CN113657582B - 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 - Google Patents
一种基于时空数据的时空图神经网络瓦斯浓度预测方法 Download PDFInfo
- Publication number
- CN113657582B CN113657582B CN202110962525.3A CN202110962525A CN113657582B CN 113657582 B CN113657582 B CN 113657582B CN 202110962525 A CN202110962525 A CN 202110962525A CN 113657582 B CN113657582 B CN 113657582B
- Authority
- CN
- China
- Prior art keywords
- space
- gas concentration
- time
- gas
- neural network
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009792 diffusion process Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000010339 dilation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- -1 F 3 Chemical compound 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法，具体包括如下步骤：步骤1，通过矿井中布置的瓦斯监测点采集矿井中的瓦斯浓度数据，作为瓦斯数据浓度数据集；步骤2，生成矿井监测点的空间图结构；步骤3，将矿井监测点采集的瓦斯浓度数据作为时间序列进行处理得到瓦斯浓度的时间序列，根据得到的瓦斯浓度时间序列，建立时空图神经网络的训练样本集；步骤4，利用时空图神经网络的样本训练样本集，构建时空图神经网络瓦斯浓度预测模型；步骤5，输出瓦斯浓度预测的结果。本发明解决了传统神经网络瓦斯浓度预测模型没有考虑实测瓦斯数据的时空特性导致预测精度偏低的问题。
Description
技术领域
本发明属于矿井瓦斯浓度检测技术领域，涉及一种基于时空数据的时空图神经网络瓦斯浓度预测方法。
背景技术
瓦斯突出是煤炭资源开采工程主要灾害之一，实现对采区瓦斯浓度变化精准预测是预防瓦斯突出灾害的关键。瓦斯突出发生内在机理非常复杂，其机理模型依然不明确。目前对瓦斯浓度预测主要采用神经网络、混沌及非线性理论、灰色理论等方法，通过预测采区瓦斯涌出量来判断瓦斯突出灾害。
传统神经网络预测模型借助实测的大量历史数据，采用时间序列预测方法来实现对瓦斯浓度的预测。虽然传统的预测方法在一定程度上提高了瓦斯浓度预测的精度，但这些模型都没有考虑到不同瓦斯监测点的相互作用，即瓦斯监测数据的空间特性。根据气体动理论可知，气体的分布不仅在时间维度上关联，而且与空间维度也存在密切的关系。因此，如果只考虑瓦斯数据的时间属性而忽略其空间属性必然影响预测精度。
发明内容
本发明的目的是提供一种基于时空数据的时空图神经网络瓦斯浓度预测方法，解决了传统神经网络瓦斯浓度预测模型没有考虑实测瓦斯数据的时空特性导致预测精度偏低的问题。
本发明所采用的技术方案是，一种基于时空数据的时空图神经网络瓦斯浓度预测方法，具体包括如下步骤：
步骤1，通过矿井中布置的瓦斯监测点采集矿井中的瓦斯浓度数据，作为瓦斯数据浓度数据集；
步骤2，测量每个瓦斯监测点之间的距离dist(i,j)，并根据该距离和延时性生成矿井监测点的空间图结构；
步骤3，将矿井监测点采集的瓦斯浓度数据作为时间序列进行处理得到瓦斯浓度的时间序列，根据得到的瓦斯浓度时间序列，建立时空图神经网络的训练样本集；
步骤4，利用时空图神经网络的样本训练样本集，构建时空图神经网络瓦斯浓度预测模型；
步骤5，根据步骤3获得的瓦斯浓度训练样本集与步骤2获得的矿井瓦斯监测点空间图结构，利用时空图神经网络瓦斯浓度预测模型对瓦斯浓度进行预测：将获得瓦斯浓度训练样本和瓦斯监测点空间图结构作为时空图神经网络瓦斯浓度预测模型的输出，模型的输出即为瓦斯浓度预测的结果。
本发明的特点还在于：
步骤1中，通过瓦斯传感器采集矿井中的瓦斯浓度。
步骤2的具体过程为：
将矿井中的每个监测点看做空间图结构的不同节点，根据各个节点之间的距离，采用阈值高斯核加权函数定义顶点与顶点之间的边权重，高斯核加权函数定义为：
其中，k和θ为参数，dist(i,j)为节点之间的距离。
步骤3中，建立的时空图神经网络的训练样本集为：{(X(n),Y(n)|n＝1,2,…,N)}；
其中，X(n)表示训练样本集的输入；Y(n)表示训练样本集的输出；N表示矿井瓦斯监测点采集的样本个数。
步骤4的具体过程为：
步骤4.1，构建空域图卷积层，具体为：
