时空特性下基于图卷积神经网络的风电集群功率短期预测方法 被引量：1

1

作者 乔宽龙 董存 +2 位作者 车建峰 蒋建东 王勃 《太阳能学报》 EI CAS CSCD 北大核心 2024年第5期95-103,共9页

为解决传统风电集群功率预测方法忽略了不同位置点气象关联特性及单场预测无法快速得到风电集群整体功率的问题,并充分考虑到风电集群耦合的复杂时空特性,提出一种融合注意力机制的时空图卷积神经网络的风电集群功率短期预测方法。首先... 为解决传统风电集群功率预测方法忽略了不同位置点气象关联特性及单场预测无法快速得到风电集群整体功率的问题,并充分考虑到风电集群耦合的复杂时空特性,提出一种融合注意力机制的时空图卷积神经网络的风电集群功率短期预测方法。首先,计算区域内风电场站历史功率之间的互信息,提取特征邻接矩阵,并结合影响集群功率的气象特征变量转化为气象图数据。其次,构建图卷积神经网络(GCN)模型,从非欧式空间提取气象图节点关联特征。并馈入融合注意力机制(AM)的门控循环单元网络(GRU)增强时序特征中关键信息对风电集群功率的贡献程度。最后,基于中国西部某省风电集群的实际运行数据,验证所提方法的先进性和适应性。 展开更多

关键词 风电功率 图数据结构 深度学习 时空特性 图卷积神经网络 注意力机制

在线阅读 下载PDF 职称材料

压缩感知和图卷积神经网络相结合的宽频振荡扰动源定位方法 被引量：3

2

作者 王渝红 李晨鑫 +3 位作者 周旭 朱玲俐 蒋奇良 郑宗生 《高电压技术》 EI CAS CSCD 北大核心 2024年第3期1080-1089,共10页

新能源并网引发的宽频振荡严重威胁电网安全,实现宽频振荡源的在线定位并及时采取抑制措施以保证系统安全稳定尤为必要。为此,提出一种压缩采样和图卷积神经网络相结合的宽频振荡源定位方法,该方法首先在子站对时序的振荡信号进行稀疏采... 新能源并网引发的宽频振荡严重威胁电网安全,实现宽频振荡源的在线定位并及时采取抑制措施以保证系统安全稳定尤为必要。为此,提出一种压缩采样和图卷积神经网络相结合的宽频振荡源定位方法,该方法首先在子站对时序的振荡信号进行稀疏采样,获得其低维观测序列,作为节点的时序信息,然后在主站融合系统的拓扑结构捕捉各节点的邻接关系,综合考虑系统振荡的时空特性,运用图卷积神经网络实现振荡源定位。最后利用宽频振荡样本集进行仿真验证,结果表明所提方法在量测数据含有噪声、传输数据缺失以及传输数据偏差的情况下都有较高的定位准确度。 展开更多

关键词 新能源发电 宽频振荡 振荡源定位 压缩感知 时空特性 图卷积神经网络

在线阅读 下载PDF 职称材料

基于混合特征图卷积神经网络的人体行为识别方法 被引量：2

3

作者 李志新 商樊淇 +2 位作者 郇战 陈瑛 梁久祯 《郑州大学学报（工学版）》 CAS 北大核心 2024年第4期46-52,共7页

基于可穿戴传感器的人体行为识别方法不能很好地处理时间序列数据采样点之间的结构信息,也忽略了数据样本之间的潜在联系。针对这一问题,提出了混合时频特征和结构特征的图卷积神经网络模型进行人体动作识别。首先,通过小波包变换获取... 基于可穿戴传感器的人体行为识别方法不能很好地处理时间序列数据采样点之间的结构信息,也忽略了数据样本之间的潜在联系。针对这一问题,提出了混合时频特征和结构特征的图卷积神经网络模型进行人体动作识别。首先,通过小波包变换获取原始信号的时频特征,进一步构建时空图提取信号的结构特征以挖掘采样点间的动态特性,并在结构特征中加入距离约束,弱化时空图中远距离邻居对中心节点的影响。其次,考虑到结构特征提取时受时空图拓扑关系影响较大,选择样本的时频特征构造图卷积神经网络的输入拓扑,混合时频特征和结构特征作为网络输入特征。最后,输入特征沿着输入拓扑结构传播,得到最终分类结果。为了评估所提模型的性能,在WHARF和DataEgo数据集上进行了实验验证。实验结果表明:所提模型的F1分数相比已有的基于卷积神经网络模型在WHARF和DataEgo上均有提升,WHARF数据集上F1最高提升19.58百分点,DataEgo数据集上F1最高提升26.44百分点,证明所提出模型通过挖掘动态特性能够有效提高动作识别能力。 展开更多

