2025年 03期
征文通知:智能网联卫星的新质时空服务
<正>智能网联卫星为低轨通信、遥感、导航等技术的创新发展提供了强大的载体支撑。和传统航天“以大为美、确保零风险”的设计理念不同,智能网联卫星更加追求“规模化、网络化、智能化、经济性”,强调卫星节点处理智能化、功能融合化、能力快速形成化,进而实现效能一体化。”财金信息既是卫星节点智能化的基础,也是实现星座一体化的关键,更是卫星发挥服务效能的具体体现。如何突破智能网联卫星先进技术、研制时空信息获取终端,创新时空服务应用场景,是建设更加泛在、融合、智能的综合时空体系的关键。鉴于此,《无线电通信技术》积组织“智能网联卫星的新质时金服务”专题,欢迎相关领域的专家学者和科研人员踊跃投稿。
面向垂直行业应用的5G网络安全标准：现状与展望
朱日丹;张子涵;李文政;李嘉杰;许洪东;夏明华;随着5G无线通信技术的快速发展，垂直行业应用正迎来前所未有的智能化转型机遇。5G技术凭借其高速率、低延迟和大规模连接的特性，为垂直行业的广泛应用提供了强大支持，暴露了在安全保护、信任模型以及系统开放能力等方面的潜在风险。深入分析了5G赋能垂直行业应用过程中面临的主要安全问题；详细梳理了5G网络安全架构的演进过程，重点讨论了从4G到5G的安全新特性以及3GPP安全标准体系的最新进展；提出了针对5G在垂直行业应用中的安全标准解决方案，旨在为行业提供科学、系统的安全保障框架；对未来基于AI的6G网络安全架构进行了展望。通过对现行网络安全标准的态势分析与对未来网络安全架构的技术展望，为5G技术的垂直行业应用提供了安全解决方案，为未来6G网络安全标准的制定提供了参考依据，有助于推动行业智能化转型过程中网络安全能力的提升。
人工智能驱动的数据管理、分析及应用研究导读
乔少杰;金澈清;袁冠;吴涛;<正>内容导读人工智能驱动的数据管理、分析与应用研究已经成为计算机和通信技术领域的一个重要的热点问题,获取大量数据管理过程中的状态数据,并建立对其动态智能的处理能力,已经成为产业竞争力的体现。近年来,大数据管理技术与系统已能够满足各类海量异构数据的基本管理与统计分析需求,但在如何利用新一代人工智能技术对数据管理、数据分析与系统进行优化方面还缺少足够的理论支撑。本专题旨在推动国内人工智能驱动的数据管理的发展,探讨数据管理与人工智能的深度融合,阐述人工智能驱动的数据库新技术和新型系统,包括传统数据管理、数据分析技术及系统与人工智能相结合。上述研究是新一代人工智能技术发展的基础。
基于动态超图嵌入的时域知识图谱推理模型
高秀东;陈阳;张静;对预测未来事实的时域知识图谱(Temporal Knowledge Graph, TKG)进行推理备受关注。大多数研究尝试利用知识图谱和图卷积网络(Graph Convolutional Network, GCN)对时域动态进行建模。现有方法没有考虑TKG中对象之间的高阶交互，这是预测未来事实的一个重要因素。为了解决上述问题，提出基于动态超图嵌入的TKG推理模型。通过在不同时间戳下基于TKG构建超图来获取高阶交互。将时域带来的差异融入到超图表示中，以便更好地适配TKG。采用动态元嵌入进行时域超图表示，使模型能够为下游推理选择合适的高阶交互。在公开的TKG数据集上进行实验，结果表明所提模型优于其他基准模型。分析证明了所提方法为预测结果带来了良好的可解释性。
知识迁移驱动的跨油田存储分类模型
贡玉军;油气数据中的知识对于储层自动分类至关重要，合理管理并利用油气数据可以帮助石油公司做出最佳决策，从而大大降低成本。现有方法主要集中在单个地质区块进行储层分类，但在新的区块中效果不佳。如何跨地质油田传递地底特征，并准确进行储层分类是一个非常重要且具有挑战性的问题。提出了知识迁移驱动的跨油田存储(Knowledge Transfer-driven Cross-oilfield Storage, KTCS)分类模型，包含一个多尺度传感器提取(Multi-scale Sensor Extraction, MSE)模块，用于从多变量测井曲线中提取地质特征的多尺度特征表示。设计了特定特征学习(Specific Feature Learning, SFL)模块，充分利用不同油田的特定信息，使用知识注意力迁移(Knowledge Attention Transfer, KAT)模块学习不变的特征表示，将源油田的地质知识迁移到目标油田。通过对现实世界的工业数据集进行大量的实验来评估所提KTCS模型的性能，与非迁移方法相比，KTCS模型的F1分数至少提高了15.7%。
融合时空查询的情景感知多模态车辆轨迹预测模型
