时序模型

摘要： 堆内熔融物滞留(IVR)作为反应堆严重事故的关键缓解策略,目前已广泛应用于新一代压水堆(PWR)。针对IVR的有效性,如熔融池内对流、下封头传热、壁面临界热流密度(CHF)的估算等研究,是该领域数年来的热点。针对上述问题,国内外先后开展了数起实验,如COPO、BALI、SEMICO、COPRA等,并基于实验结果展开了大量数值模拟,以探索IVR下的传热规律,为其性能及设计提供参照。本文基于中子物理蒙特卡罗程序RMC对压力容器下封头熔融池模型进行了细网格建模及材料填充,并通过燃耗/衰变热计算DEPTH程序构建了熔融池内热源时序模型。研究结果显示,该模型能体现熔融池内热源变化趋势,得到的时序数据对IVR的进一步研究有重要意义。

摘要： 由于智能变电站内二次回路需要模拟的对象较多,并且具有时序性特征与非时序性特征,导致智能变电站二次回路三维可视化效果较差。基于此设计了一个基于电网信息模型(grid information model,GIM)模型的智能变电站二次回路三维可视化系统。系统硬件部分,重点设计处理器、互感器采样模块与互感器采样模块;系统软件部分,对空间数据组织与管理、几何元素间求交计算、模型切割、模型贴合。在此基础上采用GIM模型建立时序模型,完成智能变电站二次回路三维可视化系统的设计。实验结果表明,所提基于GIM模型的智能变电站二次回路三维可视化系统不仅提高了建模帧速、可视化效率与可视化效果,所设计系统的可视化结果基本不存在缺陷。所设计系统还减少了施工变更次数、施工成本与施工周期,施工成本最大降幅接近0.5倍。因此,说明所设计系统提高了变电站二次回路三维可视化效果,可以满足系统设计需求。

摘要： 对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势.本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列.在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证.结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性.

摘要： 针对生产车间在多品种、小批量生产过程中物料调度复杂、物料配送无法匹配生产线高效准确的生产需求等问题,提出一种"刚性"物料需求计划与"柔性"产线需求结合的触发方法,构建了一种面向多品种、小批量生产方式的物料准时配送时序模型,并基于某A公司生产数据对模型进行了验证.验证结果表明,该模型能满足生产线多变物料需求,并显著提高了物料的周转率.

摘要： 利用2017～2018年冬季辽宁中部"城市群"环境空气细颗粒物(PM2.5)浓度数据,计算逐时累积速率,回归拟合并优选时间序列模型,分析城市间PM2.5浓度相关性,研究不同城市污染时序变化特征.结果表明:最优浓度时序模拟起始点为13:00,最优累积速率模拟起始点为11:00.各城市PM2.5浓度及累积速率时序变化曲线均呈双峰形态.从浓度曲线对比看,本溪拟合程度最好,最高浓度在9:00,而其他城市均在23:00前后,且本溪曲线形态同其他城市差异也较大.从累积速率曲线对比看,营口拟合最好,鞍山最差;各城市PM2.5累积最快均在18:00～19:00.各城市间PM2.5小时浓度在0.01水平上均达到显著相关,鞍山和辽阳间相关性最高,铁岭和营口间相关性最差,沈阳与其他城市间相关性总体较高.

摘要： 社交网络用户的指数型增长,导致用户在网络中难以找到适合自己的好友.提出一种基于多目标检测算法SSD和时序模型的微博好友推荐算法BSBT-FR,首先利用SSD对搜集到的用户图像进行信息提取,再利用时序模型在时间维度上对提取到的信息做进一步处理,然后利用JS散度公式计算用户间的相似度,最后与基于用户个人信息得出的相似度进行加权式融合,得出综合的用户相似度,使用Top-K思想进行用户推荐.在新浪微博用户数据集上的实验表明,参考因素的权重取值会影响推荐结果,BSBT-FR算法与只考虑用户属性或用户图像的算法相比,精准度更高.

摘要： 为加强轨道交通规划的数学逻辑型,研究节点重要度理论对轨道交通线路建设时序模型的统计学意义.节点重要度理论的本质是将每个站点作为一个节点,研究其多指标控制下的因子加权累加,并对相邻站点形成的区间进行加权平均,进而对线路内每个区间进行评价结果的加权平均.在一次加权累加和两次加权平均算法后,形成节点重要度理论的时序模型评价结果.通过对6条新建线路在建设前的数据进行汇总,形成其节点重要度评价结果,并与线路投运后1年的实际运行效果进行比较分析,发现节点重要度理论的评价结果与线路的票务收入强相关,与线路的总客运量弱相关,该评价方法可以在轨道交通经济评价中直接对轨道交通线路的经济效益进行控制性评价.

