• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于GAT-GRU模型的交通流預測方法

    2022-07-16 08:11:12靜,李
    關鍵詞:交通流注意力卷積

    趙 靜,李 昕

    基于GAT-GRU模型的交通流預測方法

    趙 靜,李 昕

    (遼寧工業(yè)大學 電子與信息工程學院,遼寧 錦州 121001)

    提出了一種新的深度學習框架——圖注意力網(wǎng)絡(GAT)與門控循環(huán)單元(GRU)組合的時空交通流量預測模型。圖注意力網(wǎng)絡用來學習復雜的拓撲結構來捕獲空間依賴,門控循環(huán)單元學習交通數(shù)據(jù)的動態(tài)變化來捕獲時間依賴。利用加利福尼亞高速公路數(shù)據(jù)進行模型驗證,實驗結果表明,該模型相對于其他主流預測模型進一步降低了預測誤差,在交通流預測問題中適用性更強。

    交通流預測;深度學習;圖注意力網(wǎng)絡;門控循環(huán)單元;時空相關性

    在當今汽車保有量迅速增加的時代,城市的交通擁堵問題越發(fā)嚴重。為了使出行者和交通機構能夠得到及時的、準確的、可靠的交通信息,需要進行交通預測。交通預測可以使智能交通系統(tǒng)變得更穩(wěn)定,道路變得更暢通。提前了解交通信息(交通擁堵情況、交通量和人流)可使有關部門實施更好的交通管理策略,旅客可以制定更好的路線規(guī)劃。因此,實時獲取準確的交通信息對出行者和有關部門具有重大意義。但由于交通流的隨機性,交通預測是一個非常具有挑戰(zhàn)性的問題。近年來,研究者提出了許多提高交通流的預測精度的方法。可以分為2類:模型驅動方法和數(shù)據(jù)驅動方法[1]。

    模型驅動的方法是根據(jù)固定數(shù)量的參數(shù)組成的,所以也稱為參數(shù)方法,模型結構是根據(jù)一定的理論假設來預定,模型參數(shù)根據(jù)經(jīng)驗數(shù)據(jù)來計算,主要有2個方法:時間序列模型[2]和卡爾曼濾波模型[3]。而數(shù)據(jù)驅動方法更具有靈活性,能夠處理一些存在不確定因素的問題。可以分為機器學習方法和深度學習方法2大類。

    傳統(tǒng)機器學習方法中用于交通流預測的方法有支持向量機[4]、貝葉斯模型[5]、K最近鄰模型等。雖然機器學習方法可以在通過學習大量的數(shù)據(jù)的過程中得到一定的規(guī)律,但是傳統(tǒng)的機器學習方法缺乏處理高維數(shù)據(jù)的能力,難以描述交通數(shù)據(jù)中復雜的非線性變化。除此之外,傳統(tǒng)機器學習的預測性能在很大程度上依賴于手工特征,而手工特征對問題的依賴程度很高,依賴于專家經(jīng)驗。因此,這種方法的通用性較弱。

    近年來,深度學習模型對多維度和非線性數(shù)據(jù)的處理能力顯著增強,與其他傳統(tǒng)機器學習方法相比,深度結構神經(jīng)網(wǎng)絡比淺層神經(jīng)網(wǎng)絡有更好的學習效率,所以深度學習的方法在預測交通流方面提供了更高的性能,促使越來越多的研究者將其應用于交通數(shù)據(jù)挖掘中。

    Huang等[6]采用深度信念網(wǎng)絡(DBN)學習有效的特征,以無監(jiān)督的方式進行交通流預測。Jia等[7]提出DBN和多層感知器(MLP)混合模型的速度預測。Lv等[8]應用堆疊自動編碼器(Stacked Autoencoder,SAE)提取交通特征用于交通流預測。上述深度學習方法均取得了較好的效果。然而,單一模型在處理復雜數(shù)據(jù)時仍有局限性。為了整合單一模型的優(yōu)點,實現(xiàn)更準確的交通流預測,各種組合模型應運而生。Ma等[9]提出了一種基于圖像的方法,將交通網(wǎng)絡作為圖像。Yao等[10]提出了一種融合CNN和長短期記憶(LSTM)的交通預測方法,聯(lián)合建模空間和時間依賴關系。然而傳統(tǒng)的卷積方法只能應用于標準網(wǎng)格數(shù)據(jù)。而現(xiàn)實的研究中還有大量的數(shù)據(jù)從非歐幾里德結構中采樣,所以,近年來研究者們用圖卷積網(wǎng)絡(GCN)[11]將傳統(tǒng)的卷積推廣到圖結構數(shù)據(jù)。GCN將交通網(wǎng)絡視為能夠充分利用交通空間信息的圖,Yu等[12]提出了一種時空圖卷積網(wǎng)絡(STGCN),該網(wǎng)絡在空間和時間軸上都采用了卷積結構。Zhao等[13]提出了時間圖卷積網(wǎng)絡(T-GCN)模型,一種基于神經(jīng)網(wǎng)絡的流量預測新方法,該模型結合了圖卷積網(wǎng)絡和門控循環(huán)單元。其中,圖卷積網(wǎng)絡用于學習復雜拓撲結構,捕獲空間相關性;門控遞歸單元用于學習交通數(shù)據(jù)的動態(tài)變化,捕獲時間相關性。然后,采用T-GCN模型進行基于城市道路網(wǎng)絡的交通預測。Guo等[14]在時空卷積網(wǎng)絡中加入了注意力機制,注意力的時空圖卷積網(wǎng)絡模型主要由3個獨立的組件組成,分別對交通流的最近依賴、日周期依賴和周周期依賴3種時間屬性進行建模。