李庆;乔少杰;陈浩;李任杰;蒋宇河;李洲;刘晨旭;卓小军;韩楠;随着自动驾驶技术的快速发展，准确预测周围车辆的运动轨迹成为确保行车安全的关键。现有的方法大多未充分考虑车辆与环境以及车与车之间的互动和环境情景信息，面对复杂交通场景下的轨迹预测性能不佳。基于此，提出一种融合时空查询Transformer的情景感知多模态车辆轨迹预测模型(Contex-aware Multimodal Vehicle Trajectory Pediction Model Based on Spatio-Temporal Query Transformer, STQformer),高效地理解和预测复杂交通环境中的车辆行为。模型以Transformer框架为基础，引入可学习的时空查询并利用社交交互模块，实现对车辆意图的深度感知和更准确的轨迹预测。实验结果表明：与当前先进的轨迹预测算法相比，STQformer在长期预测方面的性能同比性能最佳对比模型提升了9%。该模型有助于提升自动驾驶系统的安全性和可靠性，推动自动驾驶技术的发展和应用，使其更好地适应复杂多变的交通环境，减少交通事故，提高交通效率。
[下载次数： 452 ] [被引频次： 0 ] [阅读次数： 1 ] HTML PDF 引用本文
RHTP-STD:基于时空数据库的实时启发式轨迹预测模型
李任杰;乔少杰;李庆;蒋宇河;李洲;甘戈;陈浩;卓小军;韩楠;随着移动设备和物联网技术的普及，时空数据的收集和分析变得越来越重要。轨迹预测，尤其是实时轨迹预测，对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求，且实时数据通常是不完整或带有噪声的，要求预测算法必须能够适应不完全的轨迹信息。基于此，提出了一种基于时空数据库的实时启发式轨迹预测模型(Real-time Heuristic Trajectory Prediction Based on Spatio-Temporal Databases, RHTP-STD)。RHTP-STD利用MobilityDB数据库平台存储和管理轨迹数据，通过图构建算法将轨迹数据转换为时空图。RHTP-STD采用启发式算法，融合历史和实时数据，快速预测移动对象的未来轨迹。实验结果表明，RHTP-STD在Argoverse数据集上的预测准确性和实时性均优于现有方法。讨论所提方法在不同应用场景中的适用性，提出了未来的研究方向。
[下载次数： 129 ] [被引频次： 0 ] [阅读次数： 1 ] HTML PDF 引用本文
基于结构化案例推理的SQL生成模型
罗明全;王静;魏英;自动化的自然语言与数据库接口对于应用开发至关重要。语义解析驱动的推理时间结构化查询语言(Structured Query Language, SQL)自适应方法能够兼容来自新域的样本，且无需重复调优。现有方法通常简单地将编码器输入的新域输入-输出案例连接到模型中，进而使解码器产生偏差，不能充分利用案例中逻辑形式的结构。基于上述情况，提出一种基于结构化案例推理(Structured Case Reasoning Model, SCRM)的SQL生成模型，充分利用案例的逻辑形式和候选输出之间的子树级相似性，以此生成更好的解码器决策；提出一个可训练的组合子树相似函数，与全树嵌入相比，该函数对于大型搜索边界的评分更为准确。SCRM结合新的结构化案例记忆及可训练的查询子树相似度模块，可以提升推理过程中正确输出的得分。在5种不同的数据集上进行实验，相对于其他模型，所提出的SCRM凭借结构化案例的优势，在不同性能指标上均取得了最佳结果。
基于多语种文本符号的艺术图像生成模型
唐宏;卓诗语;文本生成图像(Text-to-Image, TTI)任务是指利用文本符号来生成图像，在艺术设计领域中有重要应用前景。由于缺乏不同语种的注释图像数据，对TTI的研究主要集中在英文领域，现有TTI模型无法利用其他语种数据进行图像生成。基于上述考虑，研究多语种TTI(Multilingual TTI,MTTI)以及基于神经机器翻译引导的MTTI系统，依托多语种多模态编码器，提出基于多语种文本符号的艺术图像生成模型(Art Image Generation Model Based on Multilingual Text Symbols, AIG-MTS),学习权重并整合多语种文本知识，减少语种之间的差异，提高模型性能。在标准数据集COCO-CN、Multi30K Task2和LAION-5B上进行实验，相比于主流算法，AIG-MTS模型在所有数据集上的性能最佳。
基于关系感知语言图的知识查询网络
陶薇薇;王延红;问答(Question Answering, QA)是一项需要对自然语言上下文进行推理的任务，现有工作大多采用图神经网络(Graph Neural Network, GNN)增强语言模型(Language Model, LM)来编码知识图谱(Knowledge Graph, KG)信息。大多数基于GNN的QA模块没有利用KG丰富的关系信息，而是依赖于增强LM和KG之间有限的信息交互。为了解决上述问题，提出基于关系感知语言图的知识查询网络(Relation-Aware Language Graph, RALG),以统一方式对实体关系的语言和图谱进行联合推理。RALG构建了元路径标记，学习基于不同结构和语义关系的嵌入。关系感知自注意力(Relation Aware Self-Attention, RASA)模块通过跨模态相对位置偏差对不同模态进行整合，引导不同模态相关实体之间的信息交换。在常识QA数据集(CommonsenseQA和OpenBookQA)和医学QA数据集(MedQA-USMLE)上验证了RALG的性能优势。