如今，世界各地的城市推出了电动公共汽车以优化城市交通，减少当地碳排放量。为了减少碳排放并最大化电动公共汽车的效用，重要的是为它们选择合适的路线很重要。传统上，路线选择是在专用调查的基础上，这在时间和劳动力成本高昂。在本文中，我们主要关注智能规划电动公交线路，具体取决于整个城市各地区的独特需求。我们提出了一种铺张山庄，一个路线规划系统，利用深度神经网络和多层的感知者，以预测未来人民的旅行和整个城市的未来运输碳排放。鉴于人们旅行和运输碳排放的未来信息，我们利用了一种贪婪的机制来推荐将以理想状态离开的电动公交车的公交线路。此外，从异构城市数据集中提取两个神经网络的代表特征。我们通过对珠海省珠海真实世界资源的大量实验来评估我们的方法。结果表明，我们设计的基于神经网络的算法始终如一地优于典型的基线。此外，电动公交车的建议路线有助于降低碳排放的峰值，并充分利用城市的电动公共汽车。

Hopfield networks and Boltzmann machines (BMs) are fundamental energy-based neural network models. Recent studies on modern Hopfield networks have broaden the class of energy functions and led to a unified perspective on general Hopfield networks including an attention module. In this letter, we consider the BM counterparts of modern Hopfield networks using the associated energy functions, and study their salient properties from a trainability perspective. In particular, the energy function corresponding to the attention module naturally introduces a novel BM, which we refer to as attentional BM (AttnBM). We verify that AttnBM has a tractable likelihood function and gradient for a special case and is easy to train. Moreover, we reveal the hidden connections between AttnBM and some single-layer models, namely the Gaussian--Bernoulli restricted BM and denoising autoencoder with softmax units. We also investigate BMs introduced by other energy functions, and in particular, observe that the energy function of dense associative memory models gives BMs belonging to Exponential Family Harmoniums.

在本文中，我们考虑在对每个群集建模时，即基于模型的时间序列群集时，将一组单个时间序列集群的任务。该任务需要一个具有足够灵活性的参数模型来描述各个时间序列中的动力学。为了解决这个问题，我们提出了一种基于模型的时间序列聚类方法，该方法具有线性高斯状态空间模型的混合物，具有很高的灵活性。提出的方法对混合模型使用一种新的期望最大化算法来估计模型参数，并使用贝叶斯信息标准确定簇数。模拟数据集上的实验证明了该方法在聚类，参数估计和模型选择中的有效性。该方法应用于真实的数据集，该数据集以前提出的时间序列聚类方法表现出低精度。结果表明，与使用先前方法获得的方法相比，我们的方法产生的聚类结果更准确。