基于时序图推理的设备剩余使用寿命预测

剩余使用寿命(Remaining useful life,RUL)预测是大型设备故障预测与健康管理(Prognostics and health management,PHM)的重要环节,对于降低设备维修成本和避免灾难性故障具有重要意义.针对RUL预测,首次提出一种基于多变量分析的时序图推理模型(Multivariate similarity temporal knowledge graph,MSTKG),通过捕捉设备各部件的运行状态耦合关系及其变化趋势,挖掘其中蕴含的设备性能退化信息,为寿命预测提供有效依据.首先,设计时序图结构,形式化表达各部件不同工作周期的关联关系.其次,提出联合图卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)的深度推理网络,建模并学习设备各部件工作状态的时空演化过程,并结合回归分析,得到剩余使用寿命预测结果.最后,与现有预测方法相比,所提方法能够显式建模并利用设备部件耦合关系的变化信息,仿真实验结果验证了该方法的优越性.

面向金融风险预测的时序图神经网络综述

金融风险预测在金融市场监管和金融投资中扮演重要角色,近年来已成为人工智能和金融科技领域的热门研究主题.由于金融事件的实体之间存在复杂的投资、供应等关系,现有的金融风险预测研究常利用各种静态和动态的图结构来建模金融实体间的关系,并通过卷积图神经网络等方法将相关的图结构信息嵌入金融实体的特征表示中,使其能够同时表征金融风险相关的语义和结构信息.然而,以前的金融风险预测综述仅关注了基于静态图结构的研究,这些研究忽视了金融事件中实体间关系会随时间动态变化的特性,降低了风险预测结果的准确性.随着时序图神经网络的发展,越来越多的研究开始关注基于动态图结构的金融风险预测,对这些研究进行系统、全面的回顾有助于学习者构建面向金融风险预测研究的完整认知.根据从动态图中提取时序信息的不同途径,首先综述3类不同的时序图神经网络模型.然后,根据不同的图学习任务,分类介绍股价趋势风险预测,贷款违约风险预测,欺诈交易风险预测,以及洗钱和逃税风险预测共4个领域的金融风险预测研究.最后,总结现有时序图神经网络模型在金融风险预测方面遇到的难题和挑战,并展望未来研究的潜在方向.

融合社团信息的时序图链路预测算法

时序图旨在表示现实世界中实体之间的时序交互关系,而时序图链路预测是建模这种关系的重要方法。现有基于表示学习的时序图链路预测方法通常基于时序图神经网络建模节点之间交互,并将时间信息融入到图神经网络的消息传递机制中以捕捉交互中的时序关联。时序图神经网络输出的节点嵌入作为时序图表示学习的结果被用于链路预测任务。然而,现有的方法仅考虑了节点之间的交互,而忽视了时序图中广泛存在的社团结构。为解决这一问题,提出一种融合社团信息的时序图链路预测算法(TLPC)。不同于传统社区划分的方法,该方法关注节点邻域社团的表示学习。在节点特征的基础上,引入对比学习技术,使用邻域结构特征采样出正样本和负样本进行对比学习约束,以编码节点所在邻域社团。所学习到的节点邻域社团编码可以有效提升节点嵌入的表示能力,从而提升链路预测的有效性。在四个真实数据集上的时序链路预测任务的实验结果表明,TLPC的准确率相比现有方法平均提升6.47%,F1平均提升6.77%,同时训练时间平均减少62.27%。

基于时序图神经网络的潜在高价值专利识别研究

高价值专利是构建当前“国内国际双循环”新发展格局的核心资源,也是促使我国在国际经济新秩序中立足战略制高点、全面推进科技自立自强的核心要素,准确识别潜在的高价值专利是对其进行价值培育与技术转化的关键性步骤。本文在充分挖掘中国专利奖获奖专利特征的基础上,综合利用Patent-BERT(bidirectional encoder representations from transformers for patent)与图深度学习算法,在融合专利评估指标、文本特征的基础之上,提出了基于图卷积神经网络(graph convolutional network,GCN)与长短时记忆网络(long short-term memory,LSTM)的潜在高价值专利识别模型。本文的创新点主要体现在两个方面:(1)修正了已有研究中仅关注诸如专利增长速度、合作潜力等“数量”特征而缺乏对文本语义深度理解的弊端,从文本语义与专利计量维度构建专利价值的表示模型;(2)考虑到专利价值的时序变化性,从动态视角探索了专利价值的演化规律,为专利价值的挖掘与评估提供了新的研究思路。最后,本文对node2vec、doc2vec、GCN、MLP(multilayer perceptron)等多种模型进行性能对比,研究结果表明,本文模型在多项指标上的表现均优于对照模型,从而有效验证了本文方案的高效性与稳健性。

