本发明公开了一种基于道路时空关联关系的路段行程时间推断方法，包括步骤 1:基于交叉口运行 状态对路段行程时间交通数据进行统计;步骤 2:基于通行模式周期性提取目标路段与邻接路段之间的 特征关系;步骤 3:基于三层神经网络模型对目标路段行程时间进行预测。本发明针对已有方法在数据 缺失情况下对路段行程时间估计的不足，利用路段行程时间交通大数据对目标路段行程时间进行推断， 解决了由于数据稀疏而不能推断行程时间的问题，最后利用武汉市浮动车 GPS 历史数据进行了验证， 结果证明了本方法的有效性。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

1. 痛点问题 激光雷达技术存在固有缺陷，造成安全隐患与高昂成本。激光雷达技术主要有以下三个缺点： 1）远距离探测会漏视目标，点云图观看舒适度极低。激光雷达使用点扫描方式探测距离，探测距离越远像点间隔越大，像点之间有漏视问题。激光雷达采用点扫描方式形成点云图，对人眼而言无法直接辨识目标； 2）激光信号易受干扰，造成严重安全隐患；不同激光雷达之间会产生干扰，因为光谱资源有限，这是无法克服的问题； 3）结构复杂、成本高，工业生产难度大。激光雷达使用多线激光提高扫描速度，对生产工艺要求极高。机械转动产生的磨损会直接影响激光雷达的寿命及电机控制的精度，需要定期调校和维护。 2. 解决方案 清华大学物理系的科研团队，经过八年的研究，业内首次实现了芯片级的量子关联成像系统，相关算法和硬件系统获得了国家发明专利。 量子关联成像技术能为智能设备安装“眼睛”，实现成像与3D测绘功能，核心专利是量子物理算法，以低成本实现高精度测绘与成像，有效弥补了激光雷达技术的重大应用缺陷，为获取高空间分辨率的3D测绘提供了全新的技术手段。 寻求有开发ASIC芯片、硅光芯片和电子器件产品经验的企业开展业务合作。

作品入选第七届北京国际美术双年展、在中国美术馆展出，外交部收藏作品。

本发明公开了一种顾及非局部特性与时空变化的遥感数据时空定量融合方法，基于非局部滤波，利 用移动窗口技术，首先选取相似像元，用基于小窗口运算的经验型公式筛选相似像元，并在此基础上二 次筛选相似像元，以相似像元为中心的邻域矩阵的相似度以及其与中心像元的相对距离衡量权重大小， 考虑时空变化，针对区域主要特征，选取相应的方式加权，最终融合得到中心像元的反射率值。本发明 利用高空间分辨率数据与高时间分辨率数据的互补信息，顾及非局部特性与时空变化，融合得到

发明公开了一种基于关联分析与关联分类的蛋白质二级结构预测技术，以双库协同机制为基础，将KDD*过程模型引入蛋白质二级结构预测问题中，KAAPRO方法以数据挖掘(知识发现)为主体，采用基于KDD*过程模型Maradbcm算法以及关联规则分类D-CBA方法。KAAPRO方法所取得关联规则在一定程度上揭示了氨基酸物化属性对蛋白质二级结构的影响关系，从而提高了预测的精度。其中Maradbcm算法挖掘意外规则的特性对纯度较高的α蛋白质库与β蛋白质库进行关联规则的挖掘，由此获得的挖掘结果是精化的规则。D-CBA关联分类方法使用可信度与支持度的测度作为一个复合型度量来进行蛋白质关联分类。在保证预测精度的同时，为生物学家对二级结构进一步分析提供了依据。

针对智慧城市、移动设备、工控系统等多个领域的CPS 多源异构时空大数据，提出了多种时序模式挖掘算法和时空 模型构建方法，并应用在轨迹预测、交通流预测、空气质量 预测、用户画像、活动识别、异常行为检测、网络攻击检测 等多个任务中，并为“人机物”融合的数据驱动模型提供理 论与技术基础。

近日，中国科学技术大学管理学院在时空面板数据模型的研究中取得重要进展，突破经典的广义极大似然估计和广义矩估计理论框架，提出了基于空间权重矩阵特征分解的估计和模型选择方法。相关论文在学术期刊《美国科学院院报》上发表。现在很多大数据（环境，疫情，犯罪，物流，区域经济等）呈现出时间和空间的复杂相依关系，由于时空的交互影响提高了对应的时空模型的估计难度。有别于已有的复杂估计方法，文章改变传统的估计思路，充分利用时空数据的空间结构特征，采用空间权重矩阵的特征分解，极大的简化了估计方法，提高了估计精度和运算速度，并提出了相应的模型选择方法。理论部分模型的示意图如下图所示：文章以 2008 年 1 月到 2013 年 12 月（72 个月） 138 个美国匹兹堡行政地区的犯罪数据为例做了示范。在这个例子中，犯罪数据重罪（Part I）和轻罪(Par II)在138个行政区的平均犯罪个数分布如下图：文章还选取了 15 个区域社会经济变量作为解释变量，包括区域总人口、收入、失业率、贫苦率、非裔比例、教育水平等。模型的拟合程度指标R平方（接近1时，拟合程度高）达到 0.98，表明选择的模型非常好的拟合了数据。数据分析结果可以用于以轻罪发生率预测重罪发生率，解释犯罪学的“破窗理论”，分析重罪发生率和总人口、收入和贫困等的量化关系。论文链接：https://doi.org/10.1073/pnas.1917411117详细阅读：http://news.ustc.edu.cn/2020/0318/c15884a414854/page.htm