    目前,如何挖掘交通流數(shù)據(jù)的時間特征和空間特征是交通流的研究方向之一。本文提出了一種新的深度學習框架,即GAT-GRU模型。GAT-GRU是一個融合了空間相關性提取塊和時間特征提取塊的混合模型。采用圖注意力網(wǎng)絡提取交通網(wǎng)絡中的空間依賴關系,GRU網(wǎng)絡來學習時間序列特征。并通過加利福尼亞州運輸部收集的真實數(shù)據(jù)集PeMSD4對模型進行訓練與預測。

    1 問題描述和定義

    在交通流預測中,目標是在給定歷史交通流的靜態(tài)路網(wǎng)上預測未來交通流。

    定義2 交通流數(shù)據(jù)。交通流數(shù)據(jù)具有3個重要參數(shù),分別是交通流量、行車速度以及車流密度。它們之間關系如式(1)所示:

    =(1)

    其中,表示交通流量,表示行車速度,表示車流密度。當?shù)缆飞宪嚵髅芏刃r,交通流量也小,行車速度高;當車流密度增加時,交通流量也隨之增加,行車速度減小;當車流密度超過最佳密度時,交通流量減小,行車速度下降,直至行車速度接近零,道路出現(xiàn)阻塞現(xiàn)象。

    定義3 時空相關性。在道路網(wǎng)絡中,各個路段存在直接或間接相連的狀況,所以各路段的交通流存在明顯的相關性。例如,在某一路段發(fā)生的交通擠塞使得該路段幾分鐘內(nèi)一直擁堵,甚至可能幾分鐘后會蔓延到其他路段,導致區(qū)域擁堵。路段之間的連接和交通網(wǎng)絡中交通實體的相互作用,使得相鄰路段的交通流呈現(xiàn)出時空相關性。

    交通流預測問題可以表述為在通過對大量的交通流樣本學習的過程中得出一個映射函數(shù),先將道路網(wǎng)絡上′周期內(nèi)的歷史交通流數(shù)據(jù)作為函數(shù)的輸入,然后對道路網(wǎng)絡上未來周期內(nèi)的交通信息進行預測。如式(2)和圖1所示。圖1表示在一個節(jié)點上檢測交通流量、車流密度、行車速度測量值,并以未來的流量為預測目標。這里,所有的測量值都歸一化為[0,1]。在實際交通流預測問題中,3個參數(shù)數(shù)據(jù)都是結構相似的時空數(shù)據(jù),本文選擇了交通流量預測作為應用場景。

    其中,Xt+1, Xt+T是時間區(qū)間t+1, t+T的預測值,是函數(shù)f的參數(shù)。

    2 圖注意力網(wǎng)絡

    圖注意力網(wǎng)絡(graph attention network)[15]是一種基于圖的網(wǎng)絡模型,利用隱藏的自我注意層來解決以前基于圖卷積或其近似方法的缺點。通過疊加層,節(jié)點能夠參與其鄰域的特征,該方法允許在不做任何操作或者不提前了解圖結構的情況下給鄰域的不同節(jié)點賦予不同的權重。通過這種方式,GAT同時解決了基于頻譜的圖神經(jīng)網(wǎng)絡的幾個關鍵挑戰(zhàn),并使模型易于適用于歸納和轉導問題。GAT和GCN的關鍵區(qū)別在于如何收集和積累距離為1的相鄰節(jié)點的特征表示。在GCN中,一個標準卷積包括對相鄰節(jié)點特征的標準化求和,表達式如下:

    2.1 圖注意力層

    GAT引入注意機制代替了圖卷積的上述卷積運算,為了更好地說明層的節(jié)點特征是如何更新到+1層的,首先引入GAT的組成成分,即圖注意力層。

    一個圖注意力層的輸入是一組節(jié)點的特征值,即:

    其中是節(jié)點的個數(shù),是節(jié)點特征的個數(shù)。一個圖注意力層的輸出是其產(chǎn)生的一組新的節(jié)點特征值,即:

    其中′通常比更大。

    上式描述了節(jié)點的特征對于節(jié)點的重要性。利用函數(shù)將注意系數(shù)歸一化成易于比較的形式,表達式如下:

    因此,這些系數(shù)被用來利用GCN卷積規(guī)則更新模型特征,表達式如下:

    2.2 多頭注意力機制

    多頭注意力機制神似卷積神經(jīng)網(wǎng)絡里的多通道。GAT引入了多頭注意力來豐富模型的能力和穩(wěn)定訓練過程。每一個注意力的頭都有它自己的參數(shù)。對于個注意力又可以使用2種方法對鄰居節(jié)點進行聚合。一種方法是橫向拼接的方式,這樣聚合到的特征維度就是原來的倍,表達式如下:

    另一種方法是把個注意力機制得到的結果取平均值,表達式如下:

    3 基于GAT-GRU的交通流預測模型

    本文提出一種混合交通流預測器GAT-GRU。如圖2所示,GAT-GRU包括用于學習空間特征的GAT塊,用于學習時間特征和時間序列預測的GRU塊,以及用于產(chǎn)生序列輸出的輸出層。具體而言,在空間GAT塊中,采用了前述的多頭注意機制,使模型能夠通過多個獨立的注意塊共同學習空間依賴性,從而有利于學習過程。在GRU塊中,采用了一個1層GRU網(wǎng)絡來提取時間序列特征。最終的預測由最終輸出層的全連接神經(jīng)網(wǎng)絡產(chǎn)生。

    圖2 GAT-GRU模型總覽

    3.1 空間相關模型

    GAT利用節(jié)點特性來計算表示圖的空間依賴性的注意系數(shù)??臻gGAT塊的最后一步是更新隱藏特征。為了實現(xiàn)這一點,引入了注意鄰接矩陣,將之前學習到的注意系數(shù)映射到一個鄰接矩陣。

