摘要：帕金森病是最常见的神经退行性疾病之一,其临床特征与其他神经退行性疾病有重叠,且缺乏明确的病理机制,导致早期诊断检测困难、误诊率高等问题;为了研究有效的早期帕金森病检测方法,深入探索帕金森病发展的时间特征规律,并提高早期帕金森病预测、分析和诊断决策的准确性,设计了一种基于时序卷积网络的早期帕金森病多模态检测系统,为及时发现早期帕金森病提供辅助诊断依据;该系统利用语音、步态和受试者自测数据,采用多元线性池化方法进行多模态融合,结合时间卷积网络和参数共享方式,以提高系统的检测精度并降低过拟合风险;实验测试结果显示,基于时序卷积网络的早期帕金森病检测系统的准确率达到96.22%,在多项评估指标上优于传统的帕金森检测模型,展现出良好的早期帕金森联合检测效果。

摘要：云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型,而忽略了两种异常检测任务之间的关联性,导致异常检测准确率下降的问题,提出了一种基于多任务时序卷积网络的日志异常检测方法。首先,基于日志流的事件模板,生成事件序列和时间序列;然后,训练基于多任务时序卷积网络的深度学习模型,该模型通过共享时序卷积网络中的浅层部分来从系统正常执行的流程中并行地学习事件和时间特征;最后,对云计算工作流中的异常进行分析,并设计了相关异常检测逻辑。在Open Stack数据集上的实验结果表明,与日志异常检测的领先算法Deep Log和基于主成分分析(PCA)的方法比较,所提方法的异常检测准确率至少提升了7.7个百分点。

摘要：电动汽车是一种可以向电力系统提供灵活性的柔性负荷。现有研究对电动汽车灵活性进行建模时,多数仅考虑了充电行为的不确定性以及分时电价的影响,忽略了日前电价与实时电价的偏差,缺少对实时电价、充电负荷多时间尺度时序特征的建模。针对此问题,文中总结了电动汽车灵活性的表现形式与影响因素,考虑面向电价的响应不确定性以及充电行为不确定性,提出基于时序注意力机制的电动汽车灵活性概率建模方法。通过时序注意力机制提取不同时序权重,设计基于时序卷积网络的多时间尺度特征提取网络学习充电行为、电价等不确定性,提取多时间尺度灵活性波动特征。算例表明,所提模型能够有效学习充电行为不确定性与面向电价的响应不确定性,其概率建模效果具有更高的可靠性与精度。

摘要：为在短文本语义情感分析过程中对词嵌入对情感语义充分表达,挖掘深层次语义信息,提出一种融合TCN和改进BiLSTM的文本情感分析算法。通过混合词嵌入对短文本向量化;将训练后的词向量先输入时序卷积网络,后输入到改进的双向长短时记忆网络中提取情感特征;强制向前注意力机制对提取到的特征进行加权;通过softmax函数进行情感分类输出。通过在新冠疫情评论数据集建模,模型的各项指标均达到92%以上,相较于其它模型性能更优。

摘要：语音情感识别近年来在多场景智能系统中得到了广泛应用,也为实现智慧课堂环境下的教学行为智能分析提供了可能。通过课堂语音情感识别技术可以自动识别课堂教学中教师和学生的情感状态,帮助教师了解自己的授课风格并及时掌握学生的课堂学习状态,从而达到精准施教的目的。针对课堂语音情感识别任务,首先,收集中小学的课堂实录教学视频,提取音频并进行人工切分和标注,构建了包含6类情感的中小学教学语音情感语料库;其次,基于时序卷积网络(TCN)和交叉门控机制(cross-gated mechanism)设计了双路时序卷积通道,以提取多尺度交叉融合特征;最后,采用动态权重融合策略调整不同尺度特征的贡献度,减少非重要特征对识别结果的干扰,进一步增强模型的表征和学习能力。实验结果表明,所提方法在多个公共数据集上优于TIM-Net(Temporal-aware bI-direction Multi-scaleNetwork)、GM-TCNet(Gated Multi-scale Temporal Convolutional Network)和CTL-MTNet(CapsNet and Transfer Learning-based Mixed Task Net)等先进模型,在真实课堂语音情感识别任务上未加权平均召回率(UAR)和加权平均召回率(WAR)分别达90.58%和90.45%。

