Geospatial Area Embedding Based on the Movement Purpose Hypothesis Using Large-Scale Mobility Data from Smart Card

With the deployment of modern infrastructure for public transportation, several studies have analyzed movement patterns of people using smart card data and have characterized different areas. In this paper, we propose the “movement purpose hypothesis” that each movement occurs from two causes: where the person is and what the person wants to do at a given moment. We formulate this hypothesis to a synthesis model in which two network graphs generate a movement network graph. Then we develop two novel-embedding models to assess the hypothesis, and demonstrate that the models obtain a vector representation of a geospatial area using movement patterns of people from large-scale smart card data. We conducted an experiment using smart card data for a large network of railroads in the Kansai region of Japan. We obtained a vector representation of each railroad station and each purpose using the developed embedding models. Results show that network embedding methods are suitable for a large-scale movement of data, and the developed models perform better than existing embedding methods in the task of multi-label classification for train stations on the purpose of use data set. Our proposed models can contribute to the prediction of people flows by discovering underlying representations of geospatial areas from mobility data.

无人机场景下基于Transformer的轻量化行人重识别

针对无人机场景下行人重识别所呈现的多视角多尺度特点,以及传统的基于卷积神经网络的行人重识别算法受限于局部感受野结构和下采样操作,很难对行人图像的全局特征进行提取且图像空间特征分辨率不高。提出一种无人机场景下基于Transformer的轻量化行人重识别(Lightweight Transformer-based Person Re-Identification,LTReID)算法,利用多头多注意力机制从全局角度提取人体不同部分特征,使用Circle损失和边界样本挖掘损失,以提高图像特征提取和细粒度图像检索性能,并利用快速掩码搜索剪枝算法对Transformer模型进行训练后轻量化,以提高模型的无人机平台部署能力。更进一步,提出一种可学习的面向无人机场景的空间信息嵌入,在训练过程中通过学习获得优化的非视觉信息,以提取无人机多视角下行人的不变特征,提升行人特征识别的鲁棒性。最后,在实际的无人机行人重识别数据库中,讨论了在不同量级主干网和不同剪枝率情况下所提LTReID算法的行人重识别性能,并与多种行人重识别算法进行了性能对比,结果表明了所提算法的有效性和优越性。

铸牢中华民族共同体意识的空间嵌入--以云南和贵州为中心的探索

在党和国家的领导与推动下,从确立中华民族伟大复兴中国梦的远景目标,到坚持打牢中华民族共同体的思想基础,再到以铸牢中华民族共同体意识为主线,中华民族理论不断深化、实践不断拓展。空间、文化、经济、社会、心理全方位嵌入,是铸牢中华民族共同体意识的基本条件。空间嵌入是其他嵌入的基础,包括地理、文化、政治、经济、社会、心理六个理论维度,具体体现为共居、共学、共治、共享、共事、共乐六个实践向度。党的政策引领、国家的制度保障、不同民族深度交融铸就的地理空间、文化空间、政治空间、经济空间、社会空间、心理空间嵌入文化,强化了各民族的空间嵌入,加强了文化、经济、社会、心理嵌入,促使各民族形成了显著的共居、共学、共治、共享、共事、共乐行为习惯,铸牢了中华民族共同体意识,促进了中华民族共同体建设。

省级开发区升级与制造业全球价值链嵌入位置

利用2000—2013年中国工业企业数据库、海关贸易数据库和各类开发区信息,采用行业上游度指标和省级开发区升级国家级开发区的政策冲击,实证检验开发区如何影响制造业在全球价值链中的生产方式和嵌入位置。研究发现,开发区升级提高了城市生产和出口的价值链嵌入位置,此时企业能够更加深入地参与全球分工,向国外提供更多中间品。基于企业样本的微观机制分析表明,城市价值链位置向上游迁移主要来自新进入企业上游度的变动,而非在位企业的生产结构调整。异质性分析表明,较早设立的开发区相比新设立的开发区在升级政策作用下提高分工地位的效应更强。因此,应充分发挥开发区政策对制造业全球价值链升级的推动作用,这种作用不仅在于区内企业的升级,更在于对周边和区域整体分工地位提升的溢出效应。

