基于特征蒸馏的变分编码器交通流预测模型

针对交通流数据高维非线性和时空依赖性复杂,本文构建了基于特征蒸馏的变分贝叶斯编码器交通流预测模型.对每段时间序列对应的时间窗口特征,构建了基于多模态时间槽和空间槽的交通流特征提取模型.以时空槽特征提取模型作为特征知识蒸馏架构的输入.通过知识蒸馏结构提取的时空特征结晶体,利用教师模型指导学生模型的学习过程,从而提高学生模型的泛化能力.变分贝叶斯编码器对交通流时空特征结晶编码获取交通流数据的隐变量,根据隐变量的生成采样,利用解码器将其解码重构成新的预测值.实验结果表明,本文提出的模型预测性能显著提升,且中长期预测中鲁棒性更优.

基于多特征融合的跨域情感分类模型研究

[目的 /意义]跨领域情感分类仍是亟需重点研究的问题之一。[方法 /过程]借助情感无关词,通过谱聚类算法构建源领域与目标领域的跨域情感特征词簇,将谱聚类得到的情感词特征与位置特征、关键词特征、词性特征融入逻辑回归分类算法中,实现基于多特征融合的跨领域情感分类算法;并以用户评论数据进行验证。[结果 /结论 ]研究结果表明,CDFF(Cross Domain pulse Four Factor)算法可有效实现跨域用户的情感分类,为跨领域情感分类研究提供借鉴。