Oct, 2022

基于时间融合 Transformer 的反应堆事故预测的长期依赖性和可信性方法

PDF
TL;DR本文提出了一种基于多头自注意和门控机制的时间融合 Transformer 模型的事故预测方法，利用多个协变量来提高预测精度，并采用分位数回归方法进行不确定性评估，该方法首次将 TFT 应用于反应堆事故预测中，相对于新型基于深度学习的预测方法，在预测精度和置信度上均有所提高，同时还可以提取静态和历史协变量特征，为建立更智能和更轻松的反应堆系统维护方法做出积极贡献。
reactor accidentprognosistemporal fusion transformer modeldeep learning-based prediction methodsuncertainty assessment
发现论文，激发创造
  • 可解释的多时段时间序列预测的时间融合变压器

    介绍了一种名为 Temporal Fusion Transformer（TFT）的基于注意机制的新型深度学习模型，以高效且可解释的方式解决多步预测中存在的多个输入和时间动态性问题，在实际数据集上表现出显著的性能和可解释性。

    Dec, 2019

  • 时序融合 Transformer 用于流量预测：结合注意力与循环的价值

    本文研究了结合循环和注意力的方法是否能够提高水文预测的精度并将 Temporal Fusion Transformer (TFT) 模型应用于水文学领域。在 2600 个以上的全球分布的集水区的实验表明，TFT 模型的表现超过了 LSTM 和 Transformers 模型，并可帮助获得流域产流过程的更多见解。

    May, 2023

  • 基于事后可解释性的参数选择策略用于核反应堆事故诊断系统

    采用后处理可解释性理论，提出了选择核电站热工水力参数的方法，并使用 TRES-CNN 诊断模型，成功预测了 HPR1000 中 LOCA 中断口的位置和尺寸，大幅减少了训练时间和不确定性。

    Aug, 2022

  • 利用时间融合变压器进行短期电力负荷预测：网格层次和数据来源的影响

    研究了基于 Transformer 模型的时间序列预测方法在短期电力负载预测中的应用，结果表明，该方法不如基于 LSTM 模型在整个电网范围内的日前负载预测性能优越，但在细分的变电站层面上表现出显著的预测性能提升，并且在周前负载预测上具有优越性。

    May, 2023

  • 使用时间度量预测的学习性组件系统安全监控

    基于概率时序预测的安全监测方法在学习增强型自主系统中起到关键作用，通过深度学习模型，特别是 Temporal Fusion Transformer 模型，可以有效地预测飞行安全违规事件，保证系统在操作过程中的安全性。

    May, 2024

  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 基于知识图谱的电力变压器故障预测

    应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

    Feb, 2024

  • 利用时间融合变压器 (TFT) 对全球每小时 GPP 进行升维

    本研究探索了一种新的方法，利用时间融合变压器 (Temporal Fusion Transformer) 将静态变量和时变变量一起考虑，以在缺乏较高时间分辨率输入特征以及存在显著遗漏值的情况下，上采样在局部到全球尺度上量化大小植被原初生产力 (Gross Primary Productivity) 的问题。同时，该研究还对时空因子的影响进行了可解释性的分析。

    Jun, 2023

  • 利用变分模态分解的时序融合变压器进行风电功率预测

    本研究使用 VMD 分解风力系列和 TFT 模型进行 1 小时、3 小时和 6 小时的预测，结果表明 VMD 优于其他分解算法，而 TFT 模型优于其他分解模型。

    Feb, 2023

  • 基于时间深度降解网络和基于注意力的特征提取的复杂机械剩余寿命预测

    使用一维卷积神经网络提取传感器数据的退化相关特征，并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命，这个模型使用注意力机制来捕捉故障特征和退化发展，对公共 C-MAPSS 数据集进行评估，与现有方法进行比较，证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。

    Feb, 2022