针对有向图数据，将图上的信号传递看作是随机扩散，用N个有限步长模拟图信号的扩散过程，当图结构为无向图时其扩散卷积层为：
其中，P为图上的随机扩散矩阵，D为A的度矩阵，P表示为：
P＝D-1A (3)；
当处理有向图时，将扩散的过程分为正向扩散和反向扩散，D1为A的度矩阵，D2为AT的度矩阵，则扩散矩阵分别为：
利用两个扩散矩阵，得到如下扩散卷积层：
式中，Pf表示正向扩散矩阵，Pb表示反向扩散矩阵；
步骤4.2，构建时域卷积层，具体为：
在时间维度上，采用WaveNet模型捕获瓦斯时空数据的时间特征，WaveNet的基本单元是扩张因果卷积，对于给定的输入X＝(x1,x2,…，xT)和卷积核F2＝(f1,f2,…，fK)和扩张因子d，x和f在t步的扩张因果卷积表示为：
门控机制针对公式(7)扩张因果卷积层控制机制数学表达为：
Z＝g(F3*X)·σ(F4*X) (8)；
其中，F3、F4是模型参数，·是元素的乘积，g是输出的激活函数，σ是Sigmoid型函数。
本发明的有益效果是，本发明提出的基于时空数据的时空图神经网络瓦斯浓度预测模型能够针对瓦斯数据的时空特性，不仅考虑单一节点之前瓦斯浓度数据对当前瓦斯浓度的影响，还考虑其邻居节点瓦斯浓度对该节点瓦斯浓度的影响。由于矿区内相邻节点瓦斯浓度数据的变化存在相互联系，所以考虑瓦斯数据的空间属性可以使模型的预测精度得到较大提升。
附图说明
图1是本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法中提供基于时空图神经网络的瓦斯浓度预测流程图；
图2是本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法中提供的瓦斯浓度时间序列图；
图3是本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法中提供的矿井监测点示意图；
图4(a)、4(b)是本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法中提供的瓦斯监测点空间图结构；
图5是本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法中构建的时空图神经网络预测模型的结构。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法，如图1所示，具体包括如下步骤：
步骤1，通过矿井中多个瓦斯监测点采集矿井中的瓦斯浓度数据，作为瓦斯数据浓度数据集。
步骤1中通过矿井中多个瓦斯监测点采集矿井中的瓦斯浓度数据的具体方法为：通过在矿井工作面中需要进行预测的多个监测点设置矿井瓦斯传感器来获取矿井工作面的瓦斯浓度数据，获取的瓦斯浓度数据可以通过现有的数据采集系统进行采集，并将采集的瓦斯浓度数据存入历史数据库，矿井瓦斯传感器可以采用甲烷传感器。
步骤2，测量每个瓦斯监测点之间的距离，并根据距离和延时性生成矿井监测点的空间图结构。
步骤2的测量每个瓦斯监测点之间的距离，并根据距离和延时性生成矿井监测点的空间图结构的具体方法为：在步骤1中设置完监测点后，测量每个检测点之间的距离。将矿井中的每个监测点看做是图结构中的不同节点。根据各个节点之间的距离，采用阈值高斯核加权函数定义顶点与顶点之间的边权重，高斯核加权函数定义为：
式中，k和θ为参数，dist(i,j)为节点之间的距离。以图3为例生成图结构如图4(a)所示；
由图2瓦斯浓度数据示意图可以看出虽然四个监测点上的瓦斯浓度变换趋势大致相同，但变化存在延时效应。根据这种延时效应可将原始瓦斯监测点拓扑结构的无向图结构变成如图4(b)所示的有向图结构。图4(b)为生成的有向图。
步骤3，将矿井监测点采集的瓦斯浓度数据作为时间序列进行处理得到瓦斯浓度的时间序列，根据得到的瓦斯浓度时间序列，建立时空图神经网络的训练样本集{(X(n),Y(n)|n＝1,2,…,N)}。X(n)表示训练样本集的输入；Y(n)表示训练样本集的输出；N表示矿井瓦斯监测点采集的样本个数。
步骤4，利用时空图神经网络的样本训练样本集，构建时空图神经网络瓦斯浓度预测模型。
步骤4的时空图神经网络预测模型构建过程包括：
步骤4.1，空域图卷积层的构建；
在空间维度上，本发明采用图卷积网络对瓦斯数据空间信息进行提取。对于空间上给定的图结构，图卷积网络使图上的每个节点通过聚合其所有邻居节点的特征信息有效地提取节点空间特征。针对有向图数据，将图上的信号传递看作是随机扩散，用N个有限步长模拟图信号的扩散过程。当图结构为无向图时，空域图卷积层的输出为：
式中，P为图上的随机扩散矩阵，Z为图结构为无向图时图卷积层的输出，X为输入的特征矩阵，W为需要训练的参数。P可以表示为：
P＝D-1A (3)；
式中，A为邻接矩阵，D为A的度矩阵。
当处理有向图时，则将扩散的过程分为正向扩散和反向扩散。D1为A的度矩阵，D2为AT的度矩阵，则扩散矩阵分别为：
式中，Pf表示正向扩散矩阵，Pb表示反向扩散矩阵
利用两个扩散矩阵，当图结构为有向图时，空域图卷积层的输出为：
