数字孪生技术中的联合超图重构与记忆增强预测技术

数字孪生技术通过复制物理对象、过程或系统的属性、数据和行为来创建其虚拟副本。这种先进技术提供了一系列智能功能,包括建模、仿真和数据驱动决策,以促进设计优化、性能估计和监控运营。预测在数字孪生技术中占据核心位置,因为它能够预测未来结果,支持明智的决策,最小化风险,推动效率、生产力和成本降低的提升。最近,数字孪生技术在大规模复杂传感器网络中利用图预测技术,以实现对多样化情景的准确预测和仿真,促进了主动且数据驱动的决策。然而,现有的图预测技术在许多实际应用中缺乏可扩展性。它们在适应非平稳环境方面的能力有限,难以保留过去的知识,缺乏捕捉更高阶时空动力学的机制,并且难以估计模型预测的不确定性。为克服这些挑战,我们引入了一种混合架构,通过纳入对新模式的快速适应和对过去知识的记忆检索来增强超图表示学习主干。这种平衡旨在改善缓慢学习的主干,以实现更好地适应最近的变化。此外,它对多时段预测的时间变动不确定性进行建模,提供预测不确定性的估计。我们的预测架构通过消融研究得到验证,在多个基准数据集上显示出优于主流预测方法的显著性能。