深度学习用于人类流动：数据和模型观察;最大化影响力：分析激活概率盘算方法;回溯降权游走理论;带有攻击的分支历程：竞争猛烈的市场;Covid-19大盛行期间Twitter上的民众风险感知和情绪;阿根廷马德普拉塔市COVID-19流传的盛行模型：交替检疫和大规模检测计谋的探索;在COVID-19大盛行期间，自行车共享是否应该继续运行？来自中国南京的履历发现;使用Twitter明白有关COVID-19的民众情绪，看法和主题;都会热岛：通过多模态空间分析击败热浪;杭州市都会生长和社会空间动态模型：1964-2000年;使用社交媒体举行都会人群感知：基于Transformer和递归神经网络的实证研究;从嘈杂的视察推论社会系统;社会网络中的多数意见扩散：一种反抗方法;凭据视察到的主干网构建替代性时态网络数据;使用移动性模式制定COVID-19锁定计谋;竞争扩散模型中的社会福利最大化;行人网络的流量分配问题;基于图神经网络的半监视土壤水分预测;STSIR：具有流动性数据的时空盛行模型;推断干预措施对COVID-19传输网络的影响;印度COVID-19大盛行期间消除不良空气质量的空间观察;用格兰杰因果关系检测气候遥相关;深度学习用于人类流动：数据和模型观察原文标题： Deep Learning for Human Mobility: a Survey on Data and Models地址： http://arxiv.org/abs/2012.02825作者： Massimiliano Luca, Gianni Barlacchi, Bruno Lepri, Luca Pappalardo摘要： 由于对人类流动性的研究对我们社会的各个方面都具有影响，例如疾病流传，都会计划，福祉，污染等，因此研究至关重要。电话记载，GPS轨迹和社交媒体帖子等数字移动性数据的激增，再加上人工智能的精彩预测能力，触发了深度学习在人类移动性中的应用。特别地，文献集中在三个任务上：下一位置预测，即预测一小我私家的未来位置；人群流量预测，即预测地理区域的流量；和轨迹生成，即生成现实的小我私家轨迹。
现有观察集中在单个任务，数据源，机械或传统机械学习方法上，而缺少对深度学习解决方案的全面形貌。该观察提供：（i）关于流动性和深度学习的基本观点； （ii）审查数据泉源和公共数据集； （iii）深度学习模型的形貌，以及（iv）有关公然挑战的讨论。我们的观察是针对下一所在预测，人群流量预测和轨迹生成的领先深度学习解决方案的指南。
同时，它资助深度学习的科学家和从业人员明白人类流动性研究的基本观点和面临的挑战。最大化影响力：分析激活概率盘算方法原文标题： Maximizing the Influence: Analytic Activation Probability Computation Approach地址： http://arxiv.org/abs/2012.02837作者： Maryam Adineh, Mostafa Nouri-Baygi摘要： 影响力最大化是在网络中找到最具影响力的个体的子集的问题。社会网络对信息流传和病毒式营销生长的影响已使这个问题成为许多研究的主题。
影响最大化是 NP -hard，而且已经提出了许多贪婪算法来解决该问题。在本文中，我们提出了一种贪婪算法，该算法使用一种新颖的剖析激活概率盘算方法来近似影响。
我们提出了一个非线性方程组来盘算激活概率，该系统比最新技术更为准确。此外，我们提出了一种有效地盘算激活概率的方法，以淘汰算法的运行时间。我们在一些实际数据集上检查了我们提出的方法。
我们的实验讲明，通过盘算更准确的激活概率，所提出的算法优于以前的事情。此外，我们的有效方法在运行时间上有许多革新，因此可以轻松地在大型网络上扩展。回溯降权游走理论原文标题： A Theory for Backtrack-Downweighted Walks地址： http://arxiv.org/abs/2012.02999作者： Francesca Arrigo, Desmond J. Higham, Vanni Noferini摘要： 如果每个回溯步骤的权重降低了一个给定的因素，我们将为有向图上的走行计数的组合开发完整的理论。
