检索结果-维普期刊中文期刊服务平台

基于动态图学习与注意力机制的多变量时间序列预测: 1; 作者洪燚申时凯 +4 位作者佘玉梅杨斌代飞王鉴潇张力逸《计算机科学》北大核心 2025年第S1期680-687,共8页; 多变量时间序列(MTS)预测因变量间复杂的时序依赖和动态相关性而具有挑战性。现有方法大多从单一维度考虑相关影响因素,而未充分考虑多源数据和特征随时间变化的复杂性,这限制了对复杂系统中动态依赖关系的真实反映。针对上述问题,提出... 展开更多; 关键词多变量时间序列预测时序依赖注意力机制动态更新图邻接矩阵门控机制; 在线阅读下载PDF 职称材料

基于解耦注意力机制的多变量时序预测模型: 2; 作者李力铤华蓓 +1 位作者贺若舟徐况《计算机应用》 CSCD 北大核心 2024年第9期2732-2738,共7页; 针对多变量时序预测难以充分利用序列上下文语义信息及变量间隐含关联信息的问题,提出一种基于解耦注意力机制的多变量时序预测模型Decformer。首先,提出一种解耦注意力机制,从而充分利用嵌入的语义信息提升注意力权值分配的准确度;其次... 展开更多; 关键词多变量时序预测自注意力机制模式关联时间关联嵌入机制; 在线阅读下载PDF 职称材料

双向建模增强TKAN和全局注意力机制融合的滚动轴承剩余寿命预测: 3; 作者姜蕾郑建飞 +3 位作者胡昌华赵瑞星韩其辉杨立浩《自动化学报》北大核心 2025年第8期1857-1868,共12页; 滚动轴承剩余使用寿命(RUL)的精准预测是确保设备或系统安全可靠运行的关键.针对滚动轴承RUL预测中多维退化特征的长期依赖关系难以有效建模的问题,提出一种双向时间序列建模与注意力机制融合的预测模型——双向时序科尔莫戈洛夫−阿诺... 展开更多; 关键词剩余使用寿命预测滚动轴承时序科尔莫戈洛夫-阿诺尔德网络双向建模全局注意力机制; 在线阅读下载PDF 职称材料

基于动态图卷积Transformer的瓦斯浓度预测模型: 4; 作者董立红赵楠楠 +1 位作者王丹秦昳《工矿自动化》北大核心 2025年第9期72-80,共9页; 准确预测瓦斯浓度对预防瓦斯灾害事故至关重要,预测精度受瓦斯浓度时间变化规律和瓦斯扩散时空分布特征的双重影响。现有的模型驱动预测方法难以胜任长期和大规模瓦斯浓度预测任务,而数据驱动预测方法未考虑动态空间维度特征的影响,导... 展开更多; 关键词瓦斯浓度预测 TRANSFORMER ITransformer 动态图卷积网络时序-变量注意力机制; 在线阅读下载PDF 职称材料