摘要： 针对不同粒度下时间单元的电力大数据多数据流处理过程的空间复杂度高、时延性高,提出了满足其处理实时性需求的技术及方法.从多个角度构建了电力大数据流计算服务体系,挖掘并监测该多数据流;将多数据流划分为不同线程块,组建并计算相关系数方阵;构建了多数据流的跨总线四层时序空间模型;利用交替方向乘子法进行电力多数据流协同计算,实现多数据流的全局更新,以及挖掘、监测、复杂度降载,提升处理效率.仿真试验表明,所提方法时延性较低,CPU占用率较低,具有鲁棒性.

摘要： 从性能退化量分布的角度出发,在假设退化量分布形式不随时间变化的前提下,将性能退化分布时变参数的动态数据按照非平稳时间序列进行分析建模,提出了一种新的基于性能退化量分布的可靠性评估与寿命预测方法。该方法综合了时序模型对随机序列自拟合性强与短期预测精度高的优点,有效克服了传统方法需预先假定退化量分布参数函数而导致人为及经验因素影响大的缺点,具有良好的鲁棒性。最后通过实例验证了该方法的有效性和可行性。

摘要： 本文提出对时序模型拟合优度进行多准则综合评价的选择思路，建立了兼顾统计特性和拟合效果的多指标评价体系及相应的TOPSIS评价法，其中对指标权重的确定，提出了基于相关系数的客观赋权法。最后以一股票市盈率序列为例进行实证研究。

摘要： 在分布式虚拟演练环境中,每个仿真节点需要负责维护本地的地形数据,保证地形数据的一致。提出一种基于地形变化数据时序模型(DTTSM)的保持地形数据一致性的分布式仿真结构。利用HLA的时间管理序列化引起地形变化的事件,建立动态地形变化数据的时序模型。DTTSM负责存储地形历史变化数据,并为后加入仿真的联邦成员提供地形历史变化数据。实验表明,在100个仿真实体内,时序化地形变化事件引起的时间推进延迟满足地形实时仿真要求。

摘要： 目前SRAM为了达到高可靠性和高性能,普遍采用全定制设计方法.全定制模块的时序模型对后续物理设计至关重要,因此如何有效地建立SRAM宏模块的时序模型以及准确提出LIB文件至关重要.针对某尺寸SRAM模块介绍了建立全定制SRAM宏模块时序模型的方法以及基于NanoSim BDC模拟工具采用二分法思想设计的时序库文件提取方法.同时对提取出来的LIB视图数据与采用NanoSim工具自身模拟出来的数据通过对比加以验证,结果表明精度较高,该方法是可行的.

摘要： 在西方文化中，现象是由物质实体或空间结构决定的特定时空条件下的表现.中国文化中的“象”是关于实体、属性和：关系的综合概括，具有物我合一、现象与本质相融、自然、整体、时序特性和物象、具象、意象3个不同层次。在“象”思维引导下建立起来的中医五脏是时序模型，而不是解剖实体。

摘要： 本文介绍了用Perl语言实现全定制模块时序建模的自动化的基本方法和流程。建立查找表时序模型需要测量在不同工作条件下的多组数据,包括电路传输延时和信号跳转时间。传统做法是手动修改工作条件数据,执行模拟,并将测量数据填入Liberty库文件中,这种做法不但效率低,而且整个过程缺乏连续性。为解决这一问题,通过对全定制时序模型建立流程进行详细划分,并用perl语言编程为每一步骤的实施实现了自动化,最后通过Unix Shell编程将各步骤的子程序连接起来,从而实现了从数据测量到Liberty库文件生成的自动化。

摘要： 根据混合式继电器的基本原理，建立了42 V混合式汽车继电器的时序逻辑模型。为减少电力电子器件的发热，采用高频脉冲驱动方式使电力电子器件在继电器动态过程导通。利用直流电器电磁机构动态过程中线圈电流的变化规律，优化了混合式继电器的时序控制模型，在系统无弧通断电路的前提下，大大缩短了电力电子器件的工作时间，进一步减小了器件的发热。最后进行了实验验证。