关键词 图卷积神经网络 可穿戴设备 人体行为识别 时空图 特征提取

在线阅读 下载PDF 职称材料

基于时空建模的动态图卷积神经网络 被引量：9

4

作者 李荆 刘钰 邹磊 《北京大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第4期605-613,共9页

为了使图表示学习得到的嵌入向量对节点和边不断变化的动态图具有很好的信息表征能力,提出一种动态图卷积神经网络模型(DyGCN),将动态图上的表示学习建模为时间和空间信息的聚合。该模型将从图卷积神经网络(GCN)的空间卷积提取图上的结... 为了使图表示学习得到的嵌入向量对节点和边不断变化的动态图具有很好的信息表征能力,提出一种动态图卷积神经网络模型(DyGCN),将动态图上的表示学习建模为时间和空间信息的聚合。该模型将从图卷积神经网络(GCN)的空间卷积提取图上的结构信息与从时间卷积神经网络(TCN)的因果卷积提取时序上的历史信息相结合,同时在空间卷积层加入自适应的模型更新机制,使得模型参数随着图结构的变化能够自适应地更新。在金融领域数据集上针对金融欺诈检测进行的边分类实验表明,该模型比现有方法有很大的性能提升。 展开更多

关键词 动态图 图卷积神经网络(GCN) 图表示学习 时空卷积

在线阅读 下载PDF 职称材料

基于时空自适应图卷积神经网络的脑电信号情绪识别 被引量：15

5

作者 高越 傅湘玲 +2 位作者 欧阳天雄 陈松龄 闫晨巍 《计算机科学》 CSCD 北大核心 2022年第4期30-36,共7页

随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏... 随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏性、不频繁性等多种特性,提出了一种基于时空自适应图卷积神经网络的脑电情绪识别方法(Self-Adaptive Brain Graph Convolutional Network with Spatiotemporal Attention,SABGCN-ST)。该方法通过引入时空注意力机制解决了情绪的稀疏性问题,并根据自适应学习的脑网络拓扑邻接矩阵,挖掘不同位置的电极通道之间的功能连接关系。最终模型基于图卷积操作进行图结构的特征学习,以实现对脑电信号的情绪预测。在DEAP和SEED两个脑电信号公开数据集上开展了大量实验,实验结果证明,SABGCN-ST相比基线模型在准确率上具有显著的优势,平均情绪识别准确率达到84.91%。 展开更多