    注意鄰接矩陣體現(xiàn)了GAT的設計原則,即更好的可解釋性。通過采用注意鄰接矩陣,用學習到的注意系數(shù)來表示邊緣權值,可以直觀地表示空間相關性。通過注意鄰接矩陣的演化,也可以觀察到動態(tài)的空間依賴性。

    3.2 時間相關模型

    交通流數(shù)據(jù)不僅存在著空間性,在時間上也存在著相關屬性。目前,循環(huán)神經(jīng)網(wǎng)絡廣泛應用于處理序列數(shù)據(jù),但是存在梯度消失和梯度爆炸的局限性。門控循環(huán)單元神經(jīng)網(wǎng)絡(GRU)是基于RNN模型的改進,是長期短期記憶(LSTM)神經(jīng)網(wǎng)絡的變種。GRU通過增加門結構和存儲單元來緩解RNN中的梯度消失或梯度爆炸問題。GRU有重置門和更新門2個門。簡單地說,它們決定了信息的去留狀態(tài)。更新門越大,記住上一時刻的內(nèi)容就愈多。重置門越大,舍棄上一時刻的內(nèi)容就愈少。GRU單個細胞原理如圖3所示,計算原理表達式如下:

    圖3 GRU模型原理圖

    4 實驗結果與分析

    4.1 數(shù)據(jù)集來源及預處理

    利用加利福尼亞州的高速公路交通數(shù)據(jù)集PeMSD4驗證了提出的模型。數(shù)據(jù)集由Caltrans性能測量系統(tǒng)(PeMS)每30 s時收集一次。該系統(tǒng)在加州主要城市的高速公路上部署了超過39 000個探測器。

    PeMSD4數(shù)據(jù)集包含了PeMSD4.csv文件和PeMSD4.npz文件,時間跨度為2018年1月—2月,包括29條道路上的3 848個檢測器。PeMSD4.csv文件的部分數(shù)據(jù)如圖4所示,from和to表示的是節(jié)點,cost表示的是2個節(jié)點之間的直線距離(表示權重)。PeMSD4.npz文件數(shù)據(jù)為每個節(jié)點的速度、流量、占有率3個特征。本文選取流量特征進行預測。其中,80%的數(shù)據(jù)作為訓練集,20%的數(shù)據(jù)作為測試集。

    圖4 PeMSD4.csv文件的部分數(shù)據(jù)

    根據(jù)數(shù)據(jù)集的信息,建立節(jié)點之間的鄰接矩陣。基于閾值高斯核法將計算的權值替換為1,生成鄰接矩陣。

    4.2 評價指標

    使用均方根誤差(RMSE),平均絕對誤差(MAE)來評估GAT-GRU的預測性能,數(shù)值越小,預測效果越好,RMSE和MAE的計算方法如下:

    4.3 模型參數(shù)設置

    實驗基于深度學習框架Pytorch-GPU開發(fā),使用Adam優(yōu)化器對模型進行優(yōu)化;學習率設置為0.001;每次訓練樣本數(shù)batch_size設置為64;迭代次數(shù)設置為1 000;GRU隱藏層單元數(shù)設置為32;圖注意力機制的多頭注意力頭數(shù)對模型的性能影響很大,但是如果值過大,模型計算量龐大,效率反而會降低,經(jīng)過實驗對比,如圖5所示,為8時,RMSE誤差最小,所以將多頭注意力的頭數(shù)設置為8。

    圖5 K取值對實驗的影響

    4.4 模型訓練過程

    本文將數(shù)據(jù)集以8∶2的比例劃分訓練集和測試集,模型的訓練過程如下。

    步驟1 讀取交通流量數(shù)據(jù)和鄰接矩陣A。

    步驟2 將輸入數(shù)據(jù)構造成特征矩陣,定義為:

    步驟3 將特征矩陣進行歸一化處理。

    步驟4 將歸一化后的矩陣作為GAT網(wǎng)絡的輸入,根據(jù)公式(6)提取空間特征到序列特征向量。

    步驟5 將特征向量作為GRU網(wǎng)絡的輸入,根據(jù)公式(9)~(11)計算提取時間特征。

    步驟6 搭建好模型之后,以MSE作為損失函數(shù),Adam作為優(yōu)化器。

    步驟7 模型訓練完成后進行測試,輸出預測的交通流量序列。

    4.5 性能對比

    為了驗證模型的優(yōu)越性,本文將GAT-GRU模型與以下7種基準模型方法進行了比較。表1顯示未來1 h交通流量預測性能的平均結果。圖6是GAT-GRU模型在PeMSD4數(shù)據(jù)集上預測結果與真實值比較。

    表1 PeMSD4不同方法的平均性能比較

    ModelRMSEMAE HA54.1436.76 ARIMA68.1332.11 VAR51.7333.76 LSTM45.8229.45 GRU45.1128.65 GAT42.2028.19 STGCN38.2925.15 GAT-GRU37.4323.41

    圖6 GAT-GRU模型預測結果與真實值比較

    (1)HA[16]:歷史平均方法,本文使用最后12個時間片的平均值來預測下一個值。

    (2)ARIMA:自回歸綜合移動平均法,是一種著名的預測未來值的時間序列分析方法。擬合觀測時間序列的參數(shù)模型來預測未來的交通數(shù)據(jù)。

    (3)VAR[17]:向量自回歸,是一種較先進的時間序列模型,利用歷史數(shù)據(jù)對模型進行訓練,得到輸入和輸出之間的關系,然后利用訓練后的模型預測未來的交通數(shù)據(jù)。本文在這個模型中使用的核函數(shù)是一個線性核。

