融合数字孪生和GCN-LSTM的六足机器人故障诊断

针对六足机器人在封闭复杂环境工作时,存在运行状况实时监测困难、故障特征数据少、故障诊断精度低等问题,提出基于数字孪生和图卷积神经网络改进的长短时记忆神经网络(GCN-LSTM)的六足机器人故障诊断方法。首先,分析了六足机器人的动力学模型,并据此在CoppeliaSim仿真软件中构建机器人的高保真、高置信度孪生模型;其次,对数字孪生模型进行虚拟故障注入并确保机器人的安全性。在模拟故障注入下,通过孪生体控制物理机器人步态运动,获得各物理传感器的高置信度故障数据样本;最后,为充分挖掘传感器数据的空间关联和时间依赖性,融合GCN和LSTM实现故障精确分类。实验结果表明,与同类型的算法相比,GCN-LSTM的故障诊断精度较高;机器人数字孪生系统的高置信度故障数据与GCN-LSTM结合能够实现对机器人故障的准确诊断。

基于GCN-LSTM的钱塘江南源水质预测研究

流域水质数据存在时间和空间上的双重依赖性,针对现有水质预测模型大多建立在时间维度上,不能有效利用水质空间相关性问题,提出了基于图卷积神经网络GCN和长短时记忆网络LSTM的水质预测模型。首先建立流域监测点间的拓扑结构,并将监测点沿河道的距离作为权重表征监测点间连接的强弱;然后采用图卷积神经网络GCN捕获每个输入时刻监测点间的空间关系,再通过LSTM捕获其时间上水质变化特征;最后通过多层感知器MLP得到水质预测结果。将钱塘江南源作为研究对象,对流域内15个监测点的pH值、溶解氧DO、高锰酸盐指数CODMn进行预测,结果表明:相较于LSTM,GCN-LSTM模型水质预测结果平均百分比误差MAPE分别下降15.29%、11.77%、9.8%;监测点间的连接具有差异性,通过距离来表示监测点间连接强弱可以使水质预测结果更为精确。

基于GCN-LSTM的空气质量预测

随着我国环境监测技术的不断发展,环境空气质量的网格化监测体系越来越受到相关工作人员的青睐,为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题,本文提出了一种基于GCN和LSTM的空气质量预测模型.首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征,然后再使用LSTM提取时间特征,最后使用线性回归层来综合时空特征并产生空气质量的预测结果.为了验证本文提出的预测模型的性能,我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验.实验结果显示,基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。

一种联合时空信息与社交互动特征的行人轨迹预测方法

针对目前基于数据驱动的建模方法,难以有效表达和综合行人时序运动特征及行人间复杂抽象的社交互动行为的问题,本文提出了一种联合时空信息和社交互动特征的行人轨迹预测方法。首先,对行人历史运动轨迹编码得到行人的运动特征;其次,结合长短期记忆网络和特征注意力机制,捕获行人自我运动序列的时空关联信息;再者,在时序特征提取基础上,使用图卷积网络建模行人间的社交互动特征;最后,利用多模态未来轨迹解码模块预测行人的多模态未来运动轨迹,并采用ETH、UCY数据集对所提出的模型进行评价分析。结果表明,本方法具备有效性,能够稳健可靠地实现行人轨迹预测。

基于时间信息增强Transformer的短时交通流预测模型

交通流预测是提高路网利用效率,缓解城市交通拥堵问题的重要方法之一。为了进一步提高交通流预测精度,提出了一种基于时间信息增强Transformer的短时交通流预测模型。该模型利用多图卷积网络从不同角度建模空间特征,利用长短期记忆网络和Transformer同时建模短期时间特征和长期时间特征。此外,模型采用了一种轻量化的结构以提高模型实时响应速度。在PEMS(Performance Measurement System)数据集上与基线方法相比,该模型的预测精度提高了5%,时间复杂度降低了65%。实验结果表明,基于时间信息增强Transformer的短时交通流预测模型在有效提取交通流数据中时空特征的同时,显著降低了模型的复杂度。

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题,提出了一种结合长短期记忆(LSTM)网络和自注意力机制的图卷积网络(GCN)的短期电力负荷预测模型GCNLS-STLF。首先,利用LSTM和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图;然后,通过GCN、LSTM和图傅里叶变换(GFT)对电力负荷图进行特征提取;最后,使用全连接层对特征进行重构,并利用残差进行多次预测,以增强原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实验结果显示,与支持向量机(SVM)、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM(CNN-LSTM-attention)等预测模型相比,GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差(MAPE)分别降低1.94、0.90、0.49和0.37个百分点;在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点,6月份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明,GCNLS-STLF能有效提取电力负荷的关键特征,预测效果较好。

基于时空图神经网络的商品销量预测

精准预测商品的销量是提高商品营销效率的前提和基础.为了更好地预测商品销量,现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法,但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征.同时基于商品销售数据的建模分析发现,商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性.为了更加准确地预测某种商品,在特定商店,以及在特定时间的销量,本研究首先构建了以商家为基础的大规模知识图谱系统,通过一张图的数据模型,描述商品销售和对应的商圈、商户、用户的相关交互场景.同时在图模型上增加了商家数据的空间和数据特征,用于描述商户的时空特性.最后基于构建的商家知识图谱,本研究提出了基于图卷积神经网络(GCN)聚合信息获取空间特征,然后使用长短期记忆(LSTM)提取时间特征,并将两种特征进行加权结合,进行商品销量预测.初步研究结果表明:基于图和LSTM模型的混合模型的算法预测投放量最为贴近实际销量,相比于传统的神经网络算法,该模型预测的平均准确率为89%.最后通过构建流水线工作流,将整个商品销量智能预测系统部署到生产环境中,为实现商品精准化营销提供了智能化决策.

