本文提出了一种基于机器学习和物联网技术的热辅助采油技术增产优化方法，通过监测及预测油田生产数据并构建优化算法，最终在现场实现了 3% 的增油效果，并且该方法也可用于类似的时序数据结构问题解决。
Aug, 2019
本文介绍了利用时间序列算法（季节性Naive方法，指数平滑和ARIMA）预测蒸馏燃料油和丙烷混合物净产量的方法，以此实现对油田成本控制和管理的目的。
Jun, 2022
本文介绍了Transformer在时间序列预测方面的应用，探讨了其局限性，并提出了一系列更好的性能和更少复杂度的其他模型。
Apr, 2023
利用新型油藏计算模型对原油价格进行准确预测，其优于流行的深度学习方法，该模型的竞争优势进一步验证了其实用性，能够帮助金融从业者增强决策能力和获得价值洞察原油市场动态。
Jun, 2023
通过使用深度学习和序列卷积以及长短时记忆(LSTM)单元，发展了先进的数据驱动回归模型来预测石油产量，优于传统的机器学习方法，对历史模式进行了分析，实验证明LSTM模型可以更准确地预测。
Aug, 2023
通过深度学习模型训练并提供整数变量的值，我们提出了一种基于深度学习模型的量身定制启发式解决方案，将原始问题转化为线性规划问题，进而减少了问题求解时间，减少了运行时间约为71.11%。尽管在训练期间未看到最优解值，但是弱监督学习模型在早期修复方面提供了显著的数值。
Sep, 2023
利用弱创新自动编码器建立生成概率预测模型，可应用于电力价格预测等领域，展示了在多种预测指标上超过主要概率和点预测技术的卓越性能。
Feb, 2024
开发机器学习模型以准确预测多维预测变量对12个月累积产量的影响，然后用于改进采油井开发参数和优化完成顺序的研究。
提出了一种名为GPHT的新型生成预训练分层变压器架构，通过引入高级网络结构和自监督预训练策略来提高时间序列预测的准确性，并在充足的实验验证中证明其超越了传统预训练模型和监督模型，在传统长期预测任务中取得了良好的效果。
本文提出了一种新颖的生成式概率预测方法，基于非参数时间序列的Wiener-Kallianpur创新表示。在生成人工智能的范式下，提出的预测架构包括一个自编码器，将非参数多变量随机过程转化为规范化的创新序列，根据过去样本的条件概率分布生成未来时间序列样本。提出了一种新颖的深度学习算法，使潜在过程成为具有匹配自编码器输入-输出条件概率分布的独立同分布序列。该生成式预测方法具有渐近最优性和结构收敛性质。研究了三个应用领域，包括实时市场操作中的高动态和高波动时间序列：(i) 商业储能参与者的位置边际价格预测，(ii) 互联市场的区域价格差预测，以及(iii) 频率调节的区域控制误差预测。基于多个独立系统运营商的市场数据的数值研究表明，在概率和点预测指标下，与传统的和基于机器学习的预测技术相比，该方法具有更优越的性能。
Mar, 2024