    (4)LSTM[18]:長短期記憶網(wǎng)絡,一種特殊的RNN模型。是為了解決反向傳播過程中存在梯度消失和梯度爆炸現(xiàn)象,引入門機制,解決RNN模型不具備的長記憶性問題。

    (5)GRU[19]:門控循環(huán)單元網(wǎng)絡,一種特殊的RNN模型。優(yōu)化了LSTM,簡便了計算方法,避免了梯度消失。

    (6)GAT[15]:圖注意力網(wǎng)絡,是一種基于圖結構數(shù)據(jù)的新型神經(jīng)網(wǎng)絡結構。圖注意力網(wǎng)絡的作用原理是在學習節(jié)點特征的過程中,將注意力機制作用于確定節(jié)點的不同鄰域權重值。

    (7)STGCN[20]:一種基于空間方法的時空圖卷積模型。STGCN有2個時空卷積塊,每個時空卷積塊有2個時空門控卷積層和1個空間圖卷積層,實現(xiàn)輸入并行化,提取最有用的時空特征。

    從表1可以看出,GAT-GRU模型在數(shù)據(jù)集中所有評價指標上都取得了最好的性能??梢钥吹?,傳統(tǒng)的時間序列分析方法的預測結果往往不理想,說明這些方法在建模非線性和復雜的交通數(shù)據(jù)方面能力有限。通過對比,基于深度學習的方法通常比傳統(tǒng)的時間序列分析方法獲得更好的預測結果。其中,同時考慮時間和空間相關性的模型,包括STGCN、GAT-GRU模型,優(yōu)于傳統(tǒng)的LSTM和GRU等深度學習模型。此外,GAT-GRU的性能優(yōu)于STGCN,說明GAT-GRU采用的多頭注意機制在捕獲交通數(shù)據(jù)的動態(tài)變化方面是有效的,進一步降低了預測誤差。

    5 結語

    本文研究開發(fā)了一種基于神經(jīng)網(wǎng)絡的交通預測新方法GAT-GRU,該方法結合了GAT和GRU。使用圖網(wǎng)絡對高速公路路網(wǎng)進行建模,圖上的節(jié)點表示道路,邊表示道路之間的連接關系,道路上交通信息被描述為圖上節(jié)點的屬性。一方面,利用GAT捕獲圖的空間拓撲結構,獲得圖的空間依賴性;另一方面,引入GRU模型捕獲節(jié)點屬性的動態(tài)變化,獲得節(jié)點屬性的時間依賴性。最后利用GAT-GRU模型處理時空交通預測任務。在2個真實交通數(shù)據(jù)集上進行評估,并與HA模型、ARIMA模型、SVR模型、LSTM模型GRU模型和STGCN模型進行比較,發(fā)現(xiàn)GAT-GRU模型在不同的預測層下都取得了更好的性能。事實上,公路交通流受到天氣、社會事件等多種外部因素的影響。未來,將考慮一些外部影響因素,進一步提高預測精度。

    [1] ZHANG J, WANG F-Y, WANG K, et al. Data-Driven Intelligent Transportation Systems: A Survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12: 1624-39.

    [2] 陳航, 陳玉敏, 吳錢嬌, 等. 基于周相似性的短時交通流預測方法研究[J]. 測繪通報, 2015(S2): 27-31.

    [3] KUMAR S V. Traffic Flow Prediction using Kalman Filtering Technique[J]. Procedia Engineering, 2017, 187: 582-587.

    [4] FENG X, LING X, ZHENG H, et al. Adaptive Multi-Kernel SVM With Spatial Temporal Correlation for Short-Term Traffic Flow Prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20: 2001-2013.

    [5] 陳丹, 胡明華, 張洪海, 等. 基于貝葉斯估計的短時空域扇區(qū)交通流量預測[J]. 西南交通大學學報, 2016, 51(4): 807-814.

    [6] HUANG W, SONG G, HONG H, et al. Deep Architecture for Traffic Flow Prediction: Deep Belief Networks With Multitask Learning[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15: 2191-201.

    [7] JIA Y, WU J, DU Y. Traffic speed prediction using deep learning method[C]. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016: 1217-1222.

    [8] LV Y, DUAN Y, KANG W, et al. Traffic Flow Prediction With Big Data: A Deep Learning Approach [J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16: 865-873.

    [9] MA X, DAI Z, HE Z, et al. Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction[J]. Sensors (Basel, Switzerland), 2017, 17: 818.

    [10] YAO H, TANG X, WEI H, et al. Modeling Spatial-Temporal Dynamics for Traffic Prediction[J]. ArXiv, 2018, abs/1803.01254: 922-929.

    [11] OU Y, XUE Y, YUAN Y, et al. Semi-Supervised Cervical Dysplasia Classification with Learnable Graph Convolutional Network[C]. 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), 2020: 1720-1724.

    [12] YU H, WU Z, WANG S, et al. Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks[J]. Sensors (Basel, Switzerland), 2017, 17: 1501.

    [13] ZHAO L, SONG Y, ZHANG C, et al. T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21: 3848-3858.

    [14] GUO S, LIN Y, FENG N, et al. Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting[C]. Proceedings of the AAAI, F, 2019.

    [15] VELICKOVIC P, CUCURULL G, CASANOVA A, et al. Graph Attention Networks[J]. ArXiv, 2018, abs/1710.10903.

    [16] 劉靜, 關偉. 交通流預測方法綜述[J]. 公路交通科技, 2004(3): 82-85.

    [17] SMOLA A, SCH?LKOPF B. A tutorial on support vector regression[J]. Statistics and Computing, 2004, 14: 199-222.

    [18] HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural Computation, 1997, 9: 1735-1780.