TD-H2H:时序图上的最短路径查询

道路网络上的最短路径查询是一个已经被广泛研究的基本问题。现有的研究通常将道路网络建模为静态图,查询给定节点间距离最短的路径。然而,道路网络具有时序性,将道路网络建模为时序图更符合实际情况。与静态图相比,时序图的规模更大,结构也更为复杂,增加了时序最短路径的查询难度。时序最短路径是指在给定出发时间下,时序图上源节点和目的节点之间旅行时间最短的路径。因此,时序最短路径的结果受给定出发时间影响,为时序最短路径的查询带来了新的挑战,传统的最短路径算法不适用于时序最短路径的查询。将道路网络建模为时序图,并基于树分解提出了TD-H2H索引,利用该索引可以快速准确地实现时序最短路经查询。首先,研究了时序图上的树分解问题,提出时序树分解算法,将图结构转变为树结构。然后,通过树分解快速确定索引结构,提出了高效的索引构建算法,用以构建TD-H2H索引。最后,基于TD-H2H设计了高效的最短路径查询算法TD-OAI。在4个真实公开的数据集上与现有算法进行了实验,结果表明提出算法的查询效率优于现有算法1~2个数量级,证明了提出算法的有效性和效率。

基于时序图的替补种子节点挖掘算法研究

针对时序图中种子节点失效问题,提出了一种可适用于大规模时序网络的替补种子节点挖掘算法。算法分为启发式预选与贪心式终选两个阶段,预选阶段从失效种子节点局部入手,结合时序图中信息传播的时序特性,定义了节点可替换度的概念,并将其作为选点依据为失效种子节点构建替补列表。终选阶段通过对替补列表中备选节点进行边际效应计算,进一步筛选出能够使得网络影响力达到全局最优的替补种子节点。实验结果表明本文算法挖掘所得替补种子节点可替代性较高,其影响力在保证对特定区域节点高覆盖率的同时,依旧能够维持较高的网络全局影响力。

面向时序图的周期性三角形枚举算法研究

真实世界中的图通常是时序图,即图中的边具有时间戳。随着图数据挖掘算法和现实需要的发展,时序图的数据挖掘算法开始成为热点问题。其中,周期性是时序数据中一个非常重要的特征。周期性出现的数据通常代表着现实世界中值得关注的行为模式。在静态图的数据挖掘算法中,三角形枚举是一个基础且重要的问题。基于时序图,提出了一种新的三角形社群模型,周期三角形,并将周期性数据挖掘与图中的三角形枚举算法相结合,提出了一种高效的时序图周期性三角形枚举算法。该算法主要包含三部分:高效的多级剪枝算法,该算法可以在较小的时间代价下删除不在任何周期三角形中的顶点和边;极大周期枚举算法,通过计算极大周期,提出的算法可以避免对时间维度上重叠社群进行重复枚举;边枚举边剪枝的高效的周期三角形枚举算法。实验表明,该算法可以快速枚举出图中的周期性三角形。

时序图设计法在PLC应用程序设计中的应用

简要介绍了时序图设计法及其在PLC应用程序设计中的应用。以十字路口交通信号灯控制系统为例,详细介绍了应用时序图设计法进行应用程序设计的具体步骤。

基于多态性的UML时序图度量研究

目前对于时序图度量的研究没有考虑到面向对象软件的多态性特点,度量不够准确。本文结合面向对象多态性的特点和UML(Unified mode ling language)类图、时序图,运用图论的方法构建了有向无环图,并在此基础上提出了相适应的度量集,最后通过实例分析说明时序图的多态性扩展和度量集的有效性。同时,本文的研究也为软件测试用例的设计提供了指导。

从时序图描述推导目标描述的方法研究

面向场景的需求建模方法自面世以来,在需求分析过程中被越来越广泛的使用.但是面向场景的需求分析方法在保证需求的一致性和完整性上存在着很大的困难.面向目标的需求分析方法,以目标需求为研究内容,目前已经成功的解决了需求完整性和一致性的判定问题.本文希望将场景描述转化为目标描述,然后通过保证目标的完整性和一致性来保证场景描述的完整性和一致性.因此,本文从场景的时序图描述出发,通过时序图的语义描述提出了一种时序图向操作目标集合的推导方法,并提供了判定推导等价的判定定理.

一种支持时序图恢复的逆向工程方法

逆向工程在软件维护和软件再工程中占据着重要的地位.在逆向工程中,遗产系统的静态结构信息容易恢复,而获取动态行为特征则较为困难.而且在获取行为特征时,仅仅采用动态分析或者静态分析均不能得到理想的结果.提出一个综合运用动态分析和静态分析恢复时序图的逆向工程方法.该方法使用AOP技术生成系统的运行日志,并结合对源代码的静态扫描,抽取遗产系统动态行为信息,并进行逆向建模,生成UML时序图.

