基于图卷积网络和门控循环单元的多站点气温预测模型

时空预测任务在神经科学、交通、气象等领域应用广泛。气温预测作为典型的时空预测任务,需要挖掘气温数据中固有的时空特征。针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题,提出一种基于图卷积网络和门控循环单元的气温预测（GCN-GRU）模型。首先,使用重新分配权重和多阶近邻连接方式修正图卷积网络（GCN）,以有效挖掘气象数据独特的空间特征;然后,将门控循环单元（GRU）中每个循环单元的矩阵乘法替换成图卷积操作,并将所有的循环单元串联起来构成图卷积门控层;接着,使用图卷积门控层搭建网络主体结构来提取数据的时空特征;最后,通过一个全连接的输出层输出气温预测结果。通过与GRU和长短期记忆网络（LSTM）等单一模型对比,GCN-GRU模型的平均绝对误差（MAE）分别减小了0.67和0.83;与切比雪夫图卷积和长短期记忆网络结合的预测模型（Cheb-LSTM）、图卷积网络和长短期记忆网络结合的预测模型（GCN-LSTM）对比,平均绝对误差分别减小了0.36和0.23。     

基于时空图卷积循环神经网络的交通流预测

针对交通流预测模型中路网空间结构刻画和交通流时空特性挖掘不充分的问题,构建一种新型的有向时空图,通过定义节点相对临近度来表征路网结构关系,通过学习邻域节点对预测节点的影响权重来表征节点间时空维度的作用关系,从而能更好表达交通流的时空特性.将时空图作为预测模型的输入,采用图卷积获取交通流数据空间依赖关系,采用门控循环神经网络获取交通流数据的时空依赖关系,建立一种基于时空图卷积循环神经网络的交通流预测模型(STG-CRNN).在美国公路交通数据集上对模型预测效果进行验证,其结果表明:STG-CRNN模型的预测结果在平均绝对误差、均方根误差和平均绝对百分误差方面,均优于自回归移动平均模型、门控循环单元模型,以及扩散卷积循环神经网络模型.     

基于时空信息融合学习的路段行程车速短时预测

路段行程车速的变化受时间和空间维度信息的综合影响,多数神经网络模型仅从时间维度上预测路段行程车速的变化规律,未能全面考虑路网结构和上下游交通状态对路段行程车速的影响。结合图卷积网络和门控循环单元构建深度学习模型,挖掘路段行程车速的时空特性。通过在线地图平台获取路段实时行程车速,使用等维递补方法更新历史序列数据,提高预测实时性。在深圳市部分区域路网上的实验结果表明,该模型的多步预测精度均在90%以上,相比自回归积分滑动平均模型、支持向量机回归模型和门控循环单元模型最高提升了6.9%、1.3%和0.4%,具有更优的路段行程车速预测效果。     

LSTM网络在台风路径预测中的应用

台风路径实质为二维平面上一段曲线，根据2条台风路径曲线的相似度可以判断其数值相似和形态相似，由此利用动态规整算法可以从历史台风数据库筛选出与目标台风相似的台风路径。同时考虑到台风路径信息的时间关联性，提出了长短时记忆网络预测模型。利用历史台风的经纬度信息，预测台风未来6小时位置信息，对比传统基于相似度预测台风路径方法，长短时记忆模型能够有效提高台风路径预测精度，模型更加稳定高效。     

基于门控卷积的时空交通流预测模型

针对现有的交通流预测模型未能精确捕获交通数据的时空特征,以及大部分模型都是在单步预测中体现出良好的预测性能,在多步预测中模型的预测性能显得并不理想的问题,提出了一种基于门控卷积的时空交通流预测模型（GC-STTFPM）。首先,利用图卷积网络（GCN）结合门控循环单元（GRU）来捕获交通流数据的时空特征;然后提出了一种利用卷积门控单元对原始数据和时空特征数据进行拼接与筛选处理的方法来对时空特征数据的有效性进行校验;最后,将GRU作为解码器来对未来交通流作出准确可靠的预测。在洛杉矶公路的交通数据集上的实验结果表明,GC-STTFPM在单步预测（5 min）中与基于注意力的时空图神经网络（ASTGNN）和扩散卷积递归神经网络（DCRNN）相比,平均绝对误差（MAE）分别降低了5.9%和9.9%,均方根误差（RMSE）分别降低了1.7%和5.8%。同时,GC-STTFPM在15、30、60 min三个多步尺度下的预测精度优于大多数现有基准模型,具有较强的适应性和鲁棒性。     

