CN112269931B - 数据驱动的群体智能交互关系推断与演化计算方法 - Google Patents

数据驱动的群体智能交互关系推断与演化计算方法 Download PDF

Info

Publication number
CN112269931B
CN112269931B CN202011169997.5A CN202011169997A CN112269931B CN 112269931 B CN112269931 B CN 112269931B CN 202011169997 A CN202011169997 A CN 202011169997A CN 112269931 B CN112269931 B CN 112269931B
Authority
CN
China
Prior art keywords
interaction
relationship
model
group intelligent
relation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011169997.5A
Other languages
English (en)
Other versions
CN112269931A (zh
Inventor
王甲海
利国卿
陈思远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011169997.5A priority Critical patent/CN112269931B/zh
Publication of CN112269931A publication Critical patent/CN112269931A/zh
Application granted granted Critical
Publication of CN112269931B publication Critical patent/CN112269931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

本发明为数据驱动的群体智能交互关系推断与演化计算方法，可准确预测群体智能系统中个体运动轨迹和状态。包括：通过具有关系交互机制的编码器模型，从群体智能系统的N个对象在T个时刻可观测轨迹数据中建模交互关系的分布；从离散的交互关系分布中采样出交互关系类型的特征向量；通过具有时空消息传递机制的解码器模型，根据可观测轨迹数据和交互关系类型的特征向量，学习动态演化规则并计算群体智能系统的未来状态；引入交互关系的对称性作为结构先验知识来实施软约束；多次训练模型参数直至收敛，获得损失函数值最小的模型作为最终模型，再推断出对象之间的交互关系，预测对象的运动轨迹和系统未来状态。

