Semipotent Rings Whose Unit Graphs Are Planar

The unit graph of a ring is the simple graph whose vertices are the elements of the ring and where two distinct vertices are adjacent if and only if their sum is a unit of the ring.A simple graph is said to be planar if it can be drawn on the plane in such a way that its edges intersect only at their endpoints.In this note,we completely characterize the semipotent rings whose unit graphs are planar.As a consequence,we list all semilocal rings with planar unit graphs.

On Wiener Index of Unit Graph Associated with a Commutative Ring

Let R be a ring with non-zero identity.The unit graph of R,denoted by G(R),is an undirected graph with all the elements of R as vertices and where distinct vertices x,y are adjacent if and only if x+y is a unit of R.In this paper,we investigate the Wiener index and hyper-Wiener index of G(R)and explicitly determine their values.

OPTIMAL LABELLING OF UNIT IN TERVAL GRAPHS

This paper shows that, for every unit interval graph, there is a labelling which is simultaneously optimal for the following seven graph labelling problems: bandwidth, cyclic bandwidth, profile, fill-in, cutwidth, modified cutwidth, and bandwidth sum(linear arrangement).

Approximation Algorithms for the Connected Dominating Set Problem in Unit Disk Graphs

The connected dominating set （CDS） problem, which consists of finding a smallest connected dominating set for graphs is an NP-hard problem in the unit disk graphs （UDGs）. This paper focuses on the CDS problem in wireless networks. Investigation of some properties of independent set （IS） in UDGs shows that geometric features of nodes distribution like angle and area can be used to design efficient heuristics for the approximation algorithms. Several constant factor approximation algorithms are presented for the CDS problem in UDGs. Simulation results show that the proposed algorithms perform better than some known ones.

多光源照射下目标图像实时生成方法

由于地理位置、太阳、大气环境等因素限制,无法获取空间目标在各种姿态、光照条件、特别是激光、太阳和背景光共同作用下的实际成像。提出一种多光源照射下目标图像实时生成方法。该方法基于计算机图形学中纹理映射思想,采用现代图形显卡编程技术和帧缓存对象特性,在GPU(Graphics Processing Unit)端采用着色器语言实现多光源作用下目标亮度值高效计算和真实感增强;采用开源三维图形引擎OSG(Open SceneGraph)支持多种格式三维模型文件,提高与国产麒麟操作系统及常用战场态势显示软件的兼容性。仿真实验验证了该方法的有效性和优越性。

融合全局特征的时空网络兴趣点推荐算法

随着基于位置社交网络的迅速发展,兴趣点序列推荐逐渐成为近年来研究热点之一。针对现有推荐方法忽略签到数据中的全局信息,未充分考虑序列签到数据之间的时空间隔问题,提出一种融合全局特征的时空网络兴趣点推荐算法。该方法利用关系图神经网络获取签到数据异构网络图的全局特征,将时空门控融入传统门控结构中,融合全局特征对用户移动行为进行建模,再引入自注意力机制学习用户偏好向量表示。在两个真实数据集上进行实验比较与分析,实验结果表明所提方法推荐性能优于同类算法,验证了算法的有效性。

融合图卷积和注意力机制的GRU海面温度预测模型

海面温度(sea surface temperature,SST)是影响海洋气候变化的关键因素之一,SST的精确预测对海洋气象、航海等相关领域具有重要意义。为同时捕获空间和时间相关性,本文提出了一种融合图卷积(graph convolution,GC)和注意力机制的门控循环单元(gated recurrent unit,GRU)海面温度预测模型(graph convolutional recurrent unit-attention mechanism,GCRU-ATT)。GC将海洋表面空间构建成图形的拓扑结构,有效地挖掘数据特有的空间特征。首先,将门控循环单元中的矩阵乘法替换为图卷积运算,构成门控图卷积(graph convolutional recurrent unit,GCRU)层;应用GCRU层搭建模型主要结构,以提取数据的时空信息;其次,引入注意力机制为GCRU层输出信息分配不同的权重。最终,使用一个全连接的输出层输出海面温度预测结果。选取东海和渤海海域的SST数据建模,实验结果表明GCRU-ATT模型鲁棒性好,且其误差指标值低于已有的方法,预测精度较高。