本发明通过注意力机制自适应调整节点之间的空间关系强度，使模型可以更准确地捕获瓦斯数据的空间特征。注意力机制数学描述为：
At＝soft max(V·σ((XW1)W2(W3X)T+b)) (7)；
A'＝A·At (8)；
式中，V和W1、W2、W3为需要训练的参数，σ为Sigmoid函数，A为初始邻接矩阵，At为归一化的注意力矩阵。通过邻接矩阵和At相乘就即可实现对空间关系的动态调整。
步骤4.2，时域卷积层的构建；
在时间维度上，本文采用WaveNet模型捕获瓦斯时空数据的时间特征。WaveNet的基本单元是扩张因果卷积。对于给定的输入X＝(x1,x2,…，xT)和卷积核F2＝(f1,f2,…，fK)和扩张因子d，x和f在t步的扩张因果卷积表示为：
门控机制针对式(9)扩张因果卷积层控制机制数学表达为：
Z＝g(F3*X)·σ(F4*X) (10)；
式(10)中，F3、F4是模型参数，·是元素的乘积，g是输出的激活函数，σ是Sigmoid型函数，用于确定传递到下一层的信息的比率。
步骤5，根据步骤3获得的瓦斯浓度训练样本集与步骤2获得的矿井瓦斯监测点空间图结构，利用时空图神经网络瓦斯浓度预测模型对瓦斯浓度进行预测：将获得瓦斯浓度训练样本和瓦斯监测点空间图结构作为时空图神经网络瓦斯浓度预测模型的输出，模型的输出即为瓦斯浓度预测的结果。
图5的时空图神经网络预测模型由图卷积层和带有门控的扩张卷积层构成时空层，门控扩张卷积层由两个扩张因果卷积层组成。通过使用多个时空层，时空图神经网络预测模型可以处理不同时间级别的空间相关性。输入数据通过时空层提取时空特征并与最初的输入进行残差连接，减少在循环过程中会造成的信息丢失。K个时空层中使用不同的扩张因子，在底层捕获的是短期的时间依赖，当K比较大时捕获的是长期的时间依赖。将K个时空层的结果连接再通过两个线性层即可得到模型的输出。
实施例
图2为本发明实施例提供的瓦斯浓度时间序列图，数据集划分方式为：提取2017-10-30到2017-11-17时间段，共十九天作为训练集，2017-11-1802:12:00到2017-11-1812:12:00，共十小时数据作为测试集，2017-11-1812:12:00到2017-11-1818:12:00，共十小时数据作为验证集。上述时间点分别位于图3所示矿井不同区域的监测点采样，分别为进风监测点(1号监测点),上角监测点(2号监测点),回风监测点(3号监测点),混合回风检测点(4号监测点)，每间隔2min采集一次数据。通过具有阈值的高斯核函数和延时性得到矿井瓦斯数据的空间图结构。
表1为时空图网络瓦斯预测模型对各监测点预测结果的平均绝对误差(MAE)。平均绝对误差的计算公式为:
式中，m为预测样本总数，y为真实值，y1为预测值
表1各监测点预测结果的平均绝对误差
模型对本发明实施例提供的矿井中4个监测点的瓦斯数据预测一步的相对误差如表2所示:
表2监测点预测一步的相对误差
由表2可知在四个监测点总共1200个预测样本中，67％的样本预测的相对误差在0到5％之间，97.5％的样本预测的相对误差在15％之内，总平均相对误差为4.85％。除了极少数样品点误差出现在误差较大的范围内，绝大数样品点都聚集在误差较小的范围内。所以预测模型可以较好地满足实际工作的需求。
该实例实验中，输入的瓦斯数据时间序列长度设置为15，输出长度设置为5。即通过前30min的瓦斯浓度数据预测10min的瓦斯浓度数据。该实例时空图网络预测模型采用10层时空层每一层的扩张因子为(1,2,1,2,......)。图卷积层中扩散步长N设置为2，在图卷积层设置dropout＝0.3防止模型过拟合。优化器选择自适应矩估计(Adam)优化器来优化模型，初始学习率为0.001，训练轮数设置为30。
Claims (3)
1.一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：具体包括如下步骤：
步骤1、通过矿井中布置的瓦斯监测点采集矿井中的瓦斯浓度数据，作为瓦斯数据浓度数据集；
步骤2，测量每个瓦斯监测点之间的距离dist(i,j)，并根据该距离和延时性生成矿井监测点的空间图结构；
所述步骤2的具体过程为：
将矿井中的每个监测点看做空间图结构的不同节点，根据各个节点之间的距离，采用阈值高斯核加权函数定义顶点与顶点之间的边权重，高斯核加权函数定义为：
其中，k和θ为参数，dist(i,j)为节点之间的距离；
步骤3，将矿井监测点采集的瓦斯浓度数据作为时间序列进行处理得到瓦斯浓度的时间序列，根据得到的瓦斯浓度时间序列，建立时空图神经网络的训练样本集；
步骤4，利用时空图神经网络的样本训练样本集，构建时空图神经网络瓦斯浓度预测模型；
所述步骤4的具体过程为：
步骤4.1，构建空域图卷积层，具体为：
针对有向图数据，将图上的信号传递看作是随机扩散，用N个有限步长模拟图信号的扩散过程，当图结构为无向图时其扩散卷积层为：
式中，P为图上的随机扩散矩阵，Z为图结构为无向图时图卷积层的输出，X为输入的特征矩阵，W为需要训练的参数；P可以表示为：