Description

数据驱动的群体智能交互关系推断与演化计算方法
技术领域
本发明涉及群体智能系统中个体运动轨迹和状态的预测技术，具体为一种数据驱动的群体智能交互关系推断与演化计算方法。
背景技术
许多自然界和社会领域中的复杂过程，如社交网络、物理系统等，可以看成是由个体之间的交互而形成的群体智能系统。揭示群体智能系统中潜在的交互作用，并以此分析个体到群体的智能涌现机理，学习系统的动态演化规则，可以使我们可以更好地理解、预测和控制群体系统的行为。
然而在许多情况下，我们仅能观察到群体系统的时序状态信息，而个体的交互关系和动态演化规则是未知的。一些研究人员探索了从可观察的数据中建模隐式交互关系并学习动态演化规则，例如使用消息传递函数(van Steenkiste等人在ICLR2018会议)或注意力机制(Watters等人在NIPS2017会议)等。
相比于建模隐式交互关系，对显式交互关系进行建模可以更清晰地揭示交互行为与群体系统智能涌现及动态演化之间的关系。Kipf等人在ICML2018会议中提出了一种神经关系推断模型NRI，该模型采用变分自编码器框架，以一种无监督的方式共同学习群体系统的显式交互关系和动态演化规则。然而，NRI模型存在三处不足。第一，它独立地建模个体之间的显式交互关系，而没有考虑这些交互关系彼此之间的共存性，尽管Alet等人在NIPS2019会议中提出整体考虑所有交互关系并通过模块化元学习迭代地改进预测来解决此问题，但是此方法需要付出十分昂贵的计算代价。第二，为了强调交互关系对群体系统演化的影响，NRI模型预测了未来多个时刻的状态，但这也导致了误差的累积并阻碍模型准确地学习演化规则。第三，在没有先验知识的帮助下，群体系统的规模和复杂性的增加会使NRI模型建模交互关系愈发困难。
发明内容
本发明的目的是提供一种数据驱动的群体智能交互关系推断与演化计算方法，使用高效消息传递机制的图神经网络来进行神经关系推断，引入结构先验知识来提升交互关系的建模效果，准确预测群体智能系统中个体运动轨迹和状态。
本发明数据驱动的群体智能交互关系推断与演化计算方法，包括：
S1、通过具有关系交互机制的编码器模型，从群体智能系统的N个对象在T个时刻可观测轨迹数据x中建模交互关系的分布；
S2、从步骤S1中离散的交互关系分布中采样出交互关系类型的特征向量；
S3、通过具有时空消息传递机制的解码器模型，根据可观测轨迹数据x和交互关系类型的特征向量，学习动态演化规则并计算群体智能系统的未来状态；
S4、引入交互关系的对称性作为结构先验知识，即在损失函数中加入正则项来实施软约束；
S5、多次训练模型参数直至收敛，获得损失函数值最小的模型作为最终模型；最终模型根据对象的历史轨迹数据，推断出对象之间的交互关系，进而预测对象的运动轨迹和群体智能系统的未来状态。
与现有技术相比，本发明技术方案的有益效果是：
1、本发明引入关系交互机制来捕获不同个体之间的依赖关系，联合建模群体系统中的交互关系，大幅度提高了个体之间的交互关系建模的准确性，并基于交互关系进行演化计算，准确预测群体智能系统中个体运动轨迹和状态。
2、本发明引入交互关系对称性作为结构先验知识，改善了在更复杂群体智能系统的交互关系建模效果。
3、本发明引入时空消息传递机制来利用群体系统历史状态，增强对系统演化规则的学习效果，减缓多时刻预测带来的误差累积。
附图说明
图1为本发明的计算方法流程图；
图2为本发明的模型结构示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明，但本发明的实施方式不限于此。
实施例
本发明引入一种关系交互机制来捕获不同交互关系之间的共存依赖关系，同时引入时空消息传递机制来利用群体系统的历史信息。除此之外，本方法还引入了结构先验知识来辅助建模交互关系。本方法采用变分自编码器框架，其中编码器负责建模交互关系，解码器负责学习系统演化规则。
本发明通过物理系统仿真数据集进行评估，具体使用了三种类型的物理系统仿真数据集，分别为弹簧连接粒子Springs、带电粒子Charged和相位耦合振Kuramoto数据集。每种类型的物理系统又可划分为由5个对象组成的群体智能系统和由10个对象组成的群体智能系统。所有数据集都包含5万个训练样本，以及1万个验证和测试样本。
本发明中问题的定义为：对于群体智能系统的交互关系建模及演化规则学习问题，用表示群体智能系统的N个对象(即N个个体)在T个时刻的可观测轨迹数据，如个体的位置和速度，其中/>表示第i个对象的轨迹序列，i＝1，...，N，用/>表示所有N个对象在t时刻的状态信息。该问题的目标是，根据上述可观测轨迹数据x，推断出潜在的交互关系z，结合学习到的演化规则来计算群体系统的未来M个时刻的状态/>
本发明是一种数据驱动的群体智能交互关系推断与演化计算方法，是一种深度学习方法。如图1、2所示，对于输入的物理仿真系统对象轨迹数据，使用具有关系交互机制的编码器模型来建模系统的交互关系的分布，然后采用Gumbel-Softmax技巧从分布中采样得到交互关系类型向量，根据此系统的交互关系类型向量和轨迹数据，使用具有时空消息传递机制的解码器模型学习系统的动态演化规则，并计算群体智能系统的未来状态，如个体的运动轨迹等。
