XiaoMi-AI文件搜索系统
World File Search System多维数据
MSC（COMPSC）2024-25
MSC（COMPSC）2024-25提供的课程列表（以下列表未完成）Comp7103。数据挖掘（6个学分）数据挖掘是从大量数据中自动发现统计有趣且可能有用的模式。该课程的目标是研究当今用于数据挖掘和在线分析处理的主要方法。主题包括数据挖掘体系结构；数据预处理；采矿协会规则；分类;聚类；在线分析处理（OLAP）；数据挖掘系统和语言；高级数据挖掘（Web，空间和时间数据）。comp7104。高级数据库系统（6个学分）该课程将研究数据库系统中的一些高级主题和技术，重点关注数据库系统设计和算法的各个方面，以及用于结构化数据的大数据处理。传统主题包括查询优化，物理数据库设计，事务管理，崩溃恢复，并行数据库。该课程还将调查选定领域的一些最新发展，例如NOSQL数据库和基于SQL的关系（结构化）数据的大数据管理系统。comp7106。大数据管理（6个学分）该课程将研究大数据中的一些高级主题和技术。它还将调查大数据管理和可扩展数据科学的特定领域的最新发展和进展。主题包括但不限于：大数据库管理技术，空间数据管理和空间网络，数据质量和不确定数据库，TOP-K查询，图形和文本数据库以及数据分析。comp7107。comp7108。复杂数据类型的管理（6个学分）课程研究不是简单标量的数据类型的管理和分析。这种复杂的数据类型包括空间数据，多维数据，时间序列数据，时间和时空数据，稀疏的多维矢量，设置值数据，字符串和序列，同质和异构图形，知识基础图，知识基础图，地理文字和地理 - 地理和地理数据。对于每种数据类型，我们将学习流行的查询和分析任务，以及用于主内存和磁盘的存储和索引方法。网络数据分析（6个学分）在数据时代，许多现实世界应用程序最能以网络表示。这种观点至关重要，因为分析这些网络可以发现有价值的见解，提取有趣的信息并做出明智的决定。现代技术已大大提高了我们访问大量数据，简化和降低存储成本的能力。了解数据的重要性对于应对各种挑战，例如交通拥堵，金融网络欺诈检测以及在社交网络中的错误信息的传播，仅举几例。因此，开发可以解决这些挑战的高级工具的必要性越来越多，并且进一步了解数据的重要性比以往任何时候都更加必要。这些技术的示例可以是机器学习技术（例如，使用GNN对不同的问题进行建模）和自然语言处理（NLP）技术（文本预处理和情感分析）。
尼古拉斯·贾奇
我们通过所有感官感知世界。原因有很多，对吧？部分原因是视觉界面性价比最高。视觉界面很容易实现，人们已经习惯了视觉，视觉界面也是多年来不断发展的。另外部分原因是惯性，人们会固守过去行之有效的方法，这是一种基本的人性。如果目前所做的事情已经行之有效，人们就会拒绝尝试新事物。这让我想到了我的最后一个立场，即立场 5，它认为“行之有效”已经不再适用。我们的可视化需要采用新的生物启发方法来传达信息，基于大脑如何使用多感官输入和输出，我们已经讨论过的事情，这也是经常被讨论的事情，很多人都会这么说，而且有很多已知的好处。我们已经讨论过一些，还有很多其他的，但现实是，在已经完成的工作和这些可视化技术如何发展方面几乎没有任何实际进展。当我写这篇文章时，这让我想起了我的祖母。当我含糊其辞或不做某事时，祖母会告诉我，“尼基！做你自己的事，否则就滚蛋吧！”我想她不会喜欢我代表她的声音。不管怎样，这是一个很好的观点。我正在听，奶奶。这就是我试图发表这种演讲并传播信息的原因。可视化领域有一些非常有前途的工具，它们正在做我所说的事情，特别是增强现实和虚拟现实。这里有很多变体。你可以用很多不同的方式来做到这一点。该技术可以使用显示器、头戴式显示器、洞穴，还可以使用 AR 眼镜，但该技术在可视化方面的总体优势在于它们基于 3D 模拟，具有高度沉浸感，允许 3D（三维用户移动和交互），并且支持建模和模拟任何类型的多维数据。这真的是一件大事，我对这项技术特别兴奋，因为它终于从纯视觉界面转向使用多模态信息，这很重要，因为从历史上看，虚拟现实是视觉现实和视觉模拟的同义词。如果你身处 VR 世界，你得到的就是视觉的东西，但现在这种情况正在改变，例如，我们的 VR 系统开始使用空间化音频，因此你可以在 3D 空间中听到来自周围的声音，它们使用触摸和触觉，它们使用温度或虚拟温度变化。他们甚至在模拟中使用味觉和嗅觉，所以这很重要，很有益处。这意味着，通过使用这些提示，你不仅可以增加 VR 的包容性，让那些看不见或无法使用它的人也能使用它，而且你还可以大大提高真实感和对每个人的影响，因为我们现在终于可以模拟大脑如何在这些多模式界面中接收和处理信息。最重要的是，VR 和 AR 都已在许多不同领域用于一些非常出色的可视化，我认为，人们越来越关注超越视觉界面，这对未来的可视化来说非常有希望。我认为这是特别重要的事情。好的，我将通过快速讨论我实验室中基于多模式、生物启发可视化的一项研究来结束，我想谈论很多项目，但我有时间只谈一个，我做这个是因为我认为它特别重要。因此，目前，仅在美国就有超过 1200 万人患有某种形式的未矫正视力丧失，而全世界这一数字则激增至 2.8 亿人，因此我们谈论的不是一个很小的群体，而是——其中大多数人在获取视觉图形方面存在很大困难，因为目前没有简单的方法可以非视觉地制作或传达图形内容。