骨架引导的多模态视频异常行为检测方法

视频异常行为检测是智能视频监控分析的一项重要且具有挑战性的任务,旨在自动发现异常事件。针对只采用单骨架模态导致部分相似运动模式的行为难以区分和缺乏时间全局信息的问题,提出骨架引导的多模态异常行为检测方法。为了充分利用RGB视频模态和骨架模态的优势进行相似行为下的异常行为检测,将从骨架模态中提取的动作行为特征作为引导,使用新的空间嵌入来加强RGB视频和骨架姿态之间的对应关系。同时使用时间自注意力提取相同节点的帧间关系,以捕获时间的全局信息,有效提取具有区分性的异常行为特征。在两个大型公开标准数据集上的实验结果表明所提方法能够有效加强骨架引导的多模态特征在空间和模态上的对应关系,并捕获时空图卷积缺乏的时间全局信息,使运动模式相似的异常行为实现更准确检测。

基于增强嵌入特征超图学习的恶意域名检测方法

攻击者利用域名灵活地实施各类网络攻击,诸多学者针对性地提出了一些基于统计特征和基于关联关系的恶意域名检测方法,但这2类方法在域名属性高阶关系表示方面存在不足,无法准确呈现域间全局高阶关系.针对这类问题,提出一种基于嵌入式特征超图学习的恶意域名检测方法:首先基于域名空间统计特征利用决策树构建域名超图结构,利用决策树倒数第2层节点的输出结果作为先验条件形成超边,快速将域名流量之间的多阶关联关系清晰地表示出来;其次基于超图结构特征对字符嵌入特征进行增强编码,基于域名空间统计特征和域名字符嵌入编码特征从域名数据中挖掘出字符间隐藏的高阶关系;最后结合中国科技网真实的域名系统(domain name system,DNS)流量,对有效性和可行性进行了分析与评估,能够快速高效地检测隐蔽的恶意域名.

时空嵌入感知与多任务协同优化的多目标跟踪

为解决多目标跟踪中遮挡频繁、场景拥挤以及目标尺度多变带来的跟踪挑战,提出时空嵌入感知与多任务协同优化的多目标跟踪方法。提出空间相关性模块以提取空间上带有目标上下文感知的判别力嵌入;提出时序相关性模块聚合来自空间相关性模块提取的嵌入,用于生成时序注意力以引导空间相关性模块在遮挡频繁和拥挤场景下提取更具判别力的嵌入。由此,判别力的嵌入在增强关联鲁棒性的同时可预测更加精确的检测框以克服尺度多变问题,而精确的检测框则促进两个模块提取更加高质量的嵌入,从而实现嵌入提取、位置预测和数据关联多任务间的协同优化。在亲和力矩阵中引入检测框间的GIoU距离以进一步提升遮挡和拥挤场景中关联的鲁棒性。在MOT16、MOT17和MOT20数据集上的实验结果表明,提出的方法表现出比先进方法更优异的跟踪性能。

基于PCSA-YOLOv7 Former的输电线路连接金具及其锈蚀检测方法

输电线路分布情况复杂且故障难以有效检测,其中连接金具长期暴露于复杂环境下易受到恶劣环境的影响出现锈蚀等故障。针对输电线路连接金具部件具有尺度多样性和存在着锈蚀故障检测精度低的问题,提出了一种基于双重注意力嵌入重构和Swin Transformer的输电线路连接金具组件及其锈蚀故障检测方法:PCSA-YOLOv7 Former。实验结果表明:该方法在构建的TLCF数据集上的综合检测性能领先于12类当前先进的目标检测算法,其中在测试集上的mAP_(0.5)达到94.9%,该方法相比于基线模型YOLOv7,其F1和mAP0.5指标分别提升了2.6个百分点和2.2个百分点,说明该方法能够更全面地理解输电线路连接金具图像中的多尺度语义信息并学习到不易区分的微小细节表征。

