本文提出了一个少样本物理引导的时空图卷积网络（FPG-STGCN）来快速解决单位约束问题（UC）。通过调整 STGCN 来参数化 UC，并提出了少样本物理引导学习方案，利用商业优化器产生的典型 UC 解决方案以避免局部最小值，并利用增广拉格朗日法保证约束的满足。为了在学习过程中实现可行性和整数的连续放松，在混合整数解空间中提出了 Tanh-Sign 组合的直通估计器以实现全微分。对 IEEE 基准的案例研究证明，我们的方法在 UC 的可行性上优于主流学习方法，并在效率上超过传统求解器。

May, 2024

本文提出了一种基于机器学习的优化代理方法，可以在毫秒内预测 Transmission System Operators 的 Security-Constrained Economic Dispatch 的最优解，并适用于具有可再生能源的时实电网运营。

Dec, 2021

该研究利用机器学习提出了增强型 Benders 分解算法，用于解决两阶段随机安全约束机组组合问题。通过创建更紧凑的限制条件和减小主问题的规模，以降低计算成本和内存使用量。相较于传统的多限制条件 Benders 分解算法，在多个测试系统上的仿真研究表明，该学习辅助的 Benders 分解算法在解决两阶段随机安全约束机组组合问题方面具有显著的效果。

Nov, 2023

本文使用深度图卷积神经网络模型对荷兰铁路公司列车单元调遣问题进行了研究，为了提高本问题的计算效率，将神经网络模型和局部搜索启发算法相结合，提高了解决方案的预测准确率和决策速度。

Jul, 2019

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021

我们研究了图神经网络在电力网络运行决策算法（最优潮流（OPF）和安全约束单位分配（SCUC））中作为代理的实用性，以实现对运行风险的严格量化。我们的结果表明，GNN 能够快速准确地预测量化感兴趣的量，并且因此可以成为 OPF 和 SCUC 的良好代理模型。GNN 基于可靠性和风险评估的出色准确性进一步表明，GNN 代理具有在实时和提前几小时的风险量化中应用的潜力。

Nov, 2023

本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

Oct, 2022

本研究提出了一种名为相关递归单元（CRU）的新型神经架构，可以在神经元内执行时间序列分解并学习每个分解组件之间的自相关和相关性，实验结果表明，相比其他神经架构，所提出的 CRU 是解决时间序列预测问题的一种优秀方法，可将长期和短期的预测精度提高 10％以上。

Nov, 2022

提出了一种基于物理信息的分层图卷积网络（PI-GCN）用于神经潜伏，通过学习电力系统各组成部分的底层特征来寻找高质量的变量分配；采用基于 MIP 模型的图卷积网络（MB-GCN）用于神经分支，在 B＆B 树的每个节点上选择最优变量进行分支；将神经潜伏和神经分支集成到现代 MIP 求解器中构建一个创新的神经 MIP 求解器，用于处理大规模的 UC 问题。数值研究表明，相较于基线 MB-GCN，PI-GCN 在神经潜伏方面具有更好的性能和可扩展性；此外，将神经 MIP 求解器与我们提出的神经潜伏模型和基线神经分支模型相结合，可以获得最低的运营成本，并在所有测试日中优于现代 MIP 求解器。

Nov, 2023

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017