CN116307274A - 一种考虑因果干预的城市区域能耗预测方法 - Google Patents
一种考虑因果干预的城市区域能耗预测方法 Download PDFInfo
- Publication number
- CN116307274A CN116307274A CN202310558819.9A CN202310558819A CN116307274A CN 116307274 A CN116307274 A CN 116307274A CN 202310558819 A CN202310558819 A CN 202310558819A CN 116307274 A CN116307274 A CN 116307274A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- urban area
- time domain
- consumption prediction
- feature extraction
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 61
- 230000001364 causal effect Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明属于城市能耗管理技术领域，公开了一种考虑因果干预的城市区域能耗预测方法。该方法建立考虑因果干预的深度学习模型，通过时域特征提取子网络将历史城市区域能耗样本数据按照混杂因素分层，再经并行的时域编码器分别提取时域特征，最后通过后门调整公式去除时域虚假相关性并生成无偏的时域特征。利用空域特征提取子网络提取时空特征，输入到耗预测模块实现未来城市区域能耗的预测。该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，消除了时域上的混杂偏倚，有效地提升了预测的准确性。
Description
技术领域
本发明属于城市能耗管理技术领域，尤其涉及一种考虑因果干预的城市区域能耗预测方法。
背景技术
城市能耗预测通常是指利用历史数据预测未来一段时间内的某城市能源消耗量。通过科学的手段对能源消耗量进行预测，有利于制定完善的能源规划，降低生产生活成本，对提高能源利用效率、优化能源使用结构和促进构建节约型社会具有重要的意义。
公开号为CN112906956A的中国发明专利公开了一种联合BIM与CIM的城市能耗预测方法，该方法基于历史建筑能耗数据和影响因素与时间的相关性建立时间序列模型，然后基于BP算法建立能耗预测模型，进而以两者处理后得到的时间序列作为BP模型的输入获取建筑能耗预测功率，该模型有效减少由于各影响因素与建筑能耗之间的非线性关系带来的预测误差。公开号为CN110648018A的中国发明专利公开了了一种寒冷地区的城市居民建筑系统的能耗预测方法，通过将围护结构传热耗热量和空气渗透热量作为耗能因素进行综合分析和预测，结合寒冷地区城市居民建筑系统中建筑数据、实测数据、设备数据和行为数据等相关数据的计算分析，得出的拟合数据更加适合用于预测建筑系统的能耗，预测结果精度高。
但上述方法均无法消除历史数据中的时域混杂偏倚，导致预测结果不准确。
发明内容
基于现有技术中的不足，本发明通过挖掘不可见的混杂因素，并引入因果干预，提出了一种考虑因果干预的城市区域能耗预测方法，本发明的技术方案具体如下：
一种考虑因果干预的城市区域能耗预测方法，包括以下步骤：
步骤S1：将城市划分为多个区域，获取各个区域内多个等时间间隔的能耗样本数据，
步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，最后一个空域特征提取子网络连接能耗预测模块；
步骤S3：采用步骤S1中获得的能耗样本数据，对因果干预深度学习模型进行训练，保存训练好的因果干预深度学习模型；
步骤S4：将现有城市区域能耗数据输入因果干预深度学习模型，预测未来的城市区域能耗。
优选的，所述城市区域能耗包括用电量或天然气用量。
优选的，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。
优选的，所述潜在混杂估计器部分通过构建分层矩阵将能耗样本数据分层为具有不同混杂因素的聚簇。
优选的，所述不同混杂因素的数量通过以下方式确定：
初始化可训练分层矩阵
，其中N表示城市中区域的数量，p为混杂因素总层数，第i行第j列的元素值代表第i个区域属于第j层混杂因素的概率，为了保证第i个区域仅属于某一层混杂因素，使用Gumbel-Softmax技巧进行正则化，具体公式如下：
其中，
代表分层矩阵的第i行，/>
代表正则化分层矩阵/>
的第i行，
从/>
分布中采样，/>
为超参数，正则化分层矩阵/>
第i行第j列的元素值代表第i个区域是否属于第j层混杂因素，取值为0或1，若为1则属于，若为0则不属于。
优选的，所述因果干预部分将各聚簇分别通过独立的门控递归单元，并通过后门调整公式生成无偏的时域特征。
优选的，所述后门调整公式阻断能耗样本数据与混杂因素的因果路径，消除混杂因素带来的虚假相关性。
优选的，所述空域特征提取子网络以前一时域特征提取子网络提取的时域特征为输入，输出时空特征。
优选的，所述能耗预测模块以最后一个空域特征提取子网络输出的时空特征为输入，利用堆叠的全连接层和Relu激活函数生成城市区域能耗预测结果。
相比于现有技术，本发明的有益效果在于：
