准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题，在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下，结合城市交通流量的时空特性，建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先，采用细粒度的网格划分方法来构建交通流量的时空矩阵；其次，利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性；最后，利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性，并实现交通流量的预测。实验结果表明，STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比，均方根误差（RMSE）指标分别减小了17.15%和7.37%，均绝对误差（MAE）指标分别减小了22.75%和9.14%，决定系数（R²）指标分别提升了11.27%和2.37%。同时，发现该模型在规律性较高的工作日的预测效果好于周末，且对工作日早高峰的预测效果最好，可见该模型可为短时城市区域交通流量变化监测提供依据。

针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。