首页|期刊导航|吉林大学学报(理学版)|基于改进图注意力网络的油井产量预测模型

基于改进图注意力网络的油井产量预测模型OA北大核心CSTPCD

Oil Well Production Prediction Model Based on Improved Graph Attention Network

中文摘要英文摘要

针对图注意力网络处理噪声和时序数据较弱,并且在堆叠多层后出现梯度爆炸、过平滑等问题,提出一种改进图注意力网络模型.首先,使用Squeeze-and-Excitation模块对样本输入数据的特征信息进行不同程度关注,增强模型处理噪声的能力;其次,使用多头注意力机制,将序列数据中每个序列相对其他序列进行加权求和,提取数据的时序性;再次,将图注意力网络提取的节点特征与节点的度中心性拼接,获取节点的局部特征,并用全局平均池化的方式提取节点的全局特征;最后…查看全部>>

Aiming at the problems that graph attention networks were weak in handling noisy and temporal data,as well as gradient explosion and oversmoothing after stacking multiple layers,we proposed an improved graph attention network model.Firstly,we used the Squeeze-and-Excitation module to pay different levels of attention to the feature information of the sample input data to enhance the model's ability to handle noise.Secondly,the temporal sequence of the data w…查看全部>>

张强;彭骨;薛陈斌

东北石油大学计算机与信息技术学院,黑龙江大庆 163318东北石油大学计算机与信息技术学院,黑龙江大庆 163318东北石油大学计算机与信息技术学院,黑龙江大庆 163318

计算机与自动化

图注意力网络多头注意力节点度中心性全局平均池化

graph attention networkmulti-head attentionnode degree centralityglobal average pooling

《吉林大学学报(理学版)》 2024 (4)

933-942,10

国家自然科学基金(批准号:42002138)、黑龙江省自然科学基金(批准号:LH2022F008)、黑龙江省博士后专项基金(批准号:LBH-Q20077)和黑龙江省优秀青年教师基础研究支持计划项目(批准号:YQJH2023073).

10.13413/j.cnki.jdxblxb.2023276

评论

您当前未登录!去登录点击加载更多...