（1）本发明提供了一种考虑因果干预的城市区域能耗预测方法，与现有技术中预设混杂因素的方式不同，该方法能够从城市区域能耗样本数据中挖掘潜在的时域混杂因素，对于不同混杂因素分布的能耗样本数据集均有很好的适应性。
（2）本发明提供了一种考虑因果干预的城市区域能耗预测方法，该方法利用因果干预消除了时域上的混杂偏倚，能够获取无偏的时域特征，有效地提升了能耗预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
图1是本发明考虑因果干预的城市区域能耗预测方法流程图。
图2是本发明因果干预深度学习模型的构成示意图。
图3是本发明中时域因果干预示意图。
图4 是本发明实施例1中的预测结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
为了便于理解，以城市用电量为例，提出一种考虑因果干预的城市区域用电量预测方法，如图1所示，该方法能够实现对城市区域未来时段的用电量进行准确预测。
步骤S1：将某城市划分为N个区域，获取N个区域内Q个等时间间隔的用电量样本数据。
步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，如图2所示，最后一个空域特征提取子网络连接能耗预测模块。
其中，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。
所述潜在混杂估计器部分通过构建分层矩阵将用电量样本数据分层为具有不同混杂因素的聚簇。初始化可训练分层矩阵
，其中N表示城市中区域的数量，p为混杂因素总层数，p为混杂因素总层数，第i行第j列的元素值代表第i个区域属于第j层混杂因素的概率，为了保证第i个区域仅属于某一层混杂因素，使用Gumbel-Softmax技巧进行正则化，具体公式如下：
其中，
代表分层矩阵的第i行，/>
代表正则化分层矩阵/>
的第i行，/>
从
分布中采样，/>
为超参数，取值0.1，正则化分层矩阵/>
第i行第j列的元素值代表第i个区域是否属于第j层混杂因素，取值为0或1，若为1则属于，若为0则不属于。
为消除时域上的混杂偏倚，本发明引入因果干预。时域因果图如图3所示，共包含四个变量，历史城市区域用电量数据X、混杂因素C、时域特征FT和预测城市区域用电量Y。
混杂因素C通过后门路径
在历史城市区域用电量数据X与预测城市区域用电量Y间建立虚假相关性，若将混杂因素C按照取值分层为/>
，历史城市区域用电量数据X和预测城市区域用电量Y的相关性模型/>
可被分解为：
其中，
表示输入历史城市区域用电量数据X所对应的预测模型，k=1,2,…p，/>
表示时域提取模型，/>
表示第k层混杂因素的时域特征，
表示第k层混杂因素，/>
表示历史城市区域用电量数据X与/>
的共现概率。在大多数情况下，由于数据集的不均衡性，历史城市区域用电量数据X与混杂因素C不能以均等概率结合，导致所提取的时域特征倾向于表达频繁出现的一般性时序依赖，为了消除历史城市区域用电量数据X与预测城市区域用电量Y间的虚假相关性，本发明基于后门调整公式，切断X与C间的因果路径，令X与C独立，此时/>
变为/>
，进而切断
的后门路径，消除混杂因素C带来的虚假相关性，可由下式分解：
其中，
表示第k层混杂因素输入，/>
表示/>
的共现概率。为了使历史城市区域用电量数据X与混杂因素C公平结合，设混杂因素C服从离散均匀分布，即/>
。
通过并行的时域编码器提取各个区域的时域特征，第t个时间间隔内混杂因素取值为
的第k层混杂因素的时域特征/>
表达式如下：
其中，
表示sigmoid激活函数，/>
、/>
、/>
、/>
、/>
和/>
均为可学习权重，/>
表示第k层混杂因素第t个时间间隔的输入矩阵，/>
表示tanh激活函数，/>
表示矩阵的逐元素乘法，/>
表示第k层混杂因素第t-1个时间间隔提取的时空特征，/>
为初始化零矩阵。
最后，合并各区域提取的时域特征，得到第t个时间间隔内时域特征
如下式：
其中，t表示第t个时间间隔，
表示第k层混杂因素第t个时间间隔提取的时域特征，/>
代表在节点维度上的矩阵拼接操作，/>
表示批归一化操作，防止梯度消失，加快因果干预深度学习模型收敛。
所述空域特征提取子网络基于先验知识构建距离邻接矩阵和交互邻接矩阵作为深度学习模型的归纳偏置，以加快深度学习模型的收敛速度。第t个时间间隔内的时空特征提取过程如下：
所述能耗预测模块利用堆叠的全连接层和Relu激活函数生成预测结果，如下式：
其中，
表示预测结果，/>
为第Q个时间间隔内提取的时空特征，/>
，/>
，/>
，
为可学习的参数矩阵。
步骤3：对步骤2建立的因果干预深度学习模型，使用历史城市区域用电量数据进行训练，将现有城市区域用电量数据输入训练好的因果干预深度学习模型，输出预测结果。
实施例1
本发明收集北京市从2011年1月1日至2014年12月31日的用电量数据，划分90个区域，对数据进行Z-score标准化，因果干预深度学习模型中所有参数进行随机初始化。
将用电量数据在时间维度上划分为训练集（50％），验证集（25％）和测试集（25％）。借助Adam优化算法和指数衰减动态学习率策略，该因果干预深度学习模型在完整数据集上训练了200个周期。在每个训练周期使用损失函数对模型进行验证，然后根据损失函数值保存最优模型。在训练过程中使用Early Stopping策略，当损失函数值连续50个周期不下降时，提前终止训练。
将上述实施例的预测结果与现有技术进行比较，在同一数据集上进行城市区域用电量预测，对比结果如表1和图4所示。使用平均绝对误差（MAE）和均方根误差（RMSE）以及平均百分比绝对误差（MAPE）评估预测结果，误差越低，表示预测效果越好。本发明对比了八种现有技术中的预测方法。
