时间： 2024年4月12日(本周五) 09: 30
地点： 望江校区基础教学楼B座318实验室
分享者： 张键军、王启鹏
Part1
分享者： 张键军
分享内容：
[1] Nguyen D, Fablet R. TrAISformer-A generative transformer for AIS trajectory prediction[J]. arXiv e-prints, 2021: arXiv: 2109.03958.
[2] Guo D, Wu E Q, Wu Y, et al. FlightBERT: binary encoding representation for flight trajectory prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 24(2): 1828-1842.
论文简介：
[1] 预测船舶在未来某个指定点的位置是许多海事应用的一个基本方面。虽然自动识别系统（AIS）为完成这项任务提供了丰富的信息来源，但由于运动数据固有的复杂性和多模态性，使用AIS 数据进行船舶轨迹预测仍然具有巨大的挑战性，即使对于现代机器学习/深度学习而言也是如此。在本文中，我们通过引入一种新的 AIS 数据离散高维表示法和一种新的损失函数来明确考虑异质性和多模态性，从而应对这些挑战。所提出的模型被称为 TrAISformer，它是一个经过修改的 Transformer 网络，可以提取所提出的丰富空间中 AIS 轨迹的长期相关性，从而预测未来数小时内的船只位置。我们报告了公开的真实 AIS 数据的实验结果。TrAISformer 的性能明显优于最先进的方法，其平均预测性能低于 10 海里，最高可达 10 小时。
[2] 飞行轨迹预测（TP）是空中交通管制（ATC）的一项重要任务。目前，飞行轨迹预测任务通常通过回归方法来实现，这种方法将观测到的几个标量属性合并成一个低维向量作为输入。然而，在复杂且时变的空管环境中，使用低维特征对飞机运动模式进行精确建模并不容易。为了提高 TP 任务的性能，本文提出了一种基于二进制编码（BE）表示法的新型框架，即 FlightBERT，它使我们能够将 TP 任务作为多二进制分类问题来处理。具体来说，飞行轨迹的标量属性被编码为二进制代码，并通过属性嵌入模块转换为高维表示。考虑到飞行属性之间的先验知识，设计了一个属性相关性关注（ACoAtt）模块，以明确捕捉特定属性之间的相关性。一个堆叠的 Transformer 模块被用作骨干网络，然后由预测器生成输出。考虑到飞行轨迹的性质，创新性地设计了一种混合约束损失，即结合均方误差损失和二元交叉熵损失来优化所提出的框架。提出的方法在一个大规模数据集上进行了验证，该数据集收集自真实世界的空管环境。实验结果表明，通过定量和定性评估，所提出的方法优于其他基线方法。
Part2
分享者： 王启鹏
分享内容：
[1] Liu S, Weng D, Tian Y, et al. ECoalVis: visual analysis of control strategies in coal-fired power plants[J]. IEEE transactions on visualization and computer graphics, 2022, 29(1): 1091-1101.
论文简介：
[1] 提高燃煤电厂的效率有诸多好处。控制策略是影响这种效率的主要因素之一。然而，由于电厂内部环境的复杂性和动态性，很难提取和评估控制策略及其在大量传感器中的级联影响。现有的手动和数据驱动方法不能很好地支持控制策略的分析，因为这些方法耗时且无法与电厂系统的复杂性扩展。我们识别出三个挑战：a) 从大规模动态传感器数据中交互式提取控制策略，b) 直观地可视化复杂电厂系统中传感器之间的级联影响，以及 c) 考虑时间滞后对电力生成效率影响的分析。通过与能源领域专家合作，我们用ECoalVis这一新颖的交互式系统解决了这些挑战，该系统使专家能够直观地分析从历史传感器数据中提取的燃煤电厂的控制策略。该系统的有效性已通过两个使用真实世界历史数据集的使用场景进行评估，并得到了专家的积极反馈。
