一种基于序列模式挖掘的独居老人用电预警模型

随着人口老龄化的加深,独居老人数量快速增长,如何及时检测发现老人出现异常情况成为小区管理的迫切需求。另一方面,智能电表技术的发展让用电数据的采集更加精确和及时,使得实时检测老人用电数据异常成为可能,但如何对此海量用电数据进行分析成为了难点。为此,本文提出了一种基于序列模式挖掘的独居老人用电数据预警模型,从历史数据中挖掘了老人用电特征的共性和特性,同时综合考虑了时间、天气数据等外部因素,通过深度学习进行异常检测。相比传统的检测方法,本文提出的模型能更加快速准确地检测异常,为独居老人的生活提供了安全保障,显著降低了社区管理人员的压力。在真实数据集上的实验结果验证了该模型的有效性。

区域-道路时空图网络:一种基于图神经网络的流量预测模型

交通预测在城市规划中具有重要意义.由于交通流具有复杂的时空相关性,交通预测的任务一直面临着许多挑战.现有的方法通常利用上层区域图上的观测特征序列来学习和评价交通状况,而忽略了具有丰富语义的底层路网.为了克服这一缺点,本文将空间数据建模为观测图和隐藏图,并提出了一种新的交通预测框架:区域-道路时空图网络(R2RSTGN).为了学习道路网络和观测到的交通信息之间隐藏的相互作用,本文同时考虑区域和细粒度道路并提出了一种压缩注意力机制,可以为预测提供解释结果.在两个真实数据集上的实验结果验证了该框架的有效性.