基于时间模式注意力的炼化装置振荡传播分析

现有针对炼化装置的振荡传播分析方法构建的振荡传播因果模型中冗余、错误因果关系较多,为此,提出基于时间模式注意力的炼化装置振荡传播分析方法。考虑到时间模式注意力对数据的周期性特征提取能力较强的特点,将其与格兰杰因果分析相结合进行振荡传播因果模型构建,该方法构建的因果模型冗余、错误因果关系较少。同时利用设计结构矩阵对炼化装置的过程变量进行分组处理,以降低所提方法的计算复杂度。所提方法的有效性在催化裂化分馏塔动态仿真模型上得到了验证。

基于时间模式注意力机制和改进TCN的PM_(2.5)浓度预测方法

针对现在PM_(2.5)浓度预测模的预测精度不高和泛化能力差的问题,提出一种结合时间模式注意力机制和改进时间卷积网络(Temporal Pattern Attention and Temporal Convolutional Network,TPA-TCN)的PM_(2.5)浓度预测模型。通过对气象数据和空气污染物监测站点数据进行时空分析,选择具有高相关性的邻近站点作为辅助变量。引入TPA机制,在PM_(2.5)数据时间序列的每个时间步上计算注意力权重,改进TCN的残差结构,提高模型的训练速度和鲁棒性。使用自回归(Autoregressive,AR)算法优化模型的线性提取能力。实验结果表明,该模型在PM_(2.5)预测对比实验任务中表现优异,具备更高的预测精度和更强的泛化能力。

融合改进NBEATSx和时间注意力机制的空气污染预测

针对现有空气污染预测存在结构复杂、对多元变量与不同时间步间依赖关系提取不充分和多步预测精度低的问题,引入了β分布和非线性动态控制函数改进星鸦优化算法(INOA),优化NBEATSx模型参数,提高收敛精度;并融合时间模式注意力机制(TPA)为不同时间尺度的多外生变量自适应分配权重,再结合预测因子获取时间模式关系.利用所提模型对北京地区的PM2.5进行预测,与传统模型相比精度提高超过18.45%,为空气污染预测提供了一种新方法.

基于时间模式注意力机制的CNN-BiGRU短期负荷预测

准确的短期负荷预测可以缓解电力供需矛盾,协调负荷管理,保障电力系统安全。短期电力负荷具有很强的非线性和时间依赖性,并与气候变化和实时电价等诸多外部因素有关,给精准预测短期负荷带来了困难。为此,提出一种基于时间模式注意力(temporal pattern attention, TPA)机制的卷积神经网络(convolutional neural network, CNN)-双向门控循环单元(bidirectional gated recurrent unit, BiGRU)短期负荷预测方法。其中,卷积神经网络用于挖掘不同输入变量与当前负荷间的非线性空间联系,双向门控循环单元用于从时间序列中捕获长期依赖关系,时间模式注意力机制引入以自适应加权赋予特征权重,突出重要信息,实现短期负荷预测。以澳大利亚公开负荷数据集作为实例验证所提方法的效果,预测精度达到了97.651%,与CNN-LSTM、RNN预测模型进行对比,精度分别提高了0.531%和5.992%,实验结果表明:所提的TPA-CNN-BiGRU预测方法具有更高的预测精度和普适性。

基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测

针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度。其次,基于TPA机制,从Bi LSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差。最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务。研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.0546,证明TPA机制能有效提高多风电机组的超短期功率预测精度。

基于解耦注意力机制的多变量时序预测模型

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。

基于时间跨度注意力机制的多变量时间序列预测方法

在深度学习领域中,多变量时间序列预测的关键是充分捕获其长、短期的依赖。通常的做法是使用卷积神经网络(CNN)来提取多变量时间序列的短期依赖。但是目前的大多数方法都仅仅使用了一种尺寸的卷积核来提取短期依赖,这样就只提取到了一种时间跨度的短期依赖,使得序列的短期依赖关系没有被充分学习到。受多尺度特征提取和通道注意力机制的启发,提出了一种基于时间跨度注意力的神经网络(TSANN)方法,通过充分利用短期依赖来提高多变量时间序列预测的准确度。首先,使用一系列不同大小的卷积核来提取不同时间跨度的短期依赖。然后使用时间跨度注意力将这些特征融合起来并送入循环神经网络(RNN),进一步提取长期特征。另外,与其他方法直接将非线性部分和线性部分的输出相加不同,采用了一个权重学习模块来整合非线性部分和线性部分的输出。在四个基准数据集上进行了实验,结果表明TSANN能有效提高多变量时间序列预测的准确度。

基于TPA‑MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法(den⁃sity based spatial clustering with noise,DBSCAN)和线性回归算法进行风功率数据集的异常值检测,利用k最邻近(k⁃nearest neighbor,KNN)插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。