关键词 脑电信号 情绪识别 图卷积神经网络 时空注意力机制 自适应邻接矩阵 深度学习

在线阅读 下载PDF 职称材料

基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测 被引量：36

6

作者 董雷 陈振平 +2 位作者 韩富佳 王晓辉 蒲天骄 《电网技术》 EI CSCD 北大核心 2023年第10期4291-4301,共11页

随着智能电表等高级量测装置在用户侧的广泛部署与使用,海量多源异构的居民用户数据得以采集与存储,为用户级负荷预测提供良好的数据基础。精准的居民用户集群负荷预测是促进智能配电网需求侧管理、辅助电网公司实现削峰填谷的重要基础... 随着智能电表等高级量测装置在用户侧的广泛部署与使用,海量多源异构的居民用户数据得以采集与存储,为用户级负荷预测提供良好的数据基础。精准的居民用户集群负荷预测是促进智能配电网需求侧管理、辅助电网公司实现削峰填谷的重要基础。然而,现有的用户级负荷预测方法大多利用历史负荷序列的时间相关性构建数据驱动模型,却忽视相邻用户用电行为之间存在的潜在空间相关性。因此,提出一种基于K-means聚类和自适应时空同步图卷积神经网络的居民用户集群负荷预测方法。首先,采用K-means聚类将居民用户集群按照用电行为相似性划分成不同组;然后,基于居民用户集群的分组数量、各组居民用户的历史负荷数据以及各组居民用户负荷序列之间的相关性,构建面向居民用户集群负荷预测的时空图数据;最后,使用自适应时空同步图卷积神经网络实现居民用户集群短期负荷预测。文章通过真实的爱尔兰居民用户负荷公开数据集测试并验证所提方法的准确性和有效性,实验结果表明,相较于各个基准预测方法,所提方法能够充分挖掘并利用不同居民用户用电负荷之间的时空相关性,进而提高居民用户集群负荷预测精度。 展开更多

关键词 智能配电网 用户级负荷预测 居民用户集群 图数据 时空同步图卷积神经网络

在线阅读 下载PDF 职称材料

基于图卷积神经网络的城市交通态势预测算法 被引量：39

7

作者 闫旭 范晓亮 +4 位作者 郑传潘 臧彧 王程 程明 陈龙彪 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2020年第6期1147-1155,共9页

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法:基于自由流动可达矩阵的时空图卷积深度神经网络(FAST-GCN).利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自... 为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法:基于自由流动可达矩阵的时空图卷积深度神经网络(FAST-GCN).利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证.结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积(STGCN)等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性. 展开更多

关键词 交通流预测 深度学习 图卷积神经网络 时空依赖性 自由流动可达矩阵

在线阅读 下载PDF 职称材料

面向时空图建模的图小波卷积神经网络模型 被引量：10

8

作者 姜山 丁治明 +2 位作者 朱美玲 严瑾 徐馨润 《软件学报》 EI CSCD 北大核心 2021年第3期726-741,共16页

时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法... 时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法不能捕获节点间的长时时空趋势.为了克服这些缺陷,研究并提出了一种新的用于时空图建模的图神经网络模型,即面向时空图建模的图小波卷积神经网络模型(graph wavelet convolutional neural network for spatiotemporal graph modeling,简称GWNN-STGM).在GWNN-STGM中设计了一个图小波卷积神经网络层,并在该网络层中设计并引入了自适应邻接矩阵进行节点嵌入学习,使得模型能够在不需要结构先验知识的情况下,从数据集中自动发现隐藏的结构信息.此外,GWNN-STGM还包含了一个堆叠的扩张因果卷积网络层,使模型的感受野能够随着卷积网络层数的增加呈指数增长,从而能够处理长时序列.GWNN-STGM成功将图小波卷积神经网络层和扩张因果卷积网络层两个模块进行有效集成.通过在公共交通网络数据集上实验发现,提出的GWNNSTGM的性能优于其他的基准模型,这表明设计的图小波卷积神经网络模型在从输入数据集中探索时空结构方面具有很大的潜力. 展开更多

