公开(公告)号：CN115953902A

公开(公告)日：2023-04-11

申请号：CN202310132783.8

申请日：2023-02-20

Applicant: 河北工业大学

Inventor： 顾军华 ,  冀震雷 ,  张亚娟 ,  蒋家海 ,  金建铭 ,  郭睿哲

IPC: G08G1/01 ,  G06Q10/04 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明为一种基于多视图时空图卷积网络的交通流预测方法，所述预测方法以路网上的交通数据、静态图邻接矩阵和趋势相似图邻接矩阵作为输入，通过交替进行时间特征和空间特征提取，然后使用输出模块进行特征融合，实现了交通流的精准预测。本发明从不同角度对道路中的空间依赖关系进行提取，实现从全局角度和局部角度进行空间依赖关系的捕获，提出多视图时空图卷积网络，实现交通流预测。通过从不同的角度对道路观测点中的依赖关系进行建模，然后利用多视图图卷积模块提取空间特征，以增加模块捕获空间依赖的能力，提高模型的预测性能。

公开(公告)号：CN119853015A

公开(公告)日：2025-04-18

申请号：CN202510058809.8

申请日：2025-01-15

Applicant: 河北工业大学

Inventor： 顾军华 ,  崔雨桐 ,  张亚娟 ,  蒋家海 ,  郭丁玮 ,  于继伟

IPC: H02J3/00 ,  G06N3/0455 ,  G06N3/048 ,  G06F18/2131 ,  G06N3/0464 ,  G06F18/25

Abstract: 本发明属于风电功率预测技术领域，具体是一种基于自适应小波分解和改进Transformer的时空风电功率预测方法。首先，获取目标风电场历史时期的风电功率序列以及影响风电功率的特征序列并进行预处理，计算各个特征序列与风电功率序列的相关性，保留与风电功率相关性高的特征序列，并对风电功率序列和保留的特征序列进行归一化处理；然后，提取风电功率序列和各个特征序列的频域特征；风电功率序列和各个特征序列的频域特征组成一个特征并对该特征进行周期性嵌入和空间嵌入，得到模型输入特征；最后，基于Transformer网络构建风电功率预测模型，包括U‑Net网络、逆傅里叶变换和预测层；将输入特征输入到U‑Net网络中进行特征提取，U‑Net网络的输出特征经过逆傅里叶变换后，再经过预测层，得到风电功率预测值。该方法解决了风电功率数据面临的高噪声、高波动性和非平稳性等问题，提高了预测精度。

公开(公告)号：CN115953902B

公开(公告)日：2024-09-06

申请号：CN202310132783.8

申请日：2023-02-20

Applicant: 河北工业大学

Inventor： 顾军华 ,  冀震雷 ,  张亚娟 ,  蒋家海 ,  金建铭 ,  郭睿哲

IPC: G08G1/01 ,  G06Q10/04 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明为一种基于多视图时空图卷积网络的交通流预测方法，所述预测方法以路网上的交通数据、静态图邻接矩阵和趋势相似图邻接矩阵作为输入，通过交替进行时间特征和空间特征提取，然后使用输出模块进行特征融合，实现了交通流的精准预测。本发明从不同角度对道路中的空间依赖关系进行提取，实现从全局角度和局部角度进行空间依赖关系的捕获，提出多视图时空图卷积网络，实现交通流预测。通过从不同的角度对道路观测点中的依赖关系进行建模，然后利用多视图图卷积模块提取空间特征，以增加模块捕获空间依赖的能力，提高模型的预测性能。