2023 年度盘点 | 时序图神经网络的热门应用速览（含交通、医疗等领域）

时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法，用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同，图神经网络可以有效地捕捉时间序列数据中的时序信息和模式，并进行预测和分类。

作为一种新兴的研究领域，时间序列GNN具有广泛的应用前景，它可以应用于各种实际问题，如股票价格预测、交通流量预测、健康状况预测等，通过有效地捕捉时间序列数据中的时序信息和模式，进行有效的预测和分类，为各领域的决策提供支持。

2023年内有关时序GNN在应用方面的研究也有了新的进展，主要涉及医疗保健、按需服务、物联网、智能交通、环境等领域。

医疗保健

Self-supervised learning for anomalous channel detection in eeg graphs: Application to seizure analysis

论文地址：https://arxiv.org/abs/2208.07448

论文摘要：脑电图（EEG）信号是癫痫分析的有效工具，其中最重要的挑战之一是准确检测癫痫事件和癫痫发生或起始的脑区。然而，所有现有的基于机器学习的癫痫分析算法都需要访问标记的癫痫数据，而获取标记数据非常费力、昂贵，并且由于EEG信号的视觉定性解释的主观性质，临床医生也依赖于此。本文提出了一种无需访问癫痫数据的自我监督方式来检测癫痫通道和剪辑。该方法考虑了EEG图中嵌入的局部结构和上下文信息，通过使用正负子图。我们通过最小化对比和生成损失来训练我们的方法。使用局部EEG子图使算法成为一种合适的选择，当由于颅骨骨折等并发症无法访问所有EEG通道时。我们在最大的癫痫数据集上进行了广泛的实验，并证明了我们的框架在基于EEG的癫痫研究中超过了最先进的方法。所提出的方法是唯一不需要在训练阶段访问癫痫数据的研究，却在该领域建立了新的最先进水平，并优于所有相关的监督方法。

按需服务

On region-level travel demand forecasting using multi-task adaptive graph attention network

论文地址：https://dl.acm.org/doi/10.1016/j.ins.2022.11.138

论文摘要：大多数现有的基于GNN的方法将区域之间的关联编码为单个或多个固定的邻接矩阵。这些方法的局限性在于，它们忽略了区域之间的相关性可能随时间变化。一些研究试图通过纯粹基于数据驱动的动态图方法来捕捉这种变化；然而，它们高度依赖于数据质量。此外，具有不同功能分布的区域表现出不同的需求模式，这在需求预测中没有得到充分考虑。为了解决这些问题，我们提出了一种多任务自适应循环图注意力网络，其中时空学习组件将基于先验知识的图学习机制与新颖的循环图注意力网络相结合，以自动捕获动态时空依赖性。根据区域功能分布，将所有区域的需求预测分为不同的学习任务，并开发基于不确定性的多任务学习组件，以自适应地协调多个学习任务。基于两个真实数据集的实验结果表明，该方法在预测精度方面具有优越性。与最先进的动态图方法相比，该方法进一步将预测误差降低了4%。此外，各种消融实验证明了所提方法中不同组件的有效性。

A graph-attention based spatial-temporal learning framework for tourism demand forecasting

论文地址：https://dl.acm.org/doi/abs/10.1016/j.knosys.2023.110275

论文摘要：准确的旅游业需求预测可以改善旅游业体验并实现智能旅游。现有的空间-时间旅游业需求预测模型仅探索预先指定的静态空间连接，而没有考虑多个或动态空间连接；然而，这对于建模实际旅游业需求来说是不够的。在本文中，我们提出了一种基于图注意力的空间-时间学习框架，用于旅游业需求预测。我们组织了一个权重动态多维图，以嵌入多个明确的动态空间连接，并为学习隐式动态空间连接提供节点属性序列。我们还进一步提出了一种异构空间-时间图注意力网络（称为HSTGANet），它能够有效地处理明确的和隐式的动态空间连接，学习高维空间-时间特征，并进行旅游业需求预测。实验结果表明，与基准模型相比，所提出的模型在预测珠海万山群岛六个区域旅游业需求方面是有效的，并表明所提出的空间-时间学习框架可以为开发更有效的模型提供有用的见解，以解决其他空间-时间预测问题。

物联网

Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution

论文地址：https://arxiv.org/abs/2303.16741

论文摘要：这项研究提出了一种名为GATv2-GCN的新型深度学习方法，用于预测运动员在体育比赛中的表现。为了构建动态的运动员交互图，我们利用运动员在比赛中的统计数据和互动。我们使用图注意力网络来捕捉每个运动员对其他运动员的关注度，从而更准确地模拟动态的运动员互动。为了处理多变量的运动员统计时间序列，我们引入了时序卷积层，为模型提供了时间预测能力。我们使用真实体育数据评估了模型的性能，证明了它在预测运动员表现方面的有效性。此外，我们还探讨了将该模型应用于体育博彩领域的潜力，为利用我们的预测能力提供有利的策略见解。该方法有望推动运动员表现预测领域的最新进展，并为体育分析和博彩行业提供有价值的见解。

智能交通

Dynamic graph convolutional recurrent imputation network for spatiotemporal traffic missing data

论文地址：https://dl.acm.org/doi/10.1016/j.knosys.2022.110188

论文摘要：在现实世界的智能交通系统中，从传感器收集的时空交通数据经常出现缺失或损坏，严重阻碍了交通数据研究的发展。缺失数据插补是一个经典的研究课题，包括广泛的方法。然而，这些方法通常在两个方面欠发达：道路网络随时间变化的动态空间依赖性，以及不同数据的信息提取和利用。在本研究中，我们设计了一种新的深度学习架构——动态图卷积循环插补网络（DGCRIN）作为工具来插补缺失的交通数据。DGCRIN采用图生成器和动态图卷积门控循环单元（DGCGRU）对道路网络的动态时空依赖性进行细粒度建模。此外，一个辅助的GRU学习数据的缺失模式信息，并引入了一个具有衰减机制的融合层来融合多种信息。这种架构使DGCRIN能够高度适应涉及缺失数据的复杂场景。在两个数据集上进行的大量实验表明，DGCRIN优于多个基线模型。

Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

论文地址：https://arxiv.org/abs/2211.14701

论文摘要：交通预测作为多元时间序列预测的典型任务，一直是人工智能领域的重要研究课题。为了解决交通流中蕴含的空间-时间异质性和非平稳性，本研究提出了一种新的图结构学习机制——时空元图学习（Spatio-Temporal Meta-Graph Learning），用于处理时空数据。具体来说，我们将这个想法实现为一个元图卷积循环网络（MegaCRN），通过将一个由元节点库驱动的元图学习器集成到GCRN的编码器-解码器中。我们在两个基准数据集（即METR-LA和PEMS-BAY）和一个新的大规模交通速度数据集EXPY-TKY上进行了全面评估，该数据集覆盖了东京的1843条高速公路路段的交通速度。我们的模型在所有三个数据集上均优于当前最先进的技术。此外，通过一系列定性评估，我们证明了我们的模型可以明确地分离具有不同模式的道路链接和时间槽，并且能够稳健地适应任何异常交通情况。

Bidirectional spatial–temporal traffic data imputation via graph attention recurrent neural network

论文地址：https://dl.acm.org/doi/abs/10.1016/j.neucom.2023.02.017

论文摘要：随着智能交通系统（ITS）的发展，时空交通数据在交通服务中变得越来越重要。然而，由于数据收集和存储过程中各种不可预测的中断，交通数据通常是不完整的，如果处理不当，会严重阻碍下游任务。大多数现有的交通数据插补方法要么对数据分布施加过于严格的假设，要么几乎忽略了时间步之间的相互依赖关系和缺失所表达的信息。本文提出了一种用于交通数据插补的图注意力循环神经网络（GARNN）。在我们的模型中，我们从时间和空间两个角度对数据进行插补。首先，我们通过两个LSTMs将观测和缺失分开建模，将数据的缺失视为与观测不同的另一种特殊信息。然后，采用衰减机制和图注意力网络（GAT）来学习时间步之间的相互依赖关系并捕捉空间相关性，以生成时间估计和空间估计。最后，将这两个估计整合到最终的插补中。整个过程是双向的。在三种不同的缺失场景下，我们对两个公开数据集进行了实验评估。实验结果表明，与其它基线相比，所提出的方法是有效的。

Traffic Flow Forecasting in the COVID-19: A Deep Spatial-Temporal Model Based on Discrete Wavelet Transformation

论文地址：https://dlnext.acm.org/doi/full/10.1145/3564753

论文摘要：交通流量预测一直是智能交通系统领域研究的重点，这有利于更合理地分配基本的交通资源并制定交通政策。COVID-19的传播严重影响了交通部门的正常秩序。随着感染人数增加和政府的防疫政策，人们的出行活动逐渐减少，导致交通流量数据中离散性和不规则性越来越明显。本文提出了一种基于离散小波变换（DSTM-DWT）的深度时空交通流量预测模型，以克服新冠疫情的高度离散和不规则性质。首先，DSTM-DWT将交通流量分解为离散属性，如流趋势、离散幅度和离散基线。其次，我们将交通运输网络的空问关系设计为图并将其整合到每个交通节点的特征中。然后，我们使用图卷积网络计算每个节点的空间相关性，使用时序卷积网络计算数据的时序相关性。为了解决疫情期间交通流量数据的高度离散性问题，本文提出了一种图记忆网络（GMN），用于将离散小波变换分离的离散量转换为高维离散特征。最后，使用DWT对预测的交通数据进行分割，然后对GMN预测的离散模型进行逆离散小波变换，得到最终的交通流量预测结果。在模拟实验中，本文与现有先进的基线进行了比较，以验证DSTM-DWT的优越性。

STGSA: A Novel Spatial-Temporal Graph Synchronous Aggregation Model for Traffic Prediction

论文地址：https://ieeexplore.ieee.org/document/10007913

论文摘要：智能交通系统的成功在很大程度上依赖于准确的交通预测，而如何从交通数据中建模潜在的空间-时间信息已成为研究的焦点。大多数现有的框架通常使用独立的模块进行空间和时间相关性建模。然而，这种分步模式可能会限制空间-时间特征提取的有效性和效率，并导致在某些步骤中忽略重要信息。此外，基于给定的空间邻接图（例如，从测地距离或近似连接派生）进行建模时，缺乏足够的先验信息指导，并且可能无法反映节点之间的实际相互作用。为了克服这些局限性，本文提出了一种空间-时间图同步聚合（STGSA）模型，以同时提取局部和长期的空间-时间依赖性。具体来说，我们在顶点域中设计了一种定制的图聚合方法，以便在一个图卷积过程中提取空间和时间特征。在每个STGSA块中，我们设计了一个有向的时间相关性图，以表示节点之间的局部和长期依赖性，并通过自适应加权操作进一步微调潜在的时间依赖性。同时，我们构建了一个精心设计的空间邻接矩阵，通过考虑数据驱动的方式中的物理距离和节点相似性来表示道路传感器图。然后，受多头注意力机制的启发，我们基于STGSA块构建了一个多流模块，以捕获全局信息。它通过多个不同的通道多次投影嵌入输入。最后，通过堆叠多个多流模块生成预测值。在六个真实数据集上进行了广泛的实验，数值结果表明，提出的STGSA模型显著优于基准。

SAT-GCN: Self-attention graph convolutional network-based 3D object detection for autonomous driving

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0950705122011765

论文摘要：在自动驾驶车辆中，从点云中准确地检测3D对象至关重要。然而，通过LiDAR传感器收集的点云数据本质上是稀疏的，特别是在长距离处。此外，大多数现有的3D目标检测器提取局部特征并忽略特征之间的交互，产生弱语义信息，这严重限制了检测性能。我们提出了一种自注意力图卷积网络（SAT-GCN），该网络利用GCN和自注意力来增强语义表示，通过聚合邻域信息和专注于重要关系来增强语义表示。SAT-GCN由三个模块组成：顶点特征提取（VFE）、具有降维的自注意力（SADR）和远距离特征抑制（FDFS）。VFE使用GCN在编码原始点云后提取特征之间的相邻关系。SADR通过自注意力对关键相邻关系进行进一步的权重增强。FDFS抑制由远程区域中的稀疏点云分布形成的无意义边缘，并生成相应的全局特征。我们在广泛使用的KITTI和nuScenes 3D目标检测基准上进行了大量实验。结果表明，与主流方法PointPillars、SECOND和PointRCNN相比，SAT-GCN显著提高了检测性能。在KITTI测试数据集上，SAT-GCN将平均AP 3D提高了4.88%、5.02%和2.79%。SAT-GCN可以显著提高点云的检测精度，特别是在中距离和远距离处。此外，添加SAT-GCN模块对实时性能和模型参数的影响有限。

Dynamic graph convolutional recurrent imputation network for spatiotemporal traffic missing data

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0950705122012849

论文摘要：在现实世界的智能交通系统中，从传感器收集的时空交通数据经常出现缺失或损坏的情况，这严重阻碍了交通数据研究的发展。缺失数据的插值是一个涵盖广泛方法的研究主题，但这些方法在两个方面通常发展不足：随着时间推移的道路网络动态空间依赖性，以及各种数据的提取和利用。本研究设计了一种新颖的深度学习架构——动态图卷积递归插值网络（DGCRIN）作为填补交通数据缺失的工具。DGCRIN采用图生成器和动态图卷积门控循环单元（DGCGRU）对道路网络的动态时空依赖性进行精细建模。此外，一个辅助GRU学习数据的缺失模式信息，并引入一个具有衰减机制的融合层来融合各种信息。这种架构使DGCRIN能够高度适应涉及缺失数据的复杂场景。在两个数据集上的大量实验表明，DGCRIN优于多个基准模型。

Long Short-Term Fusion Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

论文地址：https://www.mdpi.com/2079-9292/12/1/238

论文摘要：交通流量预测作为智能交通系统（ITS）的重要组成部分之一，在交通管理和城市规划等广泛应用中发挥着不可或缺的作用。然而，不同路线之间存在复杂的空间依赖性和时间模式的动态变化，从节点数据中获取尽可能多的时空特征和依赖关系一直是交通流量预测中的一个挑战任务。目前的方法通常使用独立模块来分别处理时空调度和空间相关性，而没有同步捕获这种时空相关性，或者只关注本地时空依赖性，从而忽略了隐含的长期时空周期性。考虑到这一点，本文提出了一种用于交通流量预测建模的长期时空图卷积融合网络（LSTFGCN）。首先，我们设计了一个同步时空特征捕获模块，可以有效地提取节点复杂的本地时空依赖性。其次，我们设计了一个常微分方程图卷积（ODEGCN），使用常微分方程的时空图卷积来捕获更多的长期时空依赖性。同时，通过并行集成ODEGCN、时空图卷积注意力模块（GCAM）和门控卷积模块，我们可以在处理时空序列时有效地使模型学习更多的长期时空依赖性。在多个公共交通数据集上的实验结果表明，与其它基准相比，我们的方法始终获得了最佳性能。

Memory-augmented dynamic graph convolution networks for traffic data imputation with diverse missing patterns

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0968090X22002479

论文摘要：交通数据缺失是智能交通系统中的交通数据收集不可避免且普遍存在的问题。最近的研究已采用图神经网络（GNNs）进行时空数据插值并取得了令人鼓舞的性能。然而，仍存在两个需要解决的问题：首先，现有方法通常在直接利用来自不同时间不同节点的全局时空信息方面有限；其次，这些方法大多未考虑交通系统或交通数据的独特特征，包括动态空间依赖性和相关的缺失模式。为了填补这些研究空白，我们提出了一种名为Memory-augmented Dynamic Graph Convolution Networks（MDGCN）的深度学习框架，用于插补缺失的交通数据。该模型使用循环层来捕获时间信息，并使用图卷积层来捕获空间信息。为了解决第一个研究空白，我们引入了一个外部记忆网络来存储和共享整个交通网络中的全局时空信息。针对第二个研究空白，我们提出了一种图结构估计技术，直接从交通数据中学习动态空间依赖性。此外，在模型评估中考虑了四种具有不同缺失率的缺失模式。基于两个公开的交通速度数据集进行了广泛的实验。结果表明，与现有的最先进的深度学习方法相比，我们提出的模型在各种缺失场景下表现更佳。提出的外部记忆网络和图结构估计技术都有助于模型性能的提升。在大多数情况下，即使没有完整的训练数据，该模型也能获得具有竞争力的性能。

Predictive Neural Motion Planner for Autonomous Driving Using Graph Networks

论文地址：https://ieeexplore.ieee.org/document/10007035

论文摘要：最近，数字孪生和并行智能（DTPI）的进展使得物理世界的高保真虚拟表示映射成为可能，并为自动驾驶汽车和智能交通系统的智能预测和决策制定提供了便利。在DTPI的背景下，本研究探讨了使用深度神经网络的自动驾驶车辆轨迹预测驱动的运动规划。首先，我们实现了一个使用神经网络作为传统规划器近似值的运动规划器。基准规划器的输入包括ego及其周围代理的当前状态和共享地图。规划器根据当前情况为ego车辆生成五秒的轨迹。随后，我们将基准规划器推广到考虑ego及其周围代理的历史状态。使用广义规划器，我们研究了历史时间跨度对规划性能的影响。接下来，我们探讨了ego周围代理的未来运动如何影响规划器，并观察到规划性能的提升。这表明其他代理的未来轨迹知识对规划是有用的。然而，我们无法获得用于推理的地面真实未来运动。最后，我们探讨了如何通过预测来近似未来，以及预测质量如何影响规划性能。

Trajectory prediction for autonomous driving based on multiscale spatial‐temporal graph

论文地址：https://ietresearch.onlinelibrary.wiley.com/doi/full/10.1049/itr2.12265

论文摘要：在自动驾驶汽车的决策过程中，预测周围异构交通代理的轨迹至关重要。最近，许多现有的预测方法都专注于捕捉代理之间的交互以提高预测准确性。然而，很少有方法关注不同时间尺度上不同的行为交互的时序依赖性。在这项工作中，作者提出了一种新颖的框架，通过在多个时间尺度上堆叠空间-时间层来进行轨迹预测。首先，作者设计了三种类型的邻接矩阵，以捕捉更真实的空间依赖性，而不是固定的邻接矩阵。然后，开发了一种新颖的膨胀时间卷积，以处理时序依赖性。得益于膨胀时间卷积，作者的图卷积能够通过堆叠空间-时间层从不同时间尺度的邻居聚合信息。最后，使用基于长短期记忆网络（LSTM）的轨迹生成模块，接收由空间-时间图提取的特征，并同时生成所有观察到的交通代理的未来轨迹。作者在公开可用的下一代模拟数据集（NGSIM）、高速公路无人机数据集（highD）和ApolloScape数据集上对所提出的模型进行了评估。结果表明，作者的方法达到了同类最佳性能。此外，该方法在2021年3月的ApolloScape轨迹竞赛中排名第一。

Large-Scale Traffic Data Imputation with Spatiotemporal Semantic Understanding

论文地址：https://arxiv.org/abs/2301.11691

论文摘要：大规模数据缺失是智能交通系统（ITS）中一个具有挑战性的问题。许多研究已经开展，通过考虑网络级别的时空相关性来填充大规模交通数据。然而，在现有的交通数据填充方法中，当捕获网络级别的时空相关性时，道路网络的丰富语义信息被大大忽略了。本研究提出了一种用于交通数据填充的图变换器（GT-TDI）模型，该模型使用对道路网络时空语义的理解来填充大规模交通数据。具体来说，该模型引入了由交通数据网络级别的空间和时间信息组成的语义描述，以帮助GT-TDI模型捕获网络级别的时空相关性。该模型采用不完整的数据、传感器的社交连接和语义描述作为输入，通过图神经网络（GNN）和Transformer进行填充任务。在PeMS高速公路数据集上进行了广泛的实验，将GT-TDI模型与常规方法、张量分解方法和基于深度学习的方法进行了比较。结果表明，在复杂的缺失模式和不同的缺失率下，所提出的GT-TDI模型优于现有方法。

Spatial–Temporal Complex Graph Convolution Network for Traffic Flow Prediction

论文地址：https://dl.acm.org/doi/10.1016/j.engappai.2023.106044

论文摘要：交通流量预测仍然是智能交通系统领域中一个持续的热门话题。最先进的交通流量预测模型能够有效地提取交通流量数据的空间和时间特征，但忽略了交通节点之间的相关性和外部干扰。为此，本文提出了一种基于时空复杂图卷积网络（ST-CGCN）的交通流量预测新方法。具体来说，我们首先根据地理位置、历史数据记录和交通节点之间的外部干扰构建距离矩阵、数据相关性矩阵和舒适度测量矩阵。然后，通过引入自学习动态权重，将这三个矩阵融合成一个复杂的关联矩阵，以提高空间-时间特征和外部因素的联合建模能力。接下来，我们设计了空间特征提取模块和时间特征提取模块，以表征动态空间-时间特征。空间特征提取模块由一个具有复杂关联矩阵和残差单元的图卷积操作符组成。时间特征提取模块由一个3D卷积操作符和一个长短期记忆（LSTM）组成。在五个真实数据集上进行的实验表明，新提出的ST-CGCN比现有的几种基于深度学习的交通流量预测模型更有效。

环境与可持续能源

Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs

论文地址：https://arxiv.org/abs/2301.12471

论文摘要：天气预报是应对全球气候变化的重要任务。天气预报需要对由不同种类的气象传感器产生的多变量数据进行分析。这些传感器包括地面传感器、无线电探空仪和卫星上的传感器等。为了分析这些传感器生成的数据，我们使用基于图神经网络的天气预报模型。图神经网络是基于图学习的模型，在许多机器学习方法中表现出强大的实证性能。在这项研究中，我们调查了使用图神经网络和传统机器学习模型的天气预报性能。

Cost-effective fault diagnosis of nearby photovoltaic systems using graph neural networks

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0360544222033308

论文摘要：光伏（PV）系统中的故障导致的能量损失和成本显著限制了太阳能的效率和可靠性。由于现有的自动故障诊断方法需要昂贵的传感器，因此它们仅对大型系统具有成本效益。为了解决这些缺点，我们提出了一种基于图神经网络（GNN）的故障诊断模型，该模型通过比较过去24小时内的电流和电压生产来监测一组光伏系统。这种方法允许在没有传感器的情况下监测光伏系统，因为可以通过光伏系统的逆变器每小时测量产生的电流和电压。通过使用科罗拉多州6年的实际天气测量数据模拟6种不同的光伏系统，进行了全面的实验。尽管模块数量、模块类型、方向、位置等存在很大的差异，但GNN仍能准确地检测和识别早期发生的6种常见故障。具体来说，在没有天气数据的情况下，GNN的准确率达到90%，而当提供卫星天气估计时，其准确率达到94%，显著优于两种最先进的PV故障诊断模型。此外，结果表明，GNN可以推广到未经过训练的光伏系统，并且在多个光伏系统同时出现故障时仍能保持高准确率。

Spatiotemporal air pollution forecasting in houston-TX: a case study for ozone using deep graph neural networks

论文地址：https://www.mdpi.com/2073-4433/14/2/308

论文摘要：大气中污染物的存在已成为人类面临的最大挑战之一。这些污染物主要由燃烧化石燃料产生，对人类健康、气候和农业都有害。本文提出使用基于GraphSAGE范式的时空图神经网络来预测臭氧浓度，以帮助我们了解这些污染物在城市地区产生和扩散的动态性质。该模型使用美国休斯顿的数据进行训练和测试，具有不同数量的时间滞后、预测时间范围（1、3、6小时）、输入数据和附近站点。结果表明，提出的GNN-SAGE模型成功地识别了这些数据的时空模式，与基准持久性模型相比，预测性能提高了33.7%、48.7%和57.1%。与现有文献中的结果相比，提出的模型产生的误差水平较低。从SHAP分析得出的变量重要性分析也表明，当预测臭氧时，随着预测时间范围的增加，太阳辐射变得相关。根据EPA的规定，该模型还确定了参考站点的非达标条件。

Condition monitoring of wind turbines with the implementation of spatio-temporal graph neural network

论文地址：https://www.sciencedirect.com/science/article/abs/pii/S0952197623001847

论文摘要：风力涡轮机的状态监测对于确保其长期稳定运行至关重要。利用深度学习技术，风力涡轮机的健康状况信息可以从监控和数据采集数据中更充分地挖掘出来。然而，这些基于深度学习的状态监测方法存在以下局限性：(1) 它们只能处理结构化数据，如图片，而不能处理通用领域的数据。(2) 忽略了风力涡轮机多传感器网络的空间属性，即连通性和全局性。为了克服上述局限性，本文提出了一种新的状态监测网络，名为时空图神经网络。首先，应用了缺失值补充和最大信息系数变量的选择。同时，使用top-k最近邻方法构建图。然后，基于图卷积网络和门控循环单元建立了时空块。通过堆叠多个时空块，将学习到的特征输入到最后一层预测层来估计监测变量。最后，使用真实的风电场监控和数据采集数据验证了所提出的时空图神经网络。实验结果表明，所提出的方法可以有效地检测早期异常操作，并且优于一些现有方法，这有助于促进可再生能源的利用。

点击下方名片关注时序人

设为星标，快速读到最新文章

欢迎投稿

转载请联系作者

时间序列学术前沿系列持续更新中 ⛳️