基于GNN-LSTM融合模型的智慧公寓能耗预测与管理研究

1

作者 周亚凤 杨徐华 《现代信息科技》 2025年第19期131-135,共5页

智慧公寓中的能源管理对提升能源利用效率和实现节能减排十分重要。传统预测方法往往难以捕捉公寓单元之间的空间关联性及能耗随时间的非线性波动。为此,文章提出了一种融合图神经网络(GNN)与长短期记忆网络(LSTM)的创新算法。利用图卷... 智慧公寓中的能源管理对提升能源利用效率和实现节能减排十分重要。传统预测方法往往难以捕捉公寓单元之间的空间关联性及能耗随时间的非线性波动。为此,文章提出了一种融合图神经网络(GNN)与长短期记忆网络(LSTM)的创新算法。利用图卷积网络(GCN)有效提取公寓单元间的物理邻近关系,并利用LSTM刻画各单元能耗的时序动态变化,从而显著提升预测准确性。还探讨了模型在不同预测时长下的性能表现,实验结果表明,GNN-LSTM模型在长期预测中仍能保持较低的误差增长率,具有良好的泛化能力和实际应用价值。 展开更多

关键词 智慧公寓 能耗预测 图神经网络 深度时序模型 gnn-lstm

在线阅读 下载PDF 职称材料

基于GNN-LSTM模型的分布式微服务架构异常检测和根因定位技术

2

作者 刘沙 刘苏 +1 位作者 何秀伟 唐晓彬 《自动化与仪器仪表》 2025年第7期268-272,277,共6页

随着数字化转型在各行业的深入,烟草行业亦面临微服务架构下故障检测与根因定位的挑战。现有技术在处理分布式系统中的大规模时序数据和复杂系统动态方面存在不足。因此,研究提出了一种基于图神经网络和长短期记忆网络的联合模型,并结... 随着数字化转型在各行业的深入,烟草行业亦面临微服务架构下故障检测与根因定位的挑战。现有技术在处理分布式系统中的大规模时序数据和复杂系统动态方面存在不足。因此,研究提出了一种基于图神经网络和长短期记忆网络的联合模型,并结合注意力机制提升异常检测和根因定位的效果。研究结果显示,模型在异常检测中的曲线下面积值达到0.86,在根因定位任务中实现了97.16%的精确率和0.973的召回率。注意力机制为模型性能的提升提供了帮助,异常检测和根因定位的性能进一步提升。实际应用结果显示,应用模型后故障率维持在1.50%以下,最低仅0.32%,且故障响应时间保持在10 min以内。研究为微服务架构下的故障管理提供了一种高效的解决方案,能够有效提升系统稳定性和运维效率。 展开更多

关键词 微服务架构 异常检测 根因定位 GNN LSTM

原文传递

基于LSTM-GNN的畸形交叉口自适应信号控制仿真研究 被引量：1

3

作者 陈坤 陈亮 +3 位作者 谢济铭 刘丰博 陈泰熊 位路宽 《系统仿真学报》 北大核心 2025年第6期1343-1351,共9页

针对畸形交叉口交通拥堵情况,设计了一种基于深度学习的改进型自适应交通信号控制方案,融合了LSTM与GNN在畸形交叉口的自适应信号控制。LSTM捕捉时间序列交通数据之间的依赖性,GNN构建车道间的空间交互模型。通过整合时间和空间维度的信... 针对畸形交叉口交通拥堵情况,设计了一种基于深度学习的改进型自适应交通信号控制方案,融合了LSTM与GNN在畸形交叉口的自适应信号控制。LSTM捕捉时间序列交通数据之间的依赖性,GNN构建车道间的空间交互模型。通过整合时间和空间维度的信息,该模型能够依据实时交通状况动态调整信号灯的相位时长。结果表明:LSTM-GNN自适应控制方案相比传统固定信号控制提高了约17.3%的整体通过效率。 展开更多