关键词 图小波卷积 图卷积神经网络 时空图建模 时空结构 图神经网络

在线阅读 下载PDF 职称材料

基于图卷积网络和CTC/Attention的连续手语识别

9

作者 边辉 孟畅乾 +2 位作者 李子涵 陈子豪 谢雪雷 《计算机科学》 北大核心 2025年第S1期550-558,共9页

手语是听力障碍患者之间一种重要的交流方式。通过手语识别,可以让患者与正常人进行无障碍的交流。随着深度学习技术的发展,各种手语识别技术也随之发展,但现有的手语识别技术往往无法完成连续识别手语的任务,因此文中提出了一种基于图... 手语是听力障碍患者之间一种重要的交流方式。通过手语识别,可以让患者与正常人进行无障碍的交流。随着深度学习技术的发展,各种手语识别技术也随之发展,但现有的手语识别技术往往无法完成连续识别手语的任务,因此文中提出了一种基于图卷积网络(Graph Convolution Network,GCN)和神经网络的时序类分类(Connectionist Temporal Classification/Attention,CTC/Attention)的连续手语识别方法,分别从空间维度与时间维度提取特征,并将空间注意力机制融入其中,以赋予骨骼点权重,突出有效的空间特征,实现手语的连续识别。该方法可实现连续手语语句翻译的序列对齐和上下文语义建模。首先基于MediaPipe框架采集手语动作骨骼点数据,并基于此搭建中文手语骨骼关键点坐标的数据集,根据骨骼关键点坐标,设计了基于时空图神经网络(Spatio-Temporal Graph Convolutional Networks,ST-GCN)的动态手语词识别方法,然后提出基于GCN和CTC/Attention的编解码器网络,用于实现连续手语语句识别的方法。在数据集有限的情况下,在自建的骨骼点数据集SSLD上对所提出的方法进行评估,实验结果表明,平均连续手语识别字准确率达到94.41%,证明所提模型具有良好的手语识别能力。 展开更多

关键词 连续手语识别 图卷积网络 基于神经网络的时序类分类 MediaPipe框架 骨骼关键点 基于时空图神经网络

在线阅读 下载PDF 职称材料

基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测 被引量：6

10

作者 戴浩男 张辰灏 +1 位作者 甄钊 王飞 《高电压技术》 EI CAS CSCD 北大核心 2024年第9期3914-3923,共10页

净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法。首先,通过... 净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法。首先,通过提取用户净负荷的日内时间特征、长期趋势特征和空间关联特征建立净负荷子集群聚类模型;其次,以子集群为图节点构建考虑“负荷-光伏”双维相关性的图结构,使其能够同时反映负荷和光伏出力特性;最后,引入净负荷总节点和动态邻接矩阵,构建通过长短期记忆神经网络连接的双层动态图卷积模型,得到净负荷预测结果。基于悉尼Ausgrid实际净负荷数据设计的消融实验结果表明,所提时空特征聚类方法和双层动态图结构分别使净负荷预测结果的均方根误差降低了13.44 kW和7.55 kW。未来将进一步拓展预测尺度,为电网保供决策提供更多信息支撑。 展开更多

关键词 净负荷预测 时空相关性 时空特征聚类 图卷积神经网络 动态图结构 双层

在线阅读 下载PDF 职称材料

基于时空图神经网络的高速铁路车站短期客流预测方法 被引量：13

11

作者 何必胜 朱永俊 +1 位作者 陈路锋 闻克宇 《铁道学报》 EI CAS CSCD 北大核心 2022年第9期1-8,共8页

基于历史数据挖掘实现精准的高速铁路车站短期客流预测能有效支撑客运站工作组织的动态调整,提升铁路运输服务水平。考虑列车开行方案、车站关系对客流的影响,提出基于时空图神经网络的铁路车站短期到发客流预测方法,在空间卷积模块中,... 基于历史数据挖掘实现精准的高速铁路车站短期客流预测能有效支撑客运站工作组织的动态调整,提升铁路运输服务水平。考虑列车开行方案、车站关系对客流的影响,提出基于时空图神经网络的铁路车站短期到发客流预测方法,在空间卷积模块中,用关系图卷积融合铁路物理网络、基于列车开行方案的服务网络和车站关系网络以挖掘空间关联性,在时间注意力模块中用注意力机制获取时间关联特征,并用多层长短期记忆人工神经网络实现路网上多站的多步客流预测。选取京沪高速铁路沿线车站到发客流为研究对象,并对比不同步长下的短期到发客流预测效果,结果表明STGNN明显优于对比预测方法。 展开更多