应用图论建模输电网的电力现货市场出清模型

电力现货市场优化出清模型的难点是考虑安全约束的机组组合(security constrained unit commitment,SCUC)模型。构建一个好的SCUC模型以提升求解速度是长期以来的研究热点。随着省电力系统规模的不断发展,以及国内省间电力现货市场的运行,现货市场对于出清模型的求解效率需求更为突出。该文对机组组合模型的研究历程进行详细综述,总结提出机组运行出力约束、出力上限约束、爬坡约束强化建模的机组运行模型;基于图论在线性最优潮流计算中的应用,构建输电网的环流潮流计算模型并引入SCUC模型,最终构建了一套可进一步提升求解效率的电力现货市场出清模型。最后通过多个大规模算例的计算分析表明,所提模型在保证不损失求解精度的同时,可有效提升求解效率,且对于阻塞频发的电力系统,优越性更为明显。

基于GRU的密集连接时空图注意力网络的城市交通预测

城市道路拓扑结构的复杂性、交通流量的实时变化以及多元的外部环境等因素给交通预测带来了极大的困难。现有方法对交通路网的时空特征挖掘性不足,缺乏对外部因素的考虑,为此本文提出了一种基于门控循环单元(GRU)的时空图注意力密集连接网络,通过门控循环单元来捕获路网数据的动态规律,并以图注意力密集连接网络来提取路网复杂的空间结构特征,建立城市交通网络对时空的依赖关系。针对外部客观因素,采用独热编码的方式对城市各路段发生的交通事件进行数据建模,增强交通网络的信息属性。以杭州申花路及周围共309个路段为例,对所提出模型的预测能力和可行性进行验证。实验结果表明,模型预测精度最高达到了81.64%,与传统数学模型和主流的神经网络模型对比,预测精度较ARIMA提高了35.42%,较图注意力网络(GAT)和GRU神经网络分别提高了17.45%和3.02%。实验证明该方法可以适应复杂的交通流进行长期的交通预测任务,同时也能增强交通管理能力,减少交通拥堵成本。

一种基于因子图的RIMU/GNSS组合导航算法

针对传统基于滤波方法的RIMU/GNSS组合导航系统因载体大幅度机动条件下滤波结果不稳定的问题,提出了一种基于因子图的估计方法。建立面向冗余惯性导航系统的状态方程与量测方程,并将冗余惯性数据融合至载体坐标系三轴。建立基于因子图的数据融合方法,将融合后的惯性数据与卫星信息抽象为因子节点,状态信息抽象为变量节点,构建包括惯性因子与GNSS因子的代价函数并以非线性优化的方式对状态量进行估计。数字仿真证实,因子图方法能有效降低载体的位置误差,且均方根误差明显小于卡尔曼滤波算法。

基于混合量测的新能源电力系统动态频率预测方法

高渗透率新能源波动下系统动态频率预测是实现受端网络频率安全态势感知的基础。该文提出一种基于混合量测和物理状态方程联合驱动的新能源电力系统双向树状长短期记忆网络(combined equation-of-state-driven and data-driven bi-directional tree-struct long short term memory,CEOSD-BITREE-LSTM)动态频率预测方法。首先,引入双层多头注意力图神经网络,提出考虑同步相量测量单元(synchronous phasor measurement unit,PMU)和数据采集与监视控制系统装置(supervisory control and data acquisition,SCADA)量测差异性和时序同步性的混合量测融合策略;其次,依据PMU密集采样特性,建立计及源网荷物理联系的线性时变状态方程,刻画物理-数据空间的频率特征交互关系;然后,考虑新能源出力、负荷波动等不确定因素,结合以PMU并行搜索调频资源形成的拓扑结构,构建CEOSD-BITREE-LSTM动态频率预测模型,实现系统频率态势的高精度预测。最后,以改进新英格兰10机39节点、三区互联系统为算例,验证该文所提方法的可行性和有效性。

融合双图卷积与门控线性单元的方面级情感分析模型

方面级情感分析旨在确定句子中给定方面的情感极性。现有的基于图神经网络的方面级情感分析存在以下2个方面的不足:忽略了不同类型的句法依存关系和语料库中的词共现信息,以及不能准确地控制情感信息流向给定方面。针对以上问题,提出融合双图卷积与门控线性单元(GLU)的方面级情感分析模型。该模型首先采用全局词汇图来编码语料库中的词共现信息,在词汇图和句法图上利用分类概括结构来区分各种词共现频率和不同类型的句法依存关系。然后分别在2个图上进行双层卷积,继而使用Bi Affine变换模块作为桥梁,在2个图卷积网络模块之间有效地交换相关特征,从而有效地融合句法信息和词汇信息。最后利用GLU控制情感信息流向给定方面,使模型可以更专注地分析与该方面相关的情感信息,避免不相关的情感信息影响对给定方面的情感分析结果,从而提高分析的准确性。实验结果表明,在Twitter、Laptop14、Restaurant15和Restaurant16数据集上,该模型的准确率分别达到74.82%、77.61%、82.29%和89.81%,F1值分别达到72.97%、73.52%、67.72%和73.37%,方面级情感分类效果明显优于其他基线模型。