关键词 深度学习 LSTM GNN 交通信号控制 畸形交叉口 自适应控制 交通流优化 时空依赖性

原文传递

融合LSTM、GNN和贝叶斯网络的网络安全态势评估与预测 被引量：1

4

作者 魏巍 许丰宽 毛思琪 《呼伦贝尔学院学报》 2025年第1期125-131,共7页

本文研究了基于多源数据分析的网络安全整体态势评估系统的结构组成与评估技术,并通过实验验证其应用效果。该系统通过多源数据获取日志信息、节点漏洞信息和节点服务信息,从获取的信息数据中提取脆弱性、威胁性和资产三种态势指标,使... 本文研究了基于多源数据分析的网络安全整体态势评估系统的结构组成与评估技术,并通过实验验证其应用效果。该系统通过多源数据获取日志信息、节点漏洞信息和节点服务信息,从获取的信息数据中提取脆弱性、威胁性和资产三种态势指标,使用长短期记忆网络(LSTM)、图神经网络(GNN)和贝叶斯网络对态势指标进行融合处理进行实验,评估网络安全整体态势。实验结果表明,未来6个月内网络整体安全态势“较为危险”(Quite Dangerous)的概率逐渐增加,从当前的0.25上升到0.40。这表明随着时间的推移,网络的安全态势可能恶化,风险增加。 展开更多

关键词 多源数据分析 网络安全态势评估 LSTM GNN 贝叶斯网络

在线阅读 下载PDF 职称材料

基于LSTM-GNN组合模型的电动汽车短期充电负荷预测

5

作者 刘奕舟 李振华 +3 位作者 魏伟 李振兴 徐艳春 张磊 《电源学报》 北大核心 2025年第8期145-156,共12页

在新能源时代背景下,针对电动汽车充电负荷对电网的影响这一热点问题,提出1种基于长短期记忆法-图神经网络LSTM-GNN(long short-term memory network and graph neural network)组合模型的电动汽车短期充电负荷预测方法,以解决现有模型... 在新能源时代背景下,针对电动汽车充电负荷对电网的影响这一热点问题,提出1种基于长短期记忆法-图神经网络LSTM-GNN(long short-term memory network and graph neural network)组合模型的电动汽车短期充电负荷预测方法,以解决现有模型的不足。首先,运用科普拉(Copula)理论对3种典型日负荷进行相关性分析,构建包含主要因素与充电站历史负荷的特征输入矩阵,并建立滑动窗口数据集。然后,利用LSTM与GNN对特征输入矩阵进行特征提取和图数据构建,图神经网络层完成特征聚合并输出预测负荷值及误差评价指标。算例结果表明,该模型在不同区域充电站能有效提取充电负荷关键特征,相较传统模型具有更好的预测效果和泛化能力。 展开更多

关键词 负荷预测 深度学习 图神经网络 长短期记忆 电动汽车 充电负荷

在线阅读 下载PDF 职称材料

基于GCN与LSTM的多频段复杂频谱动态预测

6

作者 汪生 张树森 +2 位作者 杨健 邢伟宁 许鲁彦 《太赫兹科学与电子信息学报》 2025年第10期1045-1050,1059,共7页

随着频谱资源短缺日益严重,基于频谱预测的频谱动态接入技术得到了广泛关注。由于频谱监测数据具有高突发性和复杂的内在关联特性,对多通道频谱的高精确度预测提出了挑战。本文提出一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)的多... 随着频谱资源短缺日益严重,基于频谱预测的频谱动态接入技术得到了广泛关注。由于频谱监测数据具有高突发性和复杂的内在关联特性,对多通道频谱的高精确度预测提出了挑战。本文提出一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)的多频段复杂频谱动态预测方法:首先,利用GCN模型对频谱数据进行特征提取和空间关系建立,捕捉并表述频谱数据中的复杂结构和关联信息;然后,通过LSTM模型有效学习并预测频谱数据的时间动态变化,克服传统预测方法无法处理长时间序列的问题;最后,在真实频谱数据上进行实验验证。实验结果表明本方法在预测精确度和稳定性方面较现有方法有明显提升。 展开更多