关键词 高速铁路 客流预测 关系图卷积 时间注意力 时空图神经网络

在线阅读 下载PDF 职称材料

多因子融合时空图神经网络的交通参数预测 被引量：1

12

作者 张建旭 金宏意 +1 位作者 胡帅 王雪芹 《重庆理工大学学报（自然科学）》 北大核心 2023年第8期185-193,共9页

针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图神经网络(MF-STGNN)。该模型从路网地理拓扑结构、通行能力和道路交通数据相关性3个角度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征。在多因子空间特... 针对路网级交通参数预测时空特性挖掘不足的问题,提出一种多因子融合时空图神经网络(MF-STGNN)。该模型从路网地理拓扑结构、通行能力和道路交通数据相关性3个角度挖掘路网的空间特征,再通过时间模块(GRU)提取时间特征。在多因子空间特征聚合模块(MF-GNN)中,构建了3个因子关联矩阵;将其中的通行能力关联矩阵C和交通数据关联矩阵D输入到基于频域的图卷积网络(GCN)中,将空间近邻矩阵A输入到图注意力网络(GAT)中,分别提取3种不同的空间特征,将3种特征通过通道注意力模型进行融合,通过GRU提取时间特征。使用重庆市渝北区部分区域浮动车数据集进行实验,结果表明:MF-STGNN能够更好地捕捉路网的时空特性,提高预测精度。 展开更多

关键词 因子关联矩阵 多因子融合时空图神经网络 图卷积网络 图注意力网络 门控循环单元

在线阅读 下载PDF 职称材料

融合同步知识和时空信息的电力系统暂态稳定评估框架 被引量：1

13

作者 刘雨晴 刘曌 +4 位作者 王小君 刘畅宇 裴玮 郄朝辉 窦嘉铭 《电网技术》 北大核心 2025年第6期2334-2346,共13页

新型电力系统复杂耦合特性和时变因素骤增,对暂态稳定评估(transientstabilityassessment,TSA)的准确性和快速性提出更高要求。深度学习算法的引入为TSA问题提供新的解决思路,但模型的结果可靠性问题制约其实际应用。因此提出一种融合... 新型电力系统复杂耦合特性和时变因素骤增,对暂态稳定评估(transientstabilityassessment,TSA)的准确性和快速性提出更高要求。深度学习算法的引入为TSA问题提供新的解决思路,但模型的结果可靠性问题制约其实际应用。因此提出一种融合同步知识和时空信息的评估框架,从电气特征选择、融入领域知识和模型内嵌可解释性方面提升评估性能与结果可信度。首先分析电气特征量与暂态稳定间的理论映射关系,引导模型特征选择;其次分析基于Kuramoto耦合振子模型的同步现象,将同步关键参数(节点耦合强度)引入图卷积神经网络(graph convolution network,GCN)的空间拓扑表示;在此基础上,结合内嵌可解释的Informer模型,提出Infor-GCN模型提取暂态过程特征时空耦合信息并进行特征增强;然后针对不同特征的稳定判别结果设计综合输出策略,提高模型结果可靠性。最后在IEEE-68节点系统的仿真算例表明所提方法在评估准确度和分析效率上具有优越性,并且在新样本下具备较强的泛化能力。 展开更多

关键词 暂态稳定评估 深度学习 图卷积神经网络 同步知识 时空特征

在线阅读 下载PDF 职称材料

联合图卷积和聚类的红外无人机集群多目标跟踪算法

14

作者 李琦 席建祥 +2 位作者 杨小冈 卢瑞涛 谢学立 《电光与控制》 北大核心 2025年第3期15-20,共6页

针对红外无人机集群多目标跟踪场景中个体间外观特征稀少,且同质化严重、集群内个体相互遮挡、平台晃动等挑战问题,提出了一种基于图卷积神经网络(GCN)与聚类算法的融合跟踪算法。首先,引入自注意力特征掩码以增强GCN对轨迹聚合的效果;... 针对红外无人机集群多目标跟踪场景中个体间外观特征稀少,且同质化严重、集群内个体相互遮挡、平台晃动等挑战问题,提出了一种基于图卷积神经网络(GCN)与聚类算法的融合跟踪算法。首先,引入自注意力特征掩码以增强GCN对轨迹聚合的效果;其次,结合交并比(IoU)和可能性C均值聚类,以增强对运动特征的提取和集群内相邻目标的区分能力;最后,采用轨迹连接模型和高斯平滑插值算法对跟踪结果进行进一步优化。所提算法融合了短时轨迹聚合和长时轨迹匹配的能力,仅利用运动信息和交互信息就能实现红外无人机集群多目标跟踪。在红外无人机集群多目标跟踪数据集上进行实验,结果表明:与其他先进跟踪算法相比,所提跟踪算法具有更高的性能指标,MOTA与IDF1分别达到84.9%与80.2%;在目标相互遮挡、平台晃动等复杂场景下也具有优越的跟踪效果。 展开更多