通过推导相关生成函数的表达式，我们还获得了用于在这种情况下盘算集中度怀抱的线性系统。特别是，我们讲明可以以与尺度Katz相同的成本盘算回溯权重较低的Katz样式网络中心度。研究这种中心性测度在其收敛半径处的极限，还可以得出一种回溯加权本征向量中心度的新表达式，该表达式将先前的事情推广到存在有向边的情况。新理论使我们能够联合尺度案例和非溯源案例的优势，在思量树状结构的同时制止了当地化。
我们说明晰综合网络和真实网络上回溯权重集中度怀抱的行为。带有攻击的分支历程：竞争猛烈的市场原文标题： Branching Process with Attack: Viral Competing Markets地址： http://arxiv.org/abs/2012.03033作者： Khushboo Agarwal, Veeraruna Kavitha摘要： 在线社会网络（OSN）上广告的显著增加，有须要研究内容流传。我们分析了内容提供商竞争通过OSN流传类似帖子的病毒市场。
为此，我们需要分支历程（BP）的新变种，我们将其命名为“带有攻击的分支历程”；实体在醒来后企图攻击并获得对方人口；此外，每个实体都市发生其子女，这通常是在BP中所思量的。除了提供表达单个职位，二分法等的增长率外，我们还探讨了职位的共存；竞争内容可以同时在网络上流传和爆炸（两个帖子的未读/运动副本的数量随时间显著增长）吗？我们证明一个或两个种群/职位都灭绝了，或者这些种群定居到一个奇特的共存平衡，并得出了两个种群/职位的相应渐近比。我们的分析适用于关注公共行为而不是微观细节的大型人群网络。
我们的研究提供了对两个关键设计方面的看法，即种子用户数量和帖子质量。Covid-19大盛行期间Twitter上的民众风险感知和情绪原文标题： Public risk perception and emotion on Twitter during the Covid-19 pandemic地址： http://arxiv.org/abs/2008.00854作者： Joel Dyer, Blas Kolic摘要： Covid-19大盛行的乐成导航取决于接纳宁静措施和适当的风险感知的公共互助，其中情感和注意力起着重要的作用。
社交媒体数据中存在民众情绪和注意力的签名，因此，对文本举行自然语言分析可以实现对公共风险感知指标的近实时监控。我们将大盛行病希望的主要盛行病学指标与由2020年3月10日至6月14日公布的来自12个国家的约2000万条与Covid-19相关的奇特推文构建的大盛行病民众感知指标举行了比力。我们发现了心理物理证据麻木：Twitter用户越来越关注死亡率，但情绪和分析能力却越来越低。基于单词共现的语义网络分析展现了Covid-19伤亡者情绪框架的变化，与此假设相符。
我们还发现，对全国Covid-19死亡率的平均关注是使用Weber-Fechner和幂律感官知觉功效准确建模的。我们对这些模型的参数预计与心理实验的预计一致，并讲明该数据集中的用户对国家Covid-19死亡率的敏感性有所差别。我们的事情讲明了社交媒体在危机情景下监视民众风险感知和指导民众交流的潜在效用。
阿根廷马德普拉塔市COVID-19流传的盛行模型：交替检疫和大规模检测计谋的探索原文标题： An epidemic model for COVID-19 transmission in Mar del Plata, Argentina: Exploration of the alternating quarantine and massive testing strategies地址： http://arxiv.org/abs/2012.02833作者： Lautaro Vassallo, Ignacio A. Perez, Lucila G. Alvarez-Zuzek, Julián Amaya, Marcos F. Torres, Lucas D. Valdez, Cristian E. La Rocca, Lidia A. Braunstein摘要： COVID-19大盛行已经挑战了全球各级政府行政治理部门。劈面对如此严重的疾病时，政府使用预测工具来预先预计对卫生系统以及须要的人力，物力和经济资源的影响是有用的。在本文中，我们构建了一个扩展的易感袒露-熏染-恢复模型，该模型纳入了马德普拉塔的社会结构，马德普拉塔是阿根廷人口最多的都会，人口约为4美元，是普埃里瑞德将军区的卖力人。此外，我们凭据疾病的严重水平以及当地卫生资源的数据思量了受熏染个体的详细划分，以使这些预测更靠近当地实际情况。