关键词 频谱预测 图神经网络(GCN) 长短期记忆网络(LSTM) 深度学习

在线阅读 下载PDF 职称材料

基于多算法融合的电力通信网络智能运维系统优化研究

7

作者 侯成艳 吴思奇 +1 位作者 吴建波 牛静 《通信电源技术》 2025年第8期212-214,共3页

电力通信网络的运维管理面临着日益复杂的挑战,传统运维模式已无法满足高效与精准的需求。提出一种基于多算法融合的智能运维系统优化方案,结合图神经网络(Graph Neural Network,GNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、... 电力通信网络的运维管理面临着日益复杂的挑战,传统运维模式已无法满足高效与精准的需求。提出一种基于多算法融合的智能运维系统优化方案,结合图神经网络(Graph Neural Network,GNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、深度强化学习(Deep Reinforcement Learning,DRL)、粒子群优化(Particle Swarm Optimization,PSO)以及K均值聚类等算法,针对故障预测精度、响应时间、平均运维效率及系统每月停机时间等问题进行优化。实验结果表明,优化后的系统在关键性能指标上取得了显著改进,故障预测准确率、响应时间、运维效率及系统稳定性均得到了有效提升,为电力通信网络的智能化运维提供了技术支持。该研究为未来智能运维系统的优化与发展提供了有价值的参考。 展开更多

关键词 智能运维 多算法融合 图神经网络(GNN) 长短期记忆(LSTM)网络 深度强化学习(DRL)

在线阅读 下载PDF 职称材料

情感增强的对话文本情绪识别模型 被引量：5

8

作者 王雨 袁玉波 +1 位作者 过弋 张嘉杰 《计算机应用》 CSCD 北大核心 2023年第3期706-712,共7页

针对现有的许多研究忽略了说话人的情绪和情感的相关性的问题,提出一种情感增强的图网络对话文本情绪识别模型——SBGN。首先,将主题和对话意图融入文本,并微调预训练语言模型RoBERTa以提取重构的文本特征;其次,给出情绪分析的对称学习... 针对现有的许多研究忽略了说话人的情绪和情感的相关性的问题,提出一种情感增强的图网络对话文本情绪识别模型——SBGN。首先,将主题和对话意图融入文本,并微调预训练语言模型RoBERTa以提取重构的文本特征;其次,给出情绪分析的对称学习结构,将重构特征分别输入图神经网络(GNN)情绪分析模型和双向长短时记忆(Bi-LSTM)情感分类模型;最后,融合情绪分析和情感分类模型,将情感分类的损失函数作为惩罚以构建新的损失函数,并通过学习调节得到最优的惩罚因子。在公开数据集DailyDialog上的实验结果表明,相较于DialogueGCN模型与目前最先进的DAG-ERC模型,SBGN模型的微平均F1分别提高16.62与14.81个百分点。可见,SBGN模型能有效提高对话系统情绪分析的性能。 展开更多

关键词 对话情绪识别 情感分类 主题诱导 图神经网络 双向长短时记忆

在线阅读 下载PDF 职称材料

基于图神经网络和LSTM的社交推荐算法 被引量：4

9

作者 刘艺璇 孙英娟 +3 位作者 李婉桦 刘乾 杨丹阳 于洋 《长春师范大学学报》 2022年第8期48-53,共6页

推荐系统可以帮助人们从海量数据中得到真正需要的信息。本文提出了一种基于图神经网络和长短期记忆网络的推荐融合模型GNN-L。首先使用长短期记忆网络和注意力网络联合捕获物品的潜在特征,然后利用图神经网络从用户物品图和用户社交图... 推荐系统可以帮助人们从海量数据中得到真正需要的信息。本文提出了一种基于图神经网络和长短期记忆网络的推荐融合模型GNN-L。首先使用长短期记忆网络和注意力网络联合捕获物品的潜在特征,然后利用图神经网络从用户物品图和用户社交图获得用户的潜在特征,最后将两种潜在特征通过多层感知器得出评分预测的结果。对真实数据集进行验证,结果表明,GNN-L的均方根误差和平均绝对误差都低于本文对比的其他算法模型,该模型能更好地进行精准推荐。 展开更多