第一种和第二种是循环神经网络的两个主要变体GRU和LSTM，其通过循环结构捕捉时间依赖，但是忽略了区域之间的异质性固有影响以及空间关联。
第三种是STGCN，其通过结合时域上的一维CNN和空间上的GCN捕捉空间关联和时间依赖。
第四种是HGCN，其通过层次化的GCN同时捕捉了不同尺度的空间关联。
第五种是GraphWaveNet，其通过自适应图结构学习过程挖掘潜在的空间依赖。
第六种是AGCRN，其通过为不同区域分配独立的参数空间建模时序依赖，但是缺乏从因果视角下对各类区域所提取的特征进行权重调整的过程。
第七种是DGCRN，其使用动态图生成模块建模交通系统的动态性，但仍在共享空间下建模不同区域的时序依赖。
第八种是DMSTGCN，其为一天内的每个时间片分配一个单独的图结构以建模交通系统的动态性，并利用辅助信息提高预测精度。
由对比结果可以很明显的看出，本发明提出的考虑因果干预的城市区域能耗预测方法的预测效果优于现有技术。
表1
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种考虑因果干预的城市区域能耗预测方法，其特征在于，包括以下步骤：
步骤S1：将城市划分为多个区域，获取各个区域内多个等时间间隔的能耗样本数据，
步骤S2：建立因果干预深度学习模型，所述因果干预深度学习模型包括多个时域特征提取子网络和多个空域特征提取子网络，所述多个时域特征提取子网络和多个空域特征提取子网络交替串联，最后一个空域特征提取子网络连接能耗预测模块；
步骤S3：采用步骤S1中获得的能耗样本数据，对因果干预深度学习模型进行训练，保存训练好的因果干预深度学习模型；
步骤S4：将现有城市区域能耗数据输入因果干预深度学习模型，预测未来的城市区域能耗。
2.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述城市区域能耗包括用电量或天然气用量。
3.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述时域特征提取子网络包括潜在混杂估计器部分和因果干预部分。
4.根据权利要求3所述的城市区域能耗预测方法，其特征在于，所述潜在混杂估计器部分通过构建分层矩阵将能耗样本数据分层为具有不同混杂因素的聚簇。
5.根据权利要求4所述的城市区域能耗预测方法，其特征在于，所述不同混杂因素的数量通过以下方式确定：
初始化可训练分层矩阵
，其中N表示城市中区域的数量，p为混杂因素总层数，第i行第j列的元素值代表第i个区域属于第j层混杂因素的概率，为了保证第i个区域仅属于某一层混杂因素，使用Gumbel-Softmax技巧进行正则化，具体公式如下：
其中，
代表分层矩阵的第i行，/>
代表正则化分层矩阵/>
的第i行，/>
从
分布中采样，/>
为超参数，正则化分层矩阵/>
第i行第j列的元素值代表第i个区域是否属于第j层混杂因素，取值为0或1，若为1则属于，若为0则不属于。
6.根据权利要求3所述的城市区域能耗预测方法，其特征在于，所述因果干预部分将各聚簇分别通过独立的门控递归单元，并通过后门调整公式生成无偏的时域特征。
7.根据权利要求6所述的城市区域能耗预测方法，其特征在于，所述后门调整公式阻断能耗样本数据与混杂因素的因果路径，消除混杂因素带来的虚假相关性。
8.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述空域特征提取子网络以前一时域特征提取子网络提取的时域特征为输入，输出时空特征。
9.根据权利要求1所述的城市区域能耗预测方法，其特征在于，所述能耗预测模块以最后一个空域特征提取子网络输出的时空特征为输入，利用堆叠的全连接层和Relu激活函数生成城市区域能耗预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558819.9A CN116307274B (zh) | 2023-05-18 | 2023-05-18 | 一种考虑因果干预的城市区域能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558819.9A CN116307274B (zh) | 2023-05-18 | 2023-05-18 | 一种考虑因果干预的城市区域能耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307274A true CN116307274A (zh) | 2023-06-23 |
| CN116307274B CN116307274B (zh) | 2023-08-18 |
Family
ID=86801713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310558819.9A Active CN116307274B (zh) | 2023-05-18 | 2023-05-18 | 一种考虑因果干预的城市区域能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307274B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015065729A2 (en) * | 2013-10-29 | 2015-05-07 | Qualcomm Incorporated | Causal saliency time inference |