调整COVID-19的相应盛行病参数后，我们研究了一种交替的隔离计谋，其中一部门人口可以随时不受限制地流通，而其余人口平均分为两组，并一连举行正常运动，锁定，每个连续时间为 tau 天。此外，我们对总体实施随机测试计谋。
我们发现 tau = 7 是隔离计谋的不错选择，因为它与每周周期相匹配，因为它淘汰了受熏染的人口。从9月30日的情况出发，我们将重点放在卫生系统上，因为要到达极低的灵活性，我们预计很难制止ICU饱和。在最坏的情况下，我们的模型预计会发生四千人死亡，在适当的医疗照顾护士下可以制止30％的死亡。只管如此，我们发现努力的测试可以使无限制流通的人群百分比增加，因为与其他重症患者相对应的设备相对较少。
在COVID-19大盛行期间，自行车共享是否应该继续运行？来自中国南京的履历发现原文标题： Should bike sharing continue operating during the COVID-19 pandemic? Empirical findings from Nanjing, China地址： http://arxiv.org/abs/2012.02946作者： Mingzhuang Hua, Xuewu Chen, Long Cheng, Jingxu Chen摘要： 2019年冠状病毒病（COVID-19）引发了全球大盛行的发作，运输服务在冠状病毒流传中发挥了关键作用。只管没有像公交车或地铁那样在狭窄的空间内拥挤，但共享单车的用户仍会袒露在单车的地面上并负担传输风险。在COVID-19大盛行期间，如何满足用户需求并制止病毒流传已成为共享自行车的重要问题。
基于中国南京市自行车共享的出行数据，本研究从车站，用户和自行车的角度分析了大盛行发作前后的出行需求和运营治理。应用半对数差异模型，可视化方法和统计指标来探讨大盛行期间自行车共享的运输服务和风险预防。效果讲明，大盛行控制计谋极大地淘汰了用户需求，通勤旅行的淘汰更为显着。康健和宗教场所周围的一些车站变得越发重要。
男性和暮年人更依赖于自行车共享系统。此外，行程淘汰淘汰了用户接触并增加了空转自行车。而且提出了一种用户疏远的新观点，以制止传输风险并激活空转自行车。
这项研究评估了共享微型交通在COVID-19大盛行期间的作用，并引发了都会内病毒流传的阻断作用。使用Twitter明白有关COVID-19的民众情绪，看法和主题原文标题： Understanding Public Sentiments, Opinions and Topics about COVID-19 using Twitter地址： http://arxiv.org/abs/2012.03039作者： Jolin Shaynn-Ly Kwan, Kwan Hui Lim摘要： COVID-19大盛行在世界各地造成了广泛的破坏。
除了对康健和经济造成的影响外，另有庞大的情感肩负，与日常生活中的连续压力相关联，并有许多应对大盛行的限制措施。为了更好地明白COVID-19的影响，我们提出了一个框架，该框架使用公共推文来推导各个地域，跨多个时间规模的民众的情绪，情感和讨论主题。使用此框架，我们研究和讨论了与COVID-19相关的种种研究问题，即：（i）在大盛行期间情绪/情绪如何变化？ （ii）与全球事件有关的情绪/情绪如何变化？ （iii）在大盛行期间讨论了哪些配合主题？都会热岛：通过多模态空间分析击败热浪原文标题： Urban Heat Islands: Beating the Heat with Multi-Modal Spatial Analysis地址： http://arxiv.org/abs/2012.03049作者： Marcus Yong, Kwan Hui Lim摘要： 在当今高度都会化的情况中，都会热岛（UHI）现象日益普遍，在该地域，都会化地域的地表温度远远高于周围的农村地域。过分的热应激会导致种种问题，从小我私家到全世界。
