基于图卷积网络的交通流预测方法综述

近年来,基于深度学习的交通流预测方法一直是交通流预测领域的研究热点.与传统卷积神经网络不同,适合处理非欧几里得数据的图卷积网络在空间特征建模方面表现出了强大的能力,而反映路网空间特征的拓扑图、距离图、流量相似图等正是典型的非欧几里得数据.因此,基于图卷积网络及其变体的交通流预测方法成为交通流预测领域的一个研究热点,并取得了很多有吸引力的研究结果.本文对近年来基于图卷积网络的交通流预测模型进行了分类和总结.首先,从图卷积网络的基本定义出发,结合空域图卷积和谱域图卷积的定义详述了图卷积的基本原理.其次,根据预测模型的网络结构特点,将基于图卷积网络的交通流预测模型分为“组合型”和“改进型”两大类,并对其中最具代表性的模型结构进行了详细分析和讨论. 此外,对交通流预测领域中常用于模型性能对比的典型数据集进行了综述,并以其中一个真实数据集为例开展仿真测试,展示了4个基于图卷积网络交通流预测模型的预测性能.最后,基于当前的研究现状和发展趋势,对基于图卷积网络的交通流预测方法研究领域中未来的研究热点和难点进行了开放性的讨论和展望.     

PSS/E短路电流计算程序简介及应用技巧

简要介绍PSS/E30版本中短路电流计算模块的功能和特点,归纳和总结了华东电网近年来应用PSS/E进行短路电流计算、建模的技巧和使用心得,对提高华东电网仿真、计算和分析水平有所帮助.     

荧光光谱法测定淀粉中的直链淀粉

为了建立一种荧光光谱法测定淀粉中直链淀粉含量的方法,采用荧光光谱法测定了直链淀粉的激发光谱和发射光谱以及直链淀粉与支链淀粉的浓度比对荧光强度的影响。结果表明:直链淀粉的激发波长为370 nm、发射波长为422 nm;在0.10~0.70 μg/mL浓度范围内,直链淀粉荧光强度与其浓度呈良好线性关系,相关系数r=0.9996,检出限为0.026 μg/mL。用该方法测定玉米淀粉和土豆淀粉中直链淀粉的含量,加标回收率为94.5%~121.7%,相对标准偏差(RSD)为2.42%~3.24%。该方法不需加任何生化试剂,不受时间、温度、共存支链淀粉的影响,快速简便,绿色环保,检出限低,结果准确。     

基于FEM-ANN的高强度冷轧带钢平整轧制力预测

为了提高平整轧制力的预报精度，采用有限元法(finite element method, FEM)与人工神经网络(artificial neural network, ANN)相结合的方法，对DP980和CP1180超高强冷轧带钢在平整轧制过程中的轧制力进行预测。通过建立平整轧制过程的数学模型，利用有限元法设计了不同工况下的数值模拟试验，为神经网络模型生成训练数据。将摩擦因数与轧制力关联进行迭代优化后作为神经网络模型的输入参数。该轧制力预测方法计算迅速，预测误差在10%以内。     

EPEG抗泥保坍型聚羧酸减水剂的合成及性能研究

选用新型高活性EPEG大单体与丙烯酸、羟乙酯、封端磷酸酯等小单体反应,通过正交试验和单因素影响试验确定合成抗泥保坍型聚羧酸减水剂的最佳工艺为:酸醚比2.0,酯醚比2.4,A料、B料的滴加时间分别为40、50 min,反应过程不控温,底料浓度60%,还原剂、链转移剂、封端磷酸酯用量分别为EPEG质量的0.23%、0.69%、4.30%。水泥净浆和混凝土试验结果表明,所合成的抗泥保坍型聚羧酸减水剂具有良好的分散性和保坍性,且对混凝土强度无不利影响。     

微反应制备三氯化磷研究

针对传统三氯化磷生产存在工艺控制复杂、安全性差、对设备腐蚀严重等问题，研究了一种以黄磷和液氯为原料，通过微反应技术直接合成三氯化磷的新方法。该方法通过使用微反应技术对反应的影响因素实现精确控制，来保证磷氯的瞬间混合和高效的传质传热，从而达到在反应安全可控的条件下大幅提高反应速率的目标。对反应物料配比、温度、停留时间、回流比等因素进行了单因素条件实验，得到磷氯配料比为0.35∶1（质量比）、反应环境介质温度为75℃、反应停留时间为60 s和回流比为2是比较适宜的条件。新方法将反应停留时间缩短至60 s，而且收率达到90%以上，产品质量满足优级品标准，并且可以实现产品的安全、连续化生产。     

基于GA-GRU神经网络的光伏MPPT算法

针对外界环境因素快速变化时，光伏发电系统难以保持在最大功率点输出的问题，提出遗传算法与GRU神经网络相结合的最大功率跟踪算法（GA-GRU-MPPT）。该算法在构建的最大功率点预测模型基础上，采用遗传算法对GRU神经网络的参数进行优化。考虑到数据的关联性，将前一时刻的太阳电池温度、太阳辐照度、最大功率点电压及当前时刻的太阳电池温度和太阳辐照度作为预测模型的输入变量，输出为当前时刻的最大功率点电压。针对3种不同气候情形的仿真结果表明，该算法跟踪精度可达99%，能显著提高光伏系统的能量转换效率。     

基于混合进化算法的特征选择方法研究

特征选择（Feature Selection,FS）是一种有效的数据预处理方法，它可以通过选择高维数据中一组具有高相关性和低冗余性的特征，从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题，其中基于教与学优化（Teaching and Learning-based Optimization Algorithm,TLBO）的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而，随着数据规模的不断扩大，这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性，使算法的研究逐步陷入困境.为解决上述问题，本文提出了融合教与学优化算法与局部搜索方法（Local Search,LS）的混合进化Wrapper算法模型（Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS）.首先，由于传统的教与学优化算法不能直接用于求解特征选择问题，算法在初始化阶段将实数型编码转为二进制编码，然后为保证种群的多样性，在教阶段引入最差个体重启机制，并针对进化班级过程中学习者与教学者两种身份采...     

基于PSO的RF模型在人体活动识别中的应用

提出一种基于粒子群优化(PSO)的随机森林（RF）识别方法。利用PSO算法搜寻最优的RF超参数n＿estimators和max＿depth，构建了PSO-RF人体活动识别模型。基于华盛顿州立大学CASAS项目数据集的实验共识别30种日常活动。仿真结果表明，PSO-RF模型的识别准确率达到95%,Accuracy、Precision、Recall和F1-score评价指标均优于其他经典的分类模型，具有较好的预测精度和泛化能力，可为智能家居系统个性化服务提供辅助决策。