本实施例具体包括如下步骤：
S1：使用具有关系交互机制的编码器模型，从可观测轨迹数据x中建模交互关系的分布；
在步骤S1中，输入模拟物理系统的对象轨迹数据至编码器模型，编码器模型使用基于消息传递机制的神经网络学习得到交互关系隐向量，再通过关系交互机制来捕获不同关系之间的依赖性，联合建模系统的交互关系的分布。
本步骤S1的具体过程为：
S11：以每个对象的轨迹i＝1，...，N，作为其在全连接图中的相应节点的特征，使用基于消息传递机制的图神经网络，为每对对象生成交互关系隐向量，计算公式如下：
h(i，j)＝fe([hi，hj])
其中hj表示对象j的嵌入特征向量，fv、fe是使用图神经网络实现的映射，h(i，j)为交互关系隐向量；
S12：根据步骤S11得到的交互关系隐向量，使用基于序列模型(如循环神经网络、卷积神经网络等)的关系交互机制来捕获交互关系之间的依赖关系，从而进行交互关系的联合建模，得到融合了依赖关系的边缘特征向量。
关系交互机制分为两个子操作，分别为同一对象的关系交互建模和不同对象的关系交互建模。具体计算公式如下：
其中分别为应用于同一对象的所有关系和不同对象的关系之间的关系交互操作，Mean(·)为平均池化运算。
S13：根据步骤S12得到的融合了依赖关系的边缘特征向量，建模交互关系的分布，计算公式如下：
其中zij为一个one-hot向量，表示对象i和j之间交互关系类型。
S2：使用Gumbel-Softmax方法从步骤S1中离散的交互关系分布中采样出交互关系类型的特征向量；
本步骤S2中，由于直接从离散分布中采样是不可微分的过程，本方法使用了Gumbel-Softmax采样技巧，通过连续函数模拟了离散分布的可微分采样过程，计算公式如下：
其中为前述one-hot向量zij的连续近似，亦称为交互关系类型的特征向量；其中g为从耿贝尔分布Gumbel(0，1)中采样的随机向量，τ为控制/>平滑程度的超参数；/>符号表示将交互关系类型的特征向量/>定义为softmax(([e(i，j)，ej]+g)/τ)。
S3：使用具有时空消息传递机制的解码器模型，根据可观测轨迹数据和交互关系类型的特征向量，学习动态演化规则并计算群体智能系统的未来状态；
本步骤S3中，将步骤S1输入系统的对象轨迹数据集和步骤S2得到的交互关系类型的特征向量，输入具有时空消息传递机制的解码器模型，先使用关系级时空消息传递机制融合历史关系隐状态来生成当前时刻的关系隐状态，然后使用对象级时空消息传递机制融合历史对象隐状态来生成当前时刻的对象隐状态，最后使用全连接层输出当前时刻的系统对象状态变化量，与当前的系统对象状态相加即可得到下一时刻的系统对象状态。多次重复本步骤S3可以预测群体智能系统中未来多个时刻的对象状态。
本实施例中，步骤S3的具体过程为：
S31：根据可观测轨迹数据x和步骤S2得到的交互关系类型的特征向量使用基于序列模型(如循环神经网络、卷积神经网络等)的关系级别的时空消息传递机制来计算关系隐状态，公式如下：
其中为使用神经网络实现的映射；STBlockedge为时空消息传递算子，可捕获历史关系隐状态的相关性；/>表示历史关系隐状态，/>表示当前关系隐状态；/>和/>分别表示对象i和j在当前时刻的状态，/>表示当前时刻对象i对对象j的交互作用。
S32：使用基于序列模型(如循环神经网络、卷积神经网络等)的对象级别的时空消息传递机制来计算对象隐状态，公式如下：
其中STBlocknode为时空消息传递算子，可捕获历史对象隐状态的相关性；表示当前时刻其他对象对对象j交互作用的总和；/>表示历史对象隐状态，/>表示当前对象隐状态。
S33：使用神经网络计算群体智能系统的未来演化状态，公式如下：
其中为一个多层感知机，用来得到当前时刻的状态改变量/>表示下一时刻状态的预测值；pθ表示下一时刻状态/>的分布，即均值为/>方差为σ2的正态分布。
S34：演化计算群体智能系统未来多个时刻的预测值，得到群体智能系统的未来状态，公式如下：
其中M表示未来M个时刻，表示t+m时刻状态的预测值。
S4：引入交互关系的对称性作为结构先验知识，即在损失函数中加入正则项来实施软约束；
本步骤S4中，正则项计算公式如下：
其中为步骤S13定义的交互关系的分布的乘积，/>为的辅助分布，满足/>用以对交互关系施加对称性约束，z是N个对象两两之间交互作用类型的全体，zij是z的一个元素，表示对象i和j之间交互关系类型；KL[·||·]表示KL散度；λ是一个非负的超参数，用于控制正则项/>惩罚力度的大小。
S5：多次训练模型参数直至收敛，获得损失函数值最小的模型作为最终模型。最终模型根据对象的历史轨迹数据，推断出对象之间的交互关系，进而预测对象的运动轨迹和变化趋势。
具体为计算预测状态与数据集中系统未来多个时刻的真实状态的差异，得到损失函数值，使用Adam优化方法调整模型参数。
