当前位置： 首页 > news >正文

描述城市出行需求模式的复杂网络视角：大规模起点-目的地需求网络的图论分析

news 来源：原创 2025/7/18 12:36:42

描述城市出行需求模式的复杂网络视角：大规模起点-目的地需求网络的图论分析

原文： A complex network perspective for characterizing urban travel demand patterns: graph theoretical analysis of large-scale origin–destination demand networks

1. 摘要（Abstract）

  • 研究背景：全球城市人口增长导致对活动和出行需求增加，城市面临压力。传统的基于活动和代理的出行需求模型虽有助于理解出行选择机制，但出行需求通常未从网络角度分析。而交通网络建模进展多集中在供给侧，如日内平衡和日间交通流演变等。
  • 研究目的和方法：提出一种基于复杂网络的跨学科定量框架，通过分析起讫点需求网络的统计特性来理解和刻画城市出行需求模式。选取芝加哥和墨尔本两个城市的出行需求模式进行比较，运用复杂网络理论中的图论分析方法。
  • 研究结果和结论：尽管两城市在地形和城市结构上存在差异，但出行需求网络展现出相似的性质。研究结果定量地描述了城市起讫点需求的网络结构，表明出行需求网络中的潜在动态过程相似，是由城市中活动分布和地点间相互作用所驱动的。

2. 引言（Introduction）

  • 研究背景扩展：随着城市人口增长，对出行和活动的需求不断增加，给城市带来压力。传统的出行需求模型如基于活动和代理的模型，虽有助于理解出行选择，但在网络视角下的出行需求分析尚显不足。
  • 现有研究的不足：以往的交通网络建模多关注供给侧，如交通流的日内平衡和日间演变等动态特性。而需求侧的分析相对薄弱，尤其是从复杂网络的角度对出行需求进行系统研究较少。
  • 研究动机和目的：鉴于城市出行需求可被视为一个大规模复杂加权有向图，本文旨在通过复杂网络理论，深入分析城市出行需求的网络结构和特性，以补充现有方法的不足，为理解和预测城市出行模式提供新的视角和方法。
  • 研究意义：强调复杂网络理论在交通领域应用的潜力，指出该研究不仅有助于揭示城市出行需求的内在规律，还可为校准和验证现有的活动和代理基模型提供新的方法论基础。

3. 人类出行特性背景（Background on human mobility characteristics）

  • 相关研究回顾：总结了多篇关于人类出行特性研究的文献，涉及数据来源、研究尺度和关键发现等方面。如González等（2008）利用手机数据发现人类轨迹具有高度的时间和空间规律性；Brockmann等（2006）通过货币流通分析人类出行模式等。
  • 研究差异和共性：指出不同研究在出行距离分布上存在差异，有的遵循幂律分布，有的更适合指数定律，这取决于出行模式和数据空间尺度。同时，也强调了一些共性，如人类出行模式在一定程度上具有可预测性。
  • 数据来源和技术手段：提及了多种数据来源和技术手段在出行特性研究中的应用，如手机通话数据、出租车GPS数据等，这些为更准确地刻画个体日常出行模式提供了支持。

4. 城市出行需求的复杂网络：概念和数据（Complex network of urban travel demand: concept and data）

研究背景与目的

城市出行需求由大量的起讫点旅行构成，可以被视为一个大规模的加权有向图。作者提出基于复杂网络的分析方法，以理解和表征城市出行需求模式，通过分析起讫点需求网络的统计特性来实现这一目标。本部分旨在详细阐述城市出行需求复杂网络的概念，并介绍研究所使用数据的相关情况。

城市出行需求的复杂网络概念

作者将城市交通视为一个复杂、密集连接的网络，该网络由个体的活动空间构成。在这个网络中，节点对（i，j）代表起讫点，它们之间通过带有非负权重wij≥0的链接相连。其中，wij表示单位时间内节点对之间旅行的次数。需要强调的是，即使在网络中不存在直接链接的节点对之间，也可能存在间接路径。此外，权重矩阵W通常不是完全对称的，即wij≠wji。

数据描述
  • 芝加哥数据：使用芝加哥家庭旅行调查数据构建出行需求网络，包含78681次旅行，涉及1868个节点，覆盖美国东北部伊利诺伊州整个地区。节点代表人口普查区块，平均人口约4000人。
  • 墨尔本数据：利用维多利亚州综合旅行与活动调查（VISTA）数据构建网络，包含133938次旅行和9310个节点，覆盖澳大利亚维多利亚州的大墨尔本地区、吉朗和区域中心。节点代表人口普查收集区（CCD），平均包含约250户住宅。
  • 两种数据集中的节点都包含多种土地利用类型，如住宅、商业、机构、工业、公园等，可以代表任何旅行的地点或目的地。
数据样本与假设

