融合注意力机制的通道拓扑细化改进的图卷积网络

针对目前骨架动作识别网络数据处理的处理方式、不同动作肢体的动态表述以及时间特征提取的不足,本文提出AA-SGN网络模型,将原始的关键点特征转换成骨骼特征,将动态的非拓扑网络,改进为动态拓扑细化的图卷积网络,在充分利用语义信息的基础上,在时间尺度上融合注意力机制,关联空间和时间信息,使网络充分利用骨骼位置信息和时间流的运动信息,在NTU60 RGB+D的CS和CV设定上提高了1%和0.4%,在NTU120 RGB+D的CSub和CSet分别提高了5.7%和4.6%,证明本文提出的AA-GCN能有效识别骨架动作。

基于多尺度时空图卷积网络的交通出行需求预测

满足公众高质量出行需求是智能交通系统(ITS)的主要挑战之一。目前,针对公共交通出行需求预测问题,现有模型大多采用固定结构的图描述出行需求的空间相关性,忽略了出行需求在不同尺度下具有不同的空间依赖关系。针对上述问题,提出一种多尺度时空图卷积网络(MSTGCN)模型。该模型首先从全局尺度和局部尺度构建全局需求相似图和局部需求相似图,这2种图可以捕获公共交通出行需求长期内较为稳定的全局特征和短期内动态变化的局部特征。利用图卷积网络(GCN)提取2种图中的全局空间信息和局部空间信息,并引入注意力机制融合两种空间信息。为了拟合时间序列中潜藏的时间依赖关系,利用门控循环单元(GRU)捕捉公共交通需求的时变特征。采用纽约市出租车订单数据集和自行车订单数据集进行实验,结果表明MSTGCN模型在自行车订单数据集上均方根误差(RMSE)、平均绝对误差(MAE)和皮尔逊相关系数(PCC)达2.7886、1.7371、0.7992,在出租车订单数据集上RMSE、MAE、PCC达9.5734、5.8612、0.9631。可见,MSTGCN模型可以有效地挖掘公共交通出行需求的多尺度时空特性,对未来公共交通出行需求进行准确预测。

基于预诊断和图卷积神经网络的5G网络故障诊断

随着5G网络的大规模商用,移动网络愈发复杂,这使得传统的移动网络故障诊断方法越来越难以满足5G网络的需求。将神经网络应用于5G网络故障诊断,可以提高诊断效率和准确性。文章提出一种基于图卷积神经网络的5G网络故障诊断方法,并引入预诊断环节,结合先验知识和人工智能的优势,提高诊断的智能化水平。

域自适应动态图卷积网络下的地铁客流预测

针对客流预测中存在因数据量有限导致模型训练过程中出现高方差和泛化性差等问题,提出一种域自适应动态图卷积网络(GCN-DANN)。通过构建地铁线路的节点网络拓扑结构,并利用动态图卷积网络提取相邻站点之间的流量、站点所属线路的交通负载以及不同线路之间的流量传播等关联特征。同时采用迁移学习自适应对齐源域和目标域的特征,减少因数据分布不一致而导致预测性能低等现象。最后,通过全连接层将源域和目标域中的特征进行信息融合,进而弥补训练过程出现高方差和泛化性差等缺陷。在深圳地铁数据集上对模型训练,分别在杭州地铁全样本和20%样本数据集上进行测试和验证。实验结果表明,在20%样本数据集下,GCN-DANN网络与经典预测网络相比,MAE、RMSER和MAPE分别平均下降5.34%、6.07%、2.97%。在全样本数据集下,GCN-DANN在20%样本基础上的三项指标分别下降2.76%、1.77%、3.5%,相较于其他经典网络下降幅度最小。研究可解决实际应用中因数据稀缺导致预测效果差的问题。

基于图卷积网络的光伏配电网故障诊断方法

近年来,机器学习技术在电网的故障诊断领域表现出了更显著的性能优势,然而大部分研究仅基于对已有信号进行数据分析,忽略了网络拓扑的分析,具有一定的局限性.鉴于此,提出了一种基于图卷积网络(Graph Convolutional Network,GCN)的光伏配电网故障检测和识别方法,其利用配电网拓扑信息和测量数据来进行故障识别,在标准测试数据和不良数据注入的情况下该方法均具有更优秀的故障特征提取能力.以PSCAD/EMTDC平台中的一个光伏配电网为例,对各种正常和故障电网事件进行了仿真和模型训练,并与其他几种基于机器学习的故障诊断方法进行了对比.结果表明,该故障诊断方法在故障检测和分类方面比其他算法具有更高的准确率,同时在存在不良数据的情况下也具有较好的鲁棒性.