在小我私家层面上，UHI可能导致人体在焦点功效方面无法应付和瓦解。在世界规模内，UHI可能导致全球变暖，并对情况发生倒霉影响。我们使用包罗遥感图像，地理空间数据和人口数据的多模式数据集，提出了一个框架，用于通过统计模型的研究来观察UHI如何受到都会都会形态特征的影响。以新加坡为例，我们演示了此框架的有用性，并讨论了我们在明白UHI和都会形态特征的影响方面的主要发现。
杭州市都会生长和社会空间动态模型：1964-2000年原文标题： Modeling Urban Growth and Socio-Spatial Dynamics of Hangzhou: 1964-2000地址： http://arxiv.org/abs/2012.03050作者： Jian Feng, Yanguang Chen摘要： 都会人口密度为明白都会增长和空间动态提供了一个很好的视角。基于1964年，1982年，1990年和2000年四次全国人口普查的分区数据，本文致力于对杭州市的都会增长和人口空间结构举行词组分析。研究方法基于数学建模和现场观察。
效果讲明，负指数函数和幂指数函数可以很好地拟合杭州的都会密度观察数据。这些模型的梯度和潜在比例指数与人口漫衍的空间信息熵线性相关。在1990年月扁平化的负指数函数中的梯度与郊区化的生长密切相关。从观察资料和模型参数的变化趋势来看，可以展现杭州都会生长的时空特征。
主要结论如下。革新开放和市场经济的建设完善了杭州的生长模式。1982年以前，都会生长的驱动力是基于下令经济学的简朴的自上而下的气力，而1982年以后，基于自上而下的政府治理和自下而上的市场经济学的双重气力影响了都会的增长。
1982年后杭州的新变化包罗交通设施的生长和汽车的快速生长，焦点的革新和郊区新住宅区的建设，都会土地使用制度的革新以及土地和房价的空间格式。这些变化的气力配合导致了都会人口的郊区化和疏散化。使用社交媒体举行都会人群感知：基于Transformer和递归神经网络的实证研究原文标题： Urban Crowdsensing using Social Media: An Empirical Study on Transformer and Recurrent Neural Networks地址： http://arxiv.org/abs/2012.03057作者： Jerome Heng, Junhua Liu, Kwan Hui Lim摘要： 都会计划的一个重要方面是明白各个位置的人群水平，这通常需要使用物理传感器。大规模实施这种传感器潜在地成本高昂且费时。
为明白决这个问题，我们使用公共可用的社交媒体数据集，并将它们用作两个都会感知问题的基础，即事件检测和人群水平预测。这项事情的主要孝敬是我们从Twitter和Flickr收集的数据集以及地面真实事件。我们通过两种开端的有监视学习方法证明晰该数据集的有用性：首先，使用一系列神经网络模型来确定社交媒体帖子是否与事件相关；其次是使用社交媒体帖子计数来预测实际人群水平的回归模型。
我们讨论了这些任务的开端效果，并强调了一些挑战。从嘈杂的视察推论社会系统原文标题： Social System Inference from Noisy Observations地址： http://arxiv.org/abs/2012.03075作者： Yanbing Mao, Naira Hovakimyan, Tarek Abdelzaher, Evangelos Theodorou摘要： 本文从民众意见演变的单一轨迹研究社会系统推理，其中视察噪声导致样本对时间和坐标的统计依赖性。我们首先提出一种网络社会系统，该系统由社会网络中的小我私家和网络层中的一组信息源组成，其意见动态明确思量了确认偏差，消极偏差和历程噪声。
基于建议的社会模型，我们然后研究最小二乘自回归（AR（1））模型预计的样本庞大度，该预计将控制足以使所识别模型到达划定的准确性和准确性水平的视察次数。置信度。
然后，在确定的社交模型的基础上，我们研究社交推理，特别关注加权网络拓扑，潜意识偏差以及确认偏差和消极偏差的模型参数。最后，美国参议院议员意识形态数据验证了所提出的社会制度的理论效果和有效性。