两个网络所代表的旅行样本仅占各自区域内每日总旅行量的约0.5%。作者假设所获得的样本数据能够真实地反映所选城市整个人口的出行需求。

旅行距离与活动时长分析

作者通过对个体旅行距离l（以公里为单位）和活动时长d（以分钟为单位）的概率密度函数的分析，发现旅行距离的分布不符合幂律分布，而是通过带有指数截止的截断幂律函数能够较好地拟合分布，这与González等（2008）的研究结果一致。具体函数形式为：
P ( l ) = ( l + l 0 ) − b exp ⁡ ( − l / j ) P(l) = (l + l_0)^{-b} \exp(-l/j) P(l)=(l+l0​)−bexp(−l/j)
其中，对于芝加哥和墨尔本，参数β分别为1.03±0.06和1.29±0.02，l₀分别为3.6±0.7 km和2.1±0.0 km，截止值j分别为16.6±2.4 km和19.0±1.6 km（当l<100 km时）。不过，估计的β值小于早期研究中观察到的标度指数。

活动时长分布则显示出在d≈600 min（10 h）处有一个突然的截止点，并且在d≈8 h和d≈10 h处有两个峰值。需要注意的是，本研究中考虑的活动时长不包括个体从晚上直到第二天早上3:00之后进行第一次旅行前一直待在家中的时长。

图像说明与分析

在这里插入图片描述

  • 图1：展示了墨尔本一个随机选择的家庭中三名成员的日常活动空间，以及墨尔本大都市区的起讫点（节点）的空间分布。这有助于直观地理解个体在城市中的活动轨迹以及这些活动如何构成复杂的出行网络。从图中可以看到，每个家庭成员的活动空间构成了一个小型的网络，这些个体的活动空间共同构成了整个城市的出行网络。

在这里插入图片描述

  • 图2：分别展示了芝加哥和墨尔本大都市区的旅行样本的复杂网络结构。芝加哥网络包含78681次旅行、37528条链接和1868个节点；墨尔本网络包含133938次旅行、63916条链接和9310个节点。通过观察图2a和图2b，可以发现尽管两个城市在地理结构和城市形态上存在显著差异，但它们的出行需求网络却展现出惊人的相似性。例如，两个网络都呈现出中心节点周围有较多连接的特征，这表明城市中的核心区域与其他区域之间存在较强的联系。
    在这里插入图片描述

  • 图3：对芝加哥和墨尔本的个体旅行距离l和活动时长d的概率密度函数进行了比较分析。图3a显示了网络旅行距离l的概率密度函数，可以看出旅行距离的分布不符合简单的幂律分布，而是呈现出截断幂律的特征。图3b则展示了活动时长d的概率密度函数，明显地呈现出在600 min（10 h）处的截止点以及8 h和10 h处的两个峰值。这些分布特征揭示了城市出行行为在距离和时间维度上的统计规律，为后续的网络结构分析提供了基础。

5. 城市出行需求网络的统计特性（Statistical properties of urban travel demand networks）

研究目的与方法

作者旨在对所选城市的出行需求网络的统计特性进行比较分析，以揭示城市出行需求网络的结构和特性。通过比较芝加哥和墨尔本的出行需求网络，研究这些网络是否展现出相似的统计特征，从而为理解城市出行需求的内在机制提供新的视角。

网络基本特性比较
  • 网络连通性：首先，作者将原始网络缩减到其最大的连通分量。结果显示，墨尔本的出行网络在节点数量N上是芝加哥的3.21倍，而链接数量L仅是芝加哥的1.70倍。这导致墨尔本的网络连通性d（d=2L/N²）低于芝加哥，表明墨尔本的出行网络连接较为稀疏。
  • 平均节点度：芝加哥的平均节点度hk i为20.1，是墨尔本的近两倍（墨尔本为10.63）。这可能与芝加哥样本规模较小且数据地理覆盖范围较大有关，也可能意味着芝加哥的地方之间互动更强。
  • 平均节点流量：同样，芝加哥的平均节点流量hF i为42.1，是墨尔本的两倍（墨尔本为22.3），这也可能反映了芝加哥更强的地方互动。
节点度与流量的分布特性
  • 节点度分布：节点度k表示网络中与一个节点相连的链接数量。作者通过互补累积分布函数（CCDF）对芝加哥和墨尔本的节点度分布进行了比较（见图4a）。结果显示，墨尔本的节点度分布曲线在k/k₀值大于1时位于芝加哥之上，表明墨尔本中高节点度的概率高于芝加哥。同时，墨尔本的节点度变异系数CV(k)是芝加哥的1.5倍，暗示墨尔本的节点连接性更不均匀。
  • 节点流量分布：节点流量F表示以某个节点为起点或终点的旅行次数。图4b展示了芝加哥和墨尔本的节点流量分布。两个城市的节点流量分布都呈现出中间明显的拐点，这可能与城市中不同区域的吸引力差异有关。
  • 链接权重分布：链接权重w表示两个节点之间旅行的次数。图4c显示，尽管墨尔本和芝加哥的链接权重分布存在小的变异性差异，但整体分布非常相似。
其他网络特性
  • 聚类系数：聚类系数c衡量网络中节点形成群组或社区的程度。墨尔本的平均聚类系数大于芝加哥，表明墨尔本的出行网络在局部连接上更为紧密，尽管其全局连接较为稀疏。
  • 加权聚类系数：考虑节点间旅行次数的加权聚类系数wc在墨尔本也大于芝加哥。
  • 网络直径与平均最短路径长度：墨尔本的网络直径u和加权网络直径wu显著大于芝加哥，表明墨尔本的出行网络在规模上几乎是芝加哥的两倍。
图像说明与分析

