工业数据由于技术故障和人为因素通常导致数据异常,现有基于约束的方法因约束阈值设置的过于宽松或严格会导致修复错误,基于统计的方法因平滑修复机制导致对时间步长较远的异常值修复准确度较低.针对上述问题,提出了基于奖励机制的最小...工业数据由于技术故障和人为因素通常导致数据异常,现有基于约束的方法因约束阈值设置的过于宽松或严格会导致修复错误,基于统计的方法因平滑修复机制导致对时间步长较远的异常值修复准确度较低.针对上述问题,提出了基于奖励机制的最小迭代修复和改进WGAN混合模型的时序数据修复方法.首先,在预处理阶段,保留异常数据,进行信息标注等处理,从而充分挖掘异常值与真实值之间的特征约束.其次,在噪声模块提出了近邻参数裁剪规则,用于修正最小迭代修复公式生成的噪声向量.将其传递至模拟分布模块的生成器中,同时设计了一个动态时间注意力网络层,用于提取时序特征权重并与门控循环单元串联组合捕捉不同步长的特征依赖,并引入递归多步预测原理共同提升模型的表达能力;在判别器中设计了Abnormal and Truth奖励机制和Weighted Mean Square Error损失函数共同反向优化生成器修复数据的细节和质量.最后,在公开数据集和真实数据集上的实验结果表明,该方法的修复准确度与模型稳定性显著优于现有方法.展开更多
现有的异构图嵌入学习方法存在两个方面的问题,一是没有考虑不同节点属性间的深层联系,二是通过注意力机制聚合邻居节点来生成目标节点的向量表示,忽略了目标节点的特征在向量表示中起的作用。为解决上述问题,本文提出了一种多重注意力...现有的异构图嵌入学习方法存在两个方面的问题,一是没有考虑不同节点属性间的深层联系,二是通过注意力机制聚合邻居节点来生成目标节点的向量表示,忽略了目标节点的特征在向量表示中起的作用。为解决上述问题,本文提出了一种多重注意力指导下的异构图神经网络,从点-线-网3个角度学习异构节点嵌入向量。使用双向长短期记忆模型(bidirectional long short-term memory networks,Bi-LSTM)挖掘不同节点的属性间的深层关联关系并将其映射到同一向量空间,利用级联网络对单条元路径实例上的邻居节点和目标节点的特征信息进行融合,从而增强嵌入向量对目标节点信息的表达能力,提出一种多重注意力机制来聚合多条元路径实例上的节点信息,生成最终的节点嵌入向量表示。在3个大型异构图上的实验结果表明,本文提出的模型在异构图嵌入的效果方面优于现有基线模型,并且对于增强节点属性信息上的表达展现出了良好的性能。展开更多
准确的市区交通流量预测对交通管理、城市规划和公共安全等领域具有重要意义.现有城区交通流量预测方法主要采用CNN等深度学习模型,但存在以下问题:一方面由于捕获全局空间依赖需要堆砌很多层增加网络的接受域,导致学习全局空间依赖关...准确的市区交通流量预测对交通管理、城市规划和公共安全等领域具有重要意义.现有城区交通流量预测方法主要采用CNN等深度学习模型,但存在以下问题:一方面由于捕获全局空间依赖需要堆砌很多层增加网络的接受域,导致学习全局空间依赖关系的效率低下,另一方面忽略了城市区域交通流量的动态性.针对上述问题,本文提出了一种基于注意力的动态时空神经网络市区交通流量预测模型(Spatio-Temporal 3D Convolution Global Depth Residual Network, ST-3DGN).首先,该模型使用多层三维卷积捕捉城市区域交通流动性;然后,采用改进的残差结构结合空间注意力机制对远距离区域间流的空间依赖性进行建模;最后,使用了一种早期融合机制稳定了训练过程,从而进一步提高了模型ST-3DGN的性能.在两个真实公开的数据集上进行了大量实验,实验结果表明本文提出的ST-3DGN模型在预测准确性方面明显优于现有的主流交通预测模型.展开更多
文摘工业数据由于技术故障和人为因素通常导致数据异常,现有基于约束的方法因约束阈值设置的过于宽松或严格会导致修复错误,基于统计的方法因平滑修复机制导致对时间步长较远的异常值修复准确度较低.针对上述问题,提出了基于奖励机制的最小迭代修复和改进WGAN混合模型的时序数据修复方法.首先,在预处理阶段,保留异常数据,进行信息标注等处理,从而充分挖掘异常值与真实值之间的特征约束.其次,在噪声模块提出了近邻参数裁剪规则,用于修正最小迭代修复公式生成的噪声向量.将其传递至模拟分布模块的生成器中,同时设计了一个动态时间注意力网络层,用于提取时序特征权重并与门控循环单元串联组合捕捉不同步长的特征依赖,并引入递归多步预测原理共同提升模型的表达能力;在判别器中设计了Abnormal and Truth奖励机制和Weighted Mean Square Error损失函数共同反向优化生成器修复数据的细节和质量.最后,在公开数据集和真实数据集上的实验结果表明,该方法的修复准确度与模型稳定性显著优于现有方法.
文摘现有的异构图嵌入学习方法存在两个方面的问题,一是没有考虑不同节点属性间的深层联系,二是通过注意力机制聚合邻居节点来生成目标节点的向量表示,忽略了目标节点的特征在向量表示中起的作用。为解决上述问题,本文提出了一种多重注意力指导下的异构图神经网络,从点-线-网3个角度学习异构节点嵌入向量。使用双向长短期记忆模型(bidirectional long short-term memory networks,Bi-LSTM)挖掘不同节点的属性间的深层关联关系并将其映射到同一向量空间,利用级联网络对单条元路径实例上的邻居节点和目标节点的特征信息进行融合,从而增强嵌入向量对目标节点信息的表达能力,提出一种多重注意力机制来聚合多条元路径实例上的节点信息,生成最终的节点嵌入向量表示。在3个大型异构图上的实验结果表明,本文提出的模型在异构图嵌入的效果方面优于现有基线模型,并且对于增强节点属性信息上的表达展现出了良好的性能。
文摘准确的市区交通流量预测对交通管理、城市规划和公共安全等领域具有重要意义.现有城区交通流量预测方法主要采用CNN等深度学习模型,但存在以下问题:一方面由于捕获全局空间依赖需要堆砌很多层增加网络的接受域,导致学习全局空间依赖关系的效率低下,另一方面忽略了城市区域交通流量的动态性.针对上述问题,本文提出了一种基于注意力的动态时空神经网络市区交通流量预测模型(Spatio-Temporal 3D Convolution Global Depth Residual Network, ST-3DGN).首先,该模型使用多层三维卷积捕捉城市区域交通流动性;然后,采用改进的残差结构结合空间注意力机制对远距离区域间流的空间依赖性进行建模;最后,使用了一种早期融合机制稳定了训练过程,从而进一步提高了模型ST-3DGN的性能.在两个真实公开的数据集上进行了大量实验,实验结果表明本文提出的ST-3DGN模型在预测准确性方面明显优于现有的主流交通预测模型.