基于深度学习的客流量预测系统
本文分析了疫情后旅游市场复苏带动地铁客流增长的背景，探讨了客流预测对交通运营的重要性，综述了基于多源数据与深度学习模型（如LSTM、STGCN）的研究进展，并介绍了CNN与RNN在人流预测中的技术原理及系统实现路径。
115_LLM基础模型架构设计：从Transformer到稀疏注意力
大型语言模型（LLM）的架构设计是其性能的核心决定因素。从2017年Transformer架构的提出，到如今的稀疏注意力和混合专家模型，LLM架构经历了快速的演进。本文将全面探讨LLM基础架构的设计原理，深入分析Transformer的核心机制，详细介绍稀疏注意力、MoE等创新架构，并展望未来架构发展方向。通过数学推导和实践案例，为构建高效、强大的LLM提供全面指导。
62_模型融合：ensemble LLM技巧
在2025年的AI生态中，大语言模型(LLM)已成为技术创新的核心引擎，但单一模型在面对复杂任务时往往表现出局限性。不同模型由于训练数据、架构设计和优化目标的差异，在各领域展现出独特优势：模型A可能擅长逻辑推理，模型B在创意写作上更出色，而模型C则在事实性问答中准确率更高。
Java与大模型集成实战：构建智能Java应用的新范式
随着大型语言模型（LLM）的API化，将其强大的自然语言处理能力集成到现有Java应用中已成为提升应用智能水平的关键路径。本文旨在为Java开发者提供一份实用的集成指南。我们将深入探讨如何使用Spring Boot 3框架，通过HTTP客户端与OpenAI GPT（或兼容API）进行高效、安全的交互。内容涵盖项目依赖配置、异步非阻塞的API调用、请求与响应的结构化处理、异常管理以及一些面向生产环境的最佳实践，并附带完整的代码示例，助您快速将AI能力融入Java生态。