在这里插入图片描述

  • 图4：展示了芝加哥和墨尔本的节点度k、节点流量F和链接权重w的互补累积分布函数（CCDF）。这些分布曲线揭示了两个城市出行需求网络在节点连接性和互动强度上的相似性和差异性。例如，图4a显示墨尔本的节点度分布曲线在高节点度区域高于芝加哥，表明墨尔本中存在更多高连接性的节点。
    在这里插入图片描述

  • 图5：展示了芝加哥和墨尔本的链接和节点的介数中心性b及加权介数中心性wb的分布。介数中心性反映了节点或链接在网络中的重要性。两个城市的加权介数中心性分布表现出相似的行为，暗示尽管城市结构和地形存在差异，但城市出行需求网络的基本过程是相似的。

6. 出行需求网络特性的空间分析（Spatial analysis of travel demand network properties）

研究目的与方法

作者旨在分析城市出行需求网络的空间特性，探讨这些特性如何受到城市空间形态和地理环境的影响。通过对芝加哥和墨尔本的出行需求网络进行空间分析，揭示城市出行需求的空间分布规律及其与城市地理特征之间的关系。

节点度的空间分布
  • 空间分布模式：作者分析了芝加哥和墨尔本的节点度空间分布情况。节点度表示网络中与一个节点相连的链接数量，反映了节点在出行需求网络中的连接性。节点度的空间分布呈现出明显的异质性，高节点度的节点往往集中在城市的中心商务区（CBD）。
  • 城市差异：芝加哥的节点度分布显示出从CBD向外辐射的模式，随着距离CBD的增加，节点度逐渐降低。然而，在一定距离后，节点度略有回升并趋于稳定。这可能与芝加哥外郊地区的人口密度和节点的空间分布有关。相比之下，墨尔本的节点度分布则呈现出不同的模式。
节点度与地理距离的关系
  • 芝加哥：作者定义MGDi为节点i到所有其他相连节点的平均地理距离。研究发现，在芝加哥，随着节点度的增加，MGDi也相应增加，且变化较为平稳。这表明在芝加哥，那些连接性较高的节点往往与地理上较远的节点相连，反映了芝加哥城市结构中核心区域与外围区域之间的紧密联系。
  • 墨尔本：在墨尔本，MGDi随着节点度的增加变化较小，且总体保持相对稳定。这表明墨尔本的高连接性节点更多地与地理上较近的节点相连，反映出墨尔本的出行需求网络更为局部化。
空间分布的异质性
  • 城市内部差异：芝加哥的节点度和MGDi的空间分布显示出明显的中心-外围结构，CBD作为核心节点与其他区域保持着紧密的联系。而墨尔本的节点度分布则显示出多中心的特征，多个次级中心在城市中分布，形成了较为均匀的网络连接。
  • 地理环境影响：芝加哥的地理环境相对平坦，城市扩张较为自由，这促成了其出行需求网络的中心-外围结构。而墨尔本的地理环境更为多样化，包括沿海地区和内陆地区，这种地理多样性可能导致了其多中心的网络结构。
图像说明与分析

在这里插入图片描述

  • 图7：展示了芝加哥和墨尔本的节点度空间分布情况。芝加哥的节点度分布呈现出明显的中心商务区（CBD）为核心的高节点度区域，向外逐渐降低的趋势。而墨尔本的节点度分布则显示出多个高节点度区域分散在城市中。
    在这里插入图片描述

  • 图8：展示了芝加哥和墨尔本的MGDi（平均地理距离）随节点度变化的情况。在芝加哥，MGDi随着节点度的增加而增加，表明高连接性节点与地理上较远的节点相连。而在墨尔本，MGDi随节点度变化较小，表明高连接性节点更多地与地理上较近的节点相连。

7. 最短路径树和有效距离（Shortest path trees and effective distance）

研究目的与方法

作者旨在通过有效距离和最短路径树的概念，从网络中单个节点的视角出发，进一步探讨城市出行需求网络的特性和结构，并分析不同节点在网络中的相对位置和连接方式。

有效距离的概念

  • 有效距离定义为链接权重的倒数，即 1 / w i j 1/w_{ij} 1/wij​。这种定义方式使得那些旅行次数较多的链接在有效距离上更短，表明这些链接在网络中的连接更为紧密。
  • 另一种计算有效距离的方法是使用归一化权重 P i j = w i j ∑ w i j P_{ij} = \frac{w_{ij}}{\sum w_{ij}} Pij​=∑wij​wij​​，并定义有效距离为 d i j = 1 − log ⁡ P i j d_{ij} = 1 - \log P_{ij} dij​=1−logPij​。

最短路径树的构建与分析

  • 最短路径树是一种可视化工具，它从网络中某个随机节点出发，展示到其他所有节点的最短路径。这种树状结构有助于理解网络的层次性和节点间的连接效率。
  • 图9展示了从芝加哥和墨尔本的不同节点出发的最短路径树，通过这些树可以直观地看到不同节点在网络中的相对位置和连接方式。
    在这里插入图片描述