基于知识图谱的短视频实时推荐方法研究

短视频可以使用户在碎片化的时间里获得丰富的内容信息,具有录制简单、传播速度快、占用带宽少等特征,得到了越来越多人的青睐.但同时短视频用户的兴趣具有时间敏感性,即倾向获取最新短视频,因此,提升短视频推荐的实时性是当前研究的热点.知识图谱可以将丰富的交互关系信息以及用户和短视频的属性信息融合起来,因此利用知识图谱进行表征,可以提升短视频推荐的实时性,本文提出了一种基于知识图谱的短视频实时推荐方法.该方法首先通过注意力机制提取短视频的属性特征,然后使用融合了时间信息的知识图卷积网络来表示丰富的用户与短视频的信息,用以表征用户的短期兴趣,同时将用户历史浏览信息通过图卷积得到用户的长期兴趣,最后通过RNN(循环神经网络)模型将长短期兴趣进行融合,得到最终的实时推荐结果.通过实验验证,本文所提方法比FM(因子分解机)、LSTM(长短时记忆)网络等主流的动态推荐方法的准确率、召回率均有所提升.

基于ST-LightGBM的机场离港航班延误预测

机场间的延误时空关系复杂,多数研究只聚焦于时间维相关性,导致延误预测精度不高.提出一种融合多机场时空相关性的ST-LightGBM模型预测机场离港航班延误.首先,构建多机场延误时空图数据;然后,通过图卷积神经网络提取延误信息空间特征,同时长短时记忆网络对机场各节点延误时间序列进行时间特征提取,形成具有时空相关性的二维特征向量;最后,将时空维特征向量输入LightGBM实现机场离港航班延误数量预测,在训练过程中引入贝叶斯优化算法进行参数寻优.结合真实数据实验,对中国枢纽机场延误数据进行时空维度关系提取并预测.结果表明,本文模型相比于其他基准模型具有较好的预测准确性.

基于图卷积网络的基站用户数量预测

移动网络用户预测建模有助于发现城市人群时空分布特征和实行合理资源调度策略。随着移动网络的快速发展,移动通信基站产生了大量手机信令信息,为数据驱动建模提供了支撑。传统的时序预测只考虑时序特征而忽略了空间上的关联。针对这一问题,提出一种基于图卷积网络(Graph Convolutional Network,GCN)的基站用户数量预测模型。利用GCN获取基站之间的空间关联特征,通过长短时记忆(Long Short-Term Memory,LSTM)网络对时序特征进行建模。通过进行对比实验和消融实验,证明该模型能够有效提取基站用户数量的时空特征,相对传统方法具有更优的性能。

融合长短期记忆网络和图卷积网络的轨道交通短时客流起讫点预测

轨道交通客流起讫点(origin-destination,OD)矩阵存在时间相关性和空间相关性。根据客流OD的时空特征,提出长短期记忆(long short-term memory,LSTM)网络和图卷积网络(graph convolutional networks,GCN)的短时组合预测方法。预测方法主要利用LSTM网络来获取客流的时间相关性,利用GCN来获取客流的空间相关性,基于出站口建立客流OD矩阵,对整个路网的客流OD进行训练预测。实验表明:融合LSTM神经网络和GCN神经网络的短时预测模型能有效预测轨道交通客流OD。相较于单独的LSTM神经网络,组合模型在预测误差方面有所改善,更适用于短时客流OD的预测。

面向空气质量的时空混合预测模型

由于城市中各区域空气质量同时存在时间与空间维度上的相关性,而传统深度学习模型结构比较单一,并且难以从时空角度进行建模。针对该问题提出一种可以同时提取空气质量间复杂时空关系的STAQI模型用于空气质量预测。该模型由局部组件和全局组件构成,分别用于描述本地污染物浓度和邻近站点空气质量状况对目标站点空气质量预测产生的影响,并利用加权融合组件输出获得预测结果。在全局组件中,利用图卷积网络改进门控循环单元网络的输入部分,从而提取出输入数据中的空间特征。最后将STAQI模型与多种基准模型和变体模型进行对比。其中,STAQI模型与门控循环单元模型和全局组件变体模型相比,均方根误差(RMSE)分别下降约19%和16%。结果表明STAQI模型对于任意时间窗口都具有最佳预测性能,并且对不同目标站点的预测结果验证了该模型具有较强的泛化能力。

