Precise traffic flow forecasting is essential for mitigating urban traffic congestion.However,it is difficult for existing methods to adequately capture the dynamic spatio-temporal characteristics and multiscale tempo...Precise traffic flow forecasting is essential for mitigating urban traffic congestion.However,it is difficult for existing methods to adequately capture the dynamic spatio-temporal characteristics and multiscale temporal dependencies of traffic flow.A traffic flow prediction model with multiscale temporal awareness and graph diffusion attention networks(MT-GDAN)is proposed to address these issues.Specifically,a graph diffusion attention module is constructed,which dynamically adjusts and calculates the weights of neighboring nodes in the graph structure using a random graph attention network(GAT)and captures the spatial characteristics of hidden nodes through an adaptive adjacency matrix,thus better exploiting the dynamic spatio-temporal properties of traffic flow.Secondly,a multiscale isometric convolutional network and bi-level routing attention are used to construct a multiscale temporal awareness module.The former extracts local information of traffic flow segments by convolution with different sizes of convolution kernels and then introduces isometric convolution to obtain the global temporal relationship between local features of traffic flow segments;the latter filters irrelevant spatio-temporal features at a coarse regional level and focuses locally on key points to more accurately capture the multiscale temporal dependencies of traffic flows.Experimental results reveal that the MT-GDAN model surpasses the mainstream baseline model in terms of forecasting accuracy and exhibits good prediction performance.展开更多
针对能量收集无线传感器网络中,能量预测精度不佳、节点能量利用效率过低和网络难以持续运行等问题,提出了一种改进样本卷积交互神经网络(sample convolution and interaction network,SCINet)预测模型,并引入概率稀疏自注意力机制,在...针对能量收集无线传感器网络中,能量预测精度不佳、节点能量利用效率过低和网络难以持续运行等问题,提出了一种改进样本卷积交互神经网络(sample convolution and interaction network,SCINet)预测模型,并引入概率稀疏自注意力机制,在新特征序列的每个时间步上计算注意力权重,捕捉重要特征,提高模型预测精度.最后,根据节点剩余能量、预测未来可收集的太阳能能量,对分簇路由算法进行改进.仿真实验结果表明,该能量预测模型具备更高的预测精度和泛化能力.在能量预测模型的基础上,改进的分簇路由算法,能有效地延长无线传感器网络的生命周期.展开更多
为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-...为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-交通耦合网总损失成本最小为目标的多类型移动应急资源随机优化调度模型。然后,为了实时准确地求解MESS和RC最优路由和调度策略,提出了一种数据-模型混合驱动方法对所构建的复杂非线性随机优化模型进行求解。在数据驱动部分提出一种图注意力网络多智能体强化学习算法,以求解考虑交通网道路修复时间和移动应急资源邻接关系动态变化等不确定因素的MESS和RC最优路由策略。所提算法有效结合多种改进策略和优先经验回放策略以提高算法的采样效率和训练效果。在模型驱动部分采用二阶锥松弛和大M法将多类型移动应急资源优化调度问题构建为混合整数二阶锥规划模型以求解可再生能源出力和配电网负荷变化影响下MESS和RC最优调度策略。最后,在2个不同规模的电力-交通耦合网中验证所提方法的有效性、泛化能力和可拓展能力。展开更多
针对实际物流中广泛存在的两级车辆路径问题(two-echelon vehicle routing problem,2E-VRP),以最小化总路径长度为优化目标,提出一种基于深度强化学习的模拟退火算法(simulated annealing based on deep reinforcement learning,SADRL)...针对实际物流中广泛存在的两级车辆路径问题(two-echelon vehicle routing problem,2E-VRP),以最小化总路径长度为优化目标,提出一种基于深度强化学习的模拟退火算法(simulated annealing based on deep reinforcement learning,SADRL)进行求解.由于2E-VRP包含两个相互耦合的子阶段,即客户–中转站分配阶段和配送路径规划阶段.不同的客户–中转站分配方案将会影响后续的配送路径优化,故2E-VRP的解空间将十分庞大且复杂.根据以上特点,在SADRL中,首先针对客户–中转站分配问题,设计键–值对的编解码方案,并采用模拟退火算法(simulated annealing,SA)求解客户–中转站分配问题,可将2E-VRP分解为多个VRP子问题;然后,基于分解方案,采用强化学习训练好的注意力模型(attention model-VRP,AM-VRP)获取VRP的优质配送路径,进而可实现对分解方案优劣的快速评价,在降低问题复杂度的同时引导算法高效的探索复杂解空间的优质解区域;最后,针对分解后的多个VRP子问题,设计了结合破坏/重构操作的变邻域下降(variable neighborhood descent with destruction/reconstruction operations,VND_DRO)算法对其配送路径进一步优化,以实现对优质解空间的深入且细致搜索,进而发现处于复杂解空间的深层优质解.通过在不同规模测试集上的实验,证明了本文所提出SADRL求解2E-VRP的有效性.展开更多
为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;...为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。展开更多
基金Supported by the by Key R&D Program of Gansu Province(No.23YFGA0063)the Key Talent Project of Gansu Province(No.2024RCXM57,2024RCXM22)the Major Science and Technology Special Program of Gansu Province(No.25ZYJA037).