    [19] CHUNG J, GüL?EHRE ?, CHO K, et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling[J]. ArXiv, 2014, abs/1412.3555.

    [20] LI C, CUI Z, ZHENG W, et al. Spatio-Temporal Graph Convolution for Skeleton Based Action Recognition[C]. Proceedings of the AAAI, F, 2018.

    Traffic Flow Prediction Method Based on the GAT-GRU Mode

    ZHAO Jing, LI Xin

    (School of Electronics and Information Engineering, Liaoning University of Technology, Jinzhou 121001, China)

    A new deep learning framework, a spatiotemporal traffic flow prediction model combined with Graph Attention Network (GAT) and Gated Recurrent Unit (GRU), is proposed. Graph attention networks are used to learn complex topologies to capture spatial dependencies, and gated recurrent units are used to learn the dynamics of traffic data to capture temporal dependencies. The model is verified by using California highway data. The experimental results show that the model further reduces the prediction error compared with other mainstream prediction models, and is more applicable to traffic flow prediction problems.

    traffic flow prediction; deep learning; graph attention network; gated recurrent unit; spatial-temporal correlation

    10.15916/j.issn1674-3261.2022.03.007

    TP183

    A

    1674-3261(2022)03-0170-07

    2021-04-14

    遼寧省教育廳高??蒲谢痦椖?LJKZ0625)