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。

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。

基于图卷积网络的快速暂态安全评估方法

快速、可靠的电力系统动态安全评估能够显著提高电力系统运行方式优化调整的效率。针对电力系统暂态稳定预想事故扫描需要完成大量仿真、过于耗时的问题,提出了基于图卷积网络的快速动态安全分析方法。该方法基于电力系统的潮流特征和拓扑特征构建电力系统潮流特征图。利用图卷积方法对电力系统运行状态进行特征挖掘与特征学习,将动态安全评估问题建模为图上节点分类问题。所得模型在读取电网拓扑与潮流运行状态后,仅须完成一次前向计算即可同时给出预想事故集中多个预想事故的稳定性预测结果,无须依赖仿真波形或量测数据,实现快速暂态稳定预想事故扫描。IEEE39节点系统算例测试表明,算法设计正确、高效、准确率高,能够显著提高暂态稳定预想事故扫描的效率,实现快速动态安全评估。

基于图卷积网络的微电网拓扑辨识

微电网控制器需要及时获取正确的网络拓扑结构,以调整其控制策略,保证微电网稳定安全运行。针对现有电网拓扑辨识方法中辨识准确度低和实时性差的问题,文中提出了一种基于图卷积网络的微电网拓扑辨识方法。首先,将微电网拓扑抽象成线图。然后,根据微电网拓扑的节点特征提取微电网线路的边特征,作为线图的节点特征。进而,利用抽象后线图的邻接矩阵和节点特征训练图卷积网络,得到微电网拓扑辨识模型。最后,通过实验数据验证了所提拓扑辨识方法的有效性。

面向流量预测的时间相关图卷积网络构建方法

现有数据中心虚拟网络中流量预测方法难以表征链路之间相关性,导致数据中心网络流量预测精度难以提升。基于此,提出了一种时间相关图卷积神经网络(TC-GCN),使能数据中心网络链路流量的时间和空间相关性表征,提升了流量预测精度。首先,构建具有时间属性的图卷积神经网络邻接矩阵,解决虚拟网络链路间流量异步性导致的预测偏差问题,实现了链路相关性的精准表征;其次,设计基于长/短窗口图卷积神经网络加权的流量预测机制,利用有限长度长/短窗口适配流量序列的平滑段与波动段,有效避免了神经网络梯度消失问题,提升了虚拟网络的流量预测精度;最后,设计了一个误差加权单元对长短窗口图卷积神经网络的预测结果进行加权求和,该网络的输出即为链路流量的预测值。为保障结果的实用性,基于真实的数据中心网络数据对所提时间相关图卷积网络进行了仿真实验。实验结果表明,所提预测方法相比于传统的图卷积神经网络流量预测方法具有更高的预测精度。

图卷积神经网络及其在图像识别领域的应用综述

卷积神经网络被广泛应用于图像识别领域并且展现出强大的特征提取能力,但它只能处理欧氏空间的结构化数据,无法适用于非结构化数据的处理。为应对该限制,图卷积神经网络利用谱域和空域方法,拓展了卷积运算的范围,使其能够在非欧几里德空间中进行特征学习,具备图数据的平移不变性,可以实现对非结构化图数据的表征学习。首先阐述了基于频域和空域的两种类型图卷积神经网络的基本原理,并且介绍了相关的改进工作;然后围绕图像识别领域,重点介绍了图卷积神经网络在多标签图像识别、基于骨架的动作识别和高光谱图像分类中的具体应用,总结其研究的最新进展,并对相关的模型进行了性能对比与分析;最后对全文内容进行总结,并对未来的发展方向进行展望。

融合知识图谱的时空多图卷积交通流量预测

现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城市交通知识图谱输入关系演化图卷积神经网络,实现知识嵌入;使用知识融合模块将车流量矩阵与知识嵌入融合;将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块,提取时空特征,通过全连接层输出交通流量预测值.在杭州交通数据集上评估模型性能,与先进的基线模型对比,所提模型的性能提高了5.76%~10.71%.鲁棒性实验结果表明,所提模型具有较强的抗干扰能力.

基于时域图卷积神经网络的交通流预测模型

针对当前大多数模型对交通流数据空间信息挖掘不充分、无法捕获长序列单元间的信息等问题,提出一种基于时域图卷积神经网络的交通流预测模型。通过阈值权重法重构邻接矩阵,将多层近邻机制嵌入图卷积网络进一步挖掘空间信息;引入时域卷积网络,借助膨胀因果卷积扩大感知野并结合残差网络提取时间信息;运用Dense网络输出结果。利用加州性能评估系统中两个数据集进行评估,其结果表明,该模型性能优于常用的基准模型以及最近提出的多时空图卷积网络模型。

