【摘 要】
：
时间序列建模在工业界和学术界受到了广泛的关注，许多真实的应用场景都需要理解时序事件背后的原因，例如异常检测，风险管理等。在这些场景中，除了准确地预测事件以外，模型是否学得可以被理解的知识表达，帮助人们探寻背后的原因，对实际的工业生产来说非常重要。 现有的很多时序模型都旨在捕获观察数据的内在因素，用其作为特征来识别事件，并提供解释。然而，大多数研究工作都忽略了因素之间存在的关系，而这些关系才有可能
论文部分内容阅读
时间序列建模在工业界和学术界受到了广泛的关注，许多真实的应用场景都需要理解时序事件背后的原因，例如异常检测，风险管理等。在这些场景中，除了准确地预测事件以外，模型是否学得可以被理解的知识表达，帮助人们探寻背后的原因，对实际的工业生产来说非常重要。
现有的很多时序模型都旨在捕获观察数据的内在因素，用其作为特征来识别事件，并提供解释。然而，大多数研究工作都忽略了因素之间存在的关系，而这些关系才有可能是导致时间序列演变的原因。
本文针对上述所提出问题，探索了网络设备异常的原因和窃电用户行为的模式，分别从内在因素的动态关联性与层级关联性两方面展开研究。
对于时序因子的动态关联性，本文提出了一种动态图结构来表示时间序列内在因素之间不断演化的关系。为了捕获所构建的演化状态图的信息，本文提出了一个基于图神经网络的框架，叫做Evolutionary State Graph Neural Network(EvoNet)，通过对局部结构的影响和时间的影响进行建模，将这些关系信息编码到每个因子的特征表达之中。
对于时序因子的层级关联性，本文统计分析了用户用电场景下，不同源时序数据之间的关联关系，提出了Hierarchical Electricity-theft Behavior Recognition(HEBR)，一种层次化的循环神经网络。它通过加注意力的多步融合机制，将多源数据逐步融合，捕捉时序因子层级上的关联性。
大量的实验表明，与若干个对照模型相比，本文所提出的模型取得了显著的改进与提升。
其他文献
时滞现象普遍存在于能源、物质、信息的传输过程中，在自然和工程系统中均不可避免。时滞的存在通常会导致系统性能下降，甚至直接导致系统不稳定。因此对于时滞系统的稳定性研究引起了国内外很多学者的关注。在近二十年的时间里，Lyapunov-Krasovskii(L-K)泛函构造技术的改进和线性矩阵不等式(Linear Matrix Inequality, LMI)方法成为了时滞系统分析研究的主流方法。随着平
随着计算机技术、自动化技术以及机器视觉技术的不断发展，机器人技术作为上述技术的一种综合体也获得了快速发展。其中，机械臂视觉伺服控制技术由于具备理想的工作环境适应能力而受到广泛关注。然而在实际应用中，机械臂视觉伺服系统会受到多方面的限制和约束，例如机械臂关节角度的物理限制、摄像机视场范围的限制、图像速度信息是否可得、机械臂末端点工作面约束以及机械臂死区非线性约束等。如果不充分考虑这些限制因素，会严重
现代工业控制过程日趋复杂，且对系统控制性能要求不断提高，传统单一系统往往难以满足日益复杂且严格的生产需求。针对这一问题，切换系统应运而生。切换系统由多个子系统(或模态)以及切换信号组成，切换信号根据实际控制需求选择相应工作的子系统。切换系统可以用多个简单子系统模型表征复杂的控制任务，因而具有重要的理论与应用研究意义。本文主要研究基于时间约束切换的切换系统的稳定性分析问题，并考虑实际系统常见的时延、
随着人口的快速增长和能源的急剧消耗，节能环保变得越来越重要。在此背景下，人们对汽车发动机系统在燃料效率和低排放方面的性能有了更高的要求。电子节气门(Electronic throttle, ET)系统在实现这一目标中发挥着重要作用。它通过控制进入系统发动机的空气流量来控制空气-燃料混合比，能有效减少环境污染和优化燃料消耗。电子节气门系统由节流阀本体、传感器、齿轮组和控制节气门阀板开度的直流电机等部
随着高校办公信息化水平的不断发展，计算机已经成为各类公文管理的主要工具。在高校教务部门中经常需要处理大量的公文，在文件保护方面有着一定的安全要求。为了确保这些公文内容可以得到有效保护，仅在安全环境下可以操作和访问，需要采用一定的技术手段为其提供保护服务。 本文针对上述需求，为某高校教务部门设计和研发了一套文件透明加密系统，该系统能够在用户无法感知的情况下，实现对指定文件类型在内核环境下进行加密解
随着医院信息化建设的快速发展，医学影像自助服务系统（MISS）得到了初步推广。但因其识别率低、数据存储时间短、不利于分享、运维不便等问题，应用推广得到了严重限制。本文在实地走访客户、分析存在问题、整理需求的基础上，设计实现了医院云影像自助服务系统（HSSBCI）。 HSSBCI（Hospital Self-service System based on Cloud Image）系统采用基于深度学
目前，伴随着移动社交的广泛普及和云计算的蓬勃发展，人们愈发倾向于通过网络获取知识与存储信息，互联网中的数据呈现爆炸性的增长趋势。与此同时，信息安全领域的问题也日益严峻，个人、企业等信息遭到泄露的事件频频爆出，鉴于以上因素，大数据环境下的数据安全成为了研究学者的关注热点。属性基加密机制作为密码学的一个重要分支，通过访问结构与属性集之间的匹配关系实现用户对数据访问权限的控制，高效地解决了“一对多”的秘
多标签分类任务是机器学习中极为重要的任务之一，近些年来受到了广泛的关注。绝大多数已有的多标签分类算法旨在利用标签之间的关联信息以提升算法的性能。然而，已有的算法或者是穷举了所有可能的关联信息，或者是随机生成一些标签集合以期捕捉到标签之间的关联信息，或者是用标签嵌入的方式来捕捉标签的关联信息，而忽视或只是隐式地去利用数据集中标签之间的共现信息。实际上，标签之间的共现信息往往表明标签之间存在强烈的正相
语义分割是计算机视觉中的一个基本问题。实际应用中，它一般被视为一个逐像素分类的问题，大多数分割模型都使用一个逐像素损失作为其优化的目标函数。但是，逐像素损失会忽略图像中像素点之间的依赖性。之前已经存在一些利用像素之间的关系来增强分割效果的方法，例如，条件随机场，基于像素亲和力的方法，以及基于对抗生成网络的方法。然而，这些方法通常需要额外的模型分支，大量的计算机额外内存或更多的推理时间。在本文中，开
信息抽取技术从互联网上海量的非结构化文本中自动抽取结构化数据，为人们高效地提供有价值的信息。事件抽取是其中一个重要分支任务。由于事件抽取任务的现存语料规模较小，人工标注数据的成本又过高，现有方法在进行事件抽取任务的研究中受到了缺少数据带来的性能限制。 针对以上问题，本文提出基于预训练语言模型的事件抽取方法和一种基于阅读理解特征迁移的事件抽取方法。为了实现事件抽取的零样本学习，本文还提出一种基于阅