基于DCGCN模型的海上风电场超短期功率预测

图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。

跨模态语义时空动态交互情感分析研究

针对传统情感分析中存在的模态间交互性差、时空特征融合度低的问题,建立了一种跨模态的语义时空动态交互网络。通过引入双向长短期记忆网络挖掘各模态的时间序列特征,加入自注意力机制强化模态内特征的权重赋值,将自动筛选出的特征矩阵送入图卷积神经网络进行语义交互。然后以时间戳为基础进行特征聚合,计算聚合层的相关系数,获得融合后的联合特征,实现跨模态空间交互,最终完成情感极性的分类与预测。使用公开数据集对所提出的模型进行评估验证,实验结果表明,多模态时间序列提取和跨模态语义空间交互机制可以实现模态内和模态间特征的全动态融合,有效地提升了情感分类的准确率和F1值,在CMU-MOSEI数据集上分别提高了1.7%~13.5%和2.1%~14.0%,表现出良好的健壮性和先进性。

基于句法依赖增强图的方面级情感分析

方面级情感分析旨在分析句子中特定方面的情感极性,现有研究侧重于利用图神经网络建模上下文与方面的依赖信息,忽略了对上下文中情感词及其词性的挖掘和利用。为此,提出一种基于句法依赖的增强图(syntactic dependency enhancement graph, SDEG)模型,在原始句法依赖图上引入情感知识和词性信息,增强情感词权重和相关词性单词在上下文中的作用。使用双向长短期记忆网络和卷积神经网络捕捉句子的重点语义信息,通过图卷积神经网络建模句法依赖增强图,通过交互注意力机制生成特定方面的上下文语义和语法表示以进行情感极性分类。在多个公共基准数据集上的实验结果表明,所提模型在性能上有明显提升。

结合GCN与LSTM的滚动轴承剩余寿命预测方法

针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.

考虑动态交互作用的智能车辆轨迹预测

在多车交互的动态场景中,智能车辆需要具备对周围车辆未来轨迹的预测能力,以实现安全高效行驶。本文提出一种考虑邻车动态交互作用的轨迹预测方法。首先基于目标车辆及周围车辆的历史轨迹信息,构建动态时空关联图,作为交互特征提取模块的输入,再运用图注意力机制获取历史时域上可变的交互特征参数;其次,将目标车辆历史时域信息与可变的交互特征参数融合,嵌入时间注意力机制得到上下文向量,再通过长短时记忆神经网络解码输出目标车辆的未来轨迹;最后,运用CitySim数据集对本文模型进行训练及验证,又采用CQSkyEye数据集对模型进行迁移性实验。结果显示:模型在5 s的预测时域上均方根误差为0.82 m,与其他预测模型的最优结果(0.96 m)相比,精度提升15%,并且可以提前2 s对车辆轨迹进行准确预测;对于迁移性能,本文模型相比其他模型有一定优势,在改变图构建的距离阈值参数后,5 s预测时域上的均方根误差为6.43 m,对比其他模型最优结果(12.41 m),精度提升48%。

面向语法加权图文本的方面情感三元组抽取

方面情感三元组抽取包括方面抽取、意见抽取和方面情感分类3项任务,以管道方式解决该任务的研究方法无法利用元素之间的交互信息,同时也会造成错误传播和冗余训练。基于此,提出一种基于门控注意力和加权图文本的方面情感三元组抽取方法。采用双向长短时记忆网络学习句子的序列特征表示;利用门控注意力单元学习单词之间的线性联系;利用语法距离加权图卷积网络增强三元组元素之间的交互;利用网格标记推理策略预测三元组。在4个公开数据集上进行实验,结果表明:所提方法可以有效增强三元组元素之间的交互,提高三元组抽取的准确率;同时,所提方法的F1值分别为57.94%、70.54%、61.95%和67.66%,与基准模型相比均有所提高。

基于链接关系预测的弯曲密集型商品文本检测

针对商品包装文本检测任务中弯曲密集型文本导致的错检、漏检问题,提出了一种由2个子网络组成的基于链接关系预测的文本检测框架(text detection network based on relational prediction,RPTNet)。在文本组件检测网络中,下采样采用卷积神经网络和自注意力并行的双分支结构提取局部和全局特征,并加入空洞特征增强模块(DFM)减少深层特征图在降维过程中信息的丢失;上采样采用特征金字塔与多级注意力融合模块(MAFM)相结合的方式进行多级特征融合以增强文本特征间的潜在联系,通过文本检测器从上采样输出的特征图中检测文本组件;在链接关系预测网络中,采用基于图卷积网络的关系推理框架预测文本组件间的深层相似度,采用双向长短时记忆网络将文本组件聚合为文本实例。为验证RRNet的检测性能,构建了一个由商品包装图片组成的文本检测数据集(text detection dataset composed of commodity packaging,CPTD1500)。实验结果表明:RPTNet不仅在公开文本数据集CTW-1500和Total-Text上取得了优异的性能,而且在CPTD1500数据集上的召回率和F值分别达到了85.4%和87.5%,均优于当前主流算法。