题名基于动态图学习与注意力机制的多变量时间序列预测: 1; 作者洪燚申时凯佘玉梅杨斌代飞王鉴潇张力逸; 机构云南民族大学数学与计算机科学学院昆明学院信息工程学院滁州学院计算机与信息工程学院西南林业大学大数据与智能工程学院; 出处《计算机科学》北大核心 2025年第S1期680-687,共8页; 基金国家自然科学基金面上项目(62372076) 国家自然科学基金地区科学基金项目(61962033)。; 文摘多变量时间序列(MTS)预测因变量间复杂的时序依赖和动态相关性而具有挑战性。现有方法大多从单一维度考虑相关影响因素,而未充分考虑多源数据和特征随时间变化的复杂性,这限制了对复杂系统中动态依赖关系的真实反映。针对上述问题,提出了一种基于动态图神经网络(DGNN)的动态关系学习网络(DRLNet)。首先,通过动态更新图邻接矩阵来自适应地建模变量间随时间变化的相关性;然后,设计了一种注意力机制模块,聚焦于重要节点的连接及其随时间的演变;最后,通过评估这些节点与当前时间步的相关程度,引入门控机制选择性地结合历史依赖图。在3个多变量时间序列数据集上的实验结果表明,相较于目前主流的基线方法,DRLNet在预测准确度和稳定性方面表现更优异,能更好地捕捉时序数据中的重要模式和变化,实现多变量时间序列预测。; 关键词多变量时间序列预测时序依赖注意力机制动态更新图邻接矩阵门控机制; Keywords Multivariate time series prediction Temporal dependencies Attention mechanism Dynamically updating graph adjacency matrix Gated mechanism; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于解耦注意力机制的多变量时序预测模型: 2; 作者李力铤华蓓贺若舟徐况; 机构中国科学技术大学计算机科学与技术学院科大国创软件股份有限公司; 出处《计算机应用》 CSCD 北大核心 2024年第9期2732-2738,共7页; 基金国家重点研发计划(2018AAA0101200)。; 文摘针对多变量时序预测难以充分利用序列上下文语义信息及变量间隐含关联信息的问题,提出一种基于解耦注意力机制的多变量时序预测模型Decformer。首先,提出一种解耦注意力机制,从而充分利用嵌入的语义信息提升注意力权值分配的准确度;其次,提出一种不依赖于显式变量关系的模式关联挖掘方法,以挖掘并利用变量间隐含的模式关联信息。在话务量、电力消耗和交通3种不同类型的真实数据集(TTV、ECL和PeMS-Bay)上,与长短期时间序列网络(LSTNet)、Transformer、FEDformer等优秀的开源多变量时序预测模型相比,Decformer在所有预测时间长度上都取得了最高的预测精度。相较于LSTNet,Decformer在TTV、ECL和PeMS-Bay数据集上的平均绝对误差(MAE)分别降低了17.73%~27.32%、10.89%~17.01%和13.03%~19.64%;均方误差(MSE)分别降低了23.53%~58.96%、16.36%~23.56%和15.91%~26.30%。实验结果表明,Decformer能够有效提升多变量时序预测的精度。; 关键词多变量时序预测自注意力机制模式关联时间关联嵌入机制; Keywords multivariate time series prediction self-attention mechanism pattern correlation temporal correlation embedding mechanism; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名双向建模增强TKAN和全局注意力机制融合的滚动轴承剩余寿命预测: 3; 作者姜蕾郑建飞胡昌华赵瑞星韩其辉杨立浩; 机构火箭军工程大学导弹工程学院火箭军装备部驻成都地区某军事代表室; 出处《自动化学报》北大核心 2025年第8期1857-1868,共12页; 基金国家重大科研仪器研制项目(62227814) 国家自然科学基金(62233017,62373369)资助。; 文摘滚动轴承剩余使用寿命(RUL)的精准预测是确保设备或系统安全可靠运行的关键.针对滚动轴承RUL预测中多维退化特征的长期依赖关系难以有效建模的问题,提出一种双向时间序列建模与注意力机制融合的预测模型——双向时序科尔莫戈洛夫−阿诺尔德注意力网络(Bi-TKAN-Att).该模型兼具了时序科尔莫戈洛夫−阿诺尔德网络的强时序建模能力和全局注意力机制的关键特征提取能力,采用双向建模的方式捕捉前后向信息,最终实现了具有长期依赖多维退化特征的滚动轴承RUL预测.所提方法在滚动轴承数据集上进行实验验证,结果表明Bi-TKAN-Att模型在捕获滚动轴承退化特性和提升RUL预测精度方面具有显著优势,并通过消融实验证明了模型各组件的合理性和有效性,为滚动轴承的寿命预测提供了全新可行的解决方案.; 关键词剩余使用寿命预测滚动轴承时序科尔莫戈洛夫-阿诺尔德网络双向建模全局注意力机制; Keywords Remaining useful life prediction rolling bearing temporal Kolmogorov-Arnold networks bidirectional modeling global attention mechanism; 分类号 TH133.33 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于动态图卷积Transformer的瓦斯浓度预测模型: 4; 作者董立红赵楠楠王丹秦昳; 机构西安科技大学人工智能与计算机学院; 出处《工矿自动化》北大核心 2025年第9期72-80,共9页; 基金国家自然科学基金项目(62476216) 陕西省重点研发计划项目(2024GX-YBXM-146) 陕西省教育厅青年创新团队科研计划项目(23JP091)。; 文摘准确预测瓦斯浓度对预防瓦斯灾害事故至关重要,预测精度受瓦斯浓度时间变化规律和瓦斯扩散时空分布特征的双重影响。现有的模型驱动预测方法难以胜任长期和大规模瓦斯浓度预测任务,而数据驱动预测方法未考虑动态空间维度特征的影响,导致模型泛化性能较差。为了捕获瓦斯浓度变化的时空依赖性,提高瓦斯预测精确性,提出一种融合多尺度机制的时序−动态图卷积Transformer(TDMformer)并用于构建瓦斯浓度预测模型。在ITransformer框架基础上,设计了时序−变量注意力机制,用于同时建模时序与变量维度特征;融合动态图卷积网络,用于描述井下瓦斯传感器网络拓扑结构,捕获瓦斯浓度数据的空间依赖性;引入多尺度门控Tanh单元,以增强多尺度特征提取能力。实验结果表明,与Graph−WaveNet,GRU,Transformer,AGCRN,DSformer,STAEformer,FourierGNN等模型相比,TDMformer模型的均方根误差分别降低了24.87%,26.37%,21.69%,19.57%,11.90%,10.84%,9.20%,平均绝对误差分别降低了17.09%,25.58%,26.89%,14.56%,11.10%,5.75%,4.53%,拟合系数分别提高了5.94%,6.51%,4.79%,4.12%,2.21%,2.08%,1.76%,验证了该模型具有更高的预测精度和数据拟合度。; 关键词瓦斯浓度预测 TRANSFORMER ITransformer 动态图卷积网络时序-变量注意力机制; Keywords gas concentration prediction Transformer ITransformer dynamic graph convolutional network temporal-variable attention mechanism; 分类号 TD712 [矿业工程—矿井通风与安全]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	操作
1	基于动态图学习与注意力机制的多变量时间序列预测	洪燚申时凯佘玉梅杨斌代飞王鉴潇张力逸	《计算机科学》北大核心	2025	在线阅读下载PDF 职称材料
2	基于解耦注意力机制的多变量时序预测模型	李力铤华蓓贺若舟徐况	《计算机应用》 CSCD 北大核心	2024	在线阅读下载PDF 职称材料
3	双向建模增强TKAN和全局注意力机制融合的滚动轴承剩余寿命预测	姜蕾郑建飞胡昌华赵瑞星韩其辉杨立浩	《自动化学报》北大核心	2025	在线阅读下载PDF 职称材料
4	基于动态图卷积Transformer的瓦斯浓度预测模型	董立红赵楠楠王丹秦昳	《工矿自动化》北大核心	2025	在线阅读下载PDF 职称材料