针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网...针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网络无法捕捉全局信息、难以处理时间序列以及随着网络深度增加带来梯度爆炸的局限性,通过双向结构使模型能从历史数据推断出当前状态,并利用未来短暂波动修正当前状态,从而减少状态转换延迟或瞬时噪声导致的误判。同时,多尺度通道增强注意力机制通过并行多尺度池化,自适应提取不同粒度的时序特征,并结合动态通道交互模块增强关键特征的权重分配。实验结果表明,所提模型在Reference Energy Disaggregation Data(REDD)数据集上对低功率、多状态设备负荷分解误差低,模型泛化能力强。展开更多
动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link predi...动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.展开更多
文摘针对当前非侵入式负荷技术在低功率、多状态设备的时序负荷上存在分解精度不足、模型泛化性能低的问题,提出一种融合多尺度通道增强注意力机制与改进双向时序卷积网络的负荷分解模型。该模型结合多种卷积与残差网络,克服传统卷积神经网络无法捕捉全局信息、难以处理时间序列以及随着网络深度增加带来梯度爆炸的局限性,通过双向结构使模型能从历史数据推断出当前状态,并利用未来短暂波动修正当前状态,从而减少状态转换延迟或瞬时噪声导致的误判。同时,多尺度通道增强注意力机制通过并行多尺度池化,自适应提取不同粒度的时序特征,并结合动态通道交互模块增强关键特征的权重分配。实验结果表明,所提模型在Reference Energy Disaggregation Data(REDD)数据集上对低功率、多状态设备负荷分解误差低,模型泛化能力强。
文摘动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.
