May, 2024

基于少样本物理引导时空图卷积神经网络的学习求解机组启停问题

PDF
TL;DR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。
发现论文，激发创造
  • 基于物理信息图学习解决大规模机组组合问题

    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

  • 时空深度学习辅助降低安全约束单位组合问题

    该研究使用高级机器学习模型通过考虑基于图神经网络 (GNN) 的空间相关性和基于长短期记忆 (LSTM) 网络的时间序列研究模式，来挖掘电力系统历史数据中的地理和时间相关性，以有效预测发电机等级计划，应用于 SCUC 模型简化，提高计算效率而不影响解决方案的质量

    Jun, 2023

  • 时空图卷积网络：用于交通预测的深度学习框架

    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

  • 使用图神经网络进行交通预测的统一时空建模

    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

  • 空间图卷积网络

    提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs)，SGCN 利用了空间特征来有效地学习从自然定位的图形中，经过实验证明，SGCN 优于现有的图形方法在图像分类和化学任务上的表现。

    Sep, 2019

  • STGC-GNNs：一种基于 GNN 的交通预测框架，使用时空 Granger 因果图

    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

  • 混合时空图卷积网络：利用导航数据改善交通预测

    提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

    Jun, 2020

  • 基于关系图神经网络的不确定性感知的少样本知识图谱补全

    通过利用高斯分布对有限数据进行建模，我们提出了一种新颖的不确定性感知少样本知识图完成框架（UFKGC），该框架能更好地理解有限数据并提高鲁棒性，实验证明与竞争对手相比，在两个基准数据集上取得了出色的性能。

    Mar, 2024

  • 基于骨架的动作识别的向 T 时空焦点的迈进

    该研究提出了一种基于骨架的动作识别框架，利用空间 - 时间梯度来聚焦相关的空间 - 时间特征，并利用可学习的梯度增强和实例依赖邻接矩阵建立高阶空间 - 时间动态模型，并通过基于梯度的空间 - 时间注意力来指导分类器去关注何时以及何处，以优化堆叠的 STF 模块，该方法在几个数据集上呈现出具有竞争力的结果。

    Feb, 2022

  • 基于骨骼的动作识别的时空图卷积

    本文提出了一种称为 Spatio-Temporal Graph Convolution (STGC) 的方法，用于动作识别中的骨架，该方法组合了本地卷积过滤器的成功和自回归移动平均的序列学习能力，通过递归地进行多尺度局部图卷积过滤器构建。实验表明 STGC 模型的有效性和优于现有技术的改进。

    Feb, 2018