关键词 社交推荐 图神经网络 长短期记忆网络 注意力网络 评分预测

在线阅读 下载PDF 职称材料

基于图神经网络的地表水水质预测模型 被引量：14

10

作者 许佳辉 王敬昌 +1 位作者 陈岭 吴勇 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2021年第4期601-607,共7页

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络(GNN)的地表水水质预测模型.该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络(LSTM)建模水质指标序列在时间上的复杂依赖关系,将编码... 针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络(GNN)的地表水水质预测模型.该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络(LSTM)建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出.实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升. 展开更多

关键词 水质预测 图神经网络(GNN) 深度神经网络 长短时记忆网络(LSTM) 深度学习

在线阅读 下载PDF 职称材料

基于深度学习的选煤厂振动筛故障诊断方法

11

作者 何长林 李越 +2 位作者 王斌 李彪 李敬兆 《自动化应用》 2024年第21期8-11,共4页

振动筛是选煤厂的关键设备。为及时发现振动筛可能出现的故障,通过非接触式智能感知及智慧处理装置采集并处理振动筛的音频信号,提出基于长短期记忆网络(LSTM)和时空图神经网络(ST-GNN)的故障诊断模型。首先利用经验模态分解(EMD)对音... 振动筛是选煤厂的关键设备。为及时发现振动筛可能出现的故障,通过非接触式智能感知及智慧处理装置采集并处理振动筛的音频信号,提出基于长短期记忆网络(LSTM)和时空图神经网络(ST-GNN)的故障诊断模型。首先利用经验模态分解(EMD)对音频进行预处理,其次使用ST-GNN-LSTM模型分别提取信号的时间和空间特征,融合时空特征最终实现故障诊断。将该模型算法嵌入到边缘端,最终由智能算法与软硬件结合共同组成选煤厂振动筛的故障诊断监测系统。实验表明,该方法能有效提取并利用振动筛音频信号特征,实现振动筛的故障诊断。 展开更多

关键词 振动筛 长短期记忆网络 时空图神经网络 故障诊断

在线阅读 下载PDF 职称材料

基于多神经网络混合模型的10 k V配电台区低电压中长期预测 被引量：3

12

作者 覃日升 张辰 +3 位作者 马月 李颛 彭偲达 孙国芳 《云南电力技术》 2024年第6期75-80,共6页

提出了一种基于CNN-LSTM-GNN混合模型的10 kV台区低电压中长期预测方法。首先,对云南地区的电力负荷数据进行分析,考虑了季节性变化、温度变化、社会安全事件及线路配置等因素对负荷预测的影响。随后,构建了一种结合卷积神经网络(CNN)... 提出了一种基于CNN-LSTM-GNN混合模型的10 kV台区低电压中长期预测方法。首先,对云南地区的电力负荷数据进行分析,考虑了季节性变化、温度变化、社会安全事件及线路配置等因素对负荷预测的影响。随后,构建了一种结合卷积神经网络(CNN)、长短期记忆网络(LSTM)和图神经网络(GNN)的深度学习模型,用于提高电力负荷及低电压预测的准确性。通过实验分析,模型在电力负荷预测及台区低电压治理决策支持方面显示出了良好的性能。特别是考虑到各类影响因素后,混合模型相较于传统方法在预测准确度与效率方面都有明显提高,其预测结果符合实际工程需求,说明了该方法的实用价值。本研究最后通过与其他技术的比较分析,进一步验证了所提方法的优越性。 展开更多

关键词 电力负荷预测 低电压预测 深度学习 CNN-LSTM-GNN混合模型

在线阅读 下载PDF 职称材料

联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型 被引量：2

13

作者 张军 吴朋莉 +2 位作者 石陆魁 史进 潘斌 《计算机应用》 CSCD 北大核心 2023年第1期321-328,共8页

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题,提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型(GDM)。GDM包括时空注意力(TSA)、双向图神经长短期记忆(DG-LSTM)网络编码和边-点... 针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题,提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型(GDM)。GDM包括时空注意力(TSA)、双向图神经长短期记忆(DG-LSTM)网络编码和边-点转换双向门控循环网络解码(EN-GRU)模块。首先使用TSA模块提取MOD11A1图像特征并形成多个虚拟气象站点的温度时间序列,缓解地面气象站点分布稀疏对站点间关系的影响;然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度;最后用ENGRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明,相较于二维卷积神经网络(2D-CNN)、长短期记忆全连接网络(LSTM-FC)、长短期记忆神经网络扩展网络(LSTME)和长短记忆与自适应提升集成网络(LSTM-AdaBoost),GDM在10个地面气象站点24 h内温度预测的平均绝对误差(MAE)分别减小0.383℃、0.184℃、0.178℃和0.164℃,能提高未来24 h多个气象站点温度的预测精度。 展开更多

