检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于注意力机制和图卷积的电信客户流失预测

计算机工程与设计 2023年第6期44卷 1685-1691页

作者：黄子璇夏壬焕张雄涛杭州电子科技大学计算机学院浙江杭州310000 湖州师范学院信息工程学院浙江湖州313000

针对客户流失预测任务中,离散特征进行one-hot编码后特征空间过大,特征表示向量过于稀疏,引发维度灾难的问题,提出一种流失预测模型。基于特征嵌入和Transformer将高维离散数据转换为基于上下文的嵌入,降低编码后的数据维度,增强特征值... 详细信息

针对客户流失预测任务中,离散特征进行one-hot编码后特征空间过大,特征表示向量过于稀疏,引发维度灾难的问题,提出一种流失预测模型。基于特征嵌入和Transformer将高维离散数据转换为基于上下文的嵌入,降低编码后的数据维度,增强特征值间的联系。结合基于自适应邻接矩阵定义的图卷积操作,自动学习特征间潜在的关联关系,提高对正类样本的识别精度。使用交叉验证的方式在两份公开数据集上进行对比实验和消融实验,实验结果表明,改进模型能够有效增强多层感知机对于样本的拟合能力,提高分类预测准确率。

关键词：客户流失多层感知机离散数据分布不均衡注意力机制自适应邻接矩阵表示学习

维普期刊数据库

基于改进时空图卷积网络的省域电网总量负荷短期预测方法

在线全文

学校读者我要写书评

暂无评论

华北电力大学学报(自然科学版) 2024年

作者：任浪于宗超赵坚胜邓小亮戴浩男文明王飞国网湖南省电力有限公司国网湖南省电力有限公司经济技术研究院能源互联网供需运营湖南省重点实验室华北电力大学电力工程系新能源电力系统全国重点实验室(华北电力大学) 河北省分布式储能与微网重点实验室(华北电力大学)

准确预测省域电网总量负荷对于保障电力系统的稳定运行至关重要。省域电网负荷是全社会多行业用电行为的综合表现，具有不确定性来源多样、不同行业负荷时序变化周期迥异和空间耦合关系复杂等特点，而现有方法大多面向同质负荷集群，忽... 详细信息

准确预测省域电网总量负荷对于保障电力系统的稳定运行至关重要。省域电网负荷是全社会多行业用电行为的综合表现，具有不确定性来源多样、不同行业负荷时序变化周期迥异和空间耦合关系复杂等特点，而现有方法大多面向同质负荷集群，忽略集群内部潜在时空相关性，难以精准预测省域电网总量负荷。为此，提出了一种基于改进时空图卷积网络的省域总量负荷短期预测方法。首先，以不同行业为图节点将负荷数据经由图嵌入层映射至特征空间，利用图构造层更新邻接矩阵以动态提取行业负荷间潜在关联信息；其次，构建时空卷积模块捕捉各行业负荷差异化的变化模式，模块中的多跳传播层和Inception-膨胀卷积赋予了模型传递不同距离节点的有效信息和自适应选择卷积核大小的能力；最后，将各图节点的输出求和得到最终预测结果。采用中国湖南省73个行业的实际负荷数据开展案例仿真，仿真结果表明，相较于最优基准模型，均方根误差降低85.91MW，平均绝对百分比误差降低0.49%。研究成果可为电网调度运行工作提供指导。

关键词：省域电网负荷行业关联信息时空图卷积网络自适应邻接矩阵多跳传播层 Inception-膨胀卷积

基于时空自适应图卷积神经网络的脑电信号情绪识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机科学 2022年第4期49卷 30-36页

作者：高越傅湘玲欧阳天雄陈松龄闫晨巍北京邮电大学计算机学院(国家示范性软件学院) 北京100876 北京邮电大学可信分布式与服务教育部重点实验室北京100876

随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏... 详细信息

随着人机交互在计算机辅助领域的快速发展,脑电信号已成为情绪识别的主要手段。与此同时,图网络因其对拓扑结构数据的优秀表征能力,逐渐受到研究者们的广泛关注。为进一步提升图网络对多通道脑电信号的表征性能,文中结合脑电信号的稀疏性、不频繁性等多种特性,提出了一种基于时空自适应图卷积神经网络的脑电情绪识别方法(Self-Adaptive Brain Graph Convolutional Network with Spatiotemporal Attention,SABGCN-ST)。该方法通过引入时空注意力机制解决了情绪的稀疏性问题,并根据自适应学习的脑网络拓扑邻接矩阵,挖掘不同位置的电极通道之间的功能连接关系。最终模型基于图卷积操作进行图结构的特征学习,以实现对脑电信号的情绪预测。在DEAP和SEED两个脑电信号公开数据集上开展了大量实验,实验结果证明,SABGCN-ST相比基线模型在准确率上具有显著的优势,平均情绪识别准确率达到84.91%。