一种基于交通态势算法的交通预警系统设计

为实时监控高速公路的交通状况,设计并实现一种基于交通态势算法的交通预警系统,该系统主要由态势计算、异常拥堵预警和交通迁徙计算等3个模块组成。采用Van-Aerde模型表征交通流的状态和变化规律,得到密度、速度和流量之间的关系;综合考虑交通预测的时空性,采用基于图卷积网络(Graph Convolutional Network,GCN)和长短期记忆(Long Short-Term Memory,LSTM)单元的时间图进化网络(GCN-LSTM)模型对未来交通流异常拥堵情况进行预警。试验结果表明,该预警系统能通过实时计算当前交通流的密度、速度和流量评估交通状态,并确定密度和速度阈值,警示当前道路在该阈值附近时通行效率高,帮助改善交通状况;相比传统的基于神经网络方法和机器学习方法的预警系统,该预警系统在预测精度方面表现良好,能有效降低误报率,且具有一定的鲁棒性。

基于2S-LSGCN的人体动作识别

针对视频中人体动作行为的空间复杂性和时间复杂性问题,提出一种融合图卷积神经网络和长短期记忆神经网络的双流网络方法2S-LSGCN。从人体关节点组成的骨架关节图中,提取动作的空间与时间特征;利用GCN提取骨架关节点间潜在的空间信息,LSTM提取人体动作前后之间的时间序列特征作为补充,分别将两个网络的预测输出进行晚融合,提高单个网络泛化能力不足的问题。该模型在NTU-RGBD数据集上达到了令人满意的效果,在与该领域中的同类算法比较中表现优异。

基于LSTM-GCN的PM_(2.5)浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_(2.5)浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTMGCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_(2.5)浓度,结果显示预测效果较好。

基于时空依赖性和注意力机制的交通速度预测

交通流精准预测对保障公共安全和解决交通拥堵具有重要的意义,在城市交通规划、交通管理、交通控制等起着重要的作用.交通预测由于其受限制于城市路网并且随着时间动态变化,其中存在着空间依赖与时间依赖,是近些年来具有挑战性的课题之一.为了同时捕获到空间和时间上的依赖,提出了一个新的神经网络:基于注意力机制的时空图卷积网络(A-TGCN).TGCN网络模型用于捕获交通数据中的动态时空特性与相关性,采用注意力机制来增强每个A-TGCN层中关键节点的信息.通过在两组数据上的实验结果表明,A-TGCN在精度以及可解释性方面都有很好的表现.

基于图卷积与长短期记忆网络的动态网络表示学习模型

针对动态网络节点之间链路预测的准确率低和运行时间长的情况,提出了一种以降噪自编码器(dAE)为框架,结合图卷积网络(GCN)和长短期记忆(LSTM)网络的动态网络表示学习模型dynGAELSTM。首先,该模型的前端采用GCN捕获动态图节点的高阶图邻域的特征信息;其次,将提取到的信息输入dAE的编码层以获取低维特征向量,并在LSTM网络上获取动态网络的时空依赖特征;最后,经dAE的解码层重建预测图,并与真实图对比来构建损失函数,从而优化模型完成链路预测。理论分析和仿真实验表明,dynGAELSTM模型相较于预测性能第二的模型在三个数据集上的预测性能分别提升了0.79、1.19和3.13个百分点,模型的运行时间降低了0.92%和1.73%。可见dynGAELSTM模型在链路预测任务中相较于现有模型精度提升,复杂度降低。

基于数据与模型联合驱动的电动汽车充电负荷时空分布预测

针对目前充电汽车(Electric Vehicle,EV)负荷预测的研究实时预测充电汽车起讫点(Origin-Destination,OD)准确率不高并考虑道路信息对用户充电行为选择造成影响的问题,在数据驱动方面,针对充电汽车出行OD矩阵的时空特性,使用长短期记忆(LSTM)网络和图卷积网络(GCN)的组合预测方法分析已有的充电负荷数据,实现对充电汽车起讫点的预测;模型驱动方面,在综合考虑交通网构成、环境温度、实时车流量等方法的基础上,建立一种包括动态交通信息、城市各路段电动汽车里程能耗及用户路径规划在内的电动汽车用户驾驶行为模型,采用改进A^(*)算法为电动汽车起讫点规划符合用户选择的行驶路径,模拟电动汽车用户的驾驶行为。最终在不同应用场景下完成不同类型电动汽车的路径规划实验和充电需求预测实验。结果表明,所得充电需求时空分布特征与客观需求相符合。

EMD分解与深度学习结合的温度序列时空建模

针对不同地区大气温度数据的复杂时空特征,提出一种基于经验模态分解(EMD)的温度序列时空建模方法.根据站点的经纬度坐标及站点温度的相关性建立图模型,对各个站点温度序列进行EMD分解,将原始数据分解为若干个模态函数;通过分析每个模态函数与原始数据的相关性,将不相关的模态函数分别相加,使用时空特征提取模块(GCN-LSTM)分别训练原数据和不相关数据,相减后输出,以捕捉数据的非线性时空关系.实验证明模型在多站点气温预测任务中,均方根误差较LSTM、GCN和GCN-LSTM模型分别下降了1.368、1.043、0.795,平均绝对误差分别下降了0.695、0.1625和0.1625.