文摘Precise traffic flow forecasting is essential for mitigating urban traffic congestion.However,it is difficult for existing methods to adequately capture the dynamic spatio-temporal characteristics and multiscale temporal dependencies of traffic flow.A traffic flow prediction model with multiscale temporal awareness and graph diffusion attention networks(MT-GDAN)is proposed to address these issues.Specifically,a graph diffusion attention module is constructed,which dynamically adjusts and calculates the weights of neighboring nodes in the graph structure using a random graph attention network(GAT)and captures the spatial characteristics of hidden nodes through an adaptive adjacency matrix,thus better exploiting the dynamic spatio-temporal properties of traffic flow.Secondly,a multiscale isometric convolutional network and bi-level routing attention are used to construct a multiscale temporal awareness module.The former extracts local information of traffic flow segments by convolution with different sizes of convolution kernels and then introduces isometric convolution to obtain the global temporal relationship between local features of traffic flow segments;the latter filters irrelevant spatio-temporal features at a coarse regional level and focuses locally on key points to more accurately capture the multiscale temporal dependencies of traffic flows.Experimental results reveal that the MT-GDAN model surpasses the mainstream baseline model in terms of forecasting accuracy and exhibits good prediction performance.
文摘针对能量收集无线传感器网络中,能量预测精度不佳、节点能量利用效率过低和网络难以持续运行等问题,提出了一种改进样本卷积交互神经网络(sample convolution and interaction network,SCINet)预测模型,并引入概率稀疏自注意力机制,在新特征序列的每个时间步上计算注意力权重,捕捉重要特征,提高模型预测精度.最后,根据节点剩余能量、预测未来可收集的太阳能能量,对分簇路由算法进行改进.仿真实验结果表明,该能量预测模型具备更高的预测精度和泛化能力.在能量预测模型的基础上,改进的分簇路由算法,能有效地延长无线传感器网络的生命周期.
文摘为有效提升配电网韧性,提出了一种基于数据-模型混合驱动的多类型移动应急资源优化调度方法。首先,考虑到交通道路状态动态变化对移动储能车(mobile energy storage system,MESS)和应急抢修队(repair crew,RC)策略的影响,构建了以电力-交通耦合网总损失成本最小为目标的多类型移动应急资源随机优化调度模型。然后,为了实时准确地求解MESS和RC最优路由和调度策略,提出了一种数据-模型混合驱动方法对所构建的复杂非线性随机优化模型进行求解。在数据驱动部分提出一种图注意力网络多智能体强化学习算法,以求解考虑交通网道路修复时间和移动应急资源邻接关系动态变化等不确定因素的MESS和RC最优路由策略。所提算法有效结合多种改进策略和优先经验回放策略以提高算法的采样效率和训练效果。在模型驱动部分采用二阶锥松弛和大M法将多类型移动应急资源优化调度问题构建为混合整数二阶锥规划模型以求解可再生能源出力和配电网负荷变化影响下MESS和RC最优调度策略。最后,在2个不同规模的电力-交通耦合网中验证所提方法的有效性、泛化能力和可拓展能力。
文摘针对实际物流中广泛存在的两级车辆路径问题(two-echelon vehicle routing problem,2E-VRP),以最小化总路径长度为优化目标,提出一种基于深度强化学习的模拟退火算法(simulated annealing based on deep reinforcement learning,SADRL)进行求解.由于2E-VRP包含两个相互耦合的子阶段,即客户–中转站分配阶段和配送路径规划阶段.不同的客户–中转站分配方案将会影响后续的配送路径优化,故2E-VRP的解空间将十分庞大且复杂.根据以上特点,在SADRL中,首先针对客户–中转站分配问题,设计键–值对的编解码方案,并采用模拟退火算法(simulated annealing,SA)求解客户–中转站分配问题,可将2E-VRP分解为多个VRP子问题;然后,基于分解方案,采用强化学习训练好的注意力模型(attention model-VRP,AM-VRP)获取VRP的优质配送路径,进而可实现对分解方案优劣的快速评价,在降低问题复杂度的同时引导算法高效的探索复杂解空间的优质解区域;最后,针对分解后的多个VRP子问题,设计了结合破坏/重构操作的变邻域下降(variable neighborhood descent with destruction/reconstruction operations,VND_DRO)算法对其配送路径进一步优化,以实现对优质解空间的深入且细致搜索,进而发现处于复杂解空间的深层优质解.通过在不同规模测试集上的实验,证明了本文所提出SADRL求解2E-VRP的有效性.
文摘为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。