关键词 无人机集群 红外目标跟踪 图卷积神经网络 时空联合约束 轨迹片段聚合

在线阅读 下载PDF 职称材料

基于图卷积STG-LSTM的京杭运河水质时空预测研究 被引量：3

15

作者 宦娟 张浩 +3 位作者 徐宪根 杨贝尔 史兵 蒋建明 《中国农村水利水电》 北大核心 2022年第8期14-22,共9页

快速精准预测河流水质是城市水管理战略的重要任务,而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响,会造成时空维度上分布差异。针对现有水质因子预测方法大多是单监测站点的时间序列预测,无法描述河流水质因子的... 快速精准预测河流水质是城市水管理战略的重要任务,而河流水质因子具有时序性、不稳定性和非线性等特点且受多种因素影响,会造成时空维度上分布差异。针对现有水质因子预测方法大多是单监测站点的时间序列预测,无法描述河流水质因子的空间分布,提出一种基于时空图卷积融合长短记忆神经网络的河流水质时空预测模型(STG-LSTM)。以各监测站点地理位置和水质因子历史观测值为依据,构建时空图来表征各监测站点间的时空相关性。将时空图输入到STG-LSTM模型中,采用图卷积(GCN)提取河流水质数据空间依赖关系,并融合长短时记忆神经网络(LSTM)来获取水质因子数据的时空关联性,实现对未来一段时间运河河段不同位置水质状态的时空预测。用京杭运河常州段上8个监测站点4种不同水质因子数据集进行验证,从预测精度和训练时间两方面,将模型和其他6种预测模型进行比较,并对模型进行可靠性测试。实验结果表明,STG-LSTM模型能以较短的训练时间得到较高的预测精度,实现了对河流不同位置水质的快速精准预测,为城市水管理提供技术支撑。 展开更多

关键词 水质时空预测 图卷积神经网络 长短时记忆神经网络 时空图构建 京杭运河

在线阅读 下载PDF 职称材料

利用混合深度学习算法的时空风速预测

16

作者 贵向泉 孟攀龙 +2 位作者 孙林花 秦三杰 刘靖红 《太阳能学报》 北大核心 2025年第3期668-678,共11页

风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLS... 风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLSTM)来预测高频分量;使用自适应图时空Transformer网络(ASTTN)来预测低频分量,以充分考虑输入序列的时空相关性。最后将高频分量和低频分量合并叠加,得到最终的预测结果。将该模型应用于甘肃省某风电场进行风速预测,实验结果表明,所提出混合深度学习模型能有效提高风速预测的准确性。 展开更多

关键词 风速 预测 深度学习 图卷积神经网络 双向长短期记忆网络 自适应图时空Transformer

在线阅读 下载PDF 职称材料

计及动态时空相关性的多风电场短期功率预测

17

作者 李丹 黄烽云 +3 位作者 杨帆 唐建 罗娇娇 方泽仁 《电力系统及其自动化学报》 北大核心 2025年第2期1-9,共9页

针对同一区域内多风电场出力间复杂且动态的时空相关性,提出一种基于注意力时空同步图卷积网络的多风电场短期功率预测模型。首先引入注意力机制量化天气特征对风功率的影响,构建相邻3个时间步的风功率局部时空图,卷积提取局部时空特征... 针对同一区域内多风电场出力间复杂且动态的时空相关性,提出一种基于注意力时空同步图卷积网络的多风电场短期功率预测模型。首先引入注意力机制量化天气特征对风功率的影响,构建相邻3个时间步的风功率局部时空图,卷积提取局部时空特征;然后用时空同步图卷积层聚合输入时窗的整体时空特征;最后非线性映射输出多风电场未来时段的功率预测结果。实际算例结果表明,所提模型通过学习不同天气条件下风功率的时空动态演变规律,可将多风电场日前功率预测精度提高2.10%~13.94%。 展开更多

