基于自校准机制的时空采样图卷积行为识别模型

针对现有行为识别算法忽视时空信息上下文的依赖关系和缺乏多层次感受野的特征提取问题,本文提出一种基于自校准机制的时空采样图卷积网络行为识别模型.首先,介绍ST-GCN和3D-GCN、Transformer和自注意力机制的工作原理,并分析了3D-GCN和Transformer不能有效进行时空上下文建模;其次,为有效进行时空上下文建模而提出了一种时空采样图卷积网络,其以时序连续多帧作为时空采样将全局动作分为多个子动作,通过非局部网络计算单一节点与采样频率帧内所有节点的相关性来建立局部跨时空依赖关系,并通过结合非局部网络和时域卷积计算单个采样子动作与全局子动作的相关性以此来建立全局跨时空依赖关系;然后,为了有效地增强多层次的感受野来捕获更具判别力的时域特征,提出了一种时域自校准卷积网络在两个不同的尺度时空中分别进行卷积并特征融合:一种是原始比例尺度的时空,另一种是使用下采样具有较小比例尺度的潜在时空;再者,结合时空采样图卷积网络和时域自校准网络构建基于自校准机制的时空采样图卷积网络行为识别模型,在多流网络下进行端到端的训练.最后,基于NTU-RGB+D和NTU-RGB+D120骨架动作数据集开展了骨架行为识别的相关实验研究,研究结果表明该行为识别模型具有高效的时空特征提取能力以及优秀的性能.

基于时空卷积动态知识图谱的新能源消纳评估方法

为构建新能源消纳知识图谱,首先,将电网积累的海量调度运行数据以动态四元组的形式,显式地表达调度运行数据的时空关联关系。通过滑动时间窗口快速搜索、提取局部时空图,构建子图数据集。然后,时空同步图卷积网络对局部时空图进行高维特征提取,充分挖掘历史数据的时空关联关系,利用新能源消纳知识图谱中存储的机理知识对模型进行引导,并通过多子图并行训练提升模型的学习效率。最后,基于中国西北某省级电网算例进行仿真和实验验证。结果表明,所提方法可以有效避免复杂的数学建模以及模型求解,相比于传统方法具有更高的评估精度与速度。

可积（度量）Weyl时空中的广义守恒定律

本文利用可积Ｗｅｙｌ时空的Ｖｉｅｌｂｅｉｎ形式，由此求出对应于广义平移变换的能动张量守恒定律并给出引力场能动张量的具体表述。上述理论还存在对应于变换的共形不变守恒流。对于中心对称共形引力场，其物理意义是质荷守恒。

基于时空多图卷积网络的交通站点流量预测

交通流量预测是智能交通系统中的重要组成部分,但由于交通流量受交通状况、地理位置、时间等多种因素影响,使其具有高度非线性与复杂性,实现精准预测的难度较大。针对交通站点的出入流量预测问题,提出一种基于上下文门控的时空多图卷积网络(CG-STMGCN)模型。根据站点间的相邻关系与流通流量关系构造邻居图与流通流量图表示站点流量之间的邻近相关性与流量依赖性,在两图上分别建立基于上下文门控的时空卷积模块捕获站点流量的时空特征,并使用哈达玛乘积融合两图的输出作为最终预测结果。在真实交通站点数据集上的实验结果表明,CG-STMGCN模型的预测准确性优于同类预测方法,且稳定性更强。

