如何将显示的偏好(RP)和陈述的偏好(SP)数据结合起来分析旅行行为是一个持久的问题。本研究提出了一种利用多任务学习深度神经网络(MTLDNN)结合RP和SP数据并将传统的嵌套logit方法作为特殊情况的新方法。基于新加坡的RP和SP联合调查,研究自动驾驶汽车(AV)的需求,我们设计,估算和比较了100个MTTNN架构和三个主要发现。首先,结合RP和SP的传统嵌套logit方法可以视为MTLDNN的一个特例,并且只是大量可能的MTLDNN架构中的一种,嵌套logit方法在MTLDNN框架下强加比例参数约束。其次,在测试的100个MTLDNN模型中,最好的一个具有一个共享层和五个具有弱正则化的特定于域的层,但具有比例参数约束的嵌套logit方法可以与最佳模型相媲美。第三,比例参数约束在创建的logit模型中运行良好,但对于更深层的体系结构来说限制性太强。总体而言,本研究引入了MTLDNN模型,将RP和SP数据相结合,将登录的logit方法与MTLDNN的超参数空间相关联,并探讨了超参数训练和架构设计,以进行联合需求分析。
translated by 谷歌翻译
深度神经网络(DNN)越来越多地应用于微观需求分析。虽然DNN通常优于传统的多项式logit(MNL)模型,但尚不清楚我们是否能够从基于DNN的选择模型中获得可解释的经济信息,超出预测精度。本文提供了数值提取有价值的经济信息的经验方法,如选择概率,概率导数(或弹性)和边际替代。使用在新加坡收集的调查,我们发现当经济信息汇总在人口或模型上时,DNN模型可以显示大致S形选择概率曲线,关于成本和时间的倒钟形驱动概率导数,以及合理的时间中值(VOT) 。然而,在分解层面,DNN模型的选择概率曲线可以非单调递减,成本高,对特定估计高度敏感;在某些地区,选择成本和时间的衍生物可能是积极的; VOT可以是无限的,未定义的,零或任意大的。其中一些模式可以看作是直观的,而其他模式可能被视为DNN的优势,因为它具有反映某些行为特性的灵活性。这些模式广泛涉及DNN的两个理论挑战,概率空间的不规则性和大的估计误差。总体而言,本研究提供了使用DNN进行需求分析的实用指南,提出了两点建议:首先,研究人员可以使用数值方法获得行为直观的选择概率,概率导数和合理的VOT。其次,考虑到DNN概率空间的大估计误差和不规则性,研究人员应该总是在人口或个人模型上集合以获得稳定的经济信息。
translated by 谷歌翻译
太阳眩光是导致交通事故的主要环境危害之一。每年都有许多人因与太阳眩光有关的交通事故而死亡和受伤。提供关于发生太阳光的时间和地点的准确信息将有助于防止太阳眩光造成交通事故并挽救生命。在本研究中,我们建议使用可公开访问的GoogleStreet View(GSV)全景图像来估计和预测sunglare的发生。 GSV图像具有类似于驾驶员的视线,这将使GSVimage适合于估计驾驶员对太阳眩光的可见性。最近开发的卷积神经网络算法用于分割GSV图像并预测太阳眩光上的障碍物。根据给定位置的预测障碍,我们通过估算太阳位置以及这些位置的驾驶员和太阳之间的相对角度,进一步估算了太阳伞的时间窗。我们在美国马萨诸塞州剑桥进行了一个案例研究。结果表明,该方法可以准确预测出眩光的存在。所提出的方法将为驾驶员和交通规划者提供重要的工具,以减轻太阳眩光并减少由太阳眩光引起的潜在交通事故。
translated by 谷歌翻译
Heterogeneous network embedding (HNE) is a challenging task due to the diverse node types and/or diverse relationships between nodes. Existing HNE methods are typically unsupervised. To maximize the profit of utilizing the rare and valuable supervised information in HNEs, we develop a novel Active Heterogeneous Network Embedding (Ac-tiveHNE) framework, which includes two components: Discriminative Heterogeneous Network Embedding (DHNE) and Active Query in Heterogeneous Networks (AQHN). In DHNE, we introduce a novel semi-supervised heterogeneous network embedding method based on graph convolutional neu-ral network. In AQHN, we first introduce three active selection strategies based on uncertainty and representativeness, and then derive a batch selection method that assembles these strategies using a multi-armed bandit mechanism. ActiveHNE aims at improving the performance of HNE by feeding the most valuable supervision obtained by AQHN into DHNE. Experiments on public datasets demonstrate the effectiveness of ActiveHNE and its advantage on reducing the query cost.