双循环视域下制造业双重价值链嵌入与碳减排——兼论数字化投入的调节效应

采取2010—2021年我国各省域非竞争型投入产出表与世界各经济体投入产出数据,构建多尺度非竞争型投入产出模型量化数字化投入水平、NVC与GVC嵌入度以及碳排放强度的测量指标,验证了中国各省域制造业双重价值链嵌入度、碳排放强度的空间自相关性,使用SDM模型对比了我国各省域的NVC与GVC嵌入度对碳排放强度的影响效应,并使用非线性调节效应模型来研究数字化投入的调节作用。研究结果表明,我国各省域制造业GVC、NVC嵌入度与碳排放强度呈现高-高、低-低聚集的正向关联模式,NVC与GVC嵌入总体降低了我国各省域的制造业碳排放强度,并且最为显著地、最长时间地降低了我国京津冀及北部、东部地区的制造业碳排放强度,该效应对东部、东北部邻近地区具有正向溢出作用。基于同一个测量框架,大部分区域NVC嵌入度的碳减排效应较GVC的更高,提升GVC嵌入度对发达国家制造业降低碳排放强度的影响较发展中国家更大。数字化投入能够正向调节双重价值链嵌入对碳排放强度的影响,使前者对后者的倒U形曲线趋于平缓。实现我国制造业“双碳”目标,应遵循更高水平的开放,提升双重价值链嵌入度并重视数字化投入。

基于自适应动态图卷积循环网络的交通流预测

针对实际交通状况中节点之间存在的动态变化关系,提出一种自适应动态图时空预测模型TAGGRU,基于编码器-解码器网络结构对交通数据动态时空特征融合建模.将节点嵌入与时间编码结合为时空编码,并以此构建动态邻接图,用以表示节点关系的时间演化.将交通流数据与动态邻接矩阵共同输入编码器,通过自适应门控循环单元进行特征提取.编码器和解码器之间添加交互注意力模块,将历史特征进行转换,以生成未来特征表示,通过特征维度变换得到最终输出.结果表明:该模型有较优的预测性能.

基于稀疏嵌入的多分类脑电信号分类方法研究

为解决运动想象脑电(electroencephalogram, EEG)信号多分类传输速率慢、准确率低的问题,本研究利用“一对多”滤波组共空间模式(one vs rest filter bank common spatial pattern, OVR-FBCSP)和稀疏嵌入(sparse embeddings, SE)提出了一种基于SE的多分类EEG信号分类方法。为降低多类任务特征提取的复杂度,提高分类效率,本方法首先采用OVR-FBCSP进行EEG信号特征提取;然后对其相应的标签矩阵进行低维嵌入,构建稀疏嵌入模型,分别计算训练和测试数据的嵌入矩阵;最后在嵌入空间中对训练和测试数据执行k最近邻(k-nearest neighbor, kNN)分类。本研究在BCI Competition IV-2a公开数据集进行了实验测试,并与其他分类方法进行了对比。实验结果表明,本研究方法拥有较高的分类准确率和较短的分析时间。

结合组像素嵌入的双注意力高光谱图像分类

近年来,基于深度学习的框架在高光谱图像分类领域中取得了令人满意的结果。然而,多数方法仍使用卷积神经网络作为主干网络,其存在感受野过小,对特征信息的挖掘不充分,序列建模的能力较弱,模型复杂和分类精度低等问题。为克服上述局限性,该文提出一种结合组像素嵌入的双注意力高光谱图像分类的方法。该方法主要分成三个部分,首先,使用含有点卷积组和深度卷积组的通道空间卷积分离模块来高效学习空间光谱的特征信息;其次,添加通道空间双注意力机制,抑制冗余信息的干扰,增强高光谱图像空间与光谱的特征权重;最后,通过组像素嵌入Transformer来进一步强化空间与光谱之间的联系,建立全局长距离依赖关系,缓解精度下降的问题,保证了网络良好的分类性能。实验结果表明,该方法与现有的网络模型相比具有更优越的性能,在Pavia University和WHU-Hi-LongKou两个数据集中的总体准确率分别达到99.26%和99.73%。