P＝D-1A (3)；
式中，A为领接矩阵，D为A的度矩阵；
当处理有向图时，则将扩散的过程分为正向扩散和反向扩散；D1为A的度矩阵，D2为AT的度矩阵，则扩散矩阵分别为：
式中，Pf表示正向扩散矩阵，Pb表示反向扩散矩阵；
利用两个扩散矩阵，当图结构为有向图时，空域图卷积层的输出为：
步骤4.2，构建时域卷积层，具体为：
在时间维度上，采用WaveNet模型捕获瓦斯时空数据的时间特征，WaveNet的基本单元是扩张因果卷积，对于给定的输入X＝(x1,x2,…，xT)和卷积核F2＝(f1,f2,…，fK)和扩张因子d，x和f在t步的扩张因果卷积表示为：
门控机制针对公式(7)扩张因果卷积层控制机制数学表达为：
Z＝g(F3*X)·σ(F4*X) (8)；
其中，F3、F4是模型参数，·是元素的乘积，g是输出的激活函数，σ是Sigmoid型函数；
步骤5，根据步骤3获得的瓦斯浓度训练样本集与步骤2获得的矿井瓦斯监测点空间图结构，利用时空图神经网络瓦斯浓度预测模型对瓦斯浓度进行预测：将获得瓦斯浓度训练样本和瓦斯监测点空间图结构作为时空图神经网络瓦斯浓度预测模型的输出，模型的输出即为瓦斯浓度预测的结果。
2.根据权利要求1所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤1中，通过瓦斯传感器采集矿井中的瓦斯浓度。
3.根据权利要求1所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤3中，建立的时空图神经网络的训练样本集为：{(X(n),Y(n)|n＝1,2,…,N)}；
其中，X(n)表示训练样本集的输入；Y(n)表示训练样本集的输出；N表示矿井瓦斯监测点采集的样本个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962525.3A CN113657582B (zh) | 2021-08-20 | 2021-08-20 | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110962525.3A CN113657582B (zh) | 2021-08-20 | 2021-08-20 | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657582A CN113657582A (zh) | 2021-11-16 |
| CN113657582B true CN113657582B (zh) | 2024-04-09 |
Family
ID=78491988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110962525.3A Active CN113657582B (zh) | 2021-08-20 | 2021-08-20 | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657582B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330361B (zh) | 2022-10-14 | 2023-01-13 | 成都秦川物联网科技股份有限公司 | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网系统 |
| CN116188921B (zh) * | 2022-11-30 | 2023-10-13 | 中咨公路养护检测技术有限公司 | 一种基于多图融合的隧道瓦斯浓度预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
| CN104850901A (zh) * | 2015-04-27 | 2015-08-19 | 辽宁工程技术大学 | 一种基于多模型预测瓦斯浓度的软测量方法及系统 |
| CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
| CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
| WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
| WO2020258611A1 (zh) * | 2019-06-28 | 2020-12-30 | 山东科技大学 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
-
2021
- 2021-08-20 CN CN202110962525.3A patent/CN113657582B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