墨尔本与芝加哥的网络结构比较

  • 墨尔本的最短路径树看起来比芝加哥的更为紧凑，这主要是因为墨尔本的样本数据中节点数量更多。例如，从墨尔本的某个中心商务区（CBD）节点出发的最短路径树显示，该节点与多个其他高连接性的节点在较短的有效距离内相连，而芝加哥的相应节点则没有这样的特征。
  • 芝加哥的网络结构显示出更强的中心化特征，即CBD节点与其他重要节点之间的有效距离较短，表明芝加哥的活动分布更为均匀。相比之下，墨尔本的网络结构则显示出更明显的局部连接特性。

最短路径分布的分析

  • 图10a展示了使用有效距离概念计算的两个城市中平均最短路径（MSP）长度的分布情况。结果显示，芝加哥的网络更有可能具有较小的MSP，表明其网络连接更为紧密，信息或物质的传输效率更高。
    在这里插入图片描述

  • 图10b和图10c分别展示了芝加哥和墨尔本中MSP与节点度的相关性。在两个城市中，随着节点度的增加，MSP的变异性也随之增加。这种相关性表明，具有更高连接性的节点往往能够更有效地与其他节点相连，从而缩短了网络中的平均路径长度。

节点流量与最短路径的关系

  • 图11展示了MSP与节点流量之间的关系。结果表明，节点流量较大的节点往往具有较小的MSP，这意味着在城市出行需求网络中，那些更具吸引力的节点（即流量较大的节点）往往位于网络的中心位置，能够更快速地与其他节点进行交互。

在这里插入图片描述

8. 结论（Conclusion）

  • 研究总结：强调通过复杂网络方法对芝加哥和墨尔本的出行需求进行比较分析，揭示了城市出行需求网络的结构、互动和演变特性，表明出行需求不仅受社会经济和土地利用因素影响，还受地点间互动强度的驱动。
  • 网络视角的优势：指出网络度量方法能更清晰地反映地点间的连接性和互动性，为评估出行需求模型提供了新的视角和价值。与传统的评估方法相比，网络视角可更直接地比较模型与实际数据的网络特性。
  • 研究发现的具体内容：总结了墨尔本网络相比芝加哥具有更高的连接性异质性和互动强度分布，其网络更倾向于局部连接，而芝加哥的节点间连接性更密集，表明芝加哥的活动分布更均匀。同时，两城市的高访问节点也更倾向于与其他节点相连，具有较大连接性和吸引力的地点拥有更小的平均最短路径长度。
  • 未来研究方向：建议未来研究应关注不同出行模式和目的的出行需求网络特性，以及基于个体活动空间的网络度量，以进一步深入理解城市出行需求的动态过程。

相关文章：

描述城市出行需求模式的复杂网络视角：大规模起点-目的地需求网络的图论分析

描述城市出行需求模式的复杂网络视角&#xff1a;大规模起点-目的地需求网络的图论分析 原文&#xff1a; A complex network perspective for characterizing urban travel demand patterns: graph theoretical analysis of large-scale origin–destination demand networks…...

编程日记 2025/7/18 12:36:42

文件操作函数

本文是小编巩固自身而作&#xff0c;如有错误&#xff0c;欢迎指出&#xff01; 1.使用文件的原因 我们编写的程序都是有生命周期的&#xff0c;储存在电脑的内存中&#xff0c;如果程序退出&#xff0c;内存回收&#xff0c;数据就会丢失&#xff0c;等程序再次运行&#xf…...

编程日记 2025/7/18 6:43:16

Java高频面试之并发编程-05

hello啊&#xff0c;各位观众姥爷们&#xff01;&#xff01;&#xff01;本baby今天来报道了&#xff01;哈哈哈哈哈嗝&#x1f436; 面试官&#xff1a;线程有哪些调度方法&#xff1f; 在Java中&#xff0c;线程的调用方法主要包括以下几种方式&#xff0c;每种方式适用于…...

编程日记 2025/7/16 16:28:40

LeetCode 1292 元素和小于等于阈值的正方形的最大边长

最大正方形边长问题详解 一、问题描述 给定一个大小为 mn 的矩阵 mat 和一个整数阈值 threshold&#xff0c;要求返回元素总和小于或等于阈值的正方形区域的最大边长&#xff1b;如果没有这样的正方形区域&#xff0c;则返回 0。 二、解题思路 前缀和矩阵的概念与构建 前缀…...

编程日记 2025/7/17 19:11:08

测试开发 - Java 自动化测试核心函数详解

目录 1. 元素定位 1.1 By.xpath 1.1.1 //* 1.1.2 //[指定节点] 1.1.3 / 1.1.4 /.. 1.1.5 [...] 1.1.6 指定索引获取对应元素 1.2 By.cssSelector 1.2.1 # 1.2.2 . 1.2.3 > 1.2.4 标签名:nth-child(n) 2. 获取元素 2.1 findElement 2.2 findElements 3. 操…...