面向跨视角地理定位的感知特征融合网络

跨视角地理定位是指同一地理目标可通过检索多个平台视角(无人机、卫星和街景)进行位置定位。这类定位任务主要挑战是不同视角点间的剧烈变化,降低了模型的检索性能。目前跨视角地理定位的网络存在以下的问题。由于地理目标具有尺度和角度的多样性,当前网络在感知目标信息时容易受到局部区域的干扰。属于同一类别中的不同视角,它们的角度差异很大。因此,提出了面向跨视角地理定位的感知特征融合网络(PFFNet)来学习位置感知特征并在每个视角之间建立语义关联。在PFFNet中的每个视角,搭建分流上下文嵌入网络(SCENet)作为骨干网络分别提取每个视角的上下文关联特征信息并构建目标位置的编码空间。在跨视角地理定位数据集University-1652上,将提出的方法与最先进的方法进行比较。实验结果表明,所提出感知特征融合网络在大规模数据集中取得了较高的自适应性能。

异质图嵌入的地理不敏感时空兴趣点推荐方法

基于地理位置的社交网络(LBSN)规模日渐庞大,促进了兴趣点(POI)推荐业务快速发展。现有研究常直接引入POI地理空间距离难以模拟用户高度随机的行为路径,导致兴趣点推荐过程对地点位置距离度量较为敏感。同时,社交网络中用户稀疏的POI签到数据也容易对推荐精度产生巨大影响。针对以上问题,提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐模型(GIPR)。首先,引入用户行为序列,构造行为POI时空拓扑图,使用权重空间路径表示相对位置距离,既符合用户行为特征,也降低了推荐过程对兴趣点间距离的敏感程度,进而增强推荐结果的可解释性。其次,面对异质且高度稀疏的交互数据,提出的GIPR推荐方法可从局部和全局对完整的LBSN异质图进行学习,融合更丰富的用户和POI特征。最后,经过注意力层提取用户的长短期偏好,实现更加个性化的兴趣点推荐。在两个大规模真实数据集Foursquare和Gowalla上的实验表明,GIPR方法具有更高的推荐精度与更强的可解释性。

互嵌、交融、共生:空间视角下拉萨市城关区互嵌式社区考察

加快互嵌式社会结构和社区环境的构建,是新形势下做好党的民族工作和民族地区各项工作的迫切要求,有利于推动各族群众逐步实现在空间、文化、经济、社会、心理等方面的全方位嵌入。从调研来看,当前拉萨嵌入式社区的民族交往交流交融已成为不可逆转的总态势和主基调,呈现出从空间互嵌、生计互嵌、交往互嵌、心理互嵌、文化互嵌等多层次的立体融合的整体态势。本文从空间互嵌的视角考察了拉萨市城关区三种主要空间互嵌类型,探讨了互嵌空间构建的影响因素,提出进一步出台推动空间互嵌的政策和机制、培育以日常生活场景为重点的社区共同体文化、深化对空间互嵌功能定位的思考,实现从“混居”到“互嵌”、从“嵌入”到“交融”、从“共居”到“共生”等建议。

改进Informer模型的苜蓿土壤湿度预测方法

精准的苜蓿土壤湿度预测对于提高水资源利用率和降低智慧农业投入成本至关重要。针对传统土壤湿度预测方法在实际应用中存在预测周期短、精度低以及时空预测不足等问题,提出了一种融合快速傅里叶变换的Informer时空预测方法(Fast Fourier Transform and Spatio Temporal-Informer,FFT-ST-Informer)。首先,在传统Informer模型基础上添加了独立的时空嵌入层,从而捕获各个变量之间复杂的时空相关性。然后,根据土壤墒情与环境因素的相关性分析结果,选择降雨、灌溉量为关键环境因素,并使用快速傅里叶变换,通过提取某一周期具有先验的数据序列的频谱来表示其频域特征放入模型。此外,该模型中的ProbSparse自注意机制可以集中提取时空数据的重要上下文信息。FFT-ST-Informer模型使用来自宁夏引黄灌区自采的气象和土壤数据作为输入数据。实验结果表明,FFT-ST-Informer模型性能明显优于传统模型,比LSTM模型在平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R^(2))等评价指标上,分别提高了56.9%,64.4%,0.12%。