摘要：实时准确预测钻进参数变化趋势对现场钻井作业具有重要参考价值。针对智能模型在现场作业应用中面临的钻进参数可获取性限制,提出了一种基于注意力时域卷积网络(AT-TCN)的钻进参数超前预测方法。该方法不仅考虑了录井曲线随深度变化的趋势和自相关性,同时嵌入高拓展性的注意力机制模块,使模型更好地捕捉钻进参数的动态变化。利用现场钻井数据集测试,评估了模型在预测4种关键钻进参数(扭矩、立管压力、钻井液当量密度和机械钻速)方面的有效性和准确性。研究结果表明:AT-TCN预测当量密度的准确率最高达到99%,且在模型精度和计算效率上,均优于其他4种深度学习模型,能够有效捕捉钻进参数的变化趋势。AT-TCN还提供模型的双重可解释性,可从时序和特征维度方面反映输入序列对预测结果的影响。研究结果有望为钻井作业的安全性、高效性作出重要贡献,具有较强的落地应用价值。

摘要：针对传统的推荐模型无法挖掘用户细粒度兴趣偏好的问题,提出了一种融合时间感知与兴趣偏好的推荐模型(TAIP)。在TAIP模型中,将用户交互的时间间隔信息作为辅助信息引入到序列嵌入矩阵中,并设计多尺度时序卷积网络与通道和空间注意力机制精准地提取细粒度短期偏好,同时采用Transformer编码器挖掘目标项目与用户兴趣之间的长期偏好,最后利用全连接网络实现全局特征融合提供推荐。在公开数据集MovieLens-1M和YELP上进行实验,实验结果表明TAIP模型在HR、NDCG和MRR评价指标上相较于其他模型至少提升了4.84%和1.38%,具有更佳的推荐性能,验证了TAIP模型的有效性。

摘要：为了能够准确可靠地估计锂离子电池的健康状态(State of Health, SOH),提出一种基于时序卷积网络(Temporal Convolutional Network, TCN)的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络,它能够对电池充电曲线上的采样点序列进行编码,通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度,对不同种类的电池也有良好的适应能力.

摘要：为提高模型的预测精度,引入STL算法将负荷序列分解为周期分量、趋势分量、残差分量,利用各分量训练LSTM和TCN模型。在得到LSTM和TCN模型的预测后,为进一步提高模型的预测精度,构建了集成模型对LSTM模型和TCN模型的预测值进行集成。以西班牙电力负荷数据集为例,对所提负荷预测方法进行了验证。实验结果表明,STL算法和集成模型的引入均提高了模型的预测精度,基于STL-LSTM-TCN的预测方法相较于LSTM、TCN、STL-LSTM、STL-TCN,其MAPE分别降低了2.8664%、2.1229%、0.37%、0.1%,所提负荷预测方法的预测误差最低,验证了所提预测方法的有效性与合理性。

摘要：为解决现有入侵检测方法在高阶依赖关系挖掘,处理时序特征和应对新型攻击手段检测等方面性能不足的问题,提出了一种基于元学习的多头注意力时序卷积的入侵检测方法。该方法引入了多头注意力机制,使模型能在不同尺度上捕捉网络数据的时序特征和高阶依赖关系。其次,结合多任务学习改进元学习算法对网络未知攻击进行识别,提升网络未知攻击的检测性能,此外,设计了一种自适应特征提取策略,动态调整特征提取粒度,以适应不同类型的网络攻击。在公开数据集实验对比表明,本文算法与主流算法相比,具有更高的准确率和F值。