时空数据插值的杨赤中滤波法

时空数据插值是时空数据分析的一项基础性任务,其核心问题在于建模时空自相关结构。当时空数据非平稳、分布稀疏时,现有方法难以准确建模时空自相关结构,直接影响了插值的精度与可靠性。本文基于空间域复合变量理论,采用几何学与统计学相结合的策略对时空自相关结构进行建模,提出了一种基于杨赤中滤波的时空数据插值方法。该方法首先耦合杨赤中滤波与时空积和模型,建立定量描述时空自相关结构的时空基本变化函数;然后,基于时空基本变化函数,构建满足最优线性无偏估计准则的时空数据插值模型。采用模拟数据、2000—2009年我国大陆区域年平均气温与2014年5月—2015年4月北京市日均PM 2.5浓度时空数据集进行试验验证,结果表明:本文方法的时空插值精度明显优于当前的3种代表性时空插值方法,且不需要时空平稳性假设,可以更好地适应分布稀疏的时空数据集。

基于时空特征图卷积网络的配电网实时状态估计方法

为了在考虑负荷时空特性以及不健全量测的场景下实现配电网的实时、高容错状态估计,本文从时空图的角度提出一种基于时空特征图卷积网络的动态状态估计算法。首先将配电网量测数据组成三维张量;然后利用时空特征图卷积网络分别提取量测数据的空间拓扑、时间序列和节点属性上的特征信息,通过特征融合得到实时状态估计结果;最后根据状态估计结果生成虚拟量测以消除不良数据的影响。实验结果表明,本状态估计方法具有较高的鲁棒性,且准确性和计算速度均优于传统方法。研究结果可为基于机器学习的电力系统状态估计方法提供参考。

基于时空混合图卷积网络的机器人定位误差预测及补偿方法

工业机器人作为智能制造的重要载体,在大范围复杂任务中具有巨大潜力。但是,定位精度低且难以控制的问题阻碍了机器人在高精度任务的进一步推广。为了提升机器人作业精度,该文提出一种基于时空混合图卷积网络的机器人定位误差预测及补偿方法。首先通过设计图关系编码模块、时空混合特征解码模块,构建基于图卷积网络的机器人位姿误差预测模型;然后,针对传统迭代补偿方法中机器人逆解次数多导致效率低的问题,该文将定位误差补偿问题转化为优化问题,并利用遗传算法同时对位置和姿态进行误差补偿;最后,通过拉丁超立方抽样方法获得训练集,实现机器人定位误差预测模型的训练,并通过实验验证了定位误差预测的准确性以及补偿的效果。

基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测

随着智能电表等高级量测装置在用户侧的广泛部署与使用,海量多源异构的居民用户数据得以采集与存储,为用户级负荷预测提供良好的数据基础。精准的居民用户集群负荷预测是促进智能配电网需求侧管理、辅助电网公司实现削峰填谷的重要基础。然而,现有的用户级负荷预测方法大多利用历史负荷序列的时间相关性构建数据驱动模型,却忽视相邻用户用电行为之间存在的潜在空间相关性。因此,提出一种基于K-means聚类和自适应时空同步图卷积神经网络的居民用户集群负荷预测方法。首先,采用K-means聚类将居民用户集群按照用电行为相似性划分成不同组;然后,基于居民用户集群的分组数量、各组居民用户的历史负荷数据以及各组居民用户负荷序列之间的相关性,构建面向居民用户集群负荷预测的时空图数据;最后,使用自适应时空同步图卷积神经网络实现居民用户集群短期负荷预测。文章通过真实的爱尔兰居民用户负荷公开数据集测试并验证所提方法的准确性和有效性,实验结果表明,相较于各个基准预测方法,所提方法能够充分挖掘并利用不同居民用户用电负荷之间的时空相关性,进而提高居民用户集群负荷预测精度。

基于TSFA和ANN的指数走势时空概率拟合研究

指数分析常需处理海量数据,所以,有同行用人工神经网络来拟合和预测证券指数,并取得一定成果。然而,短期指数动向,本质上是随机过程,直接拟合指数的效用值得怀疑。有鉴于此,文章先用时间平滑滤波算法(TSFA)处理证券指数,再构建时空统计参数--时空积,并用一阶后向差分来合适地划分时空积区间,从而得到指数走势时空概率。最后,用人工神经网络(ANN)拟合该概率,从而为公司投资决策提供一个基于数据统计面的量化参考值。

