基于自适应层级图卷积的多站点空气质量预测模型 被引量：1

1

作者 张石清 胡炜 赵小明 《计算机系统应用》 2024年第5期127-135,共9页

时空预测任务在污染治理、交通、能源、气象等领域应用广泛.PM_(2.5)浓度预测作为典型的时空预测任务需要对空气质量数据中的时空依赖关系进行分析和利用.现有时空图神经网络(ST-GNNs)研究所使用的邻接矩阵使用启发式规则预定义,无法准... 时空预测任务在污染治理、交通、能源、气象等领域应用广泛.PM_(2.5)浓度预测作为典型的时空预测任务需要对空气质量数据中的时空依赖关系进行分析和利用.现有时空图神经网络(ST-GNNs)研究所使用的邻接矩阵使用启发式规则预定义,无法准确表示站点之间的真实关系.本文提出了一种自适应分层图卷积神经网络(AHGCNN)用于PM_(2.5)预测.首先,引入了一种分层映射图卷积架构,在不同层级上使用不同的自学习邻接矩阵,以有效挖掘不同站点之间独特的时空依赖.其次,以基于注意力的聚合机制连接上下层邻接矩阵,加速收敛过程.最后,将隐藏的空间状态与门控循环单元相结合,形成一个统一的预测架构,同时捕捉多层次的空间依赖关系和时间依赖关系,提供最终的预测结果.实验中,我们与7种主流预测模型进行对比,结果表明该模型可以有效获取空气监测站点之间的时空依赖,提高预测精确度. 展开更多

关键词 空气质量 PM_(2.5) 深度学习 图卷积 时空依赖

下载PDF 职称材料

基于全局时空图卷积神经网络的城市交通流量预测

2

作者 王佳昊 黎文斌 +1 位作者 郭仕尧 向平 《计算机科学》 CSCD 北大核心 2024年第S02期534-542,共9页

交通流量预测在智能交通系统(ITS)中发挥着重要作用,将城市中复杂的时空相关性高效且全面地提取出来是交通流量预测中面临的关键挑战。交通速度不仅在时间维度上具有短期和长期周期性依赖关系,而且在空间维度上具有局部和全局依赖性,现... 交通流量预测在智能交通系统(ITS)中发挥着重要作用,将城市中复杂的时空相关性高效且全面地提取出来是交通流量预测中面临的关键挑战。交通速度不仅在时间维度上具有短期和长期周期性依赖关系,而且在空间维度上具有局部和全局依赖性,现有方法对捕获交通数据的时空依赖关系有一定的局限。为此,文中提出了一种基于全局时空图卷积神经网络(Global Spatial-Temporal Graph Convolutional Network,GSTGCN)的深度学习模型,用于解决在城市交通速度预测的局限性。该模型中存在3种时空分量,可相应地对交通数据中的近期、天周期、周周期这3种不同的时空相关性进行建模。每个时空分量都由时间模块和空间模块组成,时间模块为了更好地获取交通数据的时间维度信息,引入了Informer机制以自适应地分配特征权重。空间模型为了更好地获取交通数据的空间关系,引入了图卷积神经网络来提取交通数据的局部和全局空间信息。在两个不同的真实数据集上进行了测试,结果表明所提出的GSTGCN优于最先进的基线模型。 展开更多