01. 成果简介 随着移动计算、传感器网络和科学观测设备等新技术在经济社会各领域的广泛应用，特别是监控、遥感、定位等技术的崛起，人们获得了海量的时空数据。时空数据分布于连续空间，并且随着时间动态变化，具有十分复杂的模式规律。例如，卫星遥感数据和雷达回波数据是广泛应用于气象观测和军事侦察的时空数据，在连续的卫星扫描或雷达观测过程中，形成时间轴上的一系列遥感图像或回波影像，反映三维地理空间中某种观测物理量的变化规律。视频监控、医学影像、气象预报、环境监测等很多应用领域都涉及时空数据预测和识别任务，在问题求解过程中需要同时考察时间和空间两方面因素，存在时间上的非平稳性和空间上的高维相关性两大技术难题。 本成果创新大数据深度学习技术，从复杂、海量、高维、非平稳的时空数据中识别重要的时空模式，挖掘在时间和空间上的变化规律，并对未来的时空演变趋势进行预测，形成了时空数据预测和识别的深度学习技术（如图1所示）。具体包括：·        提出卷积结构与循环结构深度融合的统一建模方法，学习高维度、非线性时空特征表示，挖掘空间关联结构与时间动态信息；·        提出时空记忆单元和回忆机制，对时空非线性、非平稳性变化进行预测学习；·        提出时空数据的迁移学习技术，降低时空分布差异，实现知识的跨时空迁移。 该技术尤其擅长捕捉高维度、非平稳时空数据的非线性变化规律，例如多物体对象在空间和时间上的“产生、消亡、运动、形变“等复杂时空数据场景。与同类技术相比，运行时间短，预测和识别精度高，在国际上处于整体先进、部分领先的水平。  图1. 用于时空数据预测和识别的循环神经网络架构及其时空记忆单元图2. 本成果技术（时空数据预测与识别）在北京交通流量预测任务上的效果02. 应用前景 该技术成熟度高，部分成果已经以线上系统的形态成功应用于中国气象部门强对流天气预报业务中，与国内现有极端天气预报业务系统相比，该技术将雷达回波外推预报准确率平均提高了45%，其中高强度雷达回波外推预报准确率提高了353%，处于国际先进水平。气象灾害中70%以上是由雷暴大风、下击暴流等强对流天气导致，致死人数占自然灾害死亡人数的93%，因此该技术在避免人员伤亡、实现财产保全、减少农业损失方面产生显著的社会经济效益。同时，该技术还可广泛应用于时空数据的预测和识别场景，在关系国计民生的气象、环保、交通等领域可以发挥重要作用，应用前景广阔。例如，采用该技术可实现未来交通流量时空分布的精准预测（如图2）。该项成果还入选了2018年首届数字中国建设峰会，为杭州G20峰会、厦门金砖会晤、中国国际进口博览会等提供了精准预报支持，获得2018年教育部技术发明一等奖和2018年中国气象学会科技进步奖一等奖。03. 知识产权 本项成果已获得发明专利授权6项。04. 团队介绍 本成果团队长期研究大数据管理与分析技术，包括分布式数据存储与查询、深度学习与迁移学习、业务过程挖掘、数据质量治理等方向。团队负责人为王建民教授、软件学院院长，机器学习小组组长为龙明盛副教授。团队在本领域发表国际学术论文100余篇，申请专利100余项，授权专利60余项。相关成果获2018年教育部技术发明一等奖、2018年中国气象学会科技进步一等奖、2014年国家科技进步二等奖、2013年中国电子学会科技进步一等奖、2012年教育部科技进步一等奖等奖励。05. 合作方式 技术许可 / 软件服务。

本发明公开了一种时空变尺度运动目标检测方法，具体为：将·815·原始图像转换为反差图像；根据差分强度与帧间间隔的单调递增且收敛关系，得到次优帧间间隔<img file=""DDA00002692454800011.GIF""wi=""80"" he=""49"" /> 通 过 计 算 t0 和 <imgfile=""DDA00002692454800012.GIF"" wi=""133"" he=""57"" /