面向时空数据的深度模型设计与实现
发布时间：2021-07-31 12:55
近年来,随着时空数据的广泛应用,各种面向时空数据的分析也相继而出,并逐渐成为具有理论与应用价值的研究热点。时空数据的类型多种多样,其中包括位置轨迹数据（包括交通轨迹数据,物流轨迹数据,GPS数据等等）,遥感大数据（包括卫星遥感数据,工业控制系统传感器数据等等）,以及与空间位置相关联的媒体数据（指具有空间位置特征并且随时间变化的数字化文本、图像、声音、视频等媒体数据,比如通信数据、城市监控视频数据、社交网络数据等等）。时空数据一般由多个时间序列组成,每个时间序列本身具有时间上的依赖关系,而这些序列之间又具有空间上的一定关联。时空数据预测就是通过整合已知的多种数据信息来预测该时空数据未来的变化,其已经逐渐成为时空数据分析中的重要研究方向。在时空数据预测任务中,如何有效学习数据中的时空关联性是一个重要挑战,但是大多数方法重点关注时空数据的时间特征或空间特征,如何分析时空特征的关联并实现准确预测仍存在困难,因此本文利用图卷积网络GCN来有效的处理不规则的空间结构,并利用长短期神经网络LSTM来学习时空数据中的时间依赖。此外,传统时空预测模型的流程往往由多个独立的模块组成,但是每个模块之间的协同...
【文章来源】：浙江工业大学浙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
在AUC、GMAUC以及错误率随着时间t变化而变化的曲线
CONTACTHYPERTEXT09ENRON RAD20 80 20 80 20 80 20 0.378 0.445 0.529 0.581 0.413 0.415 0.49ec 0.597 0.598 0.440 0.484 0.630 0.49 0.49 0.738 0.752 0.430 0.423 0.398 0.379 0.51 0.824 0.784 0.287 0.336 0.241 0.214 0.23TM 0.030 0.066 0.065 0.077 0.117 0.131 0.03 0.487 0.537 0.687 0.420 0.443 0.409 0.53ec 0.638 0.630 0.560 0.506 0.517 0.496 0.50 0.817 0.795 0.720 0.787 0.724 0.805 0.90 0.975 0.985 0.666 0.471 0.640 0.467 0.36TM 0.279 0.415 0.193 0.205 0.271 0.344 0.16
图 3-3 在 AUC、GMAUC 以及错误率随着时间t变化而变化的曲线Figure 3-3. The curves of AUC, GMUUC, and error rate as a function of time t表 3-1 动态链路预测性能 AUC、GMAUC 以及误差率Table 3-1. Dynamic Link Prediction Performance on AUC, GMUUC, and Error Rate评价指标方法CONTACTHYPERTEXT09ENRON RADOSLAW20 80 20 80 20 80 20 80AUCCN 0.854 0.846 0.670 0.727 0.725 0.810 0.834 0.841node2vec0.521 0.513 0.635 0.659 0.766 0.681 0.610 0.768LINE 0.606 0.424 0.542 0.536 0.529 0.504 0.529 0.523TNE 0.944 0.937 0.908 0.852 0.810 0.831 0.905 0.880LAT 0.988 0.974 0.951 0.970 0.892 0.876 0.986 0.983GAT 0.986 0.981 0.959 0.974 0.896 0.880 0.985 0.984GLAT 0.990 0.987 0.959 0.974 0.888 0.871 0.988 0.986
【参考文献】：
博士论文
[1]时空数据模型及其应用研究[D]. 曹闻.解放军信息工程大学 2011
本文编号：3313508
【文章来源】：浙江工业大学浙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
在AUC、GMAUC以及错误率随着时间t变化而变化的曲线
CONTACTHYPERTEXT09ENRON RAD20 80 20 80 20 80 20 0.378 0.445 0.529 0.581 0.413 0.415 0.49ec 0.597 0.598 0.440 0.484 0.630 0.49 0.49 0.738 0.752 0.430 0.423 0.398 0.379 0.51 0.824 0.784 0.287 0.336 0.241 0.214 0.23TM 0.030 0.066 0.065 0.077 0.117 0.131 0.03 0.487 0.537 0.687 0.420 0.443 0.409 0.53ec 0.638 0.630 0.560 0.506 0.517 0.496 0.50 0.817 0.795 0.720 0.787 0.724 0.805 0.90 0.975 0.985 0.666 0.471 0.640 0.467 0.36TM 0.279 0.415 0.193 0.205 0.271 0.344 0.16
图 3-3 在 AUC、GMAUC 以及错误率随着时间t变化而变化的曲线Figure 3-3. The curves of AUC, GMUUC, and error rate as a function of time t表 3-1 动态链路预测性能 AUC、GMAUC 以及误差率Table 3-1. Dynamic Link Prediction Performance on AUC, GMUUC, and Error Rate评价指标方法CONTACTHYPERTEXT09ENRON RADOSLAW20 80 20 80 20 80 20 80AUCCN 0.854 0.846 0.670 0.727 0.725 0.810 0.834 0.841node2vec0.521 0.513 0.635 0.659 0.766 0.681 0.610 0.768LINE 0.606 0.424 0.542 0.536 0.529 0.504 0.529 0.523TNE 0.944 0.937 0.908 0.852 0.810 0.831 0.905 0.880LAT 0.988 0.974 0.951 0.970 0.892 0.876 0.986 0.983GAT 0.986 0.981 0.959 0.974 0.896 0.880 0.985 0.984GLAT 0.990 0.987 0.959 0.974 0.888 0.871 0.988 0.986
【参考文献】：
博士论文
[1]时空数据模型及其应用研究[D]. 曹闻.解放军信息工程大学 2011
本文编号：3313508
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3313508.html
