公共文化服务平台

共 9 条记录，以下是 1-9

全选清除导出

排序方式：

云南有色上市公司期货套期保值交易风险管理研究: 在当前经济贸易全球化、通货膨胀加剧、流通性泛滥、资源紧缺以及美元贬值导致货币快速流向大宗商品，大宗商品期货也越来越具有金融属性，而大宗商品价格波动剧烈使企业面临较大的经营风险。因此，企业选择期货市场管理原材料、产成品等的...; 方圆; 关键词：冶金工业上市公司期货交易; 文献传递

空间高效用co‑location模式挖掘方法: 本发明公开了一种新的空间高效用co‑location模式挖掘方法，根据距离阈值获得各个实例间的邻近关系；通过邻近关系计算2阶的空间co‑location模式的表实例；根据模式的表实例计算每个特征的效用参与率；然后通过效用...; 王丽珍王晓璇方圆; 文献传递

高质量空间co-location模式及挖掘方法研究: 近年来,随着移动设备、无线传感器、遥感测绘仪等空间数据采集工具的广泛应用和全球定位系统、地理信息系统等技术的飞速发展,累积了海量的包含位置信息的空间数据。空间数据挖掘和知识发现就是从海量的空间数据中提取隐含的、用户感兴趣...; 方圆; 关键词：空间数据挖掘; 文献传递

一种眼动追踪中注视点位置偏移的补偿方法: 一种眼动追踪中注视点位置偏移的补偿方法，属眼动追踪技术领域。使用眼动仪对被试者眼睛进行测试，眼动仪的采样率设定为300～600HZ，实验中被试眼睛与屏幕的距离保持不变，该距离为50～70cm；分别记录左眼和右眼的数据，记...; 诸薇娜李伟雄周小兵方圆; 文献传递

含主导特征的co‑location模式挖掘方法: 本发明公开了一种含主导特征的co‑location模式挖掘方法，根据距离阈值生成星型实例集；生成一个k阶候选模式集；计算参与度；大于参与度阈值的模式即为一个频繁的模式；对于该频繁模式c<Sub>k</Sub>与该模式的k...; 王丽珍方圆王晓璇陈红梅周丽华; 文献传递

韩国初中女生初级汉语教学情况研究——以韩国釜山广域市盘松女子中学初三学生为例: 近几年来,随着我国汉语国际教育推广工作的不断推进,我国的对外汉语教学工作的质量也在不断地提升。在我国的邻国韩国,汉语教学发展也得到前所未有的发展和提升,尤其是中小学汉语教学,现在也逐渐受到韩国各界人士的重视。所以,如何针...; 方圆; 关键词：女生初级汉语教学; 文献传递

融入时间信息的预训练序列推荐方法: 2024年; 序列推荐旨在根据用户与项目的历史交互序列,学习用户动态偏好,为用户推荐后续可能感兴趣的项目。基于预训练模型在适应下游任务方面具有优势,预训练机制在序列推荐中备受关注。现有序列推荐预训练方法忽略了现实中时间对用户交互行为的影响,为了更好地捕获用户与项目交互的时间语义,提出了融入时间信息的预训练序列推荐模型TPTS-Rec(Time-aware Pre-Training method for Sequence Recommendation)。首先,在嵌入层引入时间嵌入矩阵以获取用户交互项目与时间的关联信息。然后,在自注意力层采用同一时间点采样的方法以学习项目间的时间关联信息。最后,在微调阶段从时间维度扩增用户交互序列长度以缓解数据稀疏性问题。在真实数据集上的对比实验结果表明,与基线模型相比,所提模型TPTS-Rec的推荐效果有显著提升。; 陈稳中陈红梅周丽华方圆

基于空间占有度的主导并置模式挖掘被引量：1: 2022年; 传统的空间并置模式挖掘旨在发现空间中实例频繁共存的特征子集.目前空间并置模式的大多数研究都将模式的频繁性作为兴趣度度量.然而,在实际应用场景中,用户往往不仅对特征集的频繁性感兴趣,而且对它的完整性也感兴趣.结合并置模式的频繁性和完整性,提出主导空间并置模式(dominant spatial co-location patterns,DSCPs),目的是为用户提供一组高质量的并置模式.具体地,在空间并置模式挖掘任务中引入了模式占有度,以衡量并置模式的完整性.我们通过同时考虑模式的完整性和频繁性形式化了主导并置模式挖掘的问题.设计了一个挖掘主导并置模式的基本算法,为了降低计算开销,提出了一系列的剪枝策略及新颖的数据结构改进基本算法的挖掘效率.在合成数据集和真实数据集上进行了实验,评估了所提出算法的效率和有效性,验证了剪枝策略能够大幅提高算法效率.在实际应用中的挖掘结果表明了主导并置模式挖掘的合理性和可用性.; 方圆方圆王丽珍杨培忠; 关键词：空间数据挖掘空间关联规则

基于多头注意力动态图卷积网络的交通流预测: 2024年; 【目的】交通流预测对于城市交通系统的有效管理和运行至关重要。交通网络中不同路段或路口的流量随时间动态变化,空间邻近路段或路口的流量也会相互影响。为了更好地从交通流序列中学习不同路段或路口流量的时空相关性,提升交通流短时预测性能,提出基于多头注意力动态图卷积网络(dynamic graph convolution network with multi-head attention,DGCNMA)的交通流预测方法。【方法】DGCNMA模型在Transformer框架中首先引入图卷积网络学习交通流序列的空间嵌入并融入交通流序列,进而采用多头注意力机制从多个角度同时捕捉交通流序列的时间相关性和空间相关性;其次引入交互动态图卷积网络,通过卷积网络和动态图卷积网络交互学习以及交通流奇偶子序列特征交互融合,同时学习交通流序列的局部时空相关性和全局时空相关性。【结果】通过在高速公路交通流数据集(PEMS03、PEMS04、PEMS08)和地铁人群流量数据集(HZME inflow and HZME outflow)上的大量实验,验证了所提出的DGCNMA模型的交通流预测性能优于基线模型。; 邓涵优陈红梅肖清方圆; 关键词：交通流预测

全选清除导出

共1页<1>

方圆