    趙靜(1997-),女,江蘇鹽城人,碩士生。

    李昕(1966-),男,遼寧錦州人,教授,博士。

    責任編輯:孫 林

    猜你喜歡
    交通流注意力卷積
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    交通流隨機行為的研究進展
    路內(nèi)停車對交通流延誤影響的定量分析
    具有負壓力的Aw-Rascle交通流的Riemann問題
    一種基于卷積神經(jīng)網(wǎng)絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    久久人人爽av亚洲精品天堂| 天天影视国产精品| 美女福利国产在线| 狂野欧美激情性xxxx| 午夜福利免费观看在线| 每晚都被弄得嗷嗷叫到高潮| 在线播放国产精品三级| 真人一进一出gif抽搐免费| 亚洲精品美女久久久久99蜜臀| 午夜激情av网站| 成人18禁在线播放| 久久性视频一级片| av有码第一页| 日本欧美视频一区| 天堂俺去俺来也www色官网| 看免费av毛片| 日本wwww免费看| 日韩av在线大香蕉| 美女高潮喷水抽搐中文字幕| 男女午夜视频在线观看| 男男h啪啪无遮挡| 成年女人毛片免费观看观看9| 国产精品久久久久久人妻精品电影| 精品国产美女av久久久久小说| 久久久久久免费高清国产稀缺| 韩国av一区二区三区四区| svipshipincom国产片| 久99久视频精品免费| 欧美激情高清一区二区三区| 国产男靠女视频免费网站| 久久精品国产综合久久久| 日本wwww免费看| 男女之事视频高清在线观看| 亚洲国产精品999在线| 777久久人妻少妇嫩草av网站| 天堂影院成人在线观看| 制服诱惑二区| 国产精品二区激情视频| 国产无遮挡羞羞视频在线观看| 亚洲色图综合在线观看| 18禁黄网站禁片午夜丰满| 久久人妻熟女aⅴ| 国产不卡一卡二| 日本黄色视频三级网站网址| 日日爽夜夜爽网站| 色婷婷av一区二区三区视频| 日本免费a在线| 久久亚洲精品不卡| 麻豆成人av在线观看| 怎么达到女性高潮| 一区在线观看完整版| 99国产综合亚洲精品| 久热这里只有精品99| 国产亚洲av高清不卡| 我的亚洲天堂| 日韩有码中文字幕| 淫秽高清视频在线观看| 成人国产一区最新在线观看| 一区二区三区国产精品乱码| 两性夫妻黄色片| 在线免费观看的www视频| 国产精品99久久99久久久不卡| 免费在线观看亚洲国产| 精品电影一区二区在线| 一区二区三区国产精品乱码| 大码成人一级视频| 日韩大码丰满熟妇| 午夜福利一区二区在线看| 午夜激情av网站| 高清av免费在线| 真人一进一出gif抽搐免费| 视频区欧美日本亚洲| 久久人人精品亚洲av| 一级毛片高清免费大全| 性少妇av在线| 夜夜爽天天搞| 99国产精品免费福利视频| 一区福利在线观看| 国产午夜精品久久久久久| 日韩精品免费视频一区二区三区| 丝袜在线中文字幕| 少妇 在线观看| 亚洲va日本ⅴa欧美va伊人久久| 丁香六月欧美| 人人澡人人妻人| 法律面前人人平等表现在哪些方面| 精品一区二区三区四区五区乱码| 一区二区三区精品91| 天堂中文最新版在线下载| 在线天堂中文资源库| 国产精品二区激情视频| 男女下面进入的视频免费午夜 | 午夜久久久在线观看| 精品熟女少妇八av免费久了| 一级,二级,三级黄色视频| 日本a在线网址| 国产精品自产拍在线观看55亚洲| 免费高清视频大片| 亚洲激情在线av| 男人舔女人下体高潮全视频| 亚洲精品在线观看二区| 不卡一级毛片| 久久国产精品影院| 热99国产精品久久久久久7| 久久国产亚洲av麻豆专区| 国产日韩一区二区三区精品不卡| 国产在线精品亚洲第一网站| 女警被强在线播放| 老鸭窝网址在线观看| 国产高清激情床上av| 999精品在线视频| 亚洲va日本ⅴa欧美va伊人久久| 日本三级黄在线观看| 欧美色视频一区免费| 久久亚洲真实| 成年人免费黄色播放视频| 亚洲国产看品久久| 久久婷婷成人综合色麻豆| 女性被躁到高潮视频| 看免费av毛片| 高清在线国产一区| 国产欧美日韩一区二区精品| 精品免费久久久久久久清纯| 欧美黑人精品巨大| 色哟哟哟哟哟哟| a级毛片黄视频| 国产亚洲精品综合一区在线观看 | 欧美激情极品国产一区二区三区| 久久香蕉精品热| 国产精品免费视频内射| 亚洲专区字幕在线| 亚洲色图综合在线观看| 欧洲精品卡2卡3卡4卡5卡区| 桃色一区二区三区在线观看| 久久久国产成人免费| 18美女黄网站色大片免费观看| 五月开心婷婷网| 精品国产美女av久久久久小说| 久久狼人影院| 亚洲成人免费av在线播放| 亚洲专区中文字幕在线| 国产精品亚洲一级av第二区| 欧美国产精品va在线观看不卡| 91老司机精品| 国产人伦9x9x在线观看| 欧美一级毛片孕妇| bbb黄色大片| 精品久久久久久电影网| 国产精品秋霞免费鲁丝片| 久9热在线精品视频| 中文欧美无线码| 夜夜爽天天搞| 国产成人精品久久二区二区91| 女性生殖器流出的白浆| www.999成人在线观看| 免费少妇av软件| 多毛熟女@视频| 欧美中文综合在线视频| 久久久久精品国产欧美久久久| 欧美成人免费av一区二区三区| 人成视频在线观看免费观看| 成人亚洲精品一区在线观看| 亚洲精品美女久久av网站| 国产深夜福利视频在线观看| 精品国产超薄肉色丝袜足j| 老熟妇乱子伦视频在线观看| 欧美 亚洲 国产 日韩一| 超碰成人久久| 岛国在线观看网站| 欧美不卡视频在线免费观看 | 国产成人啪精品午夜网站| 黄色片一级片一级黄色片| 69精品国产乱码久久久| 久久天躁狠狠躁夜夜2o2o| 在线看a的网站| 亚洲av熟女| 国产欧美日韩一区二区精品| 国产av精品麻豆| videosex国产| 91成年电影在线观看| 亚洲,欧美精品.