIP(Temporal and Spatial Constraint-Triangle Iterative Partitioning)。首先采用时空约束法筛选出ARPA目标时空约束范围内的AIS数据;其次采用三角形相似算法选择与AIS数据具有相似特征点的APRA轨迹数据;最后设计了子轨迹迭代划分法将每条轨迹划分为两条子轨迹并采用三角形相似法对子轨迹进行迭代筛选。为验证算法的性能,用渔船的真实AIS轨迹数据和ARPA轨迹数据进行了试验,结果表明:与基于经典距离的相似性度量方法相比,提出的TSC-TIP算法在不影响匹配准确率的前提下,匹配时间减少了95%。研究表明:TSC-TIP算法能有效匹配渔船AIS与ARPA轨迹数据,为面向AIS与ARPA的渔船轨迹数据融合研究提供了新思路。

面向MPF的自动并行过程中的迭代划分和数组访问局部性分析

并行编程一般分为数据并行和消息传递两种模式。比较而言，消息传递的应用更为广泛。面向消息传递FORTRAN（MPF）的自动并行工具能很大程度上缓减用户编程的压力，并具有很好的实用价值。迭代划分和局部性分析是自动并行中的重要部分。本文介绍从串行FORTRAN程序自动转换成MPF的自动并行工具FAX中的迭代划分、数组访问局部性分析及通信优化分析。

基于迭代网格划分和熵估计的稀疏轨迹预测

针对移动对象轨迹预测所面临的"数据稀疏"问题,即有效的历史轨迹空间不能覆盖所有可能的查询轨迹,提出了一种基于迭代网格划分和熵估计的稀疏轨迹预测算法(TPDS-IGP&EE)。首先,对轨迹区域进行迭代网格划分并生成轨迹序列;然后,引入L-Z熵估计计算轨迹序列的熵值,在轨迹熵值的基础上进行轨迹综合形成新的轨迹空间;最后,结合子轨迹综合算法,进行稀疏轨迹预测。实验结果表明,当轨迹完整度达到90%以上,Baseline算法的查询覆盖率只有25%左右;而TPDS-IGP&EE算法几乎不受查询轨迹长度的影响,可以预测几乎100%的查询轨迹;并且TPDS-IGP&EE算法的预测准确率普遍高于Baseline算法4%左右;同时Baseline算法的预测时间非常长,达到100ms,而TPDS-IGP&EE算法的预测时间(10μs)几乎可以忽略不计。TPDS-IGP&EE算法能够有效地进行稀疏环境下的轨迹预测,具有更广的预测范围、更快的预测速度和较高的预测准确率。

UPC并行循环优化的研究与实现

UPC(UnifiedParallelC)是一种新型的基于全局地址空间(GlobalAddressSpace,简称GAS)访问的并行编程语言,支持SPMD(SingleProgramMulti-Data)编程模式。论文主要研究UPC原型系统的编译器优化技术的算法与实现,该UPC原型系统是建立在开放源码的BerkeleyUPC编译器基础之上的。目前该原型系统已实现了upc_forall优化和共享访问私有化,使得一部分UPC并行应用程序的效率得到了明显改善。

基于高斯混合-时间序列模型的轨迹预测

针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合时间序列模型(GMTSM),对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测。首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型(GMM)和时间序列分析中的差分自回归滑动平均模型(ARIMA);然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测。实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90.3%;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55%左右。GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境。

基于关联分析对车险续保率的研究

本文选取购买保险的客户的相关特性作为研究对象,基于关联分析以及逻辑回归等方法,对百姓在购买保险方面的续保率进行预测。首先对数据进行预处理,将可用变量转化为虚拟变量以做关联分析,本文分别对离散与连续两种不同类型的数据进行虚拟化处理,针对离散型数据可直接将离散化区间或属性直接转化为“项”,针对连续型数据,本文引入迭代二划分的思想,基于支持度与置信度对连续属性值进行最优区间划分,为每个不同的属性值创建一个新的项来得到连续型属性的虚拟变量。将量化关联规则后得到的数据,对其进行关联分析,选取强关联规则中包含“是否续保”变量的其他所有变量:车龄,续保年,被保险人年龄,新车购置价,签单保费,三者险保费6种因素作为续保的主要影响因子,利用Logistic回归模型得到这些影响因素与续保率之间的关系,再预测得到续保率,其拟合度为96.7%。而后构建Z统计量,借助统计推断可为客户定位其属性,以实现精准的客户画像。

一种适应多核的流水并行编程模式

随着多核处理器的日益普及,存储墙问题的严重性被越来越多的人所认识.所以,相比对称多处理器,充分利用片上共享的高速缓存对于多核来说,显得尤为迫切.本文分析了传统迭代空间划分的并行模式的局限性,用线程级流水并行模式重构了红-黑算法,使消费者线程能够及时重用生产者线程之前调入片内的数据,降低了高速缓存的失效率,同时减少了对片外主存的访问量.我们的实验表明红-黑算法的线程级流水并行模式比串行模式在core2上最多可得到40%的性能提高.