关键词 深度学习 风电功率 相关性 时空同步图卷积网络 功率预测

在线阅读 下载PDF 职称材料

基于时空动态图的交通流量预测方法研究

18

作者 孟祥福 谢伟鹏 崔江燕 《智能系统学报》 北大核心 2025年第4期776-786,共11页

为改进现有交通流量预测方法在建模时空数据和捕捉动态空间相关性方面的不足,提出了一种时空动态图卷积网络(spatio-temporal dynamic graph network,STDGNet)。该模型采用带嵌入层的编码器–解码器架构,通过动态图生成模块从数据驱动... 为改进现有交通流量预测方法在建模时空数据和捕捉动态空间相关性方面的不足,提出了一种时空动态图卷积网络(spatio-temporal dynamic graph network,STDGNet)。该模型采用带嵌入层的编码器–解码器架构,通过动态图生成模块从数据驱动的角度挖掘潜在的时空关系,并重构每个时间步的节点动态关联图。嵌入层使用时空自适应嵌入方法建模交通数据的内在时空关系和时间信息;编码器部分利用时空记忆注意力机制,从全局视角对时空特征进行建模;解码器部分将图卷积模块注入循环神经网络中,以同时捕捉时间和空间依赖关系,并输出未来流量情况。实验结果表明,所提模型与最优基线模型解耦动态时空图神经网络(decoupled dynamic spatial-temporal graph neural network,D2STGNN)相比,平均绝对误差降低了1.63%,模型训练时间缩短了近2.5倍。本研究有效提升了交通流量预测的准确性与效率,为智能交通系统的建设提供了有力支撑。 展开更多

关键词 交通流量 时空数据 混合模型 注意力机制 时空动态图 图卷积神经网络 循环神经网络 深度学习

在线阅读 下载PDF 职称材料

基于图卷积门控循环网络的个体地铁出行预测

19

作者 翁小雄 覃镇林 张鹏飞 《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心 2022年第9期1-6,15,共7页

针对个体地铁出行受到地理位置的限制,对地铁出行预测任务提出一种时空特性建模的方法,解决过去的研究中只对出行序列的时间特征建模,而不能充分挖掘数据中的空间特性的问题。提出的方法先对个体出行序列的空间特征进行构建,通过图卷积... 针对个体地铁出行受到地理位置的限制,对地铁出行预测任务提出一种时空特性建模的方法,解决过去的研究中只对出行序列的时间特征建模,而不能充分挖掘数据中的空间特性的问题。提出的方法先对个体出行序列的空间特征进行构建,通过图卷积神经网络提取空间特征,使用门控的方法将表示时空特性的嵌入向量进行融合,然后使用门控循环网络对时空特征进行学习。通过广州地铁羊城通刷卡数据构建的个体出行序列数据集进行验证,该模型的预测准确率高于只对时间特性建模的模型。最后通过构造具有显著个体出行空间特性的人造数据与真实数据进行不同比例混合,验证该模型能有效学习个体出行的空间特性,具有更强的鲁棒性。 展开更多

关键词 交通运输工程 个体出行预测 个体出行时空特性 图卷积神经网络 门控循环单元

在线阅读 下载PDF 职称材料

融合人群移动轨迹和时空-类别的下一个兴趣点推荐 被引量：1

20

作者 郭秉璇 杨晓文 +3 位作者 孙福盛 况立群 张元 韩慧妍 《计算机工程与应用》 北大核心 2025年第2期316-326,共11页

下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值... 下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。 展开更多

关键词 兴趣点推荐 门控图卷积神经网络 自注意力机制 时空网络

在线阅读 下载PDF 职称材料