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。

针对传统方法建立的空间权矩阵难于真实、准确地反映空间邻近变量之间相互影响的不足，提出一种基于样本数据驱动的空间权矩阵建立方法，将建立空间权矩阵转换为求解未知系数线性方程；针对STARMA模型只具有线性形式而无法捕获时空序列中非线性模式的不足，提出STARMA网络模型，采用网络结构，以非线性函数代替线性组合。通过实验分析验证了基于样本数据驱动的空间权矩阵建立方法和STARMA网络的有效性。

针对交叉口入口路段交通视频中存在车辆遮挡严重、频繁走停以及频繁换道插队等特点，提出了一种获取交叉口停车线后大视野范围内车流量以及车辆换道率的检测方法。首先采用多级虚拟特征线生成多级时空图，对车辆进行快速检测和分割，获得车辆候选区域；然后对车辆候选区域内局部特征点进行初步分组和跟踪，并根据相同组内特征点运动趋势相似性来修正分组，解决车辆遮挡问题，用于检测车辆换道率；最后将多级时空图与特征点跟踪相结合，进行相互反馈，实现对车辆准确分割和鲁棒跟踪，避免车辆行驶中走停的影响。实验结果表明，通过该方法能实时准确地获取大视野范围内交叉口入口路段车流量和车辆换道率的交通参数。

基于时空众包的城市交通态势感知技术计算机研究.docx

基于时空LSTM的OD客运需求预测

不再维护此独立版本的 EOF 功能。 它仍然可以正常工作，但您可以在此处的 MATLAB 气候数据工具箱中找到最新版本： https : //www.mathworks.com/matlabcentral/fileexchange/70338 。 如果 eof 函数对您有用，请引用我们的 MATLAB 气候数据工具箱论文！ 此函数简化了将经验正交函数（时空主成分分析）应用于气候数据等 3D 数据集的过程。 EOF 分析实施起来并不十分困难，但通常会花费大量时间试图弄清楚如何重塑大型 3D 数据集、获取 EOF，然后取消重塑。 此函数为您完成所有重塑工作，并以计算效率高的方式执行 EOF 分析。 分析方法是Guillame MAZE的caleof函数方法2的精简优化版。 有关描述如何对气候数据执行 EOF 分析的完整说明和深入教程，请单击上面的示例选项卡。

多步骤提前预测 该项目的目的是研究时空数据的多步提前预测中的两个方面： 动态模型与静态模型：我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中，先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后，将循环网络的输出扩充到数据中的其他要素，以形成完整的要素集。 相反，在静态模型中，没有递归的体系结构，并且先前时间步长上的时间序列值直接增加到其他特征上。 数据拆分方法：我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比，为时间序列数据形成验证集更具挑战性。 具体来说，许多机器学习任务可以看作是插值，其中训练和测试集中的特征范围是相似的。 另一方面，时间序列预测（特别是多步提前预测）是一项外推任务。 我们要提出的问题是，在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。 我