共被期刊论文引用了2次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 数据驱动的事件预测技术最新研究进展显示文摘“事件”(event)是指在特定时空发生的对人类社会和自然界产生较为明显影响的事情。社会动乱、暴恐事件、传染病大流行等例子是给国家和社会安全带来严重威胁的“事件”。如果能够提前对这些事件的发生进行有效预测,将有助于做好应对准备,大大减少不必要的损失,因此事件预测技术在实际中具有重大社会应用价值,能够在社会安全、风险感知、传染病防控等方面发挥重要作用。对事件进行科学准确的预测曾经是一个十分具有挑战性的问题,近期大数据和数据挖掘的发展为事件预测技术带来了新的机遇。本文就以数据驱动的事件预测技术最新研究进展做一系统化的综述,介绍了事件预测的形式化建模与性能度量指标,对事件预测技术领域的最新研究成果进行了科学归类与总结,分为频繁模式挖掘、传统分类模型、时间序列预测、时序点过程、地理空间位置预测、事件图谱、无监督方法、多技术融合预测八大类方法,将每类方法做了系统地阐述,接着探讨了事件预测技术的主要应用领域,最后展望了这一技术未来面临的挑战和潜在的研究方向,以期进一步推动事件预测技术的发展与应用。 | 李志鹏 杨阳朝 廖勇 俞能海 吴哲 谢海永 石珺 曾曦 | 2022 | 信息安全学报2022，7，1： | 1 |
| 2 | 顾及地理-语义动态的城市热点预测框架显示文摘城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络(PredRNN)、图卷积预测递归神经网络(GCPredRNN)和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。 | 沙恒宇 金广垠 程光权 黄金才 吴克宇 | 2022 | 地球信息科学学报2022，24，1： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员