基于改进时间卷积网络的微电网超短期负荷预测

为了提高微电网中用电负荷超短期预测的准确性,对时间卷积网络进行特征增强和注意力增强改进,将时间卷积网络中的一维因果膨胀卷积替换为二维卷积,同时利用时间模式注意力机制对时间卷积网络的隐藏层加权处理,提取负荷的多维特征,挖掘序列中存在的潜藏联系。根据改进的方法建立预测模型并进行对比实验以验证方法的有效性,能够对用电负荷的不确定性进行有效的处理,拓宽特征向量的维度,有效捕捉负荷序列中与时间有关的特征,提高用电负荷的预测精度。

基于GCN和TPA混合模型的青草沙水库叶绿素a浓度预测方法

青草沙水库是上海重要饮用水水源地,面临较大藻华暴发风险,实现对水库叶绿素a(Chl-a)浓度的准确预测,对于饮用水安全保障至关重要。文章以青草沙水库为对象,提出了一种图卷积时间模式注意力网络混合模型(GC-TPA),首先利用时间模式注意力(TPA)机制学习水质数据的时间依赖性,其次使用图卷积网络(GCN)学习不同水质参数之间的关系。另外,为进一步提高模型的预测精度,引入完全自适应噪声集合经验模态分解(CEEMDAN)以降低模型的滞后性,同时使用多层感知机(MLP)学习Chl-a浓度的突变。结果表明:(1)引入的GCN模块显著增强了TPA对Chl-a的预测能力,结合CEEMDAN和MLP的帮助,模型性能进一步提升,以纳什效率系数作为评价指标,混合模型的24 h预测精度较单独TPA提升了56.5%;(2)与单独TPA和长短期记忆网络(LSTM)的对比试验表明,在更长的预测周期(48 h)上,GC-TPA虽然精度下降,但仍表现最好,48 h预测平均绝对误差和均方误差比LSTM低25.5%和24.0%,比TPA低4.92%和8.40%;(3)GCN模块与MLP模块在结果预测中发挥了不同的作用,GCN模块增强了TPA的特征学习能力,提高了模型对Chl-a浓度变化趋势的预测精度,而MLP则对Chl-a的突变较为敏感。研究所提出的GC-TPA混合模型在青草沙水库Chl-a浓度短期预测中表现良好,可为水库水质管理提供支撑。

基于红外的TPA和IAOA BiLSTM电路芯片故障诊断

为了提高电路芯片故障诊断准确率,超参数设置的效率以及特征提取效率,提出一种基于时间模式注意力机制(TPA)的改进算数优化算法(IAOA)优化双向长短期记忆网络(BiLSTM)的电路故障诊断方法。首先,利用IAOA搜寻BiLSTM的最优超参数组合,提高模型诊断精度;然后使用TPA提取重要特征并分配权重,改善模型特征提取能力;最后,将红外摄像仪采集的红外温度数据输入到最优诊断模型中,实现电路芯片故障诊断。实验采用0~30 V可调稳压电源电路进行验证。结果表明,该模型对电路芯片故障诊断准确率高达9827,可实现对电路芯片的高准确率故障诊断。

基于多模式集成深度融合的非侵入式负荷分解模型

目前,基于深度学习的非侵入式负荷分解模型存在对长时间用电信息的时间依赖性建模能力受限及使用同一种分解模型对具有不同负荷特征的设备进行负荷分解所得到的分解误差达不到理想状态的问题。针对上述问题,文章提出了一种非侵入式负荷分解模型,其将基于CNN-LSTM-TPA的分解模型和改进的SVRVB-STCKF模型进行集成融合。首先,其使用时间模式注意力机制(TPA)加强CNN-LSTM分解模型对时间依赖性的建模能力,捕获原始用电信息的负荷特征并实现初步负荷分解;其次,采用支持向量机回归(SVR)建立目标设备的非线性状态空间模型,并利用改进的强跟踪技术和变分贝叶斯对容积卡尔曼滤波算法(CKF)进行改进,得到VB-STCKF模型,对初步分解结果进行二次动态调整。利用REDD和UKDALE公开数据集对所提模型进行验证,结果表明,所提加强模型的时间建模能力及其对初步分解结果进行动态调整的功能,可以有效降低模型的分解误差。

基于注意力机制的时间卷积网络河流总磷预测

深度学习在水质污染监测中的应用研究成为当前热点。为解决水体污染物浓度在上下游之间的不同关联预测问题,以四川省眉山市彭山区岷江水系的TP预测为研究目标,提出了基于时间模式注意力(TPA)机制的时间卷积网络(TCN)预测模型。首先,利用Pearson相关系数对上下游站点处TP浓度进行时空关系分析;然后,利用TCN网络的扩张因果卷积来提取时序数据之间的依赖关系,利用TPA机制学习不同站点TP浓度之间的复杂关系,从而获取不同时间尺度的站点权重;最后,将该模型应用于河流TP浓度预测。结果表明:多站点输入的TPA-TCN模型的评价指标RMSE、MAE和MAPE较单站点输入的TPA-TCN模型分别降低了36.29%、28.18%和25.26%,相比于融入传统注意力机制的TCN模型,融入TPA机制的TCN模型的这3种评价指标分别降低了10.24%、10.78%和9.94%,说明多站点输入的TPA-TCN模型对河流TP浓度预测具有一定的优势。TPA-TCN模型可有效应用于水质监测中,对水质污染物预测具有重要参考意义。

