基于注意力 - GCN-LSTM 的配电网络短期多时段线损率预测

Dec, 2023

基于注意力 - GCN-LSTM 的配电网络短期多时段线损率预测

Short-Term Multi-Horizon Line Loss Rate Forecasting of a Distribution Network Using Attention-GCN-LSTM

Jie Liu, Yijia Cao, Yong Li, Yixiu Guo, Wei Deng

TL;DR本研究提出了 Attention-GCN-LSTM，一种结合了图卷积网络 (GCN)、长短期记忆 (LSTM) 和三层注意机制的新方法，以准确预测分布网络中线路损耗率的短期多时间跨度。通过捕捉空间和时间相关性，我们的模型能够在多个时间跨度上准确预测线路损耗率。通过对来自 10KV 馈线的真实数据进行全面评估，我们的 Attention-GCN-LSTM 模型始终优于现有算法，在预测准确性和多时间跨度预测方面表现出卓越性能。该模型对于提升分布网络中的线路损耗管理具有重要意义。

Abstract

Accurately predicting line loss rates is vital for effective line loss management in distribution networks, especially over short-term multi-horizons ranging from one hour to one week. In this study, we propose Attention-GCN-LSTM, a novel method that combines →

line loss rates multi-horizon forecasting graph convolutional networks long short-term memory attention mechanism

发现论文，激发创造

基于注意力机制的时空图卷积循环神经网络用于交通预测

本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

Feb, 2023

GC-LSTM: 基于图卷积嵌入的 LSTM 模型进行动态链接预测

本文提出了 GC-LSTM 动态网络链路预测方法，结合 Graph Convolution Network 和 LSTM 网络实现了对动态网络添加和删除链路的预测，并通过实验验证了其优于当前最优方法。

Dec, 2018

利用长短期记忆网络对高维混沌系统进行数据驱动的预测

使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

Feb, 2018

基于层次 LSTM 和注意力机制的网络级短时旅行时间大数据分析

本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

Jan, 2022

将 LSTMs 和 GNNs 集成用于 COVID-19 预测

本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。

Jul, 2021

西部 GCN-LSTM: 加权堆叠的时空图神经网络用于区域交通预测

通过引入共享边界策略和可调节跳数策略，该研究提出了一种新的 WEst GCN-LSTM 空间 - 时间图神经网络架构，对区域交通预测进行了改进，并在实验评估中显著优于其他 19 种预测模型。进一步的消融实验表明，该解决方案的每个组成部分都对提高整体性能有所贡献。

May, 2024

基于序列的时空图卷积网络用于分钟级和道路级交通事故风险预测

利用 GCN 和 LSTM 相结合的顺序空时图卷积网络（SST-GCN）预测首尔的道路数据集构建的分钟级和道路级交通事故，实验证明 SST-GCN 在分钟级预测方面胜过其他最先进的模型。

May, 2024

利用粒子群优化的多头自注意力增强的 CNN-LSTM 网络进行短期负荷预测

本文提出了一种新的解决方案，利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征，并采用高效的计算框架，通过对一个真实的用电需求数据集进行严格评估，实验结果表明，该方法在准确性、鲁棒性和计算效率方面具有显著优势，其平均绝对百分比误差为 1.9376，相较于现有最先进的方法标志着短期负荷预测的新时代的开启。

Sep, 2023

基于自筛深度学习模型的滑坡易发性预测建模

本文提出了一种使用自筛选图卷积和长短期记忆网络的山体滑坡易损性预测模型来解决传统机器学习模型在样本误差和环境因素等方面存在的不确定性问题，并与几种常规机器学习方法进行了比较，实验结果显示，SGCN-LSTM 模型具有更高的预测精度和更好的鲁棒性，具有很好的应用前景。

Apr, 2023

基于注意力机制的上下文多视图图卷积网络用于短期人口预测

提出一种基于多视图图卷积神经网络 (ACMV-GCNs) 的深度学习模型来预测未来城市人口，该模型利用城市环境信息构建多图并加入注意力机制以考虑情境影响，并通过移动电话收集的人口统计数据表明表现优于基准方法。

Mar, 2022