基于物联网和GCNN-LSTM的河流水文预测方法

针对河流水文存在预测精度不高的问题,利用物联网技术设计了分布式的降雨和水文信息自动采集系统,并提出了一种基于图卷积神经网络和长短期记忆网络模型对河流水位和径流量进行预测的方法;首先通过分析确定了影响河流水文的主要因素,将流域范围内的降雨量信息组成网格化的二维图形矩阵;然后提出了GCNN-LSTM预测模型,将含有降雨信息的二维图形矩阵作为网络模型的输入,获取该流域内降雨与水文变化的时空分布特征;最后采用所提出的GCNN-LSTM预测模型对河南省周口市段颍河的历史水文数据进行训练,再利用训练后的网络对测试集数据进行预测,得到了较高精度的径流量和水位结果,径流量预测结果的RMSE、MAPE和MAE分别仅为17.09 m^(3)/s、1.68%和8.57 m^(3)/s,水位预测结果的RMSE、MAPE和MAE分别仅为0.32 m、0.65%和0.29 m,与其他几种预测方法相比表现出了优越性,对科学合理利用水资源和防洪减灾具有重要意义。

基于知识图谱的长短期序列推荐算法

现有的部分序列推荐算法较少关注用户短期兴趣随时间变化的问题,从而导致推荐的精度不够理想,且在用户兴趣转变的可解释性上有待提高。据此,提出了一种基于知识图谱的长短期序列推荐算法(KGLSR)。将交互历史划分为长期和短期行为序列后,结合卷积神经网络与注意力机制进行长期兴趣的特征重构,并引入知识图谱与图注意力更新用户的短期偏好,最后实现自适应聚合。经验证,该模型在3类真实场景下的数据集中以HR、MRR和NDCG为评价指标的表现均优于对比实验中的主流基线模型。

基于图神经网络的智能电网运行状态分析与评估

智能电网的安全运行是保证持续、高效供电的首要前提,为此,提出了一种基于图神经网络(GNN)的智能电网运行状态分析与评估模型。首先,利用长短记忆网络对量测数据中存在的缺失数据进行填补,以确保模型用于稳定性评估和故障定位时具有良好的性能。其次,基于GNN分别设计了用于电网运行稳定状态评估的二分类器和用于故障元件定位的多分类器。所提模型能够充分挖掘电网运行数据的时空特性,与其他方法相比,所提模型在不同量测条件下均表现出更为优异的性能。实验结果表明:当量测数据时长为0.1 s时,所提模型稳定性评估和故障定位准确率分别为0.9855和0.9814,高于其他模型;当仅可量测到一半元件数据时,所提模型稳定性评估、母线故障定位及发电机故障定位的准确率分别为0.9980,0.9609以及0.9812,高于其他模型。

融合GNN和注意力增强LSTM的轨迹相似度计算方法

传统的轨迹相似度计算方法大多是针对欧氏空间中的轨迹而设计的,忽略了真实的轨迹被交通路网限制的这一事实,无法全面反映实际状况.本文提出了一种基于图神经网络和引入注意力机制的长短期记忆网络的深度学习模型来解决传统方法存在的问题.首先,将轨迹由路网上的路口来表示.然后为路网构建三个独立的视图,其中融合视图由路网知识图嵌入学习路口之间的关系而构建,使用图神经网络和多层感知机学习三个视图的信息,设计视图融合层生成路口表示向量,最后使用多层引入注意力机制的长短期记忆网络来学习轨迹的表示向量,同时还设计了一个判定轨迹相似度的损失函数.在两个真实的城市数据集上的实验结果表明,本文提出的计算方法相较于基线方法具有更高的有效性和可行性.

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。

基于用户长短期历史的多兴趣召回算法

随着互联网时代的高速发展,用户面临信息过载问题,推荐系统应运而生.推荐系统一般分两个阶段,即推荐召回和推荐排序,推荐召回阶段主要用来筛选出一部分候选集以减小推荐排序阶段的计算压力.多兴趣个性化推荐系统对于每一个用户,算法能学习到用户的多种不同的兴趣偏好,然而目前的多兴趣召回算法只考虑了用户短期历史纪录,忽视了用户长期历史纪录中蕴含的丰富信息.针对这一问题,提出一种基于用户长短期历史的多兴趣召回算法,通过不同的神经网络模型结构分别建模用户长短期兴趣偏好,并通过门控融合网络融合用户长短期兴趣偏好,最终得到用户的多个兴趣偏好,实现了个性化推荐召回.在两个公开数据集上的实验证明了模型的有效性.