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分。为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型。首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集。然后,使用基于时间模式注意力机制的时间卷积网络对子序列分量分别进行预测。最后,重构预测结果后得到最终的预测值。整个预测过程有助于精准刻画风电的分量特性,并通过TPA机制捕捉变量间的关联性,有效地提高风电功率的预测准确率。

社会注意力资源的分布模式

注意力是人类活动的基础性资源,经济领域对注意力资源的竞争不断加剧,为了更好地开发和利用社会注意力资源,我们有必要对这种资源的分布状况进行分析。社会注意力资源分布是指社会或社会各类特定的群体现实的和潜在的注意力指向的倾向在时间和空间上形成的结构。社会注意力资源的分布既有静态的特征,也有动态的特征:既有整体的特征,又有群体的特征:既有显性的特征,又有隐性的特征:既有时间的特征,又有空间的特征。笔者认为,社会注意力资源的分布主要有'时间分布模式'、'空间分布模式'、'社会关系分布模式'以及'问题与事件分布模式'。

从“生产为王”到“传播制胜”

中国电视媒体曾经是“皇帝的女儿”，那是个大众注意力资源严重过剩的时代，人们有太多的空闲时间需要打发，太多的注意力需要挥洒。 正是在那个只要有产品就有消费的时代，中国电视形成了延续至今的强调生产的流程模式，生产成为所有电视栏目架构设置与运作流程设计的出发点和目的。来看电视节目与栏目结束时出现的“职员表”：

卖门票的高档餐厅

现在做餐厅需要很好的创意，才能吸引用户的注意力，美国芝加哥就有一家非常有创意的餐厅Nextrestaurant。所有的餐厅基本都是两种方式让顾客消费：顾客直接走进餐馆消费，或者提前预订，然后到时间来消费。Nextrestaurant独创了一种全新的消费模式：让顾客像看电影和演唱会一样，选好时间和用餐人数后，通过网络直接购买门票。购票后，在规定的时间客人可以直接进入餐厅，餐厅不会让客人点菜，而是会根据当天的菜单为客人上菜，上什么你就吃什么。

多动症ADHD患者临床招募

据统计,2020年在我国境内ADHD(注意缺陷与多动障碍)的发病率为10%左右,目前仍有很多家长不了解、不重视ADHD,导致孩子错过了最好的干预时间。在传统模式下,ADHD治疗方案依然存在着众多的局限性,所以我们开始不断探索新的解决方案。ADHD数字疗法是一种基于高质量软件程序,通过使用数字疗法游戏对注意力进行训练,从而提高和改善ADHD患儿注意力等症状的新型的治疗方法。

简析提高语文课堂效率的有效途径

在初中语文教学中，影响课堂教学效率的因素是多方面的，尤其是在新课改背景下，如何提高课堂教学效率已成为一个非常重要的教学课题。新课改背景下的初中语文教学，要求每个教师在每节课堂上都要在规定时间内获得“效益”。但在传统语文教学模式下，初中语文教师多是开展“一言堂”式的灌输性教学，学生的学习兴趣和互动积极性不高，学生的主体地位在课堂上没有得到有效保障，所以学生在有限的课堂教学时间里很难长时间保持学习注意力，上课开小差、走神的现象经常发生，从而影响了教师课堂教学效率的提升。鉴于此，有必要对传统的语文授课模式进行改革与创新，积极寻求提高语文课堂教学效率的有效途径。

基于MATCN的光纤周界入侵信号识别方法

针对光纤周界安防模式识别中机器学习算法依赖专家经验、现有深度学习算法学习关键特征能力不足的问题,提出了一种多注意力时间卷积网络(MATCN)识别模型。MATCN以时序信号为输入,通过利用通道和时序注意力优化网络学习机制,挖掘信号关键信息;在卷积过程中使用带泄露修正线性单元(Leaky ReLU)解决神经元坏死问题,提高模型的鲁棒性。搭建了基于相位敏感光时域反射系统(Φ-OTDR)的周界安防系统,模拟了攀爬、敲击、踩踏及无入侵事件。实验结果表明,MATCN的识别率达到了98.50%,识别时间为0.53 s,性能优于长短时记忆网络(LSTM)与融合卷积层的长短时记忆网络(CNN-LSTM)。所提方法能够有选择性地学习不同通道和时间片段中的关键信息,实现对周界入侵信号的准确、高效识别。