图形处理器(graphic processing unit, GPU)的最新发展已经能够以低廉的成本提供高性能的通用计算。基于GPU 的CUDA (compute unified device architecture)和OpenCL (open computing language)编程模型为程序员提供了充足的类似于C 语言的应用程序接口(application programming interface, API), 便于程序员发挥GPU 的并行计算能力。采用图形硬件进行加速计算, 通过一种新的GPU 处理模型——并行时间空间模型, 对现有GPU 上的N-body 实现进行了分析, 从而提出了一种新的GPU 上快速仿真N-body 问题的算法, 并在AMD 的HD Radeon 5850 上进行了实现。实验结果表明, 相对于CPU 上的实现, 获得了400 倍左右的加速; 相对于已有GPU 上的实现, 也获得了2 至5 倍的加速。

智慧城市时空大数据的城市治理应用实践 智能感知 人工智能

星星 区域系统的时空分析：用于探索性时空数据分析的软件包。 当前版本的STARS是基于从数字到Numpy的重构。 此版本应可在以下平台上使用 Linux 视窗 苹果电脑 安装 使用Conda（所有平台） git clone https://github.com/sjsrey/stars.git 安装 conda create -n stars python=2 conda activate stars pip install numpy==1.8 matplotlib scipy cd stars/stars; python -i starsgui.py 在Ubuntu下的流浪汉 生成并运行该框： sudo apt-get install virtualbox sudo apt-get install vagrant vagrant up vagrant ssh c

为掌握八里河流域污染成因、污染集中期和重污染地带，在八里河流域设置了7个河道监测断面及33个地下水监测点位，连续1年监测了地表水COD、氨氮、TP和地下水氨氮、硝酸盐、亚硝酸盐，分析了八里河流域水质时空变化趋势，提出了相应的污染控制措施。结果表明：受淀粉加工污染影响，各项指标在10～12月迅速上升，COD在第二年4月以后逐渐降低恢复至正常值，氨氮和TP难以达标；地表水污染以柳沟最为严重，五里湖沟次之，第三湖沟水质相对最好；淀粉废水还会通过淋滤进入浅层地下水，造成地下水氨氮污染；氨氮污染最初主要集中在流域西南方，逐渐向全流域扩散。针对当地突出的红薯淀粉加工废水污染问题，建议推广低污染的淀粉生产技术，制定适用于八里河流域的规范化与标准化农业面源污染控制技术，构建小流域农业面源污染控制系统与管理模式。

云边一体化时序时空数据库 云栖大会

智慧城市时空大数据平台建设技术大纲.doc

针对超高峰值功率激光系统中脉冲的压缩及聚焦过程进行建模,基于光线追迹法和夫琅禾费衍射方法对平行光栅对压缩器的色散过程和抛物面镜的聚焦过程进行了模拟分析,同时采用Square-Radial多项式对方形口径的波前畸变进行描述,分析了近场存在4种不同波前畸变情况时对远场时空分布的影响,定量给出了不同情况下波前畸变误差的允许范围。

AAAI-2021时空融合图神经网络的交通流量预测 要求 这是STFGNN的MXNet实现：[用于交通流量预测的时空融合图神经网络，AAAI 2021]（ ）。 该框架基于框架构建。 强烈建议您熟悉其管道。 Python3 参见requirements.txt 资料准备 STFGNN在这几个公共交通数据集上实现。 来自PEMS03 ， PEMS04 ， PEMS07和PEMS08 。 使用密码p72z下载数据 ，并使用tar -zxvf data.tar.gz p72z tar -zxvf data.tar.gz解压缩数据文件。 模型训练 PEMS03，PEMS04，PEMS07，PEMS08： python main_4n0_3layer_12T_res.py --config config/XXXX/individual_3layer_12T.json 训练自己的数据集 （

matlab做probit回归代码RIS 时空概率 Philipp Hunziker 2018 年 8 月 12 日 这个包实现了 (FHC) 中引入的时空自回归概率模型。 估计基于递归重要性采样 (RIS) 最大模拟似然 (MSL) 程序。 该代码松散地基于 Franzese 等人的 Matlab 复制材料，并添加了一些加速（C++）和便利功能。 注意：这个包很大程度上未经测试 - 谨慎行事。 用法 这是模拟数据的简短使用示例，类似于 FHC 中的实验 #1。 请注意，该模型是作为有状态的 R6 类实现的。 library( risprobit ) set.seed( 0 ) # # Set data specs N <- 7 * 7 TT <- 5 # TT = 21 in FHC, but that takes forever # # Set true params rho <- 0.1 gamma <- 0.3 beta <- c( - 1.5 , 3 ) # # Simulate some data sim <- simulate_data( N , TT , rho , g

5G 网络中超密集基站的部署规划、多维资源管理、活跃/休眠切换等方面都依赖于对区域内用户数量的准确预测。针对这一需求，提出了一种基于移动网络用户位置信息的区域人群流量预测的深度时空网络模型。通过建模不同尺度的时空依赖关系，融合各种外部特征信息，并以短时局部流量信息降低对实时全局信息传输的要求，实现了城市范围的区域人群流量预测，对提高5G网络性能具有重要意义。通过基于呼叫详单数据的区域人群流量预测实验表明，与现有流量预测模型相比，所提模型具有更高的预测精度。