关键词 温度预测 注意力机制 深度学习 长短期记忆网络 门控循环单元 图神经网络 MOD11A1 地面气象站点

在线阅读 下载PDF 职称材料

基于动态图结构学习的多参数时间序列异常检测模型

14

作者 汪增辉 朱家佳 +2 位作者 周增光 张静 李晓辉 《信息与电脑》 2023年第6期112-116,共5页

为了对多参数时间序列异常检测进行研究,针对现有研究对时空耦合特征挖掘不够充分的问题,使用若干基于深度学习的方法,提出了一种基于动态图结构学习的多参数时间序列异常检测模型。动态图模型(Dynamic Graph Model,DGM)使用基于图神经... 为了对多参数时间序列异常检测进行研究,针对现有研究对时空耦合特征挖掘不够充分的问题,使用若干基于深度学习的方法,提出了一种基于动态图结构学习的多参数时间序列异常检测模型。动态图模型(Dynamic Graph Model,DGM)使用基于图神经网络和长短时记忆网络的方法,在构建图数据结构时采用单向动态图构建方式,对现有研究多采用的静态图构建的模型进行了改进。首先在图学习层中加入了随着模型训练而学习的超参数,使图结构能够进行自适应学习和调整;其次使用长短时记忆模型进行时空耦合特征挖掘;最后使用基于循环神经网络预测和基于变分自编码器重构相结合的方法进行异常检测。采用SWaT数据集对模型进行了测试,将动态图模型与目前常用的其他6种静态图模型进行对比,F1综合性能提升超过3个百分点,验证了动态图模型的有效性。 展开更多

关键词 多参数时间序列 深度学习 图神经网络(GNN) 长短期记忆(LSTM)

在线阅读 下载PDF 职称材料

图结构联合时序数据驱动的装备剩余使用寿命预测方法 被引量：7

15

作者 沈天浩 丁康 +2 位作者 黎杰 黄如意 李巍华 《机械工程学报》 EI CAS CSCD 北大核心 2023年第12期183-194,共12页

随着制造业向数字化、智能化方向转型升级,基于数据驱动的装备智能运维成为了学术界和工业界研究的潮流。然而,当前剩余寿命预测方法存在时序信息提取能力弱、难以建立监测数据与装备真实退化趋势的准确映射关系等局限性。为解决上述问... 随着制造业向数字化、智能化方向转型升级,基于数据驱动的装备智能运维成为了学术界和工业界研究的潮流。然而,当前剩余寿命预测方法存在时序信息提取能力弱、难以建立监测数据与装备真实退化趋势的准确映射关系等局限性。为解决上述问题,提出一种图结构联合时序数据驱动的装备剩余使用寿命预测方法。首先,融合图卷积网络的图时序信息表征能力与长短时记忆网络的长时序特征刻画能力,构建包含图卷积、长短时记忆和逻辑回归模块的剩余寿命预测模型;其次,利用特征相关性构造的具有时序特性的图结构数据、利用原始数据构造具有固定时间步长的时序数据,分别作为图卷积模块和长短时记忆模块的输入,以最小化预测损失为目标,训练并优化寿命预测模型;最后,利用轴承全寿命加速退化试验数据,验证所提方法的有效性,所提方法在单工况下RMSE为0.107,综合工况下RMSE为0.099。与领域内先进方法对比的试验结果表明,所提方法取得了最优的预测性能,可为装备的预测与健康管理提供决策依据,具有较强的工程应用价值。 展开更多

关键词 剩余寿命预测 图神经网络 长短时记忆网络 滚动轴承 装备智能运维

原文传递