XiaoMi-AI文件搜索系统
World File Search System时空
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。
新的量子自旋视角和心灵物质的时空
圈量子引力 (LQG) 的基本构成要素是自旋网络，它用于量化 LQG 中的物理时空。最近，利用自旋网络的基本概念提出了新的量子自旋。这一观点重新定义了量子自旋的概念，并引入了约化普朗克常数的新定义。这一观点的含义不仅限于量子引力，还可用于量子力学。利用这一观点，我们提出了对心灵时空的量化。物理时空与心灵时空之间的相似性为从科学和哲学角度研究时空提供了新概念。本文还对物理时空与心灵时空进行了比较研究。
技术对游客时空行为的影响又如何？
摘要 本文从移动技术和无处不在的连接性的角度，探讨了时间地理学在旅游业中重新发挥的作用。本文提出了“物理数字化”的概念，以了解数字技术如何在物理空间中使用，以及物理和数字之间的相互作用如何重新配置游客的项目、路径、捆绑和约束。理论贡献建立在 15 次半结构化访谈的基础上。分析表明，能力、耦合和权限约束会受到数字设备的改变和调节。在物理数字化时空中，游客在数字信息的影响下在物理空间中定位自己；他们创建物理数字化路径并在站点之间移动，这是数字信息叠加到物理空间的结果。游客以目标为导向的流动产生了物理数字化项目，其中效率和优化逻辑降低了游客体验的界限性。游客的捆绑包是通过数字通信在物理度假棱镜内外创建的。
LiDAR4D：用于新型时空视图 LiDAR 合成的动态神经场
尽管神经辐射场 (NeRF) 在图像新视图合成 (NVS) 方面取得了成功，但 LiDAR NVS 仍然基本上未被探索。以前的 LiDAR NVS 方法采用了与图像 NVS 方法的简单转变，同时忽略了 LiDAR 点云的动态特性和大规模重建问题。鉴于此，我们提出了 LiDAR4D，这是一个可微分的 LiDAR 专用框架，用于新颖的时空 LiDAR 视图合成。考虑到稀疏性和大规模特性，我们设计了一种结合多平面和网格特征的 4D 混合表示，以由粗到细的方式实现有效重建。此外，我们引入了从点云衍生的几何约束来提高时间一致性。对于 LiDAR 点云的真实合成，我们结合了光线丢弃概率的全局优化来保留跨区域模式。在 KITTI-360 和 NuScenes 数据集上进行的大量实验证明了我们的方法在实现几何感知和时间一致的动态重建方面具有优越性。代码可在 https://github.com/ispc-lab/LiDAR4D 获得。
归纳时空的临时性克里格，具有物理学引导的增量训练策略
摘要 - 用于空气质量的传感器的部署受到高成本的限制，导致网络覆盖不足和某些领域的数据缺陷。利用现有的观察结果，时空kriging是一种在特定时期估算未观察到位置空气质量的方法。具有增量训练策略的归纳时空kriging已证明了其使用虚拟节点模拟未观察到的节点的有效性。但是，虚拟节点和真实节点之间的差异仍然存在，这使从虚拟节点到实际未观察到的学习模式的应用变得复杂。To address these limitations, this paper presents a Physics- Guided Increment Training Strategy (PGITS).具体来说，我们设计了一个动态图生成模块，以将空气颗粒作为物理知识的对流和扩散过程纳入图形结构，并动态调整邻接矩阵以反映节点之间的物理相互作用。通过将物理原理用作虚拟节点和真实节点之间的桥梁，该策略可确保虚拟节点及其伪标签的特征更接近实际节点。Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.Index Terms —Air quality inference, sensors, inductive spatio- temporal kriging, physics principles, increment training strategy
分析了地方性环境中的瘟疫反刍动物病毒（PPRV）暴发的时空风险：范围审查
