基于时空图卷积神经网络的强迫振荡定位与传播预测

振荡源定位与传播预测是抑制强迫振荡和保证电力系统稳定的关键。现有方法未能充分利用电网的空间拓扑信息和振荡的时序特征,限制了定位和预测的精度。因此,该文提出一种基于时空图卷积神经网络的强迫振荡定位与传播预测方法。首先,根据节点特征和拓扑信息构建图数据,考虑到强迫振荡传播的快速性,通过切比雪夫多项式扩大节点空间感受野,提取振荡空间特征。同时,利用门控循环单元网络提取多个节点振荡数据的时序关联,通过时空图卷积单元融合空间和时序特征。然后,将定位与传播预测分别建模为分类和回归问题,训练时空图卷积神经网络模型。算例分析表明,所提方法具有更高的准确率,且在噪声和部分节点数据缺失的情况下依然具有较好的性能。

基于改进时空图卷积网络的人员交互行为识别

针对人员交互行为识别存在的多模态数据融合方法导致的识别准确率与模型性能无法同时满足的问题,提出一种基于改进时空图卷积网络的人员交互行为识别方法。将单模态骨架数据引入级联的密集时空图卷积块网络中获得丰富的时空特征信息,提高特征复用率;设计一种增强时空图卷积网络(EST-GCN)单元提高网络对关节点之间的信息表征能力;引入一种运动特征因子衡量肢体不同关节的重要程度,提高模型识别效果。在Kinetics数据集和办案区场景数据集上的实验结果表明,所提出方法在识别效果上具有一定优势,且该方法在模型复杂度及运行效率上具有很好的竞争力。

基于潜在特征的时空图卷积网络轨迹预测方法

为提高车辆轨迹预测精度,提出一种基于潜在特征的时空图卷积网络轨迹预测方法CRSTGCN。首先,该方法特别添加了一个时间上更早、更长的历史轨迹作为输入,并基于该输入建立了潜在特征编码层。然后,CR-STGCN将该潜在特征编码层编码的潜在特征与时空图卷积编码的机动性与动力性特征拼接融合,并采用两层门控循环单元(Gate Recurrent Unit,GRU)解码出预测轨迹。最后,将采用时空图卷积编码和两层GRU解码的预测轨迹模型STGCN与CR-STGCN在NGSIM数据集上进行对比。结果表明,CR-STGCN在不同机动类型、交通密度场景下的预测精度均优于STGCN,证明了这一方法应用于车辆轨迹预测的有效性,为轨迹预测特征选取提供了新思路。

面向双机编队战术识别的时空图卷积网络

空战中的双机编队战术识别具有重要的研究意义和应用价值。为了提高双机编队战术识别的准确率和鲁棒性,采用深度学习技术,提出了一种面向双机编队战术识别的时空图卷积网络。首先,对双机编队协同作战序列数据进行了时空图构建;然后,通过空域图卷积网络模块、时域图卷积网络模块和通道注意力模块提取了双机编队战术的时空域特征;最后,利用分类器对双机编队战术进行了识别。试验结果表明,该网络可有效识别双机编队战术。

基于时空图卷积网络的短期空间负荷预测方法

为充分利用Ⅰ类元胞负荷之间的空间影响性,提高空间负荷预测精度,提出了一种基于时空图卷积网络的短期空间负荷预测方法。首先,将各Ⅰ类元胞视为节点,各Ⅰ类元胞的历史负荷作为节点的特征信息,各Ⅰ类元胞之间的电网拓扑结构作为边,构建一个空间负荷时空信息图。然后,根据空间负荷时空信息图中的拓扑结构和距离信息,采用阈值高斯核方法确定时空图卷积网络的邻接矩阵。最后,将空间负荷时空信息图采用时空图卷积网络进行训练,得到空间负荷预测模型,以中国某市某一区域的数据为例,与现有方法进行对比,验证了所提方法的有效性。

基于图小波卷积神经网络的时空图挖掘模型

针对传统时空图网络模型对时空序列数据空间结构刻画和时空特性挖掘不充分的问题,提出一种基于图小波神经网络的时空图挖掘模型(ST-GWNN)。基于图小波神经网络通过学习节点特征的局部化表达来捕捉时空序列数据中的空间拓扑结构,时间门控卷积层通过门控线性单元所堆叠的因果卷积来提取时间特征信息,并将多个时间步的空间图相融合来学习时间和空间2个维度关联特征的能力,以更好地捕获时空序列中复杂的时空相关性信息。在公共交通数据集PEMS-BAY上的实验结果表明,ST-GWNN模型能够获得较好的预测效果,当预测时长为15 min时,在MAE、RMSE、MAPE 3个评价指标上相较于基准模型取得最小值,且较基准模型最优值分别降低了2.31%、6.96%、5.84%;当预测时长为30 min和60 min时,较基准模型最优的MAPE、RMSE值分别降低了4.9%、3.51%和6.05%、6.68%,可适用于图网络属性的时空关系预测任务。

