公开(公告)号：CN118153745A

公开(公告)日：2024-06-07

申请号：CN202410261701.4

申请日：2024-03-07

Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

Inventor： 徐增林 ,  王洪烨 ,  李若南 ,  李金龙 ,  刘颉

IPC: G06Q10/04 ,  G06Q50/26 ,  G06Q50/40 ,  G06F18/20 ,  G06N3/092 ,  G06N3/098

Abstract: 本申请提供了车辆轨迹预测方法，采集车辆轨迹数据形成客户端的本地数据集；客户端利用本地数据集训练本地车辆轨迹预测模型，并将训练的模型参数和当前的状态#imgabs0#上传到中央服务器；中央服务器基于深度强化学习代理聚合各个客户端的模型参数，所述深度强化学习代理将每轮联邦学习过程构建为马尔可夫决策过程模型，深度强化学习代理根据各个客户端的当前的状态#imgabs1#产生动作#imgabs2#作为各客户端聚合权重，聚合完成后，更新中央服务器的全局车辆轨迹预测模型参数，并将参数广播给各个客户端；使用各个客户端训练完成的本地车辆轨迹预测模型，对未来的车辆行驶轨迹进行预测。可以至少用以解决车辆轨迹预测精度不高、计算量过大的技术问题。

公开(公告)号：CN112365040A

公开(公告)日：2021-02-12

申请号：CN202011208966.6

申请日：2020-11-03

Applicant: 哈尔滨工业大学

Inventor： 刘旭东 ,  王洪烨 ,  叶强 ,  陈莹 ,  姜梦奇

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06Q50/06

Abstract: 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

公开(公告)号：CN112365040B

公开(公告)日：2022-03-01

申请号：CN202011208966.6

申请日：2020-11-03

Applicant: 哈尔滨工业大学

Inventor： 刘旭东 ,  王洪烨 ,  叶强 ,  陈莹 ,  姜梦奇

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06Q50/06

Abstract: 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。