城市微更新视角下的宁波效实共富风貌驿站设计

在存量时代背景下,城市更新成为当下城市建设主旋律。在此围绕城市微更新视角,对宁波效实共富风貌驿站设计进行总结与探讨。设计采用“嵌入式”的微更新策略,从空间重构、场所激活、无界共育三个方面对场地现状问题和社区居民需求作出回应。在尊重景观风貌和在地集体记忆的前提下,有机植入多元场景空间模块,营造具有全时性、全民参与的共享公园驿站。同时,对城市微更新策略和方法展开讨论,提出将关注重点从空间营造转向社区营造的创新性探索,进而全方位地提升人民生活品质。

Research on Key Technology of General Embedded GIS

With the development of mobile devices and digitalization of information, the GIS system will be more popular than before. For the variable of mobile devices and different system structure, the design of universal embedded GIS system will be more difficult. In this paper, we talked the features of embedded GIS and the key techniques, design a highly portable general embedded GIS platform, and by using some applications to tested the advantages of the new system.

高性能YOLOv5:面向嵌入式平台高性能目标检测算法研究

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代(YOLOv5)网络,改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块,结合改进的混洗网络2代替换原有的跨级局部暗网络,减小空间金字塔池化(SPP)的内核尺寸,实现了主干网络的轻量化。其次,颈部采用了基于路径聚合网络(PAN)设计的增强型路径聚合网络(EPAN),增加了P6大目标输出层,提高了网络的特征提取能力。然后,检测头部分采用以自适应空间特征融合(ASFF)为基础设计的自适应空洞空间特征融合(A-ASFF)来替代原有的检测头,解决了物体尺度变化问题,在少量增加额外开销情况下大幅提升检测精度。最后,函数部分采用高效交并比(EIoU)代替完整交并比(CIoU)损失函数,采用S型加权线性单元(SiLU)代替HardSwish激活函数,提升了模型的综合性能。实验结果表明,与YOLOv5-S相比,该文提出的同版本算法在mAP@.5,mAP@.5:.95上分别提高了4.6%和6.3%,参数量降低了43.5%,计算复杂度降低了12.0%,在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估,分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络,对嵌入式平台更为友好,具有实际应用意义。

基于时序知识图谱嵌入的短期地铁客流量预测

短期地铁客流量预测任务是城市智能地铁运营工作的重要组成部分,旨在预测未来短时间内地铁站点的客流量。针对现有方法未能充分利用站点的流入流出客流量信息的问题,提出了一种基于时序知识图谱嵌入(Temporal Knowledge Graph Embedding)结合残差网络(ResNet)和长短期记忆网络(LSTM)的短期地铁客流量预测方法,简称TKG-ResLSTM。首先,基于地铁客流量数据构建地铁客流量时序知识图谱,并使用时序知识图谱嵌入技术从中获取地铁站点的动态客流量模式。然后,将抽取出的动态客流量模式转换成动态相似矩阵,应用到基于深度学习的地铁客流量预测框架中完成地铁客流量预测任务。最后,利用北京地铁和A市地铁客流量数据集,分别在10 min, 15 min和30 min的时间间隔下进行实验评估。结果表明TKG-ResLSTM能够有效地抽取出地铁站点的动态客流量模式,在不使用外部信息的情况下,相比ResLSTM,TKG-ResLSTM在北京地铁数据集10min时间间隔下的预测均方根误差降低了0.41。