摘要： 油藏工程师可以使用数值模拟软件ECLIPSE,通过对不同时间设置重启,在不同重启中改变模型参数来建立时序模型。而使用ECLIPSE时模型参数的改变可能会导致部分指标性参数数值在重启点突变。为此,选择双河油田某层系应用ECLIPSE三维两相数值模拟软件对其生产史进行深入细致的拟合后,在时间点2004年10月1日处设置重启,设计26套重启方案(不同的重启方案中改变不同的模型参数),计算并观察不同方案中的FOPR,比较其与基础方案在重启点的日产油量,观察这些参数改变时FOPR会发生怎样的变化以及变化幅度的相对大小,为时序模型的引入提供部分参考依据。

摘要： 运用滑油发射光谱分析方法和数学方法,对某型柴油机在可靠性试验中润滑油进行了光谱分析,分析了对磨损元素浓度值进行数据预处理并利用时间序列建立柴油机磨损规律模型的方法,并论述了对此模型进行正确性判断的方法,将此模型运用到1000 h柴油机可靠性试验的磨损状态监测和故障诊断中,验证了其正确性.

摘要： 运用滑油发射光谱分析方法和数学方法,对某型柴油机在可靠性试验中润滑油进行了光谱分析,分析了对磨损元素浓度值进行数据预处理并利用时间序列建立柴油机磨损规律模型的方法,并论述了对此模型进行正确性判断的方法,将此模型运用到1000 h柴油机可靠性试验的磨损状态监测和故障诊断中,验证了其正确性.

摘要： 本申请公开了一种基于模型转换的状态机模型时序性质验证方法，包括：模型解析步骤，解析SCADE文本模型，得到语法树实例；符号表容器步骤，装载语法树实例，得到符号表实例；模型转换步骤，根据模型转换规则将符号表实例转换为NuSMV模型；模型检查步骤，根据LTL公式及CTL公式验证NuSMV模型的时序性质。通过解析高安全性的应用程序开发环境SCADE文本模型，将SCADE文本模型转换为NuSMV模型，根据LTL公式及CTL公式验证NuSMV模型的时序性质，从而实现验证SCADE文本模型的时序性质，突破了SCADE模型性质验证的这个限制，进一步提高软件系统的安全性与可靠性。通过为SCADE形式化验证引入能够描述时序相关安全需求的时序规范，从而能够验证模型的时序性质。

摘要： 本申请公开了一种基于模型转换的状态机模型时序性质验证系统，包括：模型解析模块，用于解析SCADE文本模型，得到语法树实例；符号表容器模块，用于装载语法树实例，得到符号表实例；模型转换模块，用于根据模型转换规则将符号表实例转换为NuSMV模型；模型检查模块，用于根据LTL公式及CTL公式验证NuSMV模型的时序性质。通过解析高安全性的应用程序开发环境SCADE文本模型，将SCADE文本模型转换为NuSMV模型，根据LTL公式及CTL公式验证NuSMV模型的时序性质，从而实现验证SCADE文本模型的时序性质，突破了SCADE模型性质验证的这个限制，进一步提高软件系统的安全性与可靠性。通过为SCADE形式化验证引入能够描述时序相关安全需求的时序规范，从而能够验证模型的时序性质。

摘要： 本公开提出一种时序数据预测模型的训练方法、时序数据预测方法和装置，涉及人工智能领域。输入训练用的时序数据(X，zt)，zt是t时刻对应的时序数据，X是t时刻、t时刻之前的时刻、以及zt相关的特征；设置fi是函数库中的第i个函数，αi是第i个函数的系数，yt是t时刻对应的残差时序数据；设置n和p是超参数，yt‑j是(t‑j)时刻对应的残差时序数据，βj代表yt‑j的系数，是yt的预测值；利用时序数据预测模型计算t时刻对应的时序数据的预测值根据zt和利用拟合方法对αi和βj进行训练，输出训练后的时序数据预测模型。从而，通过时序数据预测模型的平稳化变换部分和平稳时序数据预测部分，实现非平稳的时序数据的准确预测。

