基于交通数据分解和时空特征提取的车辆平均车速预测模型

从交通数据分解和时空特征提取的角度出发,提出建立基于交通数据分解和时空特征提取(Traffic Data Decomposition and Spatio-Temporal Feature Extraction, TDD + STFE)的预测模型对城市道路交叉口车辆平均车速进行预测。模型首先借助Fourier变换将交通数据中的线性部分即周期项转换为Fourier级数的形式,再用原始数据减去线性部分得到非线性部分。继而借助卷积神经网络–门控循环单元(Convolutional Neural Network-Gated Recurrent Unit, CNN-GRU)模型提取交通数据非线性部分的时空特征,最后将两部分的预测值相加即为最终预测值。通过实际交通数据验证,表明本文所提车辆平均车速预测方法同时具备实用性和有效性,对交通运行状态的评估和预警具有一定的指导意义。

基于最小二乘集成赋权模型的交叉口交通状态评价

为提高道路交叉口交通状态综合评价结果的全面性及准确性,研究出1种兼顾主客观权重优点的集成赋权模型,该模型基于最小二乘(least squares, LS)思想和矩估计理论建立改进LS集成赋权模型,更好弥补单一赋权模型的局限性,最大限度保留单一赋权结果中所反映出的指标重要度信息。在此基础上,通过组合权重–隶属度矩阵计算得到各路口交通状态综合评价结果。应用以上评价方法对贵阳市4个交叉口进行评价,结果表明,所提模型更充分地凸显了指标的重要性;以国家城市交通运行状况评价规范和现有组合赋权模型的评价结果为基准,对模型的有效性进行评估,所提模型评价结果的准确度分别为75.95%和96.61%,且结果的区分度更大更符合实际交通路况。综上,所提模型同时具备实用性和有效性,对交叉口运行状态的评估和预警具有一定的指导意义。

司法机器阅读理解的优化策略研究

针对司法领域阅读理解数据集缺乏、现有模型在不可回答问题样本和噪声样本上表现不佳等问题,提出了三种优化策略.首先,采用通用领域阅读理解数据集对RoBERTa-wwm模型进行预训练;然后,采用基于UniLM的问句生成模型生成不可回答问题样本,扩充已有训练集;最后,在微调阶段采用对抗训练算法对模型进行优化,增强模型的鲁棒性.在CJRC数据集上的实验结果表明:本文优化方法相比基线模型F1值提高了5%,并且在小样本情况下具有优异的表现.