所以我们的目标是说，“好吧，我们如何才能开发新的多模式可视化”技术，基于“我们正在讨论的很多东西，可以用于所有类型的 STEM 领域？”因此，我们的解决方案使用智能设备的触摸屏，因此手机和平板电脑可以而全球有 2.8 亿人，所以我们说的不是一个很小的群体，而是——大多数人很难理解视觉图形，因为目前没有简单的方法可以非视觉地制作或传达图形内容。所以我们的目标是说，“好吧，我们如何才能开发新的多模式可视化”技术，基于“我们正在讨论的很多东西，可以用于所有类型的 STEM 领域？”所以我们的解决方案使用智能设备的触摸屏，因此手机和平板电脑而全球有 2.8 亿人，所以我们说的不是一个很小的群体，而是——大多数人很难理解视觉图形，因为目前没有简单的方法可以非视觉地制作或传达图形内容。所以我们的目标是说，“好吧，我们如何才能开发新的多模式可视化”技术，基于“我们正在讨论的很多东西，可以用于所有类型的 STEM 领域？”所以我们的解决方案使用智能设备的触摸屏，因此手机和平板电脑
机器学习驱动的行人认可和行为预测，以增强智能城市的公共安全
Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。 摘要：该研究介绍了智能城市基础设施内行人认可和行为预测技术的开发和实施，重点是增强交通管理和公共安全。 通过整合传感器，LiDAR和相机的实时数据，该系统利用高级机器学习模型，包括长期短期内存（LSTM）和变压器体系结构，以预测具有93％精度的行人运动。 预测模型被部署在模拟的城市环境中，导致车辆空闲时间降低了20％，平均车辆速度增加了15％，从而优化了交通流量。 此外，车辆到所有设施（V2X）通信和5G技术的整合启用了车辆，行人和交通控制系统之间的实时互动。 该系统有效地减少了30％的临近事件，并在有害行人的情况下为车辆提供了1.8秒的平均反应时间。 此外，该模型还确定了87％的潜在行人危害，从而大大改善了公共安全。 尽管有这些进步，但仍存在大规模部署中的数据隐私问题和硬件限制之类的挑战。 未来的研究将着重于通过多模态数据融合和实时学习算法的发展克服这些挑战，从而使智能城市更加适应性和高效。 关键字：行人识别；行为预测；智能城市基础设施；实时流量管理； V2X通信。Rutgers University，New Brunswick，New Jersey，USA ys820@rutgers.edu *作者应与之交谈。摘要：该研究介绍了智能城市基础设施内行人认可和行为预测技术的开发和实施，重点是增强交通管理和公共安全。通过整合传感器，LiDAR和相机的实时数据，该系统利用高级机器学习模型，包括长期短期内存（LSTM）和变压器体系结构，以预测具有93％精度的行人运动。预测模型被部署在模拟的城市环境中，导致车辆空闲时间降低了20％，平均车辆速度增加了15％，从而优化了交通流量。此外，车辆到所有设施（V2X）通信和5G技术的整合启用了车辆，行人和交通控制系统之间的实时互动。该系统有效地减少了30％的临近事件，并在有害行人的情况下为车辆提供了1.8秒的平均反应时间。此外，该模型还确定了87％的潜在行人危害，从而大大改善了公共安全。尽管有这些进步，但仍存在大规模部署中的数据隐私问题和硬件限制之类的挑战。未来的研究将着重于通过多模态数据融合和实时学习算法的发展克服这些挑战，从而使智能城市更加适应性和高效。关键字：行人识别；行为预测；智能城市基础设施；实时流量管理； V2X通信。被引用为：Sun，Y。，＆Ortiz，J.（2024）。机器学习驱动的行人识别和行为预测，以增强智能城市的公共安全。人工智能与信息杂志，1，51-57。取自https://woodyinternational.com/index.php/jaii/article/article/view/51 1。随着智能城市的快速发展，先进技术和数据分析的整合正在重塑城市基础设施，旨在优化资源利用，改善公共安全并增强交通管理（Silva等，2018）。智能城市发展中的主要挑战在于对行人行为的准确认识和预测，这对于交通法规和公共安全至关重要（Aldeer等，2023）。传统监测系统虽然能够检测到行人的存在，但通常无法准确预测动态环境中的复杂行为，从而限制了它们在实时决策中的有效性（Zhong等，2024）。随着城市人口的增长，通过预测技术确保公共场所的安全性和效率成为必要。Yao等。（2022）强调采用先进的数据分析和机器学习技术来克服这些局限性的重要性。现有系统主要集中于静态检测，在预测人类行为方面提供了有限的能力，从而导致紧急响应和次优的交通管理延迟（Gu等，2024）。预测行人行为的能力不仅可以优化交通流量，而且通过防止潜在危害来增强公共安全。随着深度学习算法的兴起，特别是卷积神经网络（CNN）和像LSTM这样的复发模型，行人识别变得更加精确和有效，因为这些模型可以实时处理复杂的多维数据（Liu等，2024）。此外，最近的研究表明，将行人行为预测与城市基础设施（例如智能交通信号灯和自动驾驶汽车系统）相结合，大大降低了事故并提高了城市运营的整体效率。Yao等。（2022）强调将行人检测与预测分析相结合可以预见并防止高风险地区的事故，例如繁忙的十字路口或公共事件。这种主动的方法标志着与传统的反应系统的转变，提供了对现代城市环境必不可少的实时预测。此外，进步