GNNSched:面向GPU的图神经网络推理任务调度框架

由于频繁的显存访问,图神经网络GNN在GPU上运行时往往资源利用率较低。现有的推理框架由于没有考虑GNN输入的不规则性,直接适用到GNN进行推理任务共置时可能会超出显存容量导致任务失败。对于GNN推理任务,需要根据其输入特点预先分析并发任务的显存占用情况,以确保并发任务在GPU上的成功共置。此外,多租户场景提交的推理任务亟需灵活的调度策略,以满足并发推理任务的服务质量要求。为了解决上述问题,提出了GNNSched,其在GPU上高效管理GNN推理任务的共置运行。具体来说,GNNSched将并发推理任务组织为队列,并在算子粒度上根据成本函数估算每个任务的显存占用情况。GNNSched实现了多种调度策略来生成任务组,这些任务组被迭代地提交到GPU并发执行。实验结果表明,GNNSched能够满足并发GNN推理任务的服务质量并降低推理任务的响应时延。

基于时空特征挖掘的特高压变压器热状态参量预测方法

热状态参量预测是特高压变压器绝缘老化评估及故障预警的重要技术方法。然而,现有预测方法侧重高维时间序列分析以构建数据驱动模型,未计及设备内部温度潜在的空间变化规律,为此,提出一种基于时空特征挖掘的特高压变压器热状态参量预测方法。首先,综合考虑多源数据间的相关度与冗余度,提出组合特征筛选策略寻找最优特征子集;其次,结合热状态参量的最优特征子集及相关系数,构建面向热状态参量预测的时空图数据;最后,建立双重自适应图卷积门控循环单元(dualadaptivegraphconvolutiongate recurrent unit,DA-GCGRU)模型,采用节点自适应模块强化油箱内不同部位温度变化趋势的拟合,以适应特定温升趋势;采用图自适应模块自主学习热状态参量的空间温度分布关联性,以推断空间映射关系。实验结果表明,该方法可深度挖掘特高压变压器内部温度的时空变化特性,准确预测绕组温度和顶层油温的变化趋势,具有较好的鲁棒性和泛化性。

基于知识图谱和时空扩散图卷积网络的港口交通流量预测

由于港口交通流量具有随机不确定性、时间不平稳特征,因此港口交通流量的精准预测是一项具有挑战性的任务。为了提高港口交通流量预测精度,考虑气象条件和港口相邻高速公路开闭状态等外部干扰因素,提出了一种基于知识图谱和时空扩散图卷积网络的港口交通流量预测算法KG-DGCN-GRU。知识图谱表示港口交通网络相关因素,知识表示方法从港口知识图谱中学习各外部因素的语义信息,扩散图卷积网络(DGCN)和门控循环单元(GRU)能有效挖掘港口交通流量的时空依赖特征。基于天津港交通数据集的实验结果表明,KG-DGCN-GRU能通过知识图谱和扩散图卷积有效提高预测精度,在单步预测(15 min)中与时间图卷积网络(T-GCN)和扩散卷积递归神经网络(DCRNN)相比,均方根误差(RMSE)分别降低了4.85%和7.04%,平均绝对误差(MAE)分别降低了5.80%和8.17%。

基于自适应动态图卷积循环网络的交通流预测

针对实际交通状况中节点之间存在的动态变化关系,提出一种自适应动态图时空预测模型TAGGRU,基于编码器-解码器网络结构对交通数据动态时空特征融合建模.将节点嵌入与时间编码结合为时空编码,并以此构建动态邻接图,用以表示节点关系的时间演化.将交通流数据与动态邻接矩阵共同输入编码器,通过自适应门控循环单元进行特征提取.编码器和解码器之间添加交互注意力模块,将历史特征进行转换,以生成未来特征表示,通过特征维度变换得到最终输出.结果表明:该模型有较优的预测性能.