编程日记 2025/7/18 12:16:42

【HarmonyOS】ArKUI框架

目录 概述 声明式开发范式 基于ArKUI的项目 • 1&#xff0e;创建资源文件 • 2&#xff0e;引用资源 • 3&#xff0e;引用系统资源&#xff1a; • 系统资源有哪些 • 4. 在配置和资源中引用资源 声明式语法 UI描述规范 UI组件概述 组件化 组件渲染控制语法 修改…...

编程日记 2025/7/18 11:46:10

【MQ篇】RabbitMQ之简单模式！

目录 引言一、 初识 RabbitMQ 与工作模式二、 简单模式 (Simple Queue) 详解&#xff1a;最直接的“点对点快递” &#x1f4ee;三、 Java (Spring Boot) 代码实战&#xff1a;让小兔子跑起来&#xff01; &#x1f430;&#x1f3c3;‍♂️四、 深入理解&#xff1a;简单模式的…...

编程日记 2025/7/14 8:39:51

K8S节点出现Evicted状态“被驱逐”

在Kubernetes集群中&#xff0c;Pod状态为“被驱逐&#xff08;evicted&#xff09;”表示Pod无法在当前节点上继续运行&#xff0c;已被集群从节点上移除。 问题分析&#xff1a; 节点磁盘空间不足 &#xff0c;使用df -h查看磁盘使用情况 可以看到根目录 / 已100%满&#x…...

编程日记 2025/7/16 22:54:48

NumPyro：概率编程的现代Python框架深度解析

引言 概率编程作为统计学与机器学习的交叉领域&#xff0c;正在重塑我们构建不确定性模型的方式。在众多概率编程语言&#xff08;PPL&#xff09;中&#xff0c;NumPyro凭借其简洁的语法、强大的性能和与PyTorch生态系统的无缝集成&#xff0c;已经成为研究者和数据科学家的首…...

编程日记 2025/7/18 7:16:36

java进阶之git

git git介绍git常用命令代码回滚操作 git 介绍 工作区 改动&#xff08;增删文件和内容&#xff09;暂存区 输入命令&#xff1a;git add改动的文件名&#xff0c;此次改动就放到了"暂存区“本地仓库 输入命令&#xff1a;git commit 此次修改的描述&#xff0c;此次改动…...

编程日记 2025/7/15 18:12:32

负载阻尼效应及其作用解析

负载阻尼效应是指负载&#xff08;如电路、机械系统或控制系统中连接的设备&#xff09;对系统动态变化&#xff08;如电压波动、机械振动等&#xff09;产生的抑制或衰减作用。 其核心是通过消耗或吸收能量&#xff0c;减少系统中的振荡、波动或瞬态响应&#xff0c;从而提高…...

编程日记 2025/7/15 17:20:56

面向组织的网络安全措施

一、安全措施概述 在一个组织中&#xff0c;技术人员可以利用一系列强大的网络安全工具进行安全检测和防范&#xff0c;以保护组织的网络基础设施、数据和资产免受各种威胁。这些工具通常涵盖了从主动防御、威胁检测、漏洞管理到事件响应和安全分析的各个方面。 以下是一些关…...

编程日记 2025/7/15 17:07:40

Unity 跳转资源商店，并打开特定应用

需求&#xff1a; 打开资源商店&#xff0c;并定位到特定应用. 代码&#xff1a; #if UNITY_ANDROIDApplication.OpenURL("market://details?idcom.tencent.mm"); #elif UNITY_IPHONEApplication.OpenURL(“itms-apps://apps.apple.com/app/id333903271”); #end…...

编程日记 2025/6/29 9:33:59

2025年五大ETL数据集成工具推荐

ETL工具作为打通数据孤岛的核心引擎&#xff0c;直接影响着企业的决策效率与业务敏捷性。本文精选五款实战型ETL解决方案&#xff0c;从零门槛的国产免费工具到国际大厂企业级平台&#xff0c;助您找到最适合的数据集成利器。 一、谷云科技ETLCloud&#xff1a;国产数据集成工…...

编程日记 2025/6/29 9:34:49

基于 PaddleOCR对pdf文件中的文字提取

一、基于 PaddleOCR 提取 PDF 文件中的文字流程 1. 安装必要的依赖库&#xff1a;包括 PaddleOCR 和 PyMuPDF pip install paddlepaddle paddleocr pymupdf 2. 将 PDF 转换为图像&#xff1a;使用 PyMuPDF 将 PDF 的每一页转换为图像 3. 使用 PaddleOCR 进行文字识别&a…...

编程日记 2025/7/16 23:58:15

鸿蒙移动应用开发--渲染控制实验

任务&#xff1a;使用“对象数组”、“ForEach渲染”、“Badge角标组件”、“Grid布局”等相关知识&#xff0c;实现生效抽奖卡案例。如图1所示&#xff1a; 图1 生肖抽奖卡实例图 图1(a)中有6张生肖卡可以抽奖&#xff0c;每抽中一张&#xff0c;会通过弹层显示出来&#xf…...

编程日记 2025/6/29 11:09:58

【漫话机器学习系列】215.处理高度不平衡数据策略（Strategies For Highly Imbalanced Classes）

处理高度不平衡数据的四大策略详解 在机器学习与数据挖掘任务中&#xff0c;“类别不平衡”问题几乎无处不在。无论是信用卡欺诈检测、医疗异常诊断&#xff0c;还是网络攻击识别&#xff0c;正负样本的比例往往严重失衡。比如一个欺诈检测数据集中&#xff0c;可能只有不到 1…...

