城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响，蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆（ConvLSTM）网络进行交通流预测时，未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题，对ConvLSTM模型作出改进。首先，提取每个采样时刻的交通流数据的短期时间特征和空间特征，并在特定的维度下将交通流的短期时空特征融合；其次，进行残差映射；最后，将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征，并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证，以平均绝对误差（MAE）作为模型评价指标时，所提模型相较于Conv-Transformer模型，预测精度提高了18%，验证了所提模型的有效性。

随着优化问题变得日益复杂，传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战，基于知识迁移的进化多任务优化（EMTO）算法应运而生，它的核心思想是通过跨任务的知识共享，同时解决多个优化问题，旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展，与已有综述文章相比，从不同的研究视角进行深入探讨，并指出了现有文献中对优化场景视角分析的缺失。鉴于此，从优化问题的应用场景出发，对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述，以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外，深入讨论进化多任务优化当前面临的挑战和未来的研究方向，旨在为未来的研究提供指导和启示。

针对当前文献搜索系统不能理解用户实时需求的问题,提出了一种面向文献搜索系统的用户实时需求发现方法。首先,分析用户浏览、下载等个性化搜索行为;其次,根据用户搜索行为与用户需求的关系构建用户实时需求文档(RD);然后,从用户需求文档中提取用户需求关键词网络;最后,运用随机游走的方法提取出关键词网络的核心节点构成用户需求图。实验结果表明:在模拟用户需求的环境下,提取需求图的方法比K-medoids算法在检索指标F值上平均高2.5%;在用户搜索文献真实情况下,提取需求图的方法比DBSCAN算法在检索指标F值上平均高5.3%,因此,在用户需求比较稳定的文献搜索中,该方法能够获取用户需求从而提升用户体验。