| 一区福利在线观看| 欧美黑人精品巨大| 久久中文看片网| 在线免费观看的www视频| 午夜福利,免费看| 久久天堂一区二区三区四区| 精品人妻在线不人妻| 国产又爽黄色视频| 国产又爽黄色视频| 天天影视国产精品| 日韩精品青青久久久久久| 日本黄色视频三级网站网址| 欧美日韩精品网址| 欧美日韩国产mv在线观看视频| 窝窝影院91人妻| 免费观看精品视频网站| 欧美日韩亚洲国产一区二区在线观看| 女人精品久久久久毛片| 女警被强在线播放| 久久久国产成人免费| 超色免费av| 高清毛片免费观看视频网站 | 在线观看免费日韩欧美大片| 欧美日韩乱码在线| 免费女性裸体啪啪无遮挡网站| 黑丝袜美女国产一区| 亚洲熟妇中文字幕五十中出 | 精品无人区乱码1区二区| 免费在线观看黄色视频的| 欧美人与性动交α欧美精品济南到| 一区二区三区精品91| 国产国语露脸激情在线看| 操出白浆在线播放| 免费在线观看亚洲国产| 精品久久蜜臀av无| 国产片内射在线| 一级毛片女人18水好多| 国产成人精品久久二区二区免费| 91九色精品人成在线观看| 看黄色毛片网站| 又黄又粗又硬又大视频| 在线十欧美十亚洲十日本专区| 老司机亚洲免费影院| 亚洲中文字幕日韩| 亚洲精品国产区一区二| 精品电影一区二区在线| 午夜免费成人在线视频| 成人三级黄色视频| 黄片小视频在线播放| 成年人免费黄色播放视频| 黄色视频,在线免费观看| 国产精品av久久久久免费| av网站免费在线观看视频| 国产精华一区二区三区| 国产熟女午夜一区二区三区| 视频区图区小说| 99久久国产精品久久久| 日本vs欧美在线观看视频| 亚洲欧美精品综合久久99| 正在播放国产对白刺激| 人妻丰满熟妇av一区二区三区| 最近最新中文字幕大全电影3 | 啦啦啦在线免费观看视频4| 亚洲午夜理论影院| 岛国在线观看网站| 日韩中文字幕欧美一区二区| 亚洲一区二区三区色噜噜 | 丁香欧美五月| 他把我摸到了高潮在线观看| 淫秽高清视频在线观看| 亚洲欧美一区二区三区黑人| 久久久久国内视频| 午夜精品在线福利| 国产97色在线日韩免费| 国产亚洲欧美精品永久| 午夜福利一区二区在线看| 免费少妇av软件| 国产精品久久久av美女十八| 波多野结衣av一区二区av| 欧美在线黄色| 国产精品免费一区二区三区在线| 99国产精品免费福利视频| 女性生殖器流出的白浆| 麻豆av在线久日| 18禁裸乳无遮挡免费网站照片 | 18禁黄网站禁片午夜丰满| 在线观看免费午夜福利视频| 大码成人一级视频| 女人爽到高潮嗷嗷叫在线视频| 欧美日韩黄片免| 亚洲精品在线观看二区| 搡老岳熟女国产| 国产精品一区二区三区四区久久 | 亚洲狠狠婷婷综合久久图片| 欧美激情高清一区二区三区| 日日干狠狠操夜夜爽| 久久精品亚洲av国产电影网| 国产精品成人在线| 精品无人区乱码1区二区| 精品欧美一区二区三区在线| 两个人看的免费小视频| 亚洲午夜理论影院| 黄色成人免费大全| 亚洲 国产 在线| 精品一品国产午夜福利视频| 91精品三级在线观看| 男女之事视频高清在线观看| 亚洲人成电影观看| 精品熟女少妇八av免费久了| 婷婷丁香在线五月| 免费观看精品视频网站| 亚洲中文字幕日韩| 久久国产乱子伦精品免费另类| 免费av毛片视频| 国产有黄有色有爽视频| 91国产中文字幕| 久久久国产一区二区| 99国产精品99久久久久| 亚洲熟女毛片儿| 亚洲国产精品sss在线观看 | 51午夜福利影视在线观看| 男人的好看免费观看在线视频 | 一级作爱视频免费观看| 成人三级做爰电影| 国产成人精品久久二区二区免费| 欧美精品亚洲一区二区| 黑人巨大精品欧美一区二区蜜桃| 久久中文看片网| 国内毛片毛片毛片毛片毛片| 两性夫妻黄色片| 视频区图区小说| 日韩一卡2卡3卡4卡2021年| 久久人人爽av亚洲精品天堂| 色老头精品视频在线观看| 久久久久久人人人人人| 他把我摸到了高潮在线观看| 一夜夜www| 三级毛片av免费| av国产精品久久久久影院| 夜夜看夜夜爽夜夜摸 | 欧美日韩中文字幕国产精品一区二区三区 | 国产免费现黄频在线看| 国产精品久久久久久人妻精品电影| 高清毛片免费观看视频网站 | 国产精品一区二区在线不卡| 色播在线永久视频| ponron亚洲| 99国产精品免费福利视频| a在线观看视频网站| 亚洲成国产人片在线观看| 丁香六月欧美| 动漫黄色视频在线观看| 国产精品香港三级国产av潘金莲| 一个人免费在线观看的高清视频| 电影成人av| 极品人妻少妇av视频| 一级毛片精品| 动漫黄色视频在线观看| 国产免费av片在线观看野外av| 俄罗斯特黄特色一大片| bbb黄色大片| 精品国内亚洲2022精品成人| 热re99久久精品国产66热6| 一进一出好大好爽视频| 久久亚洲真实| 亚洲成国产人片在线观看| 好看av亚洲va欧美ⅴa在| 97碰自拍视频| 成在线人永久免费视频| 99久久国产精品久久久| 精品国产乱子伦一区二区三区| 在线观看66精品国产| 欧美在线黄色| 欧美成人性av电影在线观看| 国产精品美女特级片免费视频播放器 | 男女午夜视频在线观看| 国产一区二区激情短视频| tocl精华| 精品第一国产精品| 999久久久精品免费观看国产| 91精品三级在线观看| 1024视频免费在线观看| 如日韩欧美国产精品一区二区三区| 一级毛片女人18水好多| 国产无遮挡羞羞视频在线观看| 99国产精品免费福利视频| 日韩视频一区二区在线观看| 后天国语完整版免费观看| 欧洲精品卡2卡3卡4卡5卡区| 真人做人爱边吃奶动态| 亚洲全国av大片| 视频区欧美日本亚洲| bbb黄色大片| 国产亚洲精品综合一区在线观看 | 高潮久久久久久久久久久不卡| 亚洲成人免费电影在线观看| 国产精品国产av在线观看| 在线观看免费日韩欧美大片| 脱女人内裤的视频| www.