本研究探讨了在流行期间建筑能源使用的预测方法，使用在线学习和人类迁移数据作为新的预测方法，以适应变化的入住模式，并在六个建筑上进行了广泛的实验。

Jun, 2023

本研究基于日前葡萄牙国家 15 分钟分辨率净负荷时间序列，以深度学习结构 N-BEATS、LSTM 和 TCN 为重点，对 COVID-19 疫情期间的短期负荷预测进行比较研究，旨在增强能源公司和网络运营商的预测工具箱，并提高其对危机事件对模型性能的严重影响的认识，同时作为智能电网监管框架下高级模型评估、部署和可持续性指导。

Feb, 2023

本论文提出了一种连续学习的解决方案，以解决行人检测的超出分布问题，并针对性能降低的问题制定了改进的 Elastic Weight Consolidation 方法。通过在一个数据集上进行训练和在另一个数据集上进行微调来达到学习新分布并在先前的数据集上保持性能的目的。

Jun, 2023

通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

Sep, 2023

本文通过对智能电网进行技术创新、标准开发、规范实施、测试规划等方面的探讨，运用基于深度学习方法的概率和全局预测模型，分析了外部干预对电力需求的不确定性及其影响情况，以新冠肺炎疫情对电力需求的影响为例，证明在短期内干预的峰谷差异是相当显著的。

Sep, 2022

本文研究人口流动对 COVID-19 传播的影响，并利用图形表示学习领域的最新进展来捕捉其潜在动态。我们创建了一张图表，其中节点对应于一个国家的地区，边缘权重表示从一个区域到另一个区域的人类流动。我们使用图神经网络来预测未来案例的数量，并通过异步爆发和元学习的方法，将一个国家的模型的知识转移到另一个国家的模型上。实验结果证明了我们方法的优越性。

Sep, 2020

在电力系统领域，住宅用户在负荷预测应用中的日益参与加剧了对数据隐私的关注。为了解决这些问题，我们提出了一种基于 Markov 切换的分布式训练框架，通过严谨的理论分析证明了其收敛性，该拓扑结构对毒化攻击具有很强的鲁棒性，并且通过使用实际的电力系统负荷数据进行的案例研究验证了我们提出算法的有效性。

Feb, 2024

该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

Dec, 2022

本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

Nov, 2020

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022