摘要： 本发明实施例公开了时序知识图谱表征模型构建方法和时序知识图谱补全方法，时序知识图谱表征模型构建方法包括：获取时序知识图谱G，每个知识采用四元组(hi,ri,ti,[tis,tie])描述；对时序知识图谱G中的时间信息进行粒度划分，得到离散时间段的静态子知识图谱G1,…Gτ,……,GT；对每个静态子知识图谱Gτ学习建立超平面，获取静态子知识图谱Gτ在超平面中实体、关系和时间的向量表征；利用静态子知识图谱Gτ在超平面中实体、关系和时间的向量表征对构建的LSTM模型进行训练，获得训练后的LSTM模型。本方法构建的模型在传统静态知识图谱的三元组关系表达基础上，通过加入时间维度的四元组描述模型，为海量感知数据提供了一致性的异构数据描述模型。

摘要： 本发明公开了一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法，得到的深度神经网络模型对给定的一段未分割的长视频，检测视频中的行为片段，包括其开始时间、结束时间以及行为类别。该方法包括以下步骤：1)对一段可能包含一个或多个行为片段的未分割的长视频进行数据预处理，提取特征。2)利用互补时序行为提案生成器模型，进行行为提案互补过滤生成。3)基于互补时序行为提案生成器模型和三维兴趣区域池化的时序行为分类神经网络。4)模型训练，利用反向传播算法训练神经网络参数。本发明能够实现高质量的时序提案生成和准确的行为分类。

摘要： 本发明涉及基于运动激励聚合和时序差分模型的装配动作识别模型，包括依次连接的二维卷积层、4个残差模块、全连接层和全局平均池化层；二维卷积层对输入的数据进行特征提取，并将提取到的数据特征输入第一个残差模块；输入的数据为包含若干帧的视频；各残差模块依次对输入的数据进行特征提取，并传输给下一个残差模块，第四个残差模块将提取到的数据特征输入全连接层；全连接层和全局平均池化层根据输入的数据特征完成平均所有帧的预测结果和装配动作类型的识别，并将识别结果输出。本发明以装配动作视频数据作为网络输入，输出对应装配动作类型，实现了端到端的动作类型识别。

摘要： 本发明提供了一种融合时序预测模型和机器学习模型的备件需求预测方法。该方法包括：采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；对数据库中存储的元数据进行预处理，对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，在备件需求预测阶段，以经过影响程度分析处理后的元数据、各个有用的影响因素以及排序后的各个影响因素对备件需求的影响程度作为源数据，将源数据输入到基于LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。本发明方法能够通过供应链经济原理，做出合理的购买计划，有利于部门充分利用资源，合理地分配购买各备件数量，减少不必要的财产成本和其他运营成本。

摘要： 本发明提供了一种时序卷积网络模型、模型训练和目标识别方法、装置，涉及遥感图像识别技术领域。时序卷积网络模型包括：输入层、多卷积结构、特征融合层以及输出层；多卷积结构包括图像特征提取子结构和时序特征提取子结构；输入层用于接收时序卷积网络模型的输入图像并分别导入图像特征提取子结构和时序特征提取子结构；图像特征提取子结构用于提取出图像特征；时序特征提取子结构用于提取出时序特征；特征融合层用于对图像特征和时序特征融合得到数据特征；输出层用于对数据特征进行数据分类，并输出分类结果。本方案通过提取输入图像上的重要时序特征，以实现对多个类别的目标进行识别。

摘要： 一种时序模型、时序模型建立方法、与相关的顶层分析方法。时序模型包含对应于门级网表的接口网表和特定内部网表。若门级网表包含未限制时脉树，且门级网表的边界时序限制信息未包含未限制时脉树的时序限制，则接口网表不包含门级网表中由未限制时脉树驱动的电路单元。特定内部网表交叉耦合至接口网表。上述的时序模型能增进顶层分析的准确度并减少分析所需时间。

摘要： 本公开的实施例公开了基于迁移学习的时序模型训练方法和用于时序预测的方法。该方法的一具体实施方式包括：获取用于迁移学习的目标域数据和目标数目的源域数据，其中，该目标域数据和源域数据分别包括样本时序数据和对应的标签；基于该目标数目的源域数据，按照与该目标数目对应的方式训练初始时序模型，得到预训练时序模型；利用该目标域数据训练该预训练时序模型，得到训练完成后的时序模型。该实施方式有助于提升时序模型的训练效率和学习效果，实现了模型的冷启动。还可以利用上述模型进行时序预测，从而提升了冷启动时序模型的预测效果。