| CN114418420A (zh) * | 2022-01-25 | 2022-04-29 | 浙江大学 | 基于因果推断的竞争风险生存分析方法 |
| CN114897140A (zh) * | 2022-05-09 | 2022-08-12 | 哈尔滨工业大学 | 一种基于因果干预的反事实生成方法 |
| CN115239944A (zh) * | 2022-06-13 | 2022-10-25 | 中国矿业大学 | 基于因果推理的图像标题自动生成方法 |
| US20230040564A1 (en) * | 2021-08-03 | 2023-02-09 | International Business Machines Corporation | Learning Causal Relationships |
-
2023
- 2023-05-18 CN CN202310558819.9A patent/CN116307274B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015065729A2 (en) * | 2013-10-29 | 2015-05-07 | Qualcomm Incorporated | Causal saliency time inference |
| US20230040564A1 (en) * | 2021-08-03 | 2023-02-09 | International Business Machines Corporation | Learning Causal Relationships |
| CN114418420A (zh) * | 2022-01-25 | 2022-04-29 | 浙江大学 | 基于因果推断的竞争风险生存分析方法 |
| CN114897140A (zh) * | 2022-05-09 | 2022-08-12 | 哈尔滨工业大学 | 一种基于因果干预的反事实生成方法 |
| CN115239944A (zh) * | 2022-06-13 | 2022-10-25 | 中国矿业大学 | 基于因果推理的图像标题自动生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| YU ZHAO 等: "Causal Conditional Hidden Markov Model for Multimodal Traffic Prediction", Retrieved from the Internet <URL:https://arxiv.org/pdf/2301.08249.pdf> * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307274B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036540A (zh) | 一种基于双种群混合人工蜂群算法的传感器数目优化方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112101521A (zh) | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 | |
| CN110990718A (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
| Chao et al. | Estimation of species richness and shared species richness | |
| CN116681176A (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
| CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
| CN114462683A (zh) | 基于联邦学习的云边协同多居民区负荷预测方法 | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN114386331A (zh) | 基于多智能体宽大强化学习的电力安全经济调度方法 | |
| Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
| CN116307274B (zh) | 一种考虑因果干预的城市区域能耗预测方法 | |
| CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
| CN116307293B (zh) | 一种基于混杂感知与因果去偏的城市时空数据预测方法 | |
| CN112382081A (zh) | 一种基于多任务的交通流量预测方法 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
| CN116485075A (zh) | 一种基于fts的电网负荷预测方法 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN114640643A (zh) | 基于群体智能的信息跨社群传播最大化方法及系统 |
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 |