针对目前交通流短时预测对于交通流特性考虑得不够全面、预测精度不高的问题，提出一种基于时空节点选择和深度学习的城市道路交通流短时预测方法。首先,在理论和数据表现上对交通流特性进行分析，获得时空特性;其次,根据车流的可达范围确定候选时空节点集合，以误差平方和的倒数为目标函数计算适应度，在训练集上使用遗传算法和反向传播神经网络(BPNN)进行时空节点选择，得到最终的时空节点和训练好的BPNN;最后,在工作集上将选择的时空节点的实测值输入训练好的BPNN得出预测值。实验结果表明，所提模型与仅使用相邻时空节点数据、采用其他时间节点范围、支持向量机(SVM)和梯度提升树(GBDT)相比误差略有降低，平均绝对误差(MAE)和平均绝对百分误差(MAPE)分别为10.631 6和14.275 8%；仅使用与待预测路段相邻空间的交通流数据的预测结果相比MAE和MAPE两个值上分别高出了0.257 3和0.999 1个百分点。

针对缺失公交到站信息修补方法考虑因素较少、准确度低、鲁棒性差的现状，提出了基于DBSCAN算法和多源数据的缺失公交到站数据修补方法。该方法使用公交全球定位系统（GPS）、公交集成电路卡（IC）等多源数据进行缺失到站信息的修补。对于缺失的到站名称、到站经纬度数据，用已有完整到站数据和静态线路信息关联分析进行修补。对于缺失的到站时刻数据，则按以下步骤进行修补：首先，对每一个缺失数据站点与其最近的未缺失数据站点，将这两站点间历史完整到站数据的行程时间和班次时序进行基于DBSCAN算法的聚类；其次，判断研究班次的两个相邻的数据完整的班次所属簇是否为同一个簇，若为同一个簇则不作改变，否则将两个簇合并；最后，将簇中点对应最大行程时间作为缺失行程时间判断是否有乘客在该站点上车刷卡，若有则由乘客开始刷卡时刻推算到站时刻，若无则将簇中点对应最大、最小行程时间的均值作为缺失行程时间推算到站时刻。以厦门市公交到站数据为例，在缺失到站名称、经纬度修补中，基于GPS数据聚类的方法、基于极大概率估计的方法和所提方法皆可进行100%的修补；在缺失到站时刻修补中，所提方法的平均相对误差比两种对比方法分别低0.0301%和0.0004%，相关系数比对比方法分别高0.005和0.0075。实验结果表明，所提算法在缺失公交到站数据修补中能有效提高修补的准确度，降低缺失站点个数变化对于准确度的影响。

基于扩频的音频隐藏算法一般都采用阈值相关法进行检测，但感知整形过程往往会破坏伪随机序列的正交性。为削弱盲提取时原始载体信号所导致相关噪声的影响，通过分析音频信号、伪随机序列和信道的统计特性，推导出接收信号的数学期望和方差，并给出了正确检测时各参数间的约束关系。最后，通过仿真实验验证了以上结论的正确性。

挂号电子邮件协议需要具备保密性、不可否认性及公平性。提出了一种基于在线第三方的挂号电子邮件协议，以满足挂号电子邮件的一般安全特性。利用扩展Kailar逻辑对该协议进行分析，说明该协议满足不可否认性及公平性，并具有抗篡改、重放等攻击及第三方无法获得邮件内容等优点。