社会网络中的多数意见扩散：一种反抗方法原文标题： Majority Opinion Diffusion in Social Networks: An Adversarial Approach地址： http://arxiv.org/abs/2012.03143作者： Ahad N. Zehmakan摘要： 我们先容和研究一种新颖的基于多数的意见扩散模型。思量图 G ，它表现一个社会网络。假设最初有一个节点子集（称为种子节点或早期接纳者）被涂成玄色或白色，这对应于对消费产物或技术创新的正面或负面意见。
然后，在每一轮中，与至少一个有色节点相邻的无色节点在其邻人中选择最频繁的颜色。思量一个营销运动，该运动宣传质量低劣的产物，其最终目的是在意见流传历程竣事时，凌驾一半的人口相信该产物的质量。我们关注三种类型的攻击者，这些攻击者可以确定性或随机的方式选择种子节点，并利用其中的一半来对产物接纳努力的态度（即选择玄色）。
我们说，如果在流程竣事时大多数节点为玄色，则攻击者将乐成。我们的主要目的是表征攻击者无法乐成实现的图类。特别是，我们证明晰，如果基础图的最大水平不太大或具有强大的扩展特性，则它对此类攻击具有相当的弹性。
此外，我们证明晰在确定性和随机选择种子节点的两种设置中，该历程的稳定时间（即它需要竣事的轮数）有严格的界线。我们还针对一些有关稳定时间和种子节点选择的优化问题提供了几种硬度效果。凭据视察到的主干网构建替代性时态网络数据原文标题： Building surrogate temporal network data from observed backbones地址： http://arxiv.org/abs/2012.03280作者： Charley Presigny, Petter Holme, Alain Barrat摘要： 在许多数据集中，关键元素与非必须元素和噪声共存。
对于特别表现为网络的数据，已经提出了几种方法来提取“网络主干网”，即，最重要的链接的荟萃。可是，尚未解决如何有效使用数据的压缩视图的问题。在这里，我们通过提出和探索一些系统的法式来解决这个问题，这些法式可以从种种时间网络主干中构建主体数据。
特别是，我们探索了与原始数据一起需要保留几多原始数据信息，以便可以将替代数据用于扩展历程的数据驱动数值模拟中。我们使用具有种种结构和属性的履历时态网络说明晰我们的效果。
使用移动性模式制定COVID-19锁定计谋原文标题： Strategizing COVID-19 Lockdowns Using Mobility Patterns地址： http://arxiv.org/abs/2012.03284作者： Olha Buchel, Anton Ninkov, Danise Cathel, Yaneer Bar-Yam, Leila Hedayatifar摘要： 在COVID-19大盛行期间，各国政府试图通过与其他国家隔离，限制不须要的旅行并对旅行者实施强制隔离来掩护自己的领土宁静。大规模检疫是最乐成的短期政策，但恒久以来却难以为继，因为它给社会造成了庞大的价格。效果，已经能够部门控制疾病流传的政府已经决议重新开业。可是，世卫组织已警告过早开放的风险，在西班牙，法国等一些国家和加利福尼亚，佛罗里达州，亚利桑那州和得克萨斯州等美国多个州中，这种情况正在伸张。
因此，迫切需要思量一种灵活的计谋，以限制传输而不需要大规模且不破坏隔离。在这里，我们凭据美国人员的流动方式和COVID-19感染的严重水平设计了一个多级隔离法式。通过确定社会流动性的自然界线，政策制定者可以施加旅行限制，以最小水平地破坏社会和经济运动。
通过将具有模块化优化功效的Louvain方法应用于每周出行网络，分析了COVID-19发作期间的社会疏散动态。在多尺度社区检测历程中，使用已确诊病例的位置，确定自然断裂点以及高感染风险区域。在较小的规模上，对于确诊病例数较高的社区，联系追踪和相关的隔离政策变得越来越重要，而且可以通过社区结构来明白。
竞争扩散模型中的社会福利最大化原文标题： Maximizing Social Welfare in a Competitive Diffusion Model地址： http://arxiv.org/abs/2012.03354作者： Prithu Banerjee, Wei Chen, Laks V.S. Lakshmanan摘要： 由于诸如病毒营销和熏染停止之类的应用，影响最大化（IM）在文献中引起了许多关注。它的目的是选择少量的种子用户来接纳某项，从而使接纳流传到网络中的大量用户。