关键词 交通流量预测 全局时空图卷积网络 时空依赖性

下载PDF 职称材料

计及预测误差时空-条件相依特性的日内光伏出力区间预测方法 被引量：3

3

作者 杨皓然 杨茂 苏欣 《南方电网技术》 CSCD 北大核心 2023年第2期128-136,共9页

由于光伏出力预测误差无法避免,区间预测可以更准确地描述光伏的不确定性,从而对电力系统的决策提供指导,而现有研究方法不能够充分地挖掘光伏功率的物理变化过程,因此提出了一种考虑预测误差时空-条件相依特性的日内光伏出力区间预测... 由于光伏出力预测误差无法避免,区间预测可以更准确地描述光伏的不确定性,从而对电力系统的决策提供指导,而现有研究方法不能够充分地挖掘光伏功率的物理变化过程,因此提出了一种考虑预测误差时空-条件相依特性的日内光伏出力区间预测框架。首先通过外观相似性更新(appearance similarity update,ASU)模型得到考虑时间相依性的预测误差,再通过长短期记忆(long short-term memory,LSTM)网络模型以及空间相关性的分析得到考虑空间相依性的预测误差,并对预测的出力进行修正,最后依据其误差的条件相依性得到不同置信度下的区间预测。整体框架的效果在新疆光伏电场被验证,其均方根误差能够降低3%以上,同时考虑更新后的预测误差时空-条件相依性的区间预测效果有所提升,验证了所提方法的有效性和可行性。 展开更多

关键词 光伏出力预测误差 时空相依性 外观相似性更新 误差条件相依性 区间预测

下载PDF 职称材料

基于改进时空图卷积网络的道路行程时间预测模型

4

作者 王忠宇 李盼归 +1 位作者 杨航 吴兵 《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第4期1022-1029,共8页

为提高道路网行程时间预测精度,综合考虑行程时间的空间依赖性、时间依赖性和天气因素影响,提出了基于属性增强和注意力机制的时空图卷积网络模型.首先,构建属性增强单元,将行程时间和天气信息融合;然后,利用图卷积网络捕获空间依赖性,... 为提高道路网行程时间预测精度,综合考虑行程时间的空间依赖性、时间依赖性和天气因素影响,提出了基于属性增强和注意力机制的时空图卷积网络模型.首先,构建属性增强单元,将行程时间和天气信息融合;然后,利用图卷积网络捕获空间依赖性,利用门控递归单元捕获时间依赖性,并利用注意力机制增强模型对特征的学习;最后,利用该模型在真实数据集上对未来15、30、45和60 min的行程时间进行预测.结果表明:预测结果的均方根误差(RMSE)分别为0.0453、0.0456、0.0457和0.0468,与其他模型相比表现更优;考虑了时间、空间和天气因素后,相较于不考虑天气的情况,预测误差降低了约10.3%;相较于不考虑空间依赖性的情况,降低了约24.2%,表明所提模型能更好表达时空依赖性和外部条件影响. 展开更多

关键词 交通工程 行程时间预测 图卷积网络 时空依赖 天气因素

下载PDF 职称材料

基于时空注意力机制的网约车出行需求预测模型

5

作者 王宁 马洪恩 《汽车工程学报》 2024年第5期898-910,共13页

解决网约车运营中的乘客出行需求预测问题,以降低车辆空载率、减少乘客等待时间。在考虑乘客出行需求的动态时空依赖性的基础上,提出一种基于空间数据可视化和格兰杰因果检验的乘客出行需求空间依赖性分析方法,并结合卷积神经网络和注... 解决网约车运营中的乘客出行需求预测问题,以降低车辆空载率、减少乘客等待时间。在考虑乘客出行需求的动态时空依赖性的基础上,提出一种基于空间数据可视化和格兰杰因果检验的乘客出行需求空间依赖性分析方法,并结合卷积神经网络和注意力机制,建立了一种基于注意力机制的时空图卷积神经网络模型来预测乘客出行需求。实例研究表明,本模型能有效捕获乘客出行需求时空依赖性的动态特征,提升模型的预测性能,具有较高的准确性和实用性。 展开更多