基于多图卷积神经网络的主汽温系统故障诊断

针对主汽温系统具有大迟延、大惯性、非线性和时变性的特点,提出了一种基于多图融合-图卷积神经网络的故障诊断方法。建立邻接图和相关性图,将机组历史运行数据扩展为非欧式空间的图数据,引入特征权重和截断参数来约束节点间的相关性,对图信息进行融合。同时,利用邻接矩阵建立各运行数据间的拓扑信息,并通过深度图卷积结构融合邻近节点信息,建立系统数据与运行状态间的映射关系。结果表明:相较于概率神经网络(PNN)、长短期记忆神经网络(LTSM)和最小二乘支持向量机(LSSVM),所提MG-GCN模型的故障诊断准确率分别提升了11%、7%和16%,误检率、漏检率均较低,能够对多种系统故障类型进行准确识别,具有良好的故障诊断性能。

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。

基于语义图卷积神经网络的三维人体姿态估计

三维人体姿态估计是计算机视觉领域的重要分支,由于深度模糊和自遮挡等问题,现有的三维人体姿态估计方法的准确率较低。因此,在适用于处理人体骨架数据的语义图卷积的基础上,提出了改进的语义图卷积算法,为了提高网络的信息处理能力,提出了一种使用改进的语义图卷积层将特征映射到高维度潜空间并融合不同特征通道信息的网络结构,并在网络末尾添加姿势细化层提高网络的鲁棒性。通过在公开的三维姿态估计数据集Human3.6M上进行实验,并与目前流行的三维姿态估计方法进行对比,验证上述算法有着较高的准确率。

基于图卷积神经网络的人体行为识别方法研究

【目的】随着互联网、人工智能、云计算等技术的快速发展,视频、图像等文件的数据量也日益增长,探究选择合适的关键技术对这些数据中蕴含的有用信息进行挖掘。【方法】基于图卷积神经网络对人体3D骨架关键节点各种行为进行识别和研究,在MSR-Action 3D数据集中对骨架特征增强图卷积网络模型与近5年常用的人体行为识别算法识别行为的准确率进行对比。【结果】研究结果表明,骨架特征增强图卷积网络模型对人体行为识别的准确率最高。【结论】骨架特征增强图卷积网络模型为后期智慧交通领域的人体异常行为识别提供有价值的参考。

面向高速公路流量预测的自适应时空图卷积循环神经网络

为更全面地建模交通数据中的空间相关性,实现更准确地预测高速公路流量,提出一种自适应时空图卷积循环神经网络。利用扩散图卷积和自适应邻接矩阵整合成的自适应图卷积网络建模交通数据中的空间相关性,采用门控循环单元学习交通数据中的时间相关性,实现多时间步车流量预测。基于桂林市高速公路网真实交通数据集的实验结果表明,相比用于对比的最优方法,该方法的三个误差评价指标,即平均绝对误差、均方根误差、平均绝对百分比误差分别降低了约17.6%、18.6%和10.8%,优于用于对比的方法,该方法可以更准确地预测高速公路的流量。

基于卷积网络的社区检测算法研究综述

社区检测是将网络中特征相同的成员聚合在一起,社区内成员关系紧密,社区之间成员关系稀疏。社区检测在数据挖掘中具有重要意义。近年来由于大数据和深度学习的高速发展,使得深度学习在社区检测模型中有了显著发展。卷积神经网络在社区检测领域的应用调查对社区检测模型具有重要意义,通过对卷积网络和图卷积网络社区检测方法的归纳总结,总结现有方法的优缺点。最后,通过这个快速增长的深度学习领域提出亟待解决的问题。

基于图卷积神经网络的智能路由算法

使用特定数学模型的路由转发算法难以满足用户多样化的服务质量需求,基于深度学习的智能路由方案因具有准确性、高效性、通用性等优势,成为路由决策的发展方向。然而,目前多数智能路由算法在网络拓扑动态变化时需要重新训练,造成路由更新不及时,难以应对网络拓扑动态变化。提出一种基于图卷积神经网络(GCN)的智能路由算法。线下利用提前采集的网络信息,根据路由开销标签训练GCN智能路由模型,通过该模型输出单跳路由开销。线上采集实时信息并根据模型输出的路由开销结果对网络层路由协议进行调整,计算最小路由开销的路由路径,实现自适应网络更新。算法利用GCN的图数据结构处理不规则的网络拓扑,通过图卷积算子自动提取特征解决路由网络多属性参数提取的问题,同时引入模糊C均值算法进行网络状态离散化分析,为数据集生成标签,从而有效监督GCN模型训练。实验结果表明,该算法较ECMP、DRL-TE和SmartRoute算法路由性能更好,其平均丢包率、时延和吞吐量指标均为最优,且相较于单一的流量模式具有更强的泛化能力。