竞争性IM专注于网络中竞争项目的流传。现有的关于竞争性IM的作品有几个限制。（1）他们没有在项目接纳中将经济念头纳入用户的决议中。（2）多数作品的目的是最大限度地接纳某一特定项目，而忽略了差别项目所起的团体作用。
（3）他们主要关注竞争的一个方面-纯竞争。为明白决这些问题，我们在实用法式驱动的名为UIC的流传模型下研究竞争性IM，并研究社会福利最大化。通常，问题不仅在于NP难，而且在于NP难在任何恒定因子内近似。
因此，我们为一般情况设计了即时相关的有效迫近算法，并为受限设置设计了（（1-1 / e- epsilon）-迫近算法。我们的算法在解决方案质量和在综合和实际公用事业设置下在大型真实网络上的运行时间方面都优于竞争IM的差别基准。行人网络的流量分配问题原文标题： Traffic Assignment Problem for Pedestrian Networks地址： http://arxiv.org/abs/2012.03389作者： Tanapon Lilasathapornkit, David Rey, Wei Liu, Meead Saberi摘要： 通常使用盘算麋集型微观模型来预计都会地域的行人流量，这些模型通常会遇到大规模步行网络中的可扩展性问题。
在这项研究中，我们提出了一种新的针对行人网络的宏观用户平衡交通分配问题（UE-pTAP）框架，同时思量了基本微观属性，例如双向流中的自组织和随机行走时间。我们提出了四种差别类型的行人体积延迟函数（pVDF），并用履历数据对其举行校准，并讨论了它们对分配解决方案的存在和唯一性的影响。
我们展示了开发的UE-pTAP框架在小型网络以及悉尼人行道的大型网络中的适用性。基于图神经网络的半监视土壤水分预测原文标题： Semi-supervised Soil Moisture Prediction through Graph Neural Networks地址： http://arxiv.org/abs/2012.03506作者： Anoushka Vyas, Sambaran Bandyopadhyay摘要： 远程卫星和IoT数据的最新革新和可用性为人工智能在细密农业中提供了有趣且多样化的应用。
土壤水分是多种农业和食品供应链实践的重要组成部门。它可以丈量存储在种种土壤深度中的水量。
现有的数据驱动的土壤水分预测方法使用通例模型，该模型无法描画随时间变化的四周位置土壤水分值的动态依赖性。在这项事情中，我们建议将土壤湿度预测问题转换为含时图上的半监视学习。我们提出了一种动态图神经网络，该网络可以使用区域中相关位置的依赖性来预测土壤湿度。可是，与社会或信息网络差别，没有明确给出用于土壤水分预测的图结构。
因此，我们将图结构学习问题纳入了动态GNN框架。我们的算法称为DGLR，它提供了端到端的学习功效，可以随着时间的推移预测区域中多个位置的土壤水分，而且可以更新之间的图结构。与现有的机械学习方法相比，我们的解决方案在真实的土壤湿度数据集上获得了最新的效果。
STSIR：具有流动性数据的时空盛行模型原文标题： STSIR: Spatial Temporal Pandemic Model with Mobility Data地址： http://arxiv.org/abs/2012.03509作者： Wang Pan, Qipu Deng, Jiadong Li, Zhi Wang, Wenwu Zhu摘要： 随着COVID-19的发作，如何减轻和抑制其流传对政府来说是一个大问题。公共卫生部门需要强大的模型来建模和预测这种大盛行的趋势和规模。可以评估公共政策效果的模型对于与COVID-19的战斗也是必不行少的。
现有模型的主要限制是它们只能在熏染发生后通过盘算 R_0 来评估计谋，而不能给出可视察的索引。为明白决这个问题，我们基于COVID-19的流传特性，提出了一种新颖的时空易感性熏染去除（STSIR）模型框架。
特别是，我们将都会内部和都会间的流动性指数与传统的SIR动力学举行了合并，使其成为一个动态系统。而且我们证明晰STSIR系统是一个关闭的系统，使系统自洽。
最后，我们提出了一种多阶段模拟退火（MSSA）算法来找到系统的最佳参数。在我们的实验中，该模型基于百度移动数据集和丁香园提供的中国大盛行数据集，可以有效地预测大盛行的总规模，并通过可视察的指标给出清晰的政策分析。