真实心脏模型上兴奋时序图仿真数据的可视化

L FX虚拟心脏模型采用具有真实几何形状的三维心脏、躯体模型进行仿真研究 ,但在仿真输出结果上基本上以二维的形式给出。针对这一问题 ,提出了一种体元映射算法 ,将 L FX虚拟心脏模型的关键仿真数据之一兴奋时序图 (EIM)从真实几何形状的心脏模型映射到真实人体心脏模型 ,并在 4 DView三维医学图像实时可视化平台上对映射前后的 EIM仿真数据进行了三维可视化 ,从而将 L FX虚拟心脏模型的 EIM仿真数据的输出从二维拓展到了四维、从真实几何形状的心脏模型拓展到了真实人体的心脏模型。映射前后 EIM仿真数据的可视化结果表明 L FX虚拟心脏模型具有了更为直观有效的仿真特性 。

基于Time Petri Nets的UML时序图分析

引入一种称为Clock的变迁,用来改进TPNs,讨论了如何将时序图转换为基于Clock变迁的TPNs,使这种TPNs能正确反映时序图的流程和时间约束。最后,利用普通Petri网的可达性分析技术对时序图模型进行了分析和验证。

大规模时序图中种子节点挖掘算法研究

针对现有基于时序图的影响力最大化算法多因时间效率低或影响范围窄,不适用于大规模网络的问题,提出了一种融合启发式算法和贪心策略的种子节点挖掘算法(CHG)。首先,基于时序图中信息传播的时序性,给出了节点二阶度概念,并以此对节点影响力进行启发式评估;其次,根据影响力评估结果对节点进行初步过滤筛选,构建候选种子节点集;最后,通过计算候选种子节点的边际效应,解决节点间影响范围重叠问题,保证获取最优种子节点组合。在3个不同规模的时序网络数据集上进行了实验,实验结果表明,所提算法在相对较短的运行时间下,仍能够保证所得种子节点集具有较高的网络全局影响力,在时间效率与种子节点集影响范围2个方面取得了更好的平衡。

大规模时序图中持续性稠密子图搜索算法研究

时序图是一种边上带有时间戳的图结构,其中边上的时间戳表示该边出现时间,即图随时间变化不断变化。图数据中的稠密子图挖掘问题具有非常强烈的现实意义。目前,时序图中大多数现有的工作都集中在稠密子图检测问题,该问题目标是找到时序图中所有的目标子图。然而,当时序图的规模过大时,这一问题将变得极其复杂且收效甚微。旨在研究在时序图中长期被忽视的稠密子图搜索问题。具体来讲,给定一个图中的查询顶点,目标是找到一个在一段时间内持续存在且包含该查询点的稠密子图,即该子图满足时间持续性。从全局削减和局部扩展两种不同的思路出发,设计两种不同的高效稠密子图搜索算法,用以应对不同的应用场景。在四个真实世界网络中的大量实验,验证了提出算法的高效性。

程控系统时序图与逻辑框图设计

以大型合成氨装置分子筛干燥程序控制系统为例 ,阐述程控系统的时序图和逻辑框图的设计 ,探讨如何优化复杂的程控系统设计 ,以便用户掌握 ,方便组态 ,顺利调试投运 ,保证系统的适用性与安全可靠性。

基于OCL约束的多态性时序图测试用例生成方法

由于UML时序图不能够描述多态性,导致根据时序图生成的测试用例存在不足,无法测试多态性方法。提出了一种对多态性时序图的形式化及相应测试用例的生成方法。根据类约束和满意集规则确定类的多态性方法集CSPM(class sets of polymorphism methods),并将多态性时序图转换为多态扩展有向无环图PCOMDAG(polymorphism class object method acyclic graph)。使用提出的测试覆盖准则及深度优先算法对PCOMDAG图进行遍历,自动生成多态性时序图的测试用例。通过实例验证方法的有效性,其结果表明,本方法能够生成基于OCL约束时序图的测试用例对多态性方法进行测试,提高时序图测试集的覆盖度。

基于时序图的异步时序逻辑电路的设计

在异步时序逻辑电路的设计过程中,以波形分析为基础,通过电路的状态转换图得到电路的时序图,通过时序图的分析确定触发器的时钟方程,在时钟方程的作用下得到状态转换,填写次态卡诺图,通过次态卡诺图的化简得到输出方程和状态方程的设计方法。该方法简单实用,学生易于理解和接受。

双光子过程的能级图和时序图

从辐射与分子相互作用的跃迁几率幅出发,说明各种双光子过程的能级图和时序图与相互作用的微扰矩阵元的对应关系。

时序图上动态子图查询优化算法

挖掘时序图中的特定模式,能够有效地发现有价值的信息,并进行预测与决策支持,因此动态子图的查询及索引优化成为时序图研究的一个热点。研究了聚焦在动态子图的快速查询,着重探讨了索引优化,给出了查询模型的定义及基本查询算法。针对查询算法进行索引优化,提出了两种不同的建立索引的方法,波形索引及二叉树索引。为了验证索引的适用条件,设计了相应的实验,并使用随机数据集对实验程序进行测试,从时间消耗和空间占用的角度对两种索引的运行效率进行了验证分析。波形索引的优势在于存储结构简单,适用于边长度较长边数量不多的情况。二叉树索引的查询速度快,适用于边长度较短边数目较多的情况。