面向共享出行的时空众包计算

Recital 众包平台用户在众包模式下完成的转录数据的整合。

研究基于出租车轨迹数据的城市居民出行时空特征，揭示居民出行的时间和空间分布规律。通过分析出租车轨迹和POI数据，研究发现深圳市居民出行存在早、中、晚高峰，以及空间上的局部密集和圈层递减现象。此外，研究还分析了居民购物和办公行为的出行时间和距离特征的相似性。GIS技术在居民出行时空特征分析中发挥关键作用，结合POI数据，能够量化分析出行规律。数据挖掘技术也能通过出租车轨迹和POI数据挖掘，揭示出居民出行的时空分布规律。研究结果为城市管理和规划提供了重要依据，帮助理解城市功能结构，推动智能化和信息化发展。

这份材料面向工程科学领域，熟悉MATLAB或Fortran，但尚未接触过Python的用户。它不需要计算机科学、IT或软件工程的正式背景，可以作为大学课程的补充材料，也适用于自学。 材料专注于Python 3，并提供一些旧版本的支持信息。我们重点讲解Python在科学计算中的应用，并提供相关在线资源的链接，供读者深入学习。 本材料不是通用的Python编程指南，也不试图面面俱到，而是提供一个从科学计算角度理解Python的视角。

这份文件包含了丰富的MySQL资源，适用于魔众众包平台系统v1.3.0，为您提供了全面的数据库支持。

空间众包中协同感知任务分配

随着全球汽车产业智能化和网联化的迅猛发展，车联网所需的通信技术面临着频谱资源紧张的挑战。为解决这一问题，引入认知无线电技术成为一种有效途径，能够与授权用户共享sub-6 GHz和毫米波的异质频谱资源，提供安全可靠的服务。然而，车联网复杂的动态环境限制了频谱利用率的进一步提升。本研究提出了利用多源动态时空数据挖掘和学习车辆轨迹、交通流变化规律的方法，指导频谱的感知和共享。通过系统级仿真平台的分析，验证了提出方案在提升频谱效率方面的有效性。

该资源包整合了三个不同规模、不同来源的数据集，用于支持基数估计相关的实验研究。数据集详情及相关论文将于答辩结束后公布。

面向大数据的 高性能计算：方法与应用 本书探讨了面向数据密集型应用的新兴高性能架构、提升数据处理效率的新型分析策略，以及机器学习、生命科学、神经网络和神经形态工程等多个领域的前沿应用。 全书结构分为两大部分。第一部分涵盖大数据架构，包括云计算系统和异构加速器，并介绍了面向内存架构和设备的新兴 3D IC 设计原则。第二部分展示了大数据在多个领域的新兴应用案例，包括生物信息学、深度学习和神经形态工程。 主要内容包括： 涵盖 Hadoop/Spark 等分布式系统在内的各种大数据架构 面向大数据应用的基于加速器的解决方案，例如基于 GPU 的加速技术 面向内存架构和设备的新兴 3D IC 设计原则 大数据在生物信息学、深度学习和神经形态工程等领域的应用案例

通过分析旅客团体的出行目的，研究人员可深入了解其行为模式。本研究对出行目的进行了分类，为进一步理解和预测旅客团体行为提供了依据。