关键词：脑电信号情绪识别图卷积神经网络时空注意力机制自适应邻接矩阵深度学习

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的电信用户流失预测模型研究

基于注意力机制的电信用户流失预测模型研究

作者：黄子璇杭州电子科技大学

学位级别：硕士

伴随着手机等移动设备的大量普及,电信业务快速发展,运营商之间的竞争愈发激烈,如何有效地发现潜在的流失用户成为了运营商关注的重点问题。考虑到保留原有客户的成本远低于吸引新客户的成本,有效的用户流失预测模型可以为运营商制定保... 详细信息

伴随着手机等移动设备的大量普及,电信业务快速发展,运营商之间的竞争愈发激烈,如何有效地发现潜在的流失用户成为了运营商关注的重点问题。考虑到保留原有客户的成本远低于吸引新客户的成本,有效的用户流失预测模型可以为运营商制定保留策略提供辅助,降低运营商的运营成本。现有的用户流失预测模型需要配合复杂的特征工程,耗费大量人力与时间成本,且容易导致维度爆炸问题,还忽略了不同特征之间的交叉关系。针对以上问题,本文提出了两种基于注意力机制的用户流失预测模型。提出的模型能够缓解维度爆炸问题,挖掘样本中潜在的特征交互信息,具备自动特征学习的能力。并基于提出的改进用户流失预测模型,实现了用户流失预警系统,适用于离线场景下的用户流失预测任务。本文的主要工作如下:(1)提出了基于自注意力机制和图卷积的用户流失预测模型。通过特征嵌入结合Transformer结构的方式对类别特征进行映射,缓解了维度爆炸问题,并保留了特征值之间的关联关系。再采用自适应邻接矩阵定义图卷积操作,挖掘不同特征之间的潜在交互关系,使模型具备了进行自动特征学习的能力。在多个数据集上和多个模型进行比较,证明了模型具有良好的预测性能。(2)提出了基于交叉注意力和特征抽象的用户流失预测模型。针对前一个模型存在的输入特征未被充分表示以及模型不能学习高阶特征等缺点进行改进。首先通过改进的特征嵌入层将类别特征和数值特征映射到同一特征空间,并采用基于样本与特征的交叉注意力机制构建基于行与列的上下文特征表示。然后结合特征抽象模块对底层特征组进行特征选择和特征抽象来构造高阶语义特征。改进的模型进一步挖掘了特征间的潜在联系,提高了分类预测性能。(3)基于改进的用户流失预测模型,设计并实现了适用于离线场景的电信用户流失预警系统。该系统通过大数据组件实现对海量用户数据的存储和分析,整合模型训练模块和用户细分模块提供决策辅助,最终通过决策层为目标用户制定挽留策略,能够满足实际场景中用户流失预警业务的需求。

关键词：用户流失预测表示学习注意力机制自适应邻接矩阵数据挖掘

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空动态层次图卷积网络的交通流量预测

基于时空动态层次图卷积网络的交通流量预测

作者：李璐瑶重庆交通大学

学位级别：硕士

交通流量预测在智能交通系统研究中广泛应用,可以运用在解决交通拥堵等交通问题中,进行高精度的交通流量预测可以保障交通网络的高效安全运行。在如今交通大数据时代运用丰富多源的交通数据,挖掘其中的时空相关性进行准确的交通流量预测... 详细信息

