基于注意力卷积长短时记忆模型的城市出租车流量预测

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

基于相似日和PSO-Elman模型的共享单车需求量预测

对各站点共享单车需求量的精准预测,能够提高共享单车管理与分配的效率,并有效防止供需失衡带来的公共秩序风险.通过综合考虑气象特征、时间特征以及历史数据对需求量的影响,提出了基于相似日和PSO-Elman神经网络模型.首先,研究时间特征对单车需求量的影响并对时间特征进行筛选,再通过皮尔逊相关系数验证并选择影响需求量的关键气象特征.随后采用灰色关联度算法,计算历史数据与待预测日的相似度并选取出相似日.最后,结合相似日数据和历史数据,将构建的PSO-Elman神经网络预测模型对高峰时段的单车需求量进行仿真预测.研究表明:与Elman及未综合考虑气象特征与时间特征的单车需求量预测模型相比,文章提出模型的预测结果具有更高的准确度.

面向侵权假冒商品数字证据的区块链存证研究

针对数字证据数据安全性低、容错性低、审计溯源难与运维效率低等问题,提出一种基于隐私保护分类的共识协议运行机制,通过融合数字证据相似度与随机评估模型,计算节点的评估分数以及相似度,并利用节点的评估分数和节点自身的声望值来确保共识节点所得奖励;将所得奖励进一步鼓励节点成为共识节点参与共识进度,提高共识成功概率。原型搭建与仿真实验结果验证了模型的有效性,提高了系统的容错率与安全性。

基于多尺度卷积调制的医学图像分割

当前,越来越多的医学图像分割模型都采用Transformer模型作为基础结构,然而,Transformer模型的计算复杂度与输入序列呈二次关系且需要大量的数据进行预训练才能取得较好的结果,在数据量不足的情况下无法发挥优势;此外,Transformer往往无法有效提取图像的局部信息.相比于Transformer,卷积神经网络则能够很好地规避上述两个问题.为了充分发挥卷积神经网络与Transformer的各自优势并进一步挖掘卷积神经网络的潜力,本文提出一个多尺度卷积调制网络模型(Multi-Scale Convolution Modulation Network,MSCMNet),该模型将视觉Transformer领域模型结构设计方法融入传统卷积网络.采用卷积调制和多尺度特征提取策略,构建基于多尺度卷积调制机制的特征提取模块(Multi-Scale Convolution Modulation,MSCM).并提出高效的patch组合与patch分解策略分别用于特征图的下采样以及上采样,进一步提升模型的表征能力.在腹部多器官、心脏、皮肤癌以及细胞核四个不同类型以及不同规模的医学图像分割数据集上取得的mDice分别为0.805 7、0.923 3、0.923 9、0.854 8,以较低的运算量和参数量取得了最好的分割性能,为卷积神经网络以及Transformer在医学图像分割领域提供了一个新颖而高效的模型结构设计范式.