sdmTMB 带有TMB的时空GLMM sdmTMB是一个R包，它使用模板模型构建器（ ）， 和高斯马尔可夫随机字段来实现空间和时空的预测过程GLMM（广义线性混合效应模型）。 一种常见的应用是物种分布模型（SDM）。 安装 假设您已安装，则可以安装sdmTMB： # install.packages("remotes") install.packages( " Matrix " , type = " source " ) remotes :: install_github( " kaskr/adcomp/TMB " ) remotes :: install_github( " pbs-assess/sdmTMB " ) 功能性 sdmTMB： 将具有空间，时空，空间和时空或AR1时空高斯马尔可夫随机字段的MMMM与TMB拟合。 它也可以适应随时间变化的局部变化趋势，作为一个随机

您仅观看一次（YOWO）PyTorch实施文章“您仅观看一次：用于实时时空操作本地化的统一CNN架构”。 在这项工作中，我们展示YOWO（您仅观看一次（YOWO）PyTorch实现的文章“您仅观看一次：用于实时时空行为本地化的统一CNN架构”。在本文中，我们展示YOWO（您仅观看一次一次）是一种用于视频流中实时时空动作本地化的统一CNN架构，YOWO是一个单阶段框架，输入是包含视频中多个连续帧的剪辑，而输出则预测边界框位置以及对应

基于时空聚类算法的轨迹停驻点识别研究.pdf

轨迹中的停留点识别是将空间轨迹转换为语义轨迹的关键步骤.当前轨迹停留点识别方法缺少对轨迹记录点时间连续性的考虑，导致识别出的停留点缺乏时间信息.同时，在轨迹点缺失的情况下，停留点信息也无法被准确识别.针对上述问题，本文提出一种基于速度的时空聚类方法，首先通过缺失轨迹的时空特性确定真实缺失子轨迹，并根据缺失轨迹的平均速度对其进行插值填充，再结合轨迹速度特征和时空特性识别轨迹中的停留点.实验采用GeoLife轨迹数据集对所提出的方法进行验证，结果表明，该算法能够有效地识别用户的停留点，并对轨迹中的干扰具有一定的鲁棒性.

论文研究-基于时空模型的区域房地产价格扩散效应研究.pdf,  文章通过研究区域房价的扩散效应来把握我国区域房地产市场的波动规律.采用价格扩散模型及时空脉冲响应函数对全国30个省市自治区2001M1-2014M12的房价进行实证，重点考察了北京、上海、海南和浙江四个主导区域房价变动对所有区域房价的影响，结果表明：1）北京房价变动的影响，主要是向华北、西南和西北地区扩散；上海房价变动的影响，主要是向华东、西南、华北和华中地区扩散；海南房价变动的影响范围较小，主要是向华东地区扩散；浙江房价变动的影响，主要是向华东、西南、西北地区扩散.2）目前对区域房价的直接调控可能比通过别的区域房价来影响的间接调控更有效；即使海南区域房地产泡沫破灭，短期内也不一定能引发全国性的房地产市场危机.3）在调控方面，对北京的房价调控应是持续性的，对上海、海南的房价调控可以是阶段性的，而对浙江房价的调控应该谨慎.

本文采用时间序列分析，地理信息，聚类分析，因果关系检验等技术手段对近十年来中国大陆的房价进行了分析。 在比较各省与邻近省之间的房价后，Kmeans集群将连续分布在地图上； 时间序列上的最高价区域和最低价区域也在地图上连续分布； 基于时间序列的因果关系检验发现，六个省的房价增长率受周围省份的影响，而一个省的房价增长率则影响了邻近省份的房价增长率。

论文研究-时空地理加权回归模型的时空非平稳性检验.pdf,  针对时空地理加权回归模型,通过时空加权距离构造权重矩阵,采用地理加权拟合技术得到回归系数的逐点估计. 构造合适的统计量对回归系数进行关于时间和空间的非平稳性检验,利用三阶矩χ2逼近方法计算检验的p值. 最后,模拟算例和实际例子都说明该检验方法的有效性.

用于自动调制识别的时空多通道学习框架 作者：徐嘉朗（电子邮件： ）、、杰拉德·帕尔、罗杨。 论文“的”的官方实现。 该存储库包含论文中的 MCLDNN 实现和数据集。 介绍 自动调制识别 (AMR) 在现代通信系统中起着至关重要的作用。 我们提出了一种新颖的三流深度学习框架，以从调制数据的单个和组合同相/正交 (I/Q) 符号中提取特征。 所提出的框架集成了一维 (1D) 卷积、二维 (2D) 卷积和长短期记忆 (LSTM) 层，以从时间和空间的角度更有效地提取特征。 在基准数据集上的实验表明，所提出的框架具有高效的收敛速度并提高了识别精度，特别是对于由 16 正交幅度调制 (16-QAM) 和 64-QAM 等高维方案调制的信号。 引文 如果这项工作对您的研究有用，请考虑引用： @ARTICLE{9106397, author={J. {Xu} and C. {Luo} an

AWnet 用于高时空分辨率视频采集的双摄像头系统 | | Ming Cheng, , , , Haojie Liu, , and Jun Sun IEEE 模式分析和机器智能汇刊 (TPAMI) 安装 代码已经过 Python 3.7、PyTorch 1.0、CUDA 10.1 和 Cudnn 7.6.4 测试。 设置并激活环境后，生成所需的 Correlation 包： $ cd correlation_package_pytorch1_0 $ sh build.sh 演示 图片演示 这些图像是使用我们的双 iPhone 7 摄像头拍摄的。 视频演示 不同的照明条件：高光照明| 中光照明| 弱光照明 单参考与多参考：模拟数据| 真实数据 预训练模型

中蒙俄经济走廊的大陆部分为研究区，运用325个气象站点实测数据，结合地形等要素，利用ANUSPLIN气象插值软件对数据进行空间插值，得到中蒙俄经济走廊地区平均气温时空数据集（1982-2018，1-km/y）。采用相关系数（R²）验证插值结果与气象站点数据的相关性，R²均大于0.980。采用平均绝对误差（MAE）和均方根误差（RMSE）作为精度评价指标，平均值分为0.348 ℃、0.481 ℃。数据集包括：（1）研究区边界数据；（2）1982-2018年历年的年平均气温栅 数据引用方式： 焦悦, 杨久春, 李广帅, 于灵雪*, 包玉龙, 张树文. 中蒙俄经济走廊地区平均气温时空数据集（1982-2018，1-km/y）[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2022. https://doi.org/10.3974/geodb.2022.01.03.V1.