交通流量预测在智能交通系统研究中广泛应用,可以运用在解决交通拥堵等交通问题中,进行高精度的交通流量预测可以保障交通网络的高效安全运行。在如今交通大数据时代运用丰富多源的交通数据,挖掘其中的时空相关性进行准确的交通流量预测,可以为城市交通网络规划及出行方案制定提供数据支持。本文针对高速公路进行交通流量预测,结合交通网络自然层次结构进行建模,提出了基于时空动态的层次图卷积网络进行高速公路交通流量预测。首先针对交通网络中包含的自然层次结构,运用图谱聚类算法将观测到的交通路网图数据计算生成区域图数据,选择近周期、日周期、周周期三种时间间隔交通数据进行数据拼接,作为层次图卷积网络的输入数据。加入时空嵌入模块以便可以同时考虑空间和时间信息,增强模型获取时空相关性的能力。在模型中进一步加入自适应图卷积网络,使局部和全局信息传播之间保持更好的平衡,获取更具区别性的节点特征,探究全局空间适应性与局部动态之间的相互作用。然后运用时间门控卷积层在处理长序列数据时有效地捕获长期依赖关系,运用时间图卷积层提取时空特征。之后在区域图和路网图之间交互层中加入基于动态图学习的动态转换模块以融合区域特征和路网特征。随后引入拉普拉斯矩阵隐藏网络在交通层次图数据上学习节点表征,处理高速公路层次图拉普拉斯矩阵。然后运用特征采样运算在大规模数据集上训练时降低计算复杂度,提高模型的训练速度。提出多头自注意力机制探索更多节点之间的关系,综合运用因果趋势注意力机制和缩放点积注意力机制,揭示输入交通流信息或特征之间的相互依赖性,选择性地聚焦于重要数据信息,并有效地探索序列中任意元素之间的时空相关性。之后为了更深入地探索邻接矩阵序列之间的内在关系,采用长短时记忆单元来学习时间相关性。在Highway KF和Highway CQ两个交通流数据集上进行实验,STDHGCN模型基于特征融合进行交通流量预测,输出最后交通流量预测结果。与其他基线模型的预测结果对比分析后结果显示,STDHGCN模型在不同时间间隔的交通流量预测中均具有较高的精度,STDHGCN模型的交通流量预测精度较其他模型提高13%左右,与线圈传感器采集的真实交通流量数据相比有较高的拟合度。同时进行消融实验,结果表明:STDHGCN模型的层次图结构可以获取交通网络中的自然层次信息,并且运用拉普拉斯矩阵隐藏网络更充分地获取交通数据中节点间的时空相关性。STDHGCN模型中加入自适应邻接矩阵可以分析某些节点对其他节点的影响程度高低,为模型引入更多有用的新信息。动态转换模块将区域特征和路网特征进行特征融合,将特征信息融合在一起,提高了STDHGCN模型的交通流量预测精度。实验结果验证了设置层次图、拉普拉斯矩阵隐藏网络、动态转换模块和自适应邻接矩阵进行交通流量预测的有效性。

关键词：时空动态层次图图卷积网络拉普拉斯矩阵隐藏网络自适应邻接矩阵动态转换

基于自适应图时空Transformer网络的多站点太阳辐照度预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自适应图时空Transformer网络的多站点太阳辐照度预测

作者：陈耀南昌大学

学位级别：硕士

准确的短期太阳辐照度预测可以实现精准的太阳能光伏发电功率预测,帮助电力管理部门和企业人员及时调整和优化发电计划,提高光伏电站能源的利用率和经济效益。现有的太阳辐照度预测方法通常是针对单个目标位置的历史辐照度数据和气象数... 详细信息

准确的短期太阳辐照度预测可以实现精准的太阳能光伏发电功率预测,帮助电力管理部门和企业人员及时调整和优化发电计划,提高光伏电站能源的利用率和经济效益。现有的太阳辐照度预测方法通常是针对单个目标位置的历史辐照度数据和气象数据进行的,缺乏对周围站点数据的充分利用,难以得到准确的预测结果。一些研究人员利用预定义的固定邻接矩阵来考虑站点之间的空间相关性,对空间相关性和时间相关性分别建模,然而这种方法无法动态捕捉空间相关性,忽视了站点间随时间变化的联系。因此,针对多站点太阳辐照度预测任务,需要一种能够动态捕捉空间相关性并直接对光伏站点间时空相关性建模的方法,以提高预测准确度和可靠性,从而为太阳能的有效利用提供更可靠的支持。本文提出一种面向多站点太阳辐照度预测的自适应图时空Transformer（AGSTT）网络模型,该模型使用自适应邻接矩阵动态捕捉站点之间的空间相关性,并利用时空自注意力机制直接对光伏站点间的时间-空间相关性建模,预测区域内所有光伏站点的太阳辐照度,本文主要研究内容如下:（1）本研究选取了温带大陆性气候的新疆阿克苏地区六个站点和亚热带季风型湿润气候的江西鄱阳县六个站点作为研究对象,通过收集新疆阿克苏和江西鄱阳县这两个区域内的太阳辐照度数据和气象数据,本文对影响两个地区太阳辐照度的气象因素进行了相关性分析,以选择模型的输入特征。（2）本研究针对地面观测站辐照度数据缺失的问题,在对多站点辐照度时空特性分析的基础上提出了一种考虑太阳辐照度时空特性的缺失值填补方法。首先对辐照度的时间特性和站点之间的空间特性,分析表明不同站点之间的辐照度空间相关性随时间变化。其次,分析了缺失数据产生的原因,并利用太阳辐照度的时空相关性,提出了考虑太阳辐照度时空特性的缺失值填补方法,并通过仿真实验验证,填补的数据较好的还原了原始辐照度数据的变化趋势,偏差在可接受范围内。（3）本研究提出一种面向多站点太阳辐照度预测的自适应时空Transformer网络模型,该模型使用局部多头时空自注意力机制直接建模站点间的时空相关性,并引入自适应邻接矩阵捕捉站点间隐藏的时空相关性。实验结果表明,本文方法显著提高了多站点太阳辐照度的预测精度。自适应图时空Transformer在江西鄱阳县的平均绝对误差（MAE）为22.95W/m2,与其它模型(包括季节性差分自回归移动平均模型（SARIMA）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和图卷积网络（GCN）)相比,分别降低了37%、28.5%、12.6%和4%。自适应图时空Transformer在新疆阿克苏的平均绝对误差（MAE）为21.50W/m2,与其它模型相比,分别降低了37.7%、31.7%、9.9%和6.4%。