本实施例中，可重复上述步骤S1至步骤S5共500次，然后选取损失函数值最小的模型保存，并使用相应的测试数据集对最终模型进行测试并记录结果。除了物理系统外，该模型还可应用于城市交通系统中。在城市交通系统中，有车辆、行人等多种个体(即对象)，个体之间相互影响，共同造成了复杂的交通现象；该模型可以通过这些个体的历史轨迹数据，如位置和速度，推断出车辆、行人之间的交互关系，进而预测它们的运动轨迹，并基于此预测交通流量及其变化趋势，为城市交通分析和引导提供支持。
进一步地，步骤S5的多次训练过程中，损失函数为：
其中重构损失表示演化计算结果与实际状态的差距。最后使用计算得到的损失值进行反向传播更新模型参数。
本方法使用两个评价指标进行衡量：
1、Acc(准确率)：表示预测的交互关系与真实交互关系的重合度。准确率越高表示预测的交互关系越接近真实交互关系；
2、MSE(均方误差)：表示演化计算的系统未来状态与真实未来状态的差距。最终实验结果如下表所示：
表1：本方法在5个对象物理系统数据集与其他对比方法的Acc(％)实验结果
方法 Springs Charged Kuramoto
Correlation 52.4 55.8 62.8
NRI 99.9 82.1 96.0
ModularMeta 99.9 88.4 96.2
本发明 99.9 93.3 97.3
表2：本方法在10个对象物理系统数据集与其他对比方法的Acc(％)实验结果
方法 Springs Charged Kuramoto
Correlation 50.4 51.4 59.3
NRI 98.4 70.8 75.7
ModularMeta 98.8 63.8 89.6
本发明 99.1 81.6 80.3
表3：本方法在5个对象物理系统数据集与其他对比方法的MSE实验结果
表4：本方法在10个对象物理系统数据集与其他对比方法的MSE实验结果
由上述实验结果可知，本发明较其他方法有明显的提升。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.数据驱动的群体智能交互关系推断与演化计算方法，其特征在于，包括：
S1、通过具有关系交互机制的编码器模型，从群体智能系统的N个对象在T个时刻可观测轨迹数据x中建模交互关系的分布；
S2、从步骤S1中离散的交互关系分布中采样出交互关系类型的特征向量；
S3、通过具有时空消息传递机制的解码器模型，根据可观测轨迹数据x和交互关系类型的特征向量，学习动态演化规则并计算群体智能系统的未来状态；
S4、引入交互关系的对称性作为结构先验知识，即在损失函数中加入正则项来实施软约束；
S5、多次训练模型参数直至收敛，获得损失函数值最小的模型作为最终模型；最终模型根据对象的历史轨迹数据，推断出对象之间的交互关系，进而预测对象的运动轨迹和群体智能系统的未来状态；
可观测轨迹数据x为：
其中表示第i个对象的轨迹序列，i＝1,…,N；/>表示所有N个对象在t时刻的状态信息；
步骤S1包括：
S11、以每个对象的轨迹作为其在全连接图中的相应节点的特征，使用基于消息传递机制的图神经网络，为每对对象生成交互关系隐向量；
S12：根据步骤S11得到的交互关系隐向量，使用基于序列模型的关系交互机制来捕获交互关系之间的依赖关系，从而进行交互关系的联合建模，得到融合了依赖关系的边缘特征向量；
S13、根据融合了依赖关系的边缘特征向量，建模交互关系的分布；
步骤S3包括：
S31、根据可观测轨迹数据x和步骤S2得到的交互关系类型的特征向量，使用基于序列模型的关系级别的时空消息传递机制来计算关系隐状态；
S32、使用基于序列模型的对象级别的时空消息传递机制来计算对象隐状态；
S33、使用神经网络计算群体智能系统的未来演化状态；
S34、演化计算群体智能系统未来多个时刻的预测值，得到群体智能系统的未来状态。
2.根据权利要求1所述的群体智能交互关系推断与演化计算方法，其特征在于，群体智能系统为城市交通系统，对象包括车辆和行人，交互关系为车辆、行人之间的交互关系，对象的历史轨迹数据包括位置和速度，群体智能系统的未来状态包括交通流量及其变化趋势。
3.根据权利要求1所述的群体智能交互关系推断与演化计算方法，其特征在于，步骤S2使用Gumbel-Softmax采样方法，通过连续函数模拟离散分布的可微分采样过程。
4.根据权利要求1所述的群体智能交互关系推断与演化计算方法，其特征在于，序列模型包括循环神经网络、卷积神经网络。
CN202011169997.5A 2020-10-28 2020-10-28 数据驱动的群体智能交互关系推断与演化计算方法 Active CN112269931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011169997.5A CN112269931B (zh) 2020-10-28 2020-10-28 数据驱动的群体智能交互关系推断与演化计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011169997.5A CN112269931B (zh) 2020-10-28 2020-10-28 数据驱动的群体智能交互关系推断与演化计算方法

