由于智能交通系统的快速发展（其）和道路上车辆数量的趋势，增加了丰富的道路交通数据。了解来自此数据的时空流量模式至关重要，并且已经有效帮助交通规划，道路结构等。然而，在Covid-19流行期间了解交通模式是非常具有挑战性的，因为有巨大的差异人民和车辆的旅行行为模式。在本文中，进行了一个案例研究以了解Covid-19期间的时空交通模式的变化。我们将非负矩阵分解（NMF）应用于引出模式。基于2019年和2020年期间观察到的时空模式行为，分析了NMF模型输出，该行为分别在大熊血和大流行情况下，在英国。分析的时空交通模式变化行为的产出将在智能运输系统中的交通管理领域和大流行或不可避免的情景阶段与道路交通的不同阶段的管理。
translated by 谷歌翻译
随着Covid-19大流行的爆发，急迫有效地识别可能与已经感染Covid-19感染的人密切接触的人。该识别个人的过程，也称为“联系跟踪”，对该病毒传播的遏制和控制具有重大影响。但是，手动跟踪已被证明是无效的呼叫自动接触跟踪方法。因此，本研究提出了一种自动化机器学习系统，用于使用通过手持设备传输的传感器数据来识别可能已经与Covid-19感染的其他人接触的个人。本文介绍了到达最佳解决方案模型的不同方法，其有效地预测使用梯度升压算法和时间序列特征提取的人是否已经密切接近受感染的个体。
translated by 谷歌翻译
相似性是一种比较主观度量，与所考虑的域中变化。在若干NLP应用程序中，例如文档分类，模式识别，聊天问题答案，情绪分析等，识别句子对的准确相似度得分已成为研究的关键领域。在评估相似性的现有模型中，基于上下文比较有效地计算这种相似性的限制，由于居中理论而定位，并且缺乏非语义文本比较已经证明是缺点。因此，本文介绍了基于网络科学，相邻加权关系边缘的原理的多层相似度测量的多层语义相似性网络模型，呈现了基于网络科学的原理和所提出的扩展节点相似性计算公式。评估和测试所提出的多层网络模型，并针对已建立的最先进模型进行测试，并且显示在评估句子相似性时表现出更好的性能分数。
translated by 谷歌翻译