关键词：太阳辐照度预测自适应邻接矩阵时空Transformer 缺失值填补时空自注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

时空网络上的图卷积模型及其应用研究

时空网络上的图卷积模型及其应用研究

作者：宋超北京交通大学

学位级别：硕士

近年来,图卷积神经网络受到学界的广泛关注,已成功应用于推荐系统、知识图谱等不同领域。在时空数据挖掘领域中存在着大量的时空网络数据。时空网络数据是指在传统的拓扑图上增加了时间信息与空间信息的图结构数据。然而,在时空数据挖... 详细信息

近年来,图卷积神经网络受到学界的广泛关注,已成功应用于推荐系统、知识图谱等不同领域。在时空数据挖掘领域中存在着大量的时空网络数据。时空网络数据是指在传统的拓扑图上增加了时间信息与空间信息的图结构数据。然而,在时空数据挖掘领域仍缺乏专门处理时空网络数据的有效的图卷积方法。时空网络数据具有高度的复杂性,体现在强烈的空间依赖性、时间关联性、时空关联性和时空异质性。现有时空数据预测方法大多不能全面地考虑上述四种性质。而且传统的图卷积方法在应用到时空网络时难以合理地处理结点的时空属性和影响关系。本文针对这两个问题,分别提出时空同步图卷积网络和自适应时空同步图卷积网络模型,对时空网络进行有效的预测。本文主要研究内容如下:过去的时空网络预测方法往往只针对空间依赖性和时间关联性进行建模,没有直接地考虑跨越时间和空间两个维度的时空关联性。本文针对这个问题,设计了一种局部时空图结构,将多个时间步的空间图融合在一起,然后使用图卷积方法同时捕获空间依赖性、时间关联性和时空关联性。同时,考虑到不同区域和不同时间段的时空网络表现出的时空异质性,提出了一种使用多组件建模机制的时空同步图卷积网络(Spatial-temporal Synchronous Graph Convolutional Networks,STSGCN)模型,能够有效处理局部时空关联性和时空异质性。针对传统图卷积方法应用在时空网络上时难以有效地区分时空网络中不同类型的结点,以及邻居结点的特征聚合对邻接矩阵权重过分依赖这两个问题,本文分别提出了时空嵌入表示和自适应邻接矩阵两种策略来解决上述的两个问题,并由此提出了自适应时空同步图卷积网络(Adaptive Spatial-temporal Synchronous Graph Convolutional Networks,ASTSGCN)模型,该模型能根据结点特征自适应地调整结点的时空属性和时空网络中边的权重,获得更好的泛化性能。在美国加利福尼亚州高速公路公开数据集Pe MS的四个子集上进行了大量实验。实验结果显示了本文提出的方法在时空网络数据建模上的有效性,可以对时空网络进行有效的预测。