时空关联与图注意力引导的微表情识别网络

微表情作为典型非自发表情可以揭示人类的真实意图,在公安测谎、情感识别以及医学辅助诊断等领域有着重要的应用。现有微表情识别方法主要关注面部局部区域肌肉运动,往往忽略了与微表情产生相关的全局区域关联性。针对上述问题,提出基于时空区域关联与图注意力引导的微表情识别网络。网络由时空关联模块和图注意力模块组成,时空关联模块利用AU结合时空图卷积聚合面部全局区域不同节点的时空特征,并使用Transformer Encoder进一步构建面部远距离节点间的区域相关性,用以加强全局区域间的时空联系。图注意力模块以面部局部区域为基础建立图结构,并指导自注意力的运算,从而获得精确的局部区域关联特征。最后将全局时空和局部关联特征相融合用于微表情的识别。在CASME、CASME II、SAMM 3个主流的微表情数据集上进行了实验,分别取得了82.46%、86.59%和80.88%的优秀识别结果。实验结果表明,本文提出的方法与其他方法相比有更好的表现。

基于BiGRU和残差图注意力网络的股票价格预测模型

高效、准确的股票价格预测能帮助投资者合理规划交易方式,提高投资收益。针对现有股票价格预测模型的准确率不高、投资收益率低等问题,提出一种结合双向门控循环单元(BiGRU)和残差图注意力网络(ResGAT)的股票价格预测模型(BiGRU-ResGAT)。首先,通过结合注意力机制的时间滑动窗口方法(TSWMCAM)动态计算不同股票之间的关联系数,构建表征股票之间关联关系的股票图结构;然后,使用BiGRU捕获股票在时序上的长距离依赖信息;最后,利用ResGAT对股票的时序特征与股票间的关联特征进行深度挖掘和融合,并对股票价格进行预测。在上海证券交易所主板市场498支股票上的价格预测结果显示,与支持向量机(SVM)、门控循环单元(GRU)、复合模型(CNN-LSTM)和关系股票排序模型(RSR)相比,BiGRU-ResGAT在股票测试集上平均绝对误差(MAE)分别降低79.53%、63.20%、48.17%、33.19%,均方根误差(RMSE)分别降低80.23%、66.22%、53.99%、29.99%,决定系数(R-Squared)分别提升23.34%、15.22%、9.54%、4.84%;在投资组合上的累计收益率分别提升10.77、7.89、6.81、5.03个百分点。实验结果表明,BiGRU-ResGAT能够有效地挖掘和融合股票数据的关键特征,对股票价格进行预测。

基于图卷积时空生成对抗网络的城市交通估计

在城市道路部署前估计路网的交通流量极具挑战性,为了解决这个难题,提出了一种新的条件城市交通生成对抗网络(Curb-GAN)模型,利用条件生成对抗网络(CGAN)生成城市交通流量数据.首先,把路网各节点的距离关系和外部特征信息作为条件处理,来控制生成结果;其次,利用图卷积网络(GCN)捕获路网的空间自相关性,利用自注意力机制(SA)和门控循环单元(GRU)捕获不同时隙交通的时间依赖性;最后,由训练好的生成器生成交通流量数据.在两个真实时空数据集上的大量实验表明,Curb-GAN模型的估计精度优于主要的基线方法,并且可以产生更有意义的估计.

基于图自编码器和GRU网络的分层交通流预测模型

准确的交通流预测信息不仅可以为交通管理人员提供交通决策的坚实基础,还可以减少交通拥堵情况。在交通流预测任务中,获得有效的交通流的时空特性是保证预测效果的前提。现有的方法大多是用未来时刻的数据进行监督学习,提取的特征具有局限性。针对现有预测模型无法充分挖掘交通流的时空特性的问题,提出了基于改进的图自编码器和门控循环单元的分层交通预测模型。首先使用图注意力自编码器以无监督的方式深度挖掘交通流的空间特性,然后使用门控循环单元进行时间特征提取。分层结构采用分开训练的方式进行时空依赖关系的学习,旨在获取路网天然存在的空间拓扑特征,使其可以兼容不同时间步下的交通流预测任务。大量实验证明,所提出的GAE-GRU模型在不同数据集下的交通预测任务中取得了优异的表现,MAE,RMSE和MAPE指标均优于基线模型。