关键词 出行需求预测 注意力机制 时空依赖性 时空图卷积神经网络

下载PDF 职称材料

考虑预测误差时空相依性的短期风电功率概率预测 被引量：1

6

作者 胡文慧 苏欣 +2 位作者 姜林 郭长星 杨茂 《南方电网技术》 CSCD 北大核心 2023年第2期137-144,共8页

由于风电功率点预测误差无法避免,概率预测可以充分描述风电功率的不确定性,进而对调度部门的决策提供进一步指导。当前的风电功率概率预测方法对其物理变化过程挖掘仍不完整。通过挖掘历史风电功率数据和数值天气预报(numerical weathe... 由于风电功率点预测误差无法避免,概率预测可以充分描述风电功率的不确定性,进而对调度部门的决策提供进一步指导。当前的风电功率概率预测方法对其物理变化过程挖掘仍不完整。通过挖掘历史风电功率数据和数值天气预报(numerical weather prediction,NWP)的时空特性,构建了一种考虑误差时空相依性的短期风电概率预测新框架。首先通过门控循环单元(gated recurrent unit,GRU)得到点预测结果;进而,引入多位置NWP,提出了一种考虑时空相依特性的多层次误差场景划分方法;最后,利用Bootstrap抽样法重构形成新的适应建模的误差样本集,进行了不同置信水平下的短期风电功率概率预测。由此得出,在考虑时空相依性的概率预测下,整体框架的效果在中国东北某风电场被验证,对比相同置信水平下,预测精度得到有效明显提高,且评价指标预测区间覆盖率提高0.53%、0.44%、0.32%,预测区间平均带宽缩小2.40%、2.14%,0.06%,证实了所提方法的有效性和可行性。 展开更多

关键词 时空相依性 风电功率短期概率预测 层次聚类 门控循环单元 Bootstrap抽样法

下载PDF 职称材料

基于时空卷积注意力网络的道路速度预测研究--以宁波主要路网为例

7

作者 胡铮 林杨 +2 位作者 曾秋霖 舒泰 武筱彬 《现代信息科技》 2023年第5期128-131,共4页

针对交通流数据建模时空特性挖掘不足的问题,提出了STGAN网络。运用时空图卷积和注意力机制挖掘道路网络时空规律。注意力机制使得网络对相邻道路和历史时间数据的关注度不同,其分组注意力卷积的机制能够使得网络训练摆脱路网空间拓扑... 针对交通流数据建模时空特性挖掘不足的问题,提出了STGAN网络。运用时空图卷积和注意力机制挖掘道路网络时空规律。注意力机制使得网络对相邻道路和历史时间数据的关注度不同,其分组注意力卷积的机制能够使得网络训练摆脱路网空间拓扑规模的限制,并使模型可运用在较大规模的路网上。实验表明,STGAN模型在宁波高、快速路和主干路上速度预测误差比DCRNN小,在宁波数据集上预测速度表现出良好的精度。 展开更多

关键词 公路运输 速度预测 时空依赖 注意力 图卷积

下载PDF 职称材料

基于图自编码器和GRU网络的分层交通流预测模型

8

作者 赵子琪 杨斌 张远广 《计算机科学》 CSCD 北大核心 2024年第S01期680-685,共6页

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... 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。 展开更多

关键词 交通流预测 图自编码器 门控循环单元 分层 时空依赖

下载PDF 职称材料

基于时空依赖关系多智能体强化学习的多路口交通信号协同控制方法

9

作者 王兆瑞 岩延 张宝贤 《中国科学院大学学报（中英文）》 CAS CSCD 北大核心 2024年第3期398-410,共13页

面对日益严重的交通拥堵现象,智能交通信号控制已成为提升城市道路网络性能必不可少的手段。提出一种基于时空依赖关系多智能体强化学习算法的多路口交通信号控制方法STLight(spatiotemporal traffic light control)。通过基于注意力机... 面对日益严重的交通拥堵现象,智能交通信号控制已成为提升城市道路网络性能必不可少的手段。提出一种基于时空依赖关系多智能体强化学习算法的多路口交通信号控制方法STLight(spatiotemporal traffic light control)。通过基于注意力机制的时空依赖模块STDM(spatiotemporal dependent module),STLight可将初始交通观测数据提取为时空特征,以有效捕获各交叉路口间的时空依赖关系。此外,基于所提取的时空特征,STLight在基于集中训练分散执行框架的多智能体强化学习算法基础之上进一步为各个智能体引入全局时空信息,从而进一步提升多智能体之间的协作能力。实验结果表明,STLight在提升城市道路网络的性能方面具有显著的优势,有助于缓解当前大规模城市道路网络的交通拥堵问题。 展开更多