1。引言一种称为Peste des Petits反刍动物（PPR）的病毒会影响小型反刍动物，主要是绵羊和山羊，但它也会感染家畜。PPR病毒（PPRV）是paramyxoviridae属的菌群的单链，非分段的RNA病毒（1）。PPRV的基因组跨越15,948个核苷酸（NT），并结构为六个开放式阅读帧（ORF）。由这些ORF编码的六种结构蛋白是聚合酶（P）或大蛋白（L），融合蛋白（F），磷酸蛋白（P），基质蛋白（M），黑凝集素蛋白（H）和核蛋白（N）。此外，非结构蛋白C和V由ORF转录单元（2）编码。通过使用部分基因序列的系统发育研究，通过系统发育研究从两种结构蛋白N或F中描述了四个谱系（3）这些PPRV的谱系分布在包括非洲，亚洲和欧洲在内的几个地理区域中（4）。所有四个PPRV谱系都存在于非洲，自1940年以来，西非国家一直局部局部病毒。当前的证据表明，谱系I病毒不再循环，因为自2001年以来就没有发现这种血统（5）。血统II主要出现在西非，尽管最近在刚果民主共和国（DRC）和坦桑尼亚报道了这一点（6）。北部和西部的北部都没有报道谱系III，尽管在科莫罗斯群岛以及东北，东部和中非都可以找到它。非洲最常见的血统IV已在15个不同的国家中记录在第15个国家中。（6）。迄今为止，它已在非洲的北部，西部，中部和东部地区进行了确定，并且正在逐渐向南移动。随着PPRV继续散布在以前未感染的地区，数以千万万的家庭小型反刍动物和野生动植物面临感染的风险。但是，在以前未感染的地区发现的PPRV感染以及被感染的国家的谱系混合物共同强调了PPR的地理和时间动态特征（7）。年度全球经济损失估计，这些损失的年度经济损失约为1.45美元，这些损失的一半，这些损失的一半，这些损失影响了非洲和一季度的ASIA。这些损失是由死亡率造成的，死亡率最高为20％，而发病率达到100％（8,9）。由于对绵羊和山羊农民的高影响力PPR，粮食和农业组织（FAO）和世界动物健康组织（以前称为OIE）已正式启动了一项全球旨在消除PPR的计划。
在EEG源定位中的源取向检测和时空LCMV时的加速算法
本文说明了脑电图（EEG）数据的两个有效源定位算法的开发，旨在增强实时大脑信号重建，同时解决传统方法的计算挑战。准确的EEG源定位对于在认知神经科学，神经康复和脑部计算机界面（BCIS）中的应用至关重要。为了在精确的源方向检测和改进的信号重建方面取得重大进展，我们介绍了加速的线性约束最小方差（ALCMV）波束形成工具箱和加速的大脑源方向检测（AORI）工具箱。ALCMV算法通过利用递归协方差矩阵计算来加快EEG源重建，而与常规方法相比，AORI将源方向检测从三个维度简化了66％。使用模拟和实际脑电图数据，我们证明了这些算法保持高精度，方向误差低于0.2％，并且信号重建精度在2％以内。这些发现表明，所提出的工具箱代表了脑电图源定位的效率和速度的重大进步，使其非常适合实时神经技术应用。
研究在时空变化特征下茶园的增量碳汇
茶园生态系统作为碳池具有重要功能。阐明茶园中碳汇的空间和时间模式，并分析茶园中碳汇的驱动因子，以了解茶园中碳汇的特征，并扩大茶园中碳汇的方式。在这项研究中，我们从2010年至2022年选择了福建省福建省的九个县级城市的数据，并借用了标准偏差椭圆和趋势表面分析方法来阐明碳汇的空间和时间进化，并与地理探测器模型相结合。结果表明：（1）在2010年至2022年期间，福建省茶园的总碳汇率增加了133.12×10 5 mg，显示出持续的增长趋势；在空间分布方面，研究区域中茶园碳汇的强度表明，从西南到东北的迁移和浓度的逐渐和当前趋势。（2）构建茶园中碳汇的评估指数系统，分为社会，生活，工业和人口因素以及其他四个类别的八个指标。（3）茶园碳汇的单因素驱动器表明，它主要受工业规模，人口密度和工业结构的影响，Q值超过0.5。（4）驾驶员的相互作用表明，城乡差异和工业规模具有最高的相互作用效果，Q值达到0.9698。这项研究提供了决策援助，从而扩大了茶园中茶园中增加碳汇的数量的方式，这些角度阐明了对茶园水槽的空间和时间异质性的影响，并揭示了驱动因素。
时空疾病的适合性预测。
此预印本版的版权持有人于2025年3月4日发布。 https://doi.org/10.1101/2025.02.28.25323068 doi：medrxiv preprint
使用面部表情的时空深度学习方法改善疼痛分类
疼痛管理和严重性检测对于有效的治疗至关重要，但是传统的自我报告方法是主观的，并且可能不适合非语言个体（口语有限的人）。为了解决此限制，我们使用面部表情探索自动疼痛检测。我们的研究利用深度学习技术来通过分析来自疼痛情感面孔数据库（PEMF）的面部图像来改善疼痛评估。我们提出了两种新颖的方法1：（1）混合交通模型与长期短期记忆（LSTM）块相结合，以分析视频框架并预测疼痛的存在，以及（2）与LSTM集成的时空图形卷积网络（STGCN），与LSTM集成在一起，以从面部图像中为疼痛图像进行过程地标。我们的工作代表了PEMF数据集进行二进制疼痛分类的首次使用，并通过广泛的实验证明了这些模型的有效性。结果突出了结合空间和时间特征以增强疼痛检测的潜力，从而在客观疼痛评估方法中提供了有希望的进步。