基于时空图卷积网络的谐波状态估计方法研究

随着现代电力系统中分布式新能源的广泛接入,谐波问题愈加复杂。现有谐波状态估计方法存在估计精度低、电网参数难以获取、缺乏系统性等弊端。首先,该文对谐波数据时空特性进行分析,基于数据驱动融合图卷积神经网络和门控循环单元对未知节点谐波状态进行估算;其次,提出子图分割方法,将整个系统划分为若干子图独立进行数据采集和状态估计,合并后实现了谐波状态全网可观性,解决了监测装置数量不足的问题;最后,仿真算例数据和实际量测数据均验证了方法的有效性和适用性,为谐波状态估计问题提供了新的解决方案。

基于时空图卷积神经网络的教师教学行为识别方法

教师课堂教学行为是课堂教学活动的重要组成部分,而进行教师的教学行为识别对评价课堂教学质量有着重要意义.该文提出了一种基于时空图卷积神经网络的教师教学行为识别方法,此方法首先以教师教学视频中的单帧影像为单元提取人体骨架点信息,然后以时空图卷积神经网络为框架聚合多帧影像信息,对教师教学行为类别进行识别.为了验证方法的有效性,文章构建了两组包含6大类教师日常教学行为的视频数据集,并进行了对比实验.实验结果表明,基于时空图卷积神经网络的教师教学行为识别方法可以有效排除教室场景内无关信息的干扰,充分利用多帧影像中骨架点间产生的时空信息,来准确识别教师典型教学行为,具有更高准确率和更强的鲁棒性.该文相关研究可以及时、有效地反应教师的教学状态,有助于教师及时优化教学行为,助力智慧教学.

基于时空图卷积的动态网络节点重要性研究

关键节点通常是复杂网络中处于核心位置的节点,针对动态网络核心节点发现的问题,提出了基于时空图卷积的动态网络节点中心性特征提取模型,基于该模型对时序网络的节点进行重要性排序,通过实验数据的对比验证了模型在动态网络核心节点识别上的准确性.

基于软邻接时空图卷积神经网络的动作识别算法

动作识别被广泛应用于诸多领域,如智能监控、人机交互、智能医疗、机器人技术等。近年来,随着智慧城市建设的不断发展,人类动作识别的相关研究越来越受到学术界的关注。然而目前的基于神经网络的动作识别算法普遍存在着准确率低,鲁棒性差等问题。虽然这种传统的方法取得了良好的效果,但这种方法的效果与实际应用之间依然存在差距。为了进一步解决这些问题,设计了一个更有效的动作识别模型,即基于软邻接的时空图卷积神经网络的动作识别算法(spatial temporal soft adjacency graph convolution network, STS-GCN)。首先,将图卷积网络扩展到时间域,并在骨架节点之间引入潜在的相邻关系,从而可以自动学习空间时间维度上的隐藏动作信息;其次,模型引入了一种简易的空间注意机制,使其具有鉴别具有判别力的空间区域的能力,从而获得更好的识别效果;最后对该模型在NTU-RGB+D数据集上进行了实验。实验结果表明,与其他几个现有模型的结果相比,模型测试的识别准确率有所提高。这说明了引入软邻接矩阵的时空图卷积神经网络有利于模型提高动作识别算法的效果。

基于时空图卷积网络的电力系统稳定性评价

为解决传统电力系统暂态稳定分析方法耗时过长问题,提出一种时空图卷积网络模型,以解决电力系统安全稳定运行评价所需时间较长的问题。所提方法将利用数据驱动法对模型进行学习训练,同时构建从暂态过程到时序潮流数据的映射,借助模型训练对故障前、中、后期电网结构与时序特征进行融合判断,并构建仿真试验验证所提方法的科学性。试验结果表明:所提方法仅存在12例漏判,且每条数据的计算时间均可维持在0.005s,可证明该方法的科学性,同时能够解决传统方法耗时较长的问题。

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖,忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系,提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法(DTW-STC)。基于动态时间规整算法确定切片时长,将机会网络切分为快照,用快照的链路状态矩阵表征其拓扑信息;采用时序卷积神经网络获取短期时序特征,结合网络变化构建时空图表征短期时空关系,利用图卷积运算提取网络的短期时空特征,经过多次卷积的堆叠,得到网络长短期时空特征;基于自编码器结构实现向量空间切换,预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明,DTW-STC方法的预测性能优于基线方法。

基于图卷积网络的儿童坐姿检测学习桌椅设计方法研究

儿童长期处于伏案学习的状态,不良坐姿对儿童生长发育容易造成严重影响,对儿童坐姿的矫正已刻不容缓。通过对儿童在学习桌椅上的坐姿行为调研,基于OpenPose姿态估计算法进行坐姿检测分析,引入ST-GCN模型进行坐姿识别与评判,结果表明:使用ST-GCN模型能够快速准确识别儿童的八种坐姿,并根据识别结果对儿童进行有效的错误坐姿提示,其Macro-F1和Micro-F1评价指标分别提高了6.8%和7.4%。同时表明儿童坐姿矫正在自适应儿童学习桌椅上应用的可行性及有效性,可为智能儿童课桌椅的设计提供技术支撑。