基于GA-GRU环境空气污染物预测研究

针对现有的环境空气污染物预测方法存在缺少输入特征相关性分析和时序信息丢失问题,提出一种将遗传算法和门控循环单元神经网络相结合的环境空气污染物PM2.5小时浓度预测模型,充分挖掘了污染物时间序列内在依赖关系,并解决了不相关因子的干扰和输入特征维度灾难的问题。最后基于绵阳市4个空气污染物监测站点的数据集进行仿真实验,与门控循环单元神经网络、深度信念网络预测比较。结果表明,基于GA-GRU的PM2.5小时浓度预测模型在训练时间、预测精度和鲁棒性上优势显著,是一种可行且有效的预测方法。     

基于图卷积神经网络的SDN网络流量预测

精确和实时的网络流量预测在SDN网络中扮演着重要角色,同时对流量工程、网络控制起到重要作用.由于网络拓补的约束和时间的动态变化,即空间和时间特征,使得网络流量预测问题已经成为一个公认的科学问题.为了有效提取空间和时间特征,提出一种基于神经网络的预测模型,即结合了图卷积和门控循环单元的模型.图卷积网络可以有针对性地提取到复杂拓补的空间特征,同时门控循环单元能提取到流量的时间特征,两者的结合可以有效地预测软定义网络中的流量.在模型性能比较方面,将提出的GCGRU与经典方法进行了比较.评估指标包括MSE,RMSE,MAE.实验结果表明,GCGRU能够更有效地进行流量预测.     

基于图卷积神经网络的SDN网络流量预测

精确和实时的网络流量预测在SDN网络中扮演着重要角色,同时对流量工程、网络控制起到重要作用.由于网络拓补的约束和时间的动态变化,即空间和时间特征,使得网络流量预测问题已经成为一个公认的科学问题.为了有效提取空间和时间特征,提出一种基于神经网络的预测模型,即结合了图卷积和门控循环单元的模型.图卷积网络可以有针对性地提取到复杂拓补的空间特征,同时门控循环单元能提取到流量的时间特征,两者的结合可以有效地预测软定义网络中的流量.在模型性能比较方面,将提出的GCGRU与经典方法进行了比较.评估指标包括MSE,RMSE,MAE.实验结果表明,GCGRU能够更有效地进行流量预测.     

基于级联时空特征的信息传播预测方法

现有信息传播预测方法对级联序列和拓扑结构独立建模,难以学习级联时序特征和结构特征在嵌入空间的交互表达,造成对信息传播动态演化的刻画不足.因此,文中提出基于级联时空特征的信息传播预测方法.基于社交关系网络和传播路径构建异质图,使用图神经网络学习异质图和社交关系网络节点的结构上下文,引入门控循环单元提取级联时序特征,融合结构上下文和时序特征,构建级联时空特征,进行信息传播的微观预测.在Twitter、Memes数据集上的实验表明,文中方法性能得到一定提升.     

基于深度学习的工厂生产节点短期能耗预测

针对工业能耗预测中没有将目标节点和其他节点进行区分，导致目标节点预测精度低，为此提出空间动态预测模型(ARSDM)。选用卷积神经网络(CNN)提取邻接数据空间特征，门控循环单元(GRU)提取邻接数据和目标数据的时序特征，注意力机制(Attention)对时序特征进行筛选，实现对目标数据进行实时监控预测。使用循环神经网络(RNN)、GRU和Attention与ARSDM进行比较，选用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和准确率(Acc)作为评估指标，实验结果表明，ARSDM误差更小，预测精度更高。