推断干预措施对COVID-19传输网络的影响原文标题： Inferring the effect of interventions on COVID-19 transmission networks地址： http://arxiv.org/abs/2012.03846作者： Simon Syga, Diana David-Rus, Yannik Schälte, Michael Meyer-Hermann, Haralampos Hatzikirou, Andreas Deutsch摘要： 全世界的国家都实施了非药物干预（NPI），以使COVID-19病例的曲线变平，但未能根除该疾病。有效NPI的设计需要识别基础传输网络的结构。我们将贝叶斯参数推断与基于网络的盛行病学模型相联合，该模型可以在随机和小世界流传网络之间举行插值。
使用来自德国的盛行病学数据，我们发现NPI淘汰了传输网络中的非当地接触，从而导致了从指数型向恒定型的转变。由于推断网络的小世界性质，可以通过淘汰非当地联系来有效地防止指数流传。消除疾病仍然是昂贵的，因为需要淘汰所有接触。
我们的代码是免费提供的，可以很容易地适应任何国家。印度COVID-19大盛行期间消除不良空气质量的空间观察原文标题： Space observation on detoxing the unhealthy air quality during COVID-19 pandemic in India地址： http://arxiv.org/abs/2012.03847作者： Prabhat Kumar, Rohit Kumar Kasera, S Suresh摘要： 这项研究的目的是致力于展现印度冠状病毒大盛行与太空观察与不康健空气质量之间的相关性。世界已经受到封锁，以打破冠状病毒熏染的链条。
由于工业和运输行业暂时关闭，封锁开始后，空气质量指数（AQI）开始提高。这项研究汇总了NASA（国家航空航天局），ESA（欧洲航天局）和ISRO（印度空间与研究组织）最近公布的数据。在本文中，我们讨论了对二氧化氮（NO2），气溶胶光学厚度（AOD），PM2.5和PM10的空间观察影响了印度各个地域的空气质量。
我们分析了在锁定期之前和期间以及当年和上一年同期的空气质量排毒情况。效果讲明，锁定期间不良空气质量的消除受到了努力影响，因为与印度北部已往20年相比，NO2的排放已降低至40％-50％，光学气溶胶指数处于较低水平。
用格兰杰因果关系检测气候遥相关原文标题： Detecting climate teleconnections with Granger causality地址： http://arxiv.org/abs/2012.03848作者： Filipi N Silva, Didier A. Vega-Oliveros, Xiaoran Yan, Alessandro Flammini, Filippo Menczer, Filippo Radicchi, Ben Kravitz, Santo Fortunato摘要： 气候系统远程毗连是对扰动或振荡的遥远气候响应，很难量化，但明白它们对于提高气候可预测性至关重要。在这里，我们使用格兰杰因果关系来识别电信联系的新方法。由于格兰杰因果关系被明确界说为两个时间序列之间的统计磨练，因此我们的方法可以立刻解释任意两个字段之间的因果关系，并提供对远程毗连响应时间尺度的预计。
我们通过恢复与厄尔尼诺/南方涛动有关的海面温度模式的已知季节性降水响应来证明这种新方法的功效，其准确性可与以前使用的基于相关性的方法相媲美。通过调整最大滞后窗，格兰杰因果关系可以评估差别时间尺度上的遥相关强度（季节性降水响应）。滞后相关法不具有区分差别滞后信号的能力。
我们还确定了以前未曾探索过的远程毗连响应的候选工具，突出了该方法相对于以前使用的方法的更高的敏捷度。声明：Arxiv文章摘要版权归论文原作者所有，机械翻译后由本人举行校正整理，未经同意请勿随意转载。本系列在民众号“网络科学研究速递”（netsci）和小我私家博客举行同步更新。
本文关键词：Arxiv,网络,科学,论文,摘要,22篇,2020-12-08,深度,爱游戏下载
本文来源：爱游戏app下载-www.hbqccl.com