关键词：时空网络预测图卷积网络时空嵌入表示自适应邻接矩阵

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于循环卷积神经网络的交通流预测模型研究

基于循环卷积神经网络的交通流预测模型研究

作者：杨光东华大学

学位级别：硕士

近年来,全球各个国家都在大力发展智能交通系统以实现高效的交通管制。交通流预测是智能交通系统中不可或缺的一部分,精准而实时的交通流预测能为交通管理部门合理地引导和控制车流量提供重要的数据支撑和理论支持,对提升城市交通路网... 详细信息

近年来,全球各个国家都在大力发展智能交通系统以实现高效的交通管制。交通流预测是智能交通系统中不可或缺的一部分,精准而实时的交通流预测能为交通管理部门合理地引导和控制车流量提供重要的数据支撑和理论支持,对提升城市交通路网的运行效率和改善居民出行体验有重要意义。然而,交通流数据往往具有复杂的动态时空相关性,这使得交通流预测任务的难度大大增加。现有的交通流预测方法在挖掘交通数据的时空特性方面也存在不同程度的缺陷。为了应对上述挑战,本文提出了几种基于循环卷积神经网络的交通流预测模型,来挖掘实际交通路网中交通数据的时空相关性。并根据传统卷积和循环网络的缺陷和不足,用图卷积神经网络以及循环神经网络的变体对模型进行改进以增强模型的预测性能。本文的主要研究内容如下:首先,本文提出一种基于时间注意力机制的卷积长短时记忆网络模型。此模型利用时间注意力机制来捕获同一节点不同时间上交通数据的相关程度,然后使用一维卷积操作对时序数据的空间特征进行提取,最后将输出的时间序列馈送到长短时记忆网络中捕获交通序列的时间依赖性。本模型充分改善了传统时序模型无法进行空间相关性的建模和无法处理非线性数据的缺陷。之后,本文又提出一种基于空间注意力机制的门控循环图卷积网络模型。此模型通过空间注意力模块来挖掘不同道路在空间位置上的相关程度,然后使用图卷积神经网络挖掘交通数据中的空间特征,最后将输出的时间序列馈送到门控递归单元中捕获交通序列的时间依赖性。解决了卷积神经网络只能处理二维网格数据而不能处理交通路网图结构的问题。接着本文构建出一种基于自适应图卷积的时空循环网络模型构建。此模型提出两个自适应模块来增强传统图卷积运算的功能,以充分提取图数据的空间特征。然后将预定义的静态邻接矩阵和生成的自适应邻接矩阵图卷积运算后的结果进行加权平均操作,得到的张量能更好地从多方面捕获节点之间的空间依赖性。最后将输出的时间序列馈送到门控递归单元中捕获交通数据的时间依赖性。此模型主要解决了预定义的静态邻接矩阵不能完全包含节点之间空间依赖信息的问题。最后,将以上三种交通流预测模型在真实的交通数据集上进行性能评估实验。与一些经典的基线模型进行对比,本文提出的基于循环卷积神经网络的交通流预测模型都取得了不错的预测性能。此外,本文还对每个模型进行消融分析,充分验证了模型中各个模块对提升预测精度的有效性。

关键词：交通流预测时空注意力机制时空相关性图卷积神经网络自适应邻接矩阵

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空动态图卷积网络的交通流量预测

智能城市 2022年第1期8卷 1-7页

作者：李璐瑶重庆交通大学建筑与城市规划学院重庆400074

时空动态图卷积网络(STDGCN)模型运用拉普拉斯矩阵隐藏网络和自适应邻接矩阵,可以充分反映交通网络时空关系。文章使用郑州绕城高速公路数据集(HighwayZZ)和重庆绕城高速公路数据集(HighwayCQ)进行交通流量预测试验。结果表明,与LSTM、... 详细信息

时空动态图卷积网络(STDGCN)模型运用拉普拉斯矩阵隐藏网络和自适应邻接矩阵,可以充分反映交通网络时空关系。文章使用郑州绕城高速公路数据集(HighwayZZ)和重庆绕城高速公路数据集(HighwayCQ)进行交通流量预测试验。结果表明,与LSTM、GRU、GCRN、STGCN、ASTGCN模型相比,STDGCN模型在两个交通数据集的预测精度提高10%~12%;STDGCN模型更能够揭示不同路段交通数据之间的隐藏时空关系;位于多条高速公路的交叉口和U型口附近的节点对其他节点交通流量影响更大;STDGCN模型在平原城市和山地城市高速公路交通流量预测中均具有较强的普适性。

关键词：图卷积网络隐藏网络自适应邻接矩阵高速公路交通流量预测

维普期刊数据库博看期刊