May, 2024

利用深度学习进行有毒都市烟雾的时空预测

PDF
TL;DRST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。
industrial accidentschemical spillsstructural firestoxic plumesst-gasnet
发现论文，激发创造
  • 基于物理信息的深度学习方法降低氮氧化物联合预测中的偏差

    大气氮氧化物主要来自燃料燃烧，会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架，结合了传输模型和机器学习的优势，可以准确预测 NO2 和 NOx 的地面浓度，并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。

    Aug, 2023

  • 利用图神经网络学习断层油藏中 CO2 延展规律

    利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。

    Jun, 2023

  • 使用深度时空残差网络预测城市全局人流量

    使用深度学习方法 ST-ResNet，可以应对众多影响人流量的因素，有效预测每个区域内的人流流入和流出情况，提升交通管理与公共安全。实验证明 ST-ResNet 在北京和纽约市的两种不同人流数据中及贵阳市实时系统中均优于传统九种算法。

    Jan, 2017

  • 城市空气污染预测的时空图卷积循环神经网络模型

    使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型，结合 GCN 框架和 RNN 结构进行空气质量预测，相较于目前最先进的 ConvLSTM 模型具有更好的性能，并且参数数量更少；在实际空气污染数据集中优于混合 GCN 方法。

    Apr, 2023

  • 城市范围人群流量预测的深度时空残余网络

    本文提出了一种基于深度学习的 ST-ResNet 方法，通过建立时空数据的端到端结构，动态聚合三个残差神经网络的输出，并结合天气、星期等外部因素对城市各个区域的人流量进行预测，其在北京和纽约的人流量预测方面表现优于已有的六种方法。

    Oct, 2016

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • ST-ExpertNet：一种用于交通预测的深度专家框架

    该论文提出了一种可解释的框架 ST-ExpertNet，基于 MoE 训练了一组功能专家，以应对在城市的不同流量模式。作者在北京和纽约的真实出租车和自行车数据集上进行了实验，结果表明该框架在可解释性和表现方面都卓越于其他网络结构。

    May, 2022

  • 物理引导神经网络用于气源定位

    基于空间分布浓度测量的气体源位置估计的新方法，使用物理引导型神经网络来近似气体分散，并将源位置作为额外的网络输入，避免昂贵的数值模拟，实验证明该方法能够准确定位气体源。

    May, 2024

  • 揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

    通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

    Jan, 2024

  • 多图时空图卷积网络用于交通流量预测

    通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

    Aug, 2023