骨架引导的多模态视频异常行为检测方法

视频异常行为检测是智能视频监控分析的一项重要且具有挑战性的任务,旨在自动发现异常事件。针对只采用单骨架模态导致部分相似运动模式的行为难以区分和缺乏时间全局信息的问题,提出骨架引导的多模态异常行为检测方法。为了充分利用RGB视频模态和骨架模态的优势进行相似行为下的异常行为检测,将从骨架模态中提取的动作行为特征作为引导,使用新的空间嵌入来加强RGB视频和骨架姿态之间的对应关系。同时使用时间自注意力提取相同节点的帧间关系,以捕获时间的全局信息,有效提取具有区分性的异常行为特征。在两个大型公开标准数据集上的实验结果表明所提方法能够有效加强骨架引导的多模态特征在空间和模态上的对应关系,并捕获时空图卷积缺乏的时间全局信息,使运动模式相似的异常行为实现更准确检测。

基于ST-GCN警用巡逻机器人警情识别系统设计

针对现有警用巡逻机器人警情识别系统识别种类单一、识别率较低等问题,基于时空—图卷积网络(ST-GCN)和OpenPose算法的融合,面向跌倒(fall)、打砸(smash)和推搡(push)3种警情,设计了警用巡逻机器人警情识别系统。通过在真实场景测试,3种警情识别率分别为:跌倒85%,打砸80%,推搡83%;实时识别帧率为10 fps。实验结果表明:所设计的警情识别系统可以实现多种警情的实时、准确、可靠识别,具有较高的应用价值。

海洋遥感L3A数据的优化行程及其组合无损压缩算法研究

在比较研究常见的多种无损压缩算法的基础上,进一步研究了符合遥感应用的压缩技术。结合海洋遥感L3A数据产品的特点,提出了一种基于优化行程编码的无损压缩算法以及该算法与哈夫曼编码相结合的组合压缩算法,可应用于MODIS、NOAA、HY等国内外多种卫星的L3级原始数据文件的压缩。通过9种无损压缩算法的对比实验,结果表明,该算法与其它通用的压缩方法或工具相比,具有最小的时空积,即在压缩时间和空间上具一定的综合优势,且更加高效地传输、存储和共享海量的卫星遥感图像或数据。

可积(度量)Weyl时空中的引力和共形规范场理论

本文将纯规范概念引入共形群,构造了可积Weyl空间中包含引力、物质场和Weyl规范场的规范理论。讨论了有关物质场方程,得到惯性质量表达式m=kφ(x),说明了k的引力荷意义。利用Weyl标量场φ(x)的几何性质讨论了共形对称性自发破缺现象。这时Eins-tein引力自然产生,所有物质场获得统一的惯性标度。理论预言了Weyl矢量介子的存在,它是有质量中性介子,经典意义下不参予同物质场的相互作用。

时空自适应图卷积神经网络的骨架行为识别

针对骨架行为识别缺乏全局上下文时间信息时域建模的能力、识别准确率与泛化性能均不理想的问题,提出了一种时间动作图的时间建模特征和一种时空自适应图卷积神经网络(ST-AGCN)骨架行为识别模型.首先,介绍了图表示理论与骨架序列,并设计了时间动作图和基于N阶固定时间结构的邻接矩阵;然后,基于非局部结构融合图卷积理论,提出了时域自适应图卷积网络(T-AGCN)结构;接着,结合空间自适应图卷积网络(S-AGCN)结构,提出了ST-AGCN骨架行为识别模型;最后,为验证该模型时域建模能力、识别准确率与泛化性能,基于NTU-RGB+D和SBU数据集开展了骨架行为识别实验.实验结果表明:该模型在上述数据集上的识别准确率最高分别为92.1%和99.5%,验证了该模型具有优秀的识别准确率和良好的泛化性能.