自偷自拍.com| 色综合站精品国产| 性少妇av在线| 中文字幕精品免费在线观看视频| 亚洲伊人色综图| 十八禁网站免费在线| 国产精品一区二区三区四区久久 | 久久久精品国产亚洲av高清涩受| a级片在线免费高清观看视频| 一个人免费在线观看的高清视频| 99香蕉大伊视频| 国产成人免费无遮挡视频| 免费看a级黄色片| 满18在线观看网站| 国产成人啪精品午夜网站| 国产视频一区二区在线看| 88av欧美| 亚洲人成电影免费在线| 国产熟女xx| 日本欧美视频一区| 人成视频在线观看免费观看| 国产av一区在线观看免费| 在线观看66精品国产| 18禁国产床啪视频网站| 满18在线观看网站| 日本精品一区二区三区蜜桃| 日本a在线网址| 在线av久久热| 免费不卡黄色视频| svipshipincom国产片| 亚洲av片天天在线观看| 老汉色∧v一级毛片| 国产午夜精品久久久久久| av超薄肉色丝袜交足视频| 最近最新中文字幕大全电影3 | 亚洲成人精品中文字幕电影 | 亚洲国产精品合色在线| 日本欧美视频一区| 亚洲av熟女| 久久久久久亚洲精品国产蜜桃av| 欧美性长视频在线观看| 久久久国产欧美日韩av| 亚洲五月天丁香| 可以免费在线观看a视频的电影网站| 亚洲国产精品合色在线| 波多野结衣av一区二区av| 最近最新中文字幕大全免费视频| 99riav亚洲国产免费| 脱女人内裤的视频| 在线观看www视频免费| 欧美黑人欧美精品刺激| 在线观看午夜福利视频| 欧美成人免费av一区二区三区| 精品高清国产在线一区| 村上凉子中文字幕在线| 在线天堂中文资源库| 亚洲人成伊人成综合网2020| 国产精品一区二区在线不卡| 欧美性长视频在线观看| 午夜免费观看网址| 国产精品美女特级片免费视频播放器 | 日本精品一区二区三区蜜桃| 男女之事视频高清在线观看| 精品欧美一区二区三区在线| 韩国av一区二区三区四区| 国产又爽黄色视频| 中文字幕另类日韩欧美亚洲嫩草| 精品一品国产午夜福利视频| 亚洲精品av麻豆狂野| 日韩中文字幕欧美一区二区| 日韩欧美在线二视频| 亚洲一区二区三区不卡视频| 久久人人精品亚洲av| 久久99一区二区三区| 中出人妻视频一区二区| 亚洲精品一卡2卡三卡4卡5卡| 亚洲第一av免费看| 中文字幕人妻丝袜制服| 亚洲欧洲精品一区二区精品久久久| 国产伦一二天堂av在线观看| 一级a爱片免费观看的视频| 国产有黄有色有爽视频| 午夜精品在线福利| 亚洲中文日韩欧美视频| 天天躁夜夜躁狠狠躁躁| av在线天堂中文字幕 | 免费高清视频大片| 交换朋友夫妻互换小说| 中文字幕色久视频| 亚洲五月色婷婷综合| 亚洲性夜色夜夜综合| 一进一出抽搐动态| 国产免费男女视频| 亚洲美女黄片视频| 成人免费观看视频高清| 亚洲avbb在线观看| 一区二区三区激情视频| 精品久久久久久久毛片微露脸| 热99re8久久精品国产| 欧美不卡视频在线免费观看 | 免费一级毛片在线播放高清视频 | 一本大道久久a久久精品| 神马国产精品三级电影在线观看 | 亚洲欧美日韩无卡精品| 叶爱在线成人免费视频播放| svipshipincom国产片| 精品福利观看| avwww免费| 一进一出抽搐动态| 亚洲欧美一区二区三区久久| 亚洲激情在线av| 久久九九热精品免费| a级毛片黄视频| 黄色视频不卡| 一进一出抽搐动态| 亚洲欧美日韩另类电影网站| 俄罗斯特黄特色一大片| 欧美久久黑人一区二区| 热re99久久精品国产66热6| 高清黄色对白视频在线免费看| 麻豆一二三区av精品| 午夜福利一区二区在线看| 国产熟女午夜一区二区三区| 老熟妇乱子伦视频在线观看| 黄色视频不卡| 黄色丝袜av网址大全| 久久国产乱子伦精品免费另类| 久9热在线精品视频| 一级a爱视频在线免费观看| av有码第一页| 欧美日韩亚洲国产一区二区在线观看| 成人av一区二区三区在线看| 中文字幕另类日韩欧美亚洲嫩草| 黄色a级毛片大全视频| 午夜免费成人在线视频| 国产精品偷伦视频观看了| 看片在线看免费视频| 午夜福利欧美成人| 欧美成狂野欧美在线观看| 757午夜福利合集在线观看| 欧美黄色片欧美黄色片| 成人三级做爰电影| 麻豆成人av在线观看| 午夜福利免费观看在线| 成人黄色视频免费在线看| 亚洲成国产人片在线观看| 波多野结衣高清无吗| 久久午夜亚洲精品久久| 亚洲欧美一区二区三区久久| 成年人免费黄色播放视频| 精品第一国产精品| 亚洲成人免费av在线播放| 在线观看免费午夜福利视频| 99国产精品一区二区三区| 国产免费现黄频在线看| √禁漫天堂资源中文www| 无遮挡黄片免费观看| 这个男人来自地球电影免费观看| 美女国产高潮福利片在线看| 99精国产麻豆久久婷婷| 欧美另类亚洲清纯唯美| 成人国产一区最新在线观看| 母亲3免费完整高清在线观看| 中文字幕精品免费在线观看视频| 欧美老熟妇乱子伦牲交| 色综合欧美亚洲国产小说| 国产精品综合久久久久久久免费 | 午夜福利影视在线免费观看| 久久亚洲精品不卡| 性欧美人与动物交配| 夜夜看夜夜爽夜夜摸 | 男女之事视频高清在线观看| 精品午夜福利视频在线观看一区| av天堂在线播放| 电影成人av| 欧美精品亚洲一区二区| 久久中文字幕一级| √禁漫天堂资源中文www| 亚洲国产精品sss在线观看 | 高清黄色对白视频在线免费看| 欧美乱码精品一区二区三区| 久久亚洲精品不卡| 99久久综合精品五月天人人| 亚洲中文字幕日韩| 国产精品 国内视频| 黄色怎么调成土黄色| 一区二区日韩欧美中文字幕| 两性夫妻黄色片| 午夜两性在线视频| 国产一区二区三区在线臀色熟女 | 又黄又爽又免费观看的视频| 嫩草影院精品99| 欧美中文综合在线视频| 日韩成人在线观看一区二区三区| 中国美女看黄片| a级毛片黄视频| 亚洲中文av在线| xxxhd国产人妻xxx| 亚洲国产精品999在线| 黄色片一级片一级黄色片| 欧美人与性动交α欧美软件| 黄色视频,在线免费观看| 高清av免费在线| 日本欧美视频一区| 国产色视频综合| 欧美乱色亚洲激情| 91成年电影在线观看| 一区二区三区精品91| 国产精品 欧美亚洲| 亚洲精品中文字幕在线视频| 国产精品av久久久久免费| 精品国产国语对白av| 嫩草影院精品99| 看片在线看免费视频| videosex国产| 黄色怎么调成土黄色| 国产三级在线视频| 操出白浆在线播放| 日韩精品青青久久久久久| av超薄肉色丝袜交足视频| 久久 成人 亚洲| 黄色视频不卡| 91精品国产国语对白视频| 一二三四社区在线视频社区8| 亚洲欧美日韩高清在线视频| 久久久久亚洲av毛片大全| 无人区码免费观看不卡| 99久久久亚洲精品蜜臀av| 久久精品国产亚洲av高清一级| 国产1区2区3区精品| 国产一区二区三区综合在线观看| 亚洲男人的天堂狠狠| 国产一区在线观看成人免费| 亚洲av电影在线进入| 亚洲专区字幕在线|