translated by 谷歌翻译
随着网络信息技术的快速发展,越来越多的人沉浸在网络带来的虚拟社区环境中,忽视了现实生活中的社会互动。随之而来的诽谤问题变得越来越严重。通过宠物机器人和育种者之间的情感沟通促进人与人之间的离线沟通“解决了这个问题,并开发了一种名为”汤姆“的设计。”汤姆“是一个智能宠物机器人,具有基于petrobot的社交机制,名为”Tom-本文的主要贡献是提出一种名为“Tom-Talker”的社交机制,鼓励用户离线社交。“Tom-Talker”也有相应的奖励机制和朋友推荐算法。它还提出了一个宠物机器人名为“汤姆“通过情感交互算法识别用户的情绪,模拟动物的情绪,并用情感进行交流。本文设计实验并分析结果。结果表明,荆棘机器人对解决城市自闭症问题有很好的效果。
translated by 谷歌翻译
我们考虑获取一方不拥有的一组数据(例如图像)的请求者。为了收集所有数据,众包机制已被广泛用于寻求人群的帮助。但是,现有的第三方平台机制以及来自这些平台的工作人员并不是必需的,而且冗余数据也没有得到妥善处理。为了解决这个问题,我们提出了一种基于社交网络的新型众包机制,其中工人的回报通过信息熵和修改后的Shapley值来计算。这种机制激励网络中的工作者不仅提供他们拥有的所有数据,而且还进一步邀请他们的邻居提供更多数据。最终,该机制能够通过受约束的奖励来获取网络上所有工作人员的所有数据。
translated by 谷歌翻译
我们考虑固定价格机制设计设置,卖方通过社交网络销售oneitem,但卖方最初只能直接与邻居沟通。网络中的每个其他节点都是潜在的买方,其估值来自共同分布。使用标准的固定价格机制,卖家只能在她的邻居中出售物品。为了增加收入,她需要更多的买家加入销售。为了实现这一目标,我们提出了第一个固定价格机制来激励这些邻居告知他们的邻居有关销售的信息并最终通知网络中的所有买家以提高卖家的收入。与同一目的的现有机制相比,我们的机制不需要买方揭示其估值,并且计算上容易。更重要的是,它保证了收益的改善至少是最优的1/2。
translated by 谷歌翻译
Image feature extraction and matching is a fundamental but computation intensive task in machine vision. This paper proposes a novel FPGA-based embedded system to accelerate feature extraction and matching. It implements SURF feature point detection and BRIEF feature descriptor construction and matching. For binocular stereo vision, feature matching includes both tracking matching and stereo matching, which simultaneously provide feature point correspondences and parallax information. Our system is evaluated on a ZYNQ XC7Z045 FPGA. The result demonstrates that it can process binocular video data at a high frame rate (640 × 480 @ 162fps). Moreover, an extensive test proves our system has robustness for image compression, blurring and illumination.
translated by 谷歌翻译
时间序列的可靠准确预测在经济投资,交通规划,港口规划和设计等领域中起着至关重要的作用。海上时间序列的动态增长具有非常复杂,非线性和非平稳的特性。为了保证高质量的预测性能,我们建议首先采用经验模式分解(EMD)和集合EMD(EEMD)方法将原始时间序列分解为高频和低频分量。可以通过传统的神经网络(NN)方法直接预测低频分量。由于数学规律性较弱,预测高频分量更加困难。为了利用高频分量中的内在自相似性,这些分量将被分成几个连续的小(重叠)分段。然后选择具有高相似性的聚类片段以形成用于传统NN方法的更多特性数据集。这种重组策略可以帮助提高高频分量的预测精度。通过对预测的高频和低频分量进行积分来获得最终预测结果。我们提出的三步预测框架受益于时间序列分解和类似的分段分组。港口货物吞吐量和船舶交通流量的实验表明,它在预测精度和鲁棒性方面具有优越的性能。
translated by 谷歌翻译
诸如彩色图像和多光谱图像之类的张量图像数据集是高度相关的,并且它们包含许多图像细节。本文的主要目的是提出并开发一种正则化张量完成模型fortensor图像数据完成。在目标函数中,我们采用新的张量核范数(TNN)来表征这种图像数据集的全局结构。此外,我们制定了一个隐式正则化器来插入卷积神经网络(CNN)降噪器,它被证实能够表达先前从大量自然图像中学习的图像。可以通过交替方向的乘法器算法有效地求解所得到的模型。实验结果(彩色图像,视频和多光谱图像)表明,图像全局结构和细节都可以很好地恢复,并说明所提出的方法在PSNR和SSIM方面的性能优于测试方法。
translated by 谷歌翻译