基于时空图卷积网络的交通事故风险预测研究

交通事故的预测是通过对过去路段发生的交通事故进行分析,在综合考虑影响交通事故的相关因素后,对未来路段的交通事故发生状态进行预测。以往的大多数研究通常采用传统机器学习方法或单一深度学习模型预测法,利用网格化确定预测空间的单位,忽略了影响交通事故的天气、路况等外部因素,导致模型的预测性能不佳。提出一种基于时空特性的城市交通事故风险预测模型,在模型中使用改进的时空图卷积网络,利用图卷积网络(GCN)提取空间相关特征,并加入批标准化层解决梯度消失爆炸问题。在时间维度上采用门控线性单元(GLU)实现一维卷积操作,提取时间相关特征,并将GCN和GLU组合成时空卷积模块提取时空相关特征,使用均方误差损失函数解决样本数据零膨胀问题。实验结果表明,与GLU、SDCAE和ConvLSTM模型相比,该模型的RMSE指标分别降低了28%、4.87%、4.19%,能有效捕获时空相关性,综合性能得到较大提升。

用于人体动作识别的多尺度时空图卷积算法

基于骨骼数据的时空图卷积人体动作识别网络(ST-GCN)存在时间卷积层结构单一、固定的问题,难以全面提取每个动作类别所需的全部重要阶段特征。针对这一问题,提出了包含多个不同尺度卷积核和多种结构的时间图卷积层,构造了多尺度时空图卷积网络(SMT-GCN),利用不同的时间图卷积操作抽取并融合不同尺度的时间轨迹特征。同时,为了强化人体长距离关联信息和空间结构化特征,在SMT-GCN中融合了构造的变换残差模块(Tran-Res)和轻量级注意力模块(CBAM),构造了多尺度时空图注意卷积网络(SAMTGCN)。实验在NTU RGB+D数据集和HDM05数据集上进行,提出的SMT-GCN和SAMT-GCN均获得了识别精度的提升;另外,设计的多尺度时间图卷积模块可以融合于其他基线网络中并提高性能。为探究卷积核尺度及结构对算法的影响,设计了相应消融实验,实验结果表明卷积核大小为1、5、9的SAMT-GCN性能最优,并且具有稠密结构的网络识别精度要高于具有串行和并行结构的网络。

基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.

基于天气模式识别与时空图神经网络的新能源发电功率预测

区域光伏功率预测有助于调度人员科学、合理地制定调度方案,但现有研究方法没有充分考虑功率输出的时间相关性和云移动造成的影响。为此,提出了一种基于天气条件识别的区域光伏功率时空图神经网络预测方法。考虑了光伏电站之间随天气条件的变化而变化的影响因素,并根据云层覆盖情况将历史光伏发电数据分为三类,根据不同类别设置不同的邻接矩阵。在时空图卷积网络(spatio-temporal graph convolutional network,STGCN)模型的基础上建立了三个子模型,分别通过图卷积神经网络捕捉空间相关性和门卷积神经网络捕捉时间相关性。最后,应用实际数据进行了仿真,并与图神经网络模型、长短期记忆网络模型和STGCN模型进行比较。结果表明,采用STGCN分类模型的方法在功率预测精度上有显著提高。

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。

基于时空图卷积网络改进的人体行为识别方法

针对目前利用时空图卷积网络ST-GCN行为识别模型进行人体行为识别准确性有待提高和如何更好地学习骨骼数据中关节点和骨架边所表达的动作特征等问题,改进现有的时空图卷积网络(ST-GCN)行为识别模型。首先,使用有向图来表示关节点和骨骼边的信息以及它们之间的依赖关系,提取相邻帧的关节位置差异作为运动信息;其次,使用双流框架分别学习运动信息和空间信息,进行融合提高识别性能;最后,使用注意力权重矩阵让图的拓扑结构具有自适应性,增大节点的感受野,使网络能够学习到远端关节之间的语义信息,更好的捕捉动作特征。将所提出的方法在NTURGB+D数据集上进行实验。研究结果表明,采用基于时空图卷积网络改进的人体行为识别方法在数据集上达到了96%的准确率,与现有ST-GCN模型相比,准确率提高了。此方法可进一步促进人体行为识别技术在智能家居、智能监控安防、人机交互、基于内容的视频检索、智慧城市发展等领域的广泛应用。

基于残差时空图卷积网络的3D人体行为识别

人体行为识别是智能监控、人机交互等诸多应用领域的一项基本技术。人体骨骼的动态变化为人体行为识别提供了重要的信息。传统方法通常只是采取人工信息标注或遍历规则,从而导致模型的表征能力有限、泛化性能差。采用一种引入了残差项的动态骨架模型——基于残差连接的时空图卷积网络,不仅克服了以往方法的限制,而且能够学习骨骼数据中的时空模型。在大型骨骼NTU-RGB+D数据集上,该网络模型不仅提高了人体行为特征的表征能力,而且增强了泛化能力,取得了比现有的模型更好的识别效果。