Publications (2)

Publication Number Publication Date
CN112269931A CN112269931A (zh) 2021-01-26
CN112269931B true CN112269931B (zh) 2023-10-31

Family

ID=74345146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011169997.5A Active CN112269931B (zh) 2020-10-28 2020-10-28 数据驱动的群体智能交互关系推断与演化计算方法

Country Status (1)

Country Link
CN (1) CN112269931B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128772B (zh) * 2021-04-24 2023-01-17 中新国际联合研究院 一种基于序列到序列模型的人群数量预测方法以及装置
CN113505878B (zh) * 2021-07-09 2022-11-29 兰州大学 一种基于图神经网络的航迹预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781838A (zh) * 2019-10-28 2020-02-11 大连海事大学 一种复杂场景下行人的多模态轨迹预测方法
CN111079931A (zh) * 2019-12-27 2020-04-28 浙江大学 一种基于图神经网络的状态空间概率性多时间序列预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10595037B2 (en) * 2016-10-28 2020-03-17 Nec Corporation Dynamic scene prediction with multiple interacting agents
US10739773B2 (en) * 2017-09-28 2020-08-11 Nec Corporation Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781838A (zh) * 2019-10-28 2020-02-11 大连海事大学 一种复杂场景下行人的多模态轨迹预测方法
CN111079931A (zh) * 2019-12-27 2020-04-28 浙江大学 一种基于图神经网络的状态空间概率性多时间序列预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"RELATIONAL NEURAL EXPECTATION MAXIMIZATION: UNSUPERVISED DISCOVERY OF OBJECTS AND THEIR INTERACTIONS";Sjoerd van Steenkiste 等;《ICLR 2018》;全文 *

Also Published As

Publication number Publication date
CN112269931A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
Zaytar et al. Sequence to sequence weather forecasting with long short-term memory recurrent neural networks
Ou et al. Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms
CN112269931B (zh) 数据驱动的群体智能交互关系推断与演化计算方法
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN111612243A (zh) 交通速度预测方法、系统及存储介质
CN114299723B (zh) 一种交通流量预测方法
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN112910711B (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN111860787A (zh) 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN114500325B (zh) 一种基于无监督迁移学习的sdn控制器故障自适应智能检测方法
Li et al. Structure-informed graph auto-encoder for relational inference and simulation
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN114118375A (zh) 一种基于时序图Transformer的连续动态网络表征学习方法
Wang et al. Complex dynamic neurons improved spiking transformer network for efficient automatic speech recognition
CN116052254A (zh) 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法
Zhang et al. A local semi-supervised ensemble learning strategy for the data‐driven soft sensor of the power prediction in wind power generation
CN114819054A (zh) 一种基于物理信息神经网络的电力电子系统状态监测方法
Kim et al. Urban traffic prediction using congestion diffusion model
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
He et al. Neural computing for grey Richards differential equation to forecast traffic parameters with various time granularity
Abiyev Fuzzy wavelet neural network for prediction of electricity consumption

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant