关键词： 电力需求预测   电力现货市场   电价   LSTM深度学习方法  

摘要： 电力需求预测对新型电力系统稳定运行至关重要。随着我国电力市场的深入发展，电力现货市场电价对电力需求的影响日益凸显。本文先从理论层面分析现货市场电价对电力需求的影响机理，在此基础上，运用LSTM深度学习方法并综合考虑电价及天气影响因素对电力需求进行预测，并与其他场景进行对比分析，结果表明：综合考虑现货市场电价和天气因素的电力需求预测方法的均方误差、平均绝对误差和平均绝对百分比误差分别为3596.43兆瓦时、5898.56兆瓦时、1.97%，均小于其他方法所得数值，该方法能够显著提升电力需求预测精度。基于此，应考虑电力市场价格等新兴因素，建立电力需求预测体系，融合多源异构数据，以提升电力需求预测精度。

关键词： 特征表示   文本聚类   深度学习   大语言模型  

摘要： 文本聚类是无监督学习的核心技术之一，其目标是将海量文本数据自动划分为若干语义高度相似的簇。近年来，基于深度学习的文本聚类取得蓬勃发展，研究焦点逐步转向利用先进的深度学习架构来高效提取文本特征，以进一步提高聚类结果的准确性。特别的，依托RoBERTa和GPT等大型预训练语言模型的聚类策略，凭借其强大的预训练特征表示能力，已展现出卓越的性能优势。为此，本文将通过实例和数据的方式，全面回顾文本聚类的发展历程、当前进展及其任务特性，旨在直观呈现其最新发展趋势及在数据挖掘领域的重要影响力。本文还创新性地提出了一种面向深度学习架构特征的文本聚类模型分类方式。该分类方法依据模型在聚类任务中的核心机制与特征提取路径进行划分，内容涵盖从传统聚类算法到前沿技术的全面介绍，包括K-means、谱聚类、自编码器、生成模型、图卷积神经网络以及大型语言模型等多种方法，并对其具体实现细节进行深入分析。最后，本文还将分析现有方法的优势与局限，并在此基础上探讨未来可能的研究方向。

关键词： 因果图结构学习   一体化铸造   根因分析   智能铸造  

摘要： 铝构件一体化铸造质量影响因素多且关联耦合，厘清质量影响因素与铸造质量指标间的因果关系是高效解决质量问题的基础。为提高PC（Peter-Clark）算法在铸造质量问题根因分析中条件独立性检验效率，减少马尔科夫等价类问题，本文提出了汽车铝构件一体化铸造质量因果图结构学习的新方法。该方法有效地结合从铸造工艺知识中整理出的“不相邻规则”、“分离集筛选规则”和“定向规则”三个规则。其中，“不相邻规则”移除全连接图中不相邻边形成部分连接图，减少边缘独立性检验次数；“分离集筛选规则”剔除分离集合中对相邻节点独立性检验无影响的变量，减少条件独立性检验次数；“定向规则”引入知识指导辅助定向，避免马尔可夫等价类问题。所提出方法应用于副车架铸造质量因果图结构学习，使因果图输出时间和有效边占比较改进前分别提高42.6%、25.62%，马尔可夫等价类问题减少12.57%。

摘要： 在本研究中,我们提出了一种大规模机器学习筛选方法,以发现有前途的锂基固态电解质电池候选化合物.超离子电导率和广泛的电化学稳定性等关键特性对于实现高性能固态电池至关重要,而固态电池作为具有高能量密度和相对低成本的下一代电池具有巨大潜力.我们的工作采用多种机器学习模型对含锂材料进行高通量筛选.随后,我们进行了第一性原理分子动力学模拟（AIMD）和实验验证,结果表明Li4.5TiO3.25和Li2VCl5具有高离子电导率.此外,我们还采用了一种设计方法来提高常温下离子电导率.这些发现为开发用于高性能固态电池的室温超离子导体提供了全新策略.

关键词： 视听零次学习   视频分类   注意力机制   KL散度  

摘要： 视听零次学习需要理解音频和视觉信息之间的关系，以便能够推理未见过的类别。尽管领域做出了许多努力并取得了重大进展，但往往专注于学习强大的表征，从而忽视了音频和视频之间的依赖关系和输出分布与目标分布不一致的问题。因此，该文提出了基于Transformer的视听广义零次学习方法。具体来说，使用注意力机制来学习数据的内部信息，增强不同模态的信息交互，以捕捉视听数据之间的语义一致性；为了度量不同概率分布之间的差异和类别之间的一致性，引入了Kullback-Leibler（KL）散度和余弦相似度损失。为了评估所提方法，在VGGSound-GZSLcls,UCF-GZSLcls和ActivityNet-GZSLcls3个基准数据集上进行测试。大量的实验结果表明，所提方法在3个数据集上都取得了最先进的性能。

关键词： 城市交通   客流预测   迁移学习   地铁客流   客流波动特征  

摘要： 【背景】由于轨道交通线网的不断完善，城市地铁站点数量也随之增多，轨道交通公司需要对数百个客流特征不同的站点训练各自的客流预测模型。传统方法是对站点逐个进行训练，耗费时间长，无法满足高时效性的要求。【目标】通过研究客流预测模型迁移学习方法，仅对少数站点进行客流预测模型训练，其余站点进行模型迁移学习训练，提升全线网站点的预测效率。【方法】提出考虑波动特征相似度的预测模型迁移学习方法，通过提取每个站点的客流波动特征，计算当前站点与其他站点的波动特征相似度，为每个站点匹配与其相似度最高的站点作为迁移学习对象站点，实现“一站一方案”。通过该方法仅需对少数站点进行正常的预测模型训练，其他站点都可以使用迁移学习的方式训练各自的预测模型。【数据】以成都市地铁为例，选取1、2、3、4号线路上部分站点2022年5月到8月的进出站客流数据进行案例分析。【结论】选取四类不同的深度学习客流预测模型，在使用迁移学习方法进行训练后有效地减少了各类模型的训练时间，所选取站点的训练时间平均减少62.68%，部分站点训练时间能减少80%以上。并且在减少训练时间基础上，四类预测模型的预测精度仍有着小幅提升，验证了该方法具有可行性。

关键词： 异构智能体   任务分配   博弈论   强化学习  

摘要： 现有的异构多智能体分布式强化学习方法往往采用统一的状态和动作空间定义，很难体现异构智能各自的特点，且无法实现异构智能体对任务环境的自适应优势互补与竞争，然而采用差异化的状态和动作空间定义又会给异构智能体之间的共识带来挑战。为了实现异构多智能体的协同工作，将针对车机异构协同场景提出一种基于博弈共识的异构多智能体分布式强化学习方法。首先，为了实现车机自适应能耗互补，该方法为无人机定义了区别于车辆的分层动作策略网络，其中，上层动作可以实现无人机在执行任务和充电行为之间的自适应切换，充电行为对应的底层动作是对辅助无人机充电的车辆进行选择。另外，为了在交通拥塞情况下发挥车机各自的差异化竞争优势，该方法设计基于GS(Gale-Shapley)算法的博弈共识机制，定义与拥堵参数相关的激励因子以实现对车机的差异化任务参与引导，并根据激励因子进一步进行成本估计，以最终实现任务执行效率和平台成本的双重优化。实验结果表明，相比于现有方法，该方法在完成所有任务时所需的时间平均减少了7.58%，智能体的能量消耗平均降低了10.05%，证明该方法在效率和能耗方面更具优势。

关键词： 高光谱图像去噪   图神经网络   深度学习   空谱特征   核范数  

摘要： 基于传统深度学习的高光谱图像去噪方法通常难以捕捉空间位置的长程相关性和全局不规则局部块的相似性，导致去噪后细节信息丢失和结构完整性不足。为此，本文提出了一种新的面向高光谱图像去噪的超像素级图特征学习方法，旨在利用图神经网络提取空谱特征，捕捉不规则局部块空间位置的长程相关性，以保留纹理细节和结构信息。首先，设计了门控注意力模块来抑制噪声并增强光谱相关性，为后续的超像素分割奠定基础。而后设计了超像素级图聚合模块，通过将高光谱图像按空间维分割成多个空间相连的超像素，并使用共享线性层学习超像素中像素的加权值，之后使用图卷积更新节点信息，从而有效地保持高光谱图像结构完整性和内部细节的清晰度。最后，利用高光谱图像的低秩性，在训练过程中引入核范数正则化进行约束，提出了低秩-空谱损失，以关注结构信息的保留。实验结果表明，本文提出的方法在性能上优于当前先进方法。

关键词： 径流预报   SHAP   CNN-BiLSTM   ERA5   输入特征   可解释性  

摘要： 高精度的径流预报信息是水利防洪和水电调度的重要依据。然而，输入特征的选择、模型结构的确定及预报结果的可解释性等因素严重限制了数据驱动模型在径流预报中的应用。本文以实测径流、降雨和包含丰富气象信息的ERA5再分析数据等多源数据为输入，将沙普利可加性解释（SHAP）方法和卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）模型相结合，建立了一种通过“事后”特征选择机制优化模型输入的可解释径流预报框架。首先，多源数据为框架提供了丰富的输入信息，CNN和BiLSTM分别捕捉数据中的空间相关性和时序信息，提高模型预报精度。其次，模型训练后使用SHAP方法计算各输入特征的贡献度，通过比较不同输入条件下模型的预报表现，确定最佳输入特征及模型结构。最后，通过量化和可视化输入特征贡献度，提供了对模型预报机制和结果的解释。将所提方法应用于天生桥一级电站的区间入库流量预报并与通过偏自相关系数（PACF）、互相关系数（CCF）和随机森林（RF）等传统方法选择输入特征的模型进行比较。结果表明，与传统方法相比，SHAP方法不仅优化了模型特征空间选择而且显著改善了数据驱动模型在径流预报中的输入特征选择困难、无效以及预报结果难以解释的局限性。

关键词： 植物表型分析   机器学习   作物改良   产量预测  

摘要： 植物表型是基因型与环境相互作用的产物，是植物生命活动的外在表现，涵盖了植物的形态、生理、生化等多层次和多维度特征。植物表型研究是育种的关键环节，对于揭示植物生命活动的相关机制，培育高产、优质、高效的作物品种，以及实现农业生产的精准管理具有重要意义。随着高通量植物表型采集技术的发展和应用，植物表型数据呈现出高维、多源、异质、动态等特点，为植物表型分析带来了新的机遇和挑战。机器学习作为一种强大的数据挖掘和知识发现工具，能够从复杂的表型数据中提取有用的特征和模式，为植物表型研究提供了新的思路和方法。本文系统综述了机器学习方法在植物表型研究中的应用和进展，重点介绍了机器学习方法在植物形态结构、胁迫抗性、生化组分等方面分析中的应用，以及在作物改良和产量预测等方面的应用，并对机器学习方法在植物表型研究中存在的问题和未来的发展方向进行了讨论和展望，旨在为今后植物表型研究提供有益的参考和启示。