编程日记 2025/7/17 3:55:33

在离线 Ubuntu 环境下部署双 Neo4j 实例（Prod Dev）

在许多开发和生产场景中&#xff0c;我们可能需要在同一台服务器上运行多个独立的 Neo4j 数据库实例&#xff0c;例如一个用于生产环境 (Prod)&#xff0c;一个用于开发测试环境 (Dev)。本文将详细介绍如何在 离线 的 Ubuntu 服务器上&#xff0c;使用 tar.gz 包部署两个 Neo4j…...

编程日记 2025/7/16 21:31:21

Windows下Golang与Nuxt项目宝塔部署指南

在Windows下将Golang后端和Nuxt前端项目打包&#xff0c;并使用宝塔面板部署的步骤如下 一、Golang后端打包 交叉编译为Linux可执行文件 在Windows PowerShell中执行&#xff1a; powershell复制下载 $env:GOOS "linux" $env:GOARCH "amd64" go build…...

编程日记 2025/7/17 22:10:19

基于贝叶斯优化的Transformer多输入单输出回归预测模型Bayes-Transformer【MATLAB】

Bayes-Transformer 在机器学习和深度学习领域&#xff0c;Transformer模型已经广泛应用于自然语言处理、图像识别、时间序列预测等多个领域。然而&#xff0c;在一些实际应用中&#xff0c;我们面临着如何高效地优化模型超参数的问题。贝叶斯优化&#xff08;Bayesian Optimiz…...

编程日记 2025/6/29 10:21:36

ibus输入法微软词库分享

链接: https://pan.baidu.com/s/1aC-UvV-UDHEpxg5sZcAS2Q?pwddxpq 提取码: dxpq --来自百度网盘超级会员v8的分享 链接: https://pan.baidu.com/s/1aC-UvV-UDHEpxg5sZcAS2Q?pwddxpq 提取码: dxpq --来自百度网盘超级会员v8的分享 # 更改ibus输入法字体大小 sudo apt insta…...

编程日记 2025/7/15 12:01:16

Sharding-JDBC 系列专题 - 第五篇：分布式事务

Sharding-JDBC 系列专题 - 第五篇：分布式事务 本系列专题旨在帮助开发者全面掌握 Sharding-JDBC，一个轻量级的分布式数据库中间件。本篇作为系列的第五篇文章，将深入探讨 分布式事务（Distributed Transactions），包括其概念、支持的事务类型、配置方法、工作原理以及实战…...

编程日记 2025/6/29 9:35:02

力扣每日打卡17 49. 字母异位词分组 (中等)

力扣 49. 字母异位词分组 中等 前言一、题目内容二、解题方法1. 哈希函数2.官方题解2.1 前言2.2 方法一&#xff1a;排序2.2 方法二&#xff1a;计数 前言 这是刷算法题的第十七天&#xff0c;用到的语言是JS 题目&#xff1a;力扣 49. 字母异位词分组 (中等) 一、题目内容 给…...

编程日记 2025/6/29 10:23:48

深入解析C++ STL List：双向链表的特性与高级操作

一、引言 在C STL容器家族中&#xff0c;list作为双向链表容器&#xff0c;具有独特的性能特征。本文将通过完整代码示例&#xff0c;深入剖析链表的核心操作&#xff0c;揭示其底层实现机制&#xff0c;并对比其他容器的适用场景。文章包含4000余字详细解析&#xff0c;适合需…...

编程日记 2025/6/29 9:56:19

在 master 分支上进行了 commit 但还没有 push，怎么安全地切到新分支并保留这些更改

确保你的 commit 确实没有 push&#xff08;否则会覆盖远程分支&#xff09;&#xff1a; git log --oneline # 查看本地 commit git log --oneline origin/master # 查看远程 master 的 commit 确保你的 commit 只存在于本地&#xff0c;远程 origin/master 没有…...

编程日记 2025/7/15 22:34:16

spark jar依赖顺序

1. 执行顺序 spark-submit --config "spark.{driver/executor}.extraClassPathsomeJar"提交的依赖包SystemClasspath – Spark安装时候提供的依赖包spark-submit --jars 提交的依赖包 2. 依赖解释 提交任务时指定的依赖 Spark-submit --config "spark.{drive…...

编程日记 2025/7/15 18:39:05

docker 国内源和常用命令

Ubuntu | Docker Docs 参考docker官方安装docker # Add Dockers official GPG key: sudo apt-get update sudo apt-get install ca-certificates curl sudo install -m 0755 -d /etc/apt/keyrings sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt…...

编程日记 2025/7/17 1:38:31

【目标检测】对YOLO系列发展的简单理解

目录 1.YOLOv12.YOLOv23.YOLOv34.YOLOv45.YOLOv66.YOLOv77.YOLOv9 YOLO系列文章汇总&#xff1a; 【论文#目标检测】You Only Look Once: Unified, Real-Time Object Detection 【论文#目标检测】YOLO9000: Better, Faster, Stronger 【论文#目标检测】YOLOv3: An Incremental …...

