会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

DeepSeekV3、R1、Janus-Pro系列模型技术解读

