融合图神经网络模型与强化学习的综合能源系统优化调度

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究,将系统状态表示为向量用于学习的模式,其训练效率与信息利用率较低。针对这一问题,提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先,将电-热-气综合能源系统建模为图结构数据,充分利用系统的拓扑信息。其次,提出了基于图神经网络架构的强化学习模型,使其可以充分利用图结构信息实现更快的训练速度,获得更大的探索空间。最后,将表示系统状态的图结构信息送入该模型进行训练,算例仿真验证了该方法的训练效率与探索能力。

基于双重注意力机制的图神经网络模型的会话推荐

针对会话推荐场景,同一个会话中的用户行为具有内在联系。将用户会话行为的上下文信息引入会话,并对会话中的行为建模;同时导入注意力机制,构建基于双重注意力机制的会话推荐模型,从多维视角去提取用户会话数据中可能隐含的潜在用户长期喜好与短期兴趣信息。该双重注意力机制可通过给用户不同的输入行为数据赋予不同的权重,从而达到对当前推荐任务关键信息的聚合,提升推荐效果和用户体验。所构建的模型在两个公开数据集上分别进行了实验,与基准模型相比较,该模型在各评价指数上都有所提高,证明了模型的有效性。

基于图神经网络的电-热联合能源系统优化调度研究

电-热联合能源系统的优化调度对实现多能互补、节能减排具有重要意义。在使用强化学习方法实现能源系统优化调度工作中,将系统状态作为向量用来学习训练,忽略了系统设备间的连接关系。基于此,提出了基于图神经网络架构的值分布最大熵Actor-Critic算法的强化学习模型。将电-热联合能源系统建模为图结构数据,并输入提出的强化学习模型中,利用图神经网络模型提取系统状态并输出调度策略。所提模型可以充分利用系统的拓扑结构信息,实现更为有效地探索学习。算例仿真验证了所提方法的有效性。

基于磁共振成像的孤独症儿童大脑皮质功能研究进展

孤独症谱系障碍(autism spectrum disorder,ASD)是一种强异质性神经发育障碍,主要包括社会交流障碍、语言发育障碍、刻板重复行为等,ASD患者个体症状差异较大。目前ASD诊断具有一定主观性和随机性。静息态功能磁共振成像可以准确量化评估ASD患者异常脑皮质功能的改变,可为ASD儿童临床早期诊断和干预提供参考,未来可能成为临床ASD儿童早期诊断和临床干预评估的主要客观指标。本文针对孤独症儿童磁共振成像数据处理新技术研究进展,围绕学龄前ASD儿童社会交流、认知语言和刻板行为相关脑功能区的改变等研究热点做一综述,为ASD早期诊断和临床干预精确评估打下基础。

基于Graphsage的用户携转预测研究

当前国内移动网络用户已经趋于饱和,运营商之间对于用户的竞争进一步加剧。如何通过人工智能技术提前预测用户携号转出的倾向是运营商目前的一项重要工作。而当前的预测方法大多基于业务人员积累的经验,无法充分发挥运营商海量多模态数据的优势,也无法充分挖掘数据间的关系。因此,本文提出一种基于Focal Loss改进的GraphSAGE(Graph Sample Aggregate)模型,用于用户携转预测。该模型在携转数据集上实验,结果验证了本模型的优异效果。

基于网络子图表示的铁路运输安全事故分类方法

为解决铁路货物运输中的安全事故分类问题,本文提出了一种面向子图表示的铁路运输事故分类方法。运用网络表示学习方法对货运记录进行网络构建,表示出货运记录及记录之间的相似性,通过图卷积神经网络将货运记录网络结构中的节点信息和边信息进行融合,通过对节点相似度的利用,提升货物运输事故的分类判断准确度。实际数据实验中,将事故类型分为4类,抽象成为一个四分类问题,实验结果表明决策树的F1值稳定在66%,本文提出的方法相比决策树算法F1值提高约9个百分点,达到75.1%。