编程日记 2025/7/16 13:25:15

C# AppContext.BaseDirectory 应用程序的启动目录

Application.StartupPath定义与用途局限性示例 Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location)定义与用途局限性示例 Directory.GetCurrentDirectory()定义与用途局限性示例 关键区别总结推荐使用场景需要应用程序安装目录需要动态工作目录插件或模块化应用…...

编程日记 2025/6/29 9:34:02

Sentinel数据S2_SR_HARMONIZED连续云掩膜+中位数合成

在GEE中实现时&#xff0c;发现简单的QA60是无法去云的&#xff0c;最近S2地表反射率数据集又进行了更新&#xff0c;原有的属性集也进行了变化&#xff0c;现在的SR数据集名称是“S2_SR_HARMONIZED”。那么&#xff1a; 要想得到研究区无云的图像&#xff0c;可以参考执行以下…...

编程日记 2025/7/17 1:38:39

探索Cangjie Magic：仓颉编程语言原生的LLM Agent开发新范式

引言&#xff1a;智能体开发的革命性突破 2025年3月&#xff0c;仓颉社区开源了Cangjie Magic——这是首个基于仓颉编程语言原生构建的LLM Agent开发平台&#xff0c;标志着智能体开发领域的一次重大突破。作为一名长期关注AI发展的技术爱好者&#xff0c;我有幸第一时间体验了…...

编程日记 2025/6/29 9:35:28

css三大特性

css三大特性&#xff1a;层叠性 继承性 优先性 一.层叠性 二.继承性 子标签会继承父标签的某些样式 恰当地使用继承性&#xff0c;减少代码复杂性子元素会继承父元素地某些样式(text-&#xff0c;font-&#xff0c;line-这些元素开头的可以继承&#xff0c;以及color属性) 2…...

编程日记 2025/6/29 9:34:01

Centos7安装Jenkins（图文教程）

本章教程，主要记录在centos7安装部署Jenkins 的详细过程。 [root@localhost ~]# cat /etc/redhat-release CentOS Linux release 7.9.2009 (Core) 一、基础环境安装 内存大小要求：256 MB 内存以上 硬盘大小要求：10 GB 及以上 安装基础java环境：Java 17 ( JRE 或者 JDK 都可…...

编程日记 2025/6/29 9:33:57

Hyper-V 管理工具

什么是 Hyper-V Microsoft Hyper-V是一个虚拟化平台&#xff0c;可在Windows客户端和服务器上创建并运行虚拟计算机。操作系统&#xff08;OS&#xff09;被称为“监管程序”&#xff08;supervisor&#xff09;&#xff0c;因为它负责为程序分配物理资源。在虚拟环境中&#…...

编程日记 2025/7/17 17:54:21

小雨滴的奇妙旅行

以下是基于原稿的优化版本&#xff0c;在保留童趣的基础上&#xff0c;进一步贴近5岁孩子的语言习惯和表演需求。修改处用&#xff08;优化&#xff09;标注&#xff0c;供参考&#xff1a; 《小雨滴的奇妙旅行》&#xff08;优化标题&#xff0c;更易记忆&#xff09; “滴答…...

编程日记 2025/7/15 17:09:05

极狐GitLab 权限和角色如何设置？

极狐GitLab 是 GitLab 在中国的发行版&#xff0c;关于中文参考文档和资料有&#xff1a; 极狐GitLab 中文文档极狐GitLab 中文论坛极狐GitLab 官网 权限和角色 (BASIC ALL) 将用户添加到项目或群组时&#xff0c;您可以为他们分配角色。该角色决定他们在极狐GitLab 中可以执…...

编程日记 2025/6/29 12:00:53

NLP高频面试题（五十一）——LSTM详解

长短期记忆网络（LSTM）相较于传统循环神经网络（RNN）的核心改进在于通过引入记忆单元（cell state）和门机制（gating mechanism）来有效缓解梯度消失与梯度爆炸问题，从而更好地捕捉长距离依赖关系 。在其网络结构中，信息通过输入门（input gate）、遗忘门（forget gate）和…...

编程日记 2025/7/16 19:26:23

C++学习之游戏服务器开发十二nginx和http

目录 1.容器运行游戏需求分析 2.静态编译游戏服务 3.手动创建游戏镜像 4.编写游戏启动脚本 5.脚本创建游戏服务器镜像 6.登录服务器架构选择 7.http协议初识 8.http报文分析 9.nginx简介和安装 10.nginx配置静态页面 11.nginx配置反向代理 1.容器运行游戏需求分析 2.…...

编程日记 2025/6/29 9:34:23

Spark集群搭建-spark-local

&#xff08;一&#xff09;安装Spark 安装Spark的过程就是下载和解压的过程。接下来的操作&#xff0c;我们把它上传到集群中的节点&#xff0c;并解压运行。 1.启动虚拟机 2.通过finalshell连接虚拟机&#xff0c;并上传安装文件到 /opt/software下 3.解压spark安装文件到/op…...