基于动态图注意力的风电场组合预测模型

为了实现风电场用能管理的高效调度,充分提取多站点间时空特征的潜在联系,提出一种基于动态图卷积和图注意力的多站点短期风电功率时空组合预测模型。使用图卷积实现多站点间时序特征的邻居聚合,并使用图注意力机制加强其对空间特征的提取能力。同时,针对传统模型无法处理图节点关联性实时变化的问题,先在图卷积过程中依据站点间的相关系数和距离动态构建邻接矩阵,再使用门控循环单元处理动态图卷积输出的上下文信息,最后完成风电功率预测。实验结果表明,所提出的组合模型在预测精度、稳定性和多步预测性能方面均最优。

基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法

目前负荷分解模型大都面向城市用户,忽视了农业用电场景下的负荷关联特性,导致现有负荷分解模型在该场景下的分解效果较差,本文提出了一种基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法。该方法首先采用One-hot编码构建包含离散和连续影响因素的负荷特征矩阵;其次,运用负荷行为关联图来表征用户不同负荷设备间关联关系,并采用图注意力网络对负荷间相关性进行权重优化;最后,构建基于卷积神经网络和长短时记忆网络的农业用户负荷分解模型并进行训练部署。仿真结果显示,本文所提出的基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法相比现有方法分别获得4.34%和2.02%的负荷分解精度提升,并更加适用于农业用电场景。

基于图注意力网络的城市内涝积水预测与研究

极端暴雨天气多发频发造成的城市内涝,严重威胁居民的人身财产安全,准确高效的内涝点积水面积预测在提高城市灾害应急处置能力中发挥着至关重要的作用。为了提高城市内涝点积水预测的准确性和直观性,提出一种基于GAT和LSTM网络的GATLSTM组合预测模型,通过GAT提取积水信息局部空间特征,并通过节点分配权重的方式加强对关键信息序列的记忆,随后采用LSTM提取积水面积序列的时间特征,对内涝点积水面积进行预测。以开封市区某内涝点的积水数据建立模型并评估验证,将GATLSTM模型和LSTM、GAT以及GCNLSTM模型进行对比,结果表明:GATLSTM模型的预测精度优于另外3种模型,能够准确地对内涝点积水面积进行预测,可以为防汛工作和应急响应措施的制定提供科学依据。

结合全局信息增强的医学领域命名实体识别研究

中文医疗问诊文本中,由于口语化的不规则表达和专业术语的频繁出现,药物名称等实体难以被精准地识别出来。为了充分利用中文句子词间关系的重要作用,提出了一种用于增强全局信息的医学命名实体识别模型。模型利用注意力机制增强了词嵌入表征,并在使用双向长短时记忆网络的序列处理能力获取上下文信息的基础上,同时从两个方面丰富了句子的全局信息表示。其一是根据句法关系获取词语之间额外依赖关系构建了图卷积网络层用于丰富词间的依赖;其二是构建了辅助任务用于预测词间句法依赖关系的类别。在中文医疗问诊数据集上的实验结果表明,模型具有很好的竞争力,F1值达到94.54%。与其他模型相比,在药物和症状等实体类别的识别上取得了明显提高。在微博公开数据集上的实验也表明,模型具有通用领域的应用价值。

考虑时空相关性的风电机组风速清洗方法

为获得完整可靠的风速数据,提出一种考虑时空相关性的风电机组机舱风速清洗方法。利用图卷积神经网络(GCN)提取风速的空间相关信息、利用双向长短期记忆神经网络(Bi-LSTM)提取时间相关信息,建立GCN-LSTM模型重构各机组风速序列,实现对异常风速数据的识别和清洗。分析风速的时空特性及其对模型清洗精度的影响,确定最优时间尺度和机组节点数量2个重要的建模参数;以中国4个不同地形风电场为例对GCN-LSTM模型进行验证,结果表明考虑时空相关性可有效提高风速清洗精度,风速的时空相关性越高风速清洗误差越小,且该模型在不同地形风电场的风速清洗中表现出良好的鲁棒性。

基于图注意力LSTM深度学习的季度GDP预测应用

GDP预测一直以来都是宏观经济领域的重要研究议题。同时,融合深度学习算法并实时监测GDP的动态变化已是宏观经济指标预测的必然趋势。基于此,本文考虑到宏观经济变量的多源非线性时空特征,提出了一种新的GAT LSTM融合深度学习模型并对季度GDP进行预测。该模型采用图注意力网络(GAT)捕捉空间拓扑结构信息,并运用长短期记忆神经网络(LSTM)提取时间序列信息,以提高模型预测效果。结果表明:与其他基准模型相比,本文所提出的GAT LSTM模型在回归拟合度(R^(2))上平均提升了0.5929、均方误差(MSE)上平均下降了0.6617,具有良好的泛化能力和鲁棒性。该模型在GDP预测领域具有较好的应用前景,以帮助投资者、企业和国家作出科学决策,提高经济效益。

融合长短时记忆与图结构学习的水库水位预测

水库水位变化受降雨、泄洪、蒸发等众多因素影响,现有水库水位预测方法的预测精度有待提升。为此,提出一种融合长短期记忆网络(long short-term memory, LSTM)和图卷积神经网络(graph convolution neural network, GCN)的水库水位预测模型。该模型首先借助LSTM提取水位与相关影响因素的时序依赖特征;随后,设计图结构学习模块,自动捕捉水位及不同影响因素间的关联关系;最后利用GCN进行表征学习和预测。在三峡大坝数据集及合作企业提供的数据集上开展了广泛实验,实验结果证实了所提模型的有效性和优越性。