关键词 多智能体强化学习 多路口交通信号控制 注意力机制 马尔可夫博弈 时空依赖

下载PDF 职称材料

基于图卷积网络的乘客打车需求预测 被引量：3

10

作者 董成祥 魏昕 +2 位作者 张坤鹏 汪永超 杨宇辉 《工业工程》 北大核心 2022年第5期98-105,共8页

乘客打车需求具有非线性和动态性的特点。为了提高乘客需求预测的准确性,需要充分考虑城市区域间的时空特性。针对城市中乘客的打车需求预测问题,利用图卷积网络(graph convolutional network,GCN)和长短期记忆单元(long short-term mem... 乘客打车需求具有非线性和动态性的特点。为了提高乘客需求预测的准确性,需要充分考虑城市区域间的时空特性。针对城市中乘客的打车需求预测问题,利用图卷积网络(graph convolutional network,GCN)和长短期记忆单元(long short-term memory,LSTM)建立GCN-LSTM预测模型。在分析城市区域间时空特性的基础上,基于动态时间规整算法(dynamic time warping,DTW),将具有相似时空特性的区域重组并构建乘客打车需求图,利用图卷积网络提取需求图的空间特征;运用基于LSTM的编码器捕捉区域的时间特性;运用基于LSTM的解码器实现乘客打车需求的多区域同时、多时间步长预测。通过与传统模型的对比实验表明,本文提出的GCN-LSTM预测模型的均方根误差、平均绝对百分比误差和平均绝对误差最小,验证了所提出模型的预测准确性。 展开更多

关键词 图卷积网络 长短期记忆单元 时空特性 乘客打车需求预测

下载PDF 职称材料

多分辨率多粒度时空特征提取的轨道交通短时OD客流预测方法

11

作者 杨越迪 潘保霏 +2 位作者 刘军 许心越 张安忠 《铁道学报》 EI CAS CSCD 北大核心 2024年第11期1-11,共11页

面对大规模的路网OD客流分布的“长尾效应”,提出一种多分辨率多粒度时空特征提取的短时客流预测模型,以解决稀疏OD矩阵中不同量级OD客流预测精度不高的问题。将离散小波变换引入OD矩阵特征提取,结合CNN获取多分辨率下空间特征;构建多... 面对大规模的路网OD客流分布的“长尾效应”,提出一种多分辨率多粒度时空特征提取的短时客流预测模型,以解决稀疏OD矩阵中不同量级OD客流预测精度不高的问题。将离散小波变换引入OD矩阵特征提取,结合CNN获取多分辨率下空间特征;构建多粒度历史OD客流矩阵序列,利用ConvLSTM网络提取OD矩阵长期的周期依赖性及短时的相邻时段依赖性。以北京地铁为例,分析结果表明:该模型在整体预测精度方面较其他基线模型的均方根误差RMSE提升7.4%以上;模型内部消融实验证明,多分辨率多粒度的结构对高、中、低3种量级的OD预测均有提升作用,且对高量级OD预测的RMSE提升12.5%以上。以杭州地铁为例对模型进行稳定性验证,结果表明:该模型在不同数据集下的预测结果明显优于其他基线模型;在工作日/非工作日、高低峰/平峰等场景下的适用性分析均能取得稳定的预测效果。 展开更多

关键词 城市轨道交通 短时OD预测 离散小波变换 卷积神经网络 时空特征依赖

下载PDF 职称材料