编程日记 2025/7/18 12:12:43

突破 RAG 检索瓶颈：Trae+MCP 构建高精度知识库检索系统实践

一、引言&#xff1a;RAG 技术的落地困境与破局思路 在企业级 AI 应用中&#xff0c;基于检索增强生成&#xff08;RAG&#xff09;的知识库系统已成为构建智能问答、文档分析的核心方案。然而随着实践深入&#xff0c;从业者逐渐发现传统 RAG 架构存在三大典型痛点&#xff1…...

编程日记 2025/6/29 10:51:51

PyQt5、NumPy、Pandas 及 ModelArts 综合笔记

PyQt5、NumPy、Pandas 及 ModelArts 综合笔记 PyQt5 GUI 开发 信号与槽 概念&#xff1a;对象间解耦通信机制。 信号&#xff1a;对象状态改变时发射&#xff0c;例如 btn.clicked。槽&#xff1a;接收信号的普通函数或方法。 连接&#xff1a;signal.connect(slot)&#xff…...

编程日记 2025/6/29 9:34:20

TM2SP-Net阅读

TCSVT 2025 创新点 结合图像显著性和视频时空特征进行视频显著性预测。 提出一个多尺度时空特征金字塔(MLSTFPN),能够更好的融合不同级别的特征&#xff0c;解决了显著性检测在多尺度时空特征表示的不足。 对比MLSTFPN和普通的FPN和BiFPN的区别。 Pipeline 时空语义信息和图…...

编程日记 2025/7/16 8:07:48

C++ 拷贝构造函数 浅拷贝 深拷贝

C 的拷贝构造函数&#xff08;Copy Constructor&#xff09;是一种特殊的构造函数&#xff0c;用于通过已有对象初始化新创建的对象。它在对象复制场景中起关键作用&#xff0c;尤其在涉及动态内存管理时需特别注意深浅拷贝问题。 一、定义与语法​​ 拷贝构造函数的​​参数…...

编程日记 2025/6/29 9:34:24

Linux系统用户迁移到其它盘方法

步骤 1&#xff1a;创建脚本文件 使用文本编辑器&#xff08;如 nano 或 vim&#xff09;创建脚本文件&#xff0c;例如 migrate_users.sh&#xff1a; sudo nano /root/migrate_users.sh 脚本代码如下&#xff1a; #!/bin/bash # 迁移用户主目录到 /mnt/sdb1 的批量脚本# 用…...

编程日记 2025/7/16 22:54:54

NDSS 2025｜侧信道与可信计算攻击技术导读（二）系统化评估新旧缓存侧信道攻击技术

本文为 NDSS 2025 导读系列 之一&#xff0c;聚焦本届会议中与 硬件安全与侧信道技术 相关的代表性论文。 NDSS&#xff08;Network and Distributed System Security Symposium&#xff09; 是网络与系统安全领域的顶级国际会议之一&#xff0c;由 Internet Society 主办&…...

编程日记 2025/7/16 14:46:50

Kafka 面试，java实战贴

面试问题列表 Kafka的ISR机制是什么&#xff1f;如何保证数据一致性&#xff1f; 如何实现Kafka的Exactly-Once语义&#xff1f; Kafka的Rebalance机制可能引发什么问题&#xff1f;如何优化&#xff1f; Kafka的Topic分区数如何合理设置&#xff1f; 如何设计Kafka的高可用跨…...

编程日记 2025/7/17 1:38:46

第十五届蓝桥杯 2024 C/C++组 下一次相遇

目录 题目&#xff1a; 题目描述&#xff1a; 题目链接&#xff1a; 思路&#xff1a; 自己的思路详解&#xff1a; 更好的思路详解&#xff1a; 代码&#xff1a; 自己的思路代码详解&#xff1a; 更好的思路代码详解&#xff1a; 题目&#xff1a; 题目描述&#xf…...

编程日记 2025/6/29 9:34:06

2024年全国青少年信息素养大赛-算法创意实践C++ 华中赛区（初赛真题）

完整的试卷可点击下方去查看&#xff0c;可在线考试&#xff0c;在线答题&#xff0c;在线编程&#xff1a; 2024年全国青少年信息素养大赛-算法创意实践C 华中赛区&#xff08;初赛&#xff09;_c_少儿编程题库学习中心-嗨信奥https://www.hixinao.com/tidan/cpp/show-96.htm…...

编程日记 2025/7/17 18:41:26

“思考更长时间”而非“模型更大”是提升模型在复杂软件工程任务中表现的有效途径 | 学术研究系列

作者&#xff1a;明巍/临城/水德 还在为部署动辄数百 GB 显存的庞大模型而烦恼吗&#xff1f;还在担心私有代码库的安全和成本问题吗&#xff1f;通义灵码团队最新研究《Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute》…...

编程日记 2025/7/17 14:56:31

测试OMS(订单管理系统)时，对Elasticsearch(ES)数据和算法数据进行测试（如何测试几百万条数据）

1. 测试目标 在测试OMS中的ES数据和算法数据时&#xff0c;主要目标包括&#xff1a; 数据完整性 数据完整性&#xff1a;确保所有需要的数据都被正确采集、存储和索引。 数据准确性&#xff1a;确保数据内容正确无误&#xff0c;符合业务逻辑。 性能&#xff1a;确保系统在处…...

编程日记 2025/6/29 10:01:22