| CN104850901A (zh) * | 2015-04-27 | 2015-08-19 | 辽宁工程技术大学 | 一种基于多模型预测瓦斯浓度的软测量方法及系统 |
| CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
| WO2020024319A1 (zh) * | 2018-08-01 | 2020-02-06 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
| WO2020258611A1 (zh) * | 2019-06-28 | 2020-12-30 | 山东科技大学 | 一种基于时空循环注意力机制的ct淋巴结检测系统 |
| US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
Non-Patent Citations (2)
| Title |
|---|
| 基于动态神经网络的瓦斯浓度实时预测方法;张昭昭;乔俊飞;余文;;控制工程(04);全文 * |
| 基于时间序列的瓦斯浓度动态预测;郭思雯;陶玉帆;李超;;工矿自动化(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657582A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657582B (zh) | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 | |
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| CN111126680A (zh) | 一种基于时间卷积神经网络的道路断面交通流量预测方法 | |
| CN111079977A (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
| CN114330671A (zh) | 一种基于Transformer时空图卷积网络的交通流预测方法 | |
| CN111079931A (zh) | 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 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| 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 | |
| CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
| CN110119853B (zh) | 基于时间序列监测数据分析的供水管网漏损报警阈值选取方法 | |
| CN106529721A (zh) | 一种深度特征提取的广告点击率预测系统及其预测方法 | |
| CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
| CN111814921A (zh) | 对象特征信息获取、对象分类、信息推送方法及装置 | |
| CN115051929B (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
| CN110991317A (zh) | 一种基于多尺度透视感知型网络的人群计数方法 | |
| CN112288778A (zh) | 一种基于多帧回归深度网络的红外小目标检测方法 | |
| CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
| CN111832228A (zh) | 基于cnn-lstm的振动传递系统 | |
| Ibanez et al. | Prediction of missing values and detection of ‘exceptional events’ in a chronological planktonic series: a single algorithm | |
| CN113821724A (zh) | 一种基于时间间隔增强的图神经网络推荐方法 | |
| CN113783715B (zh) | 一种采用因果卷积神经网络的机会网络拓扑预测方法 | |
| CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
| CN115032682A (zh) | 一种基于图论的多站台地震震源参数估计方法 | |
| CN114915563A (zh) | 一种网络流量预测方法和系统 | |
| CN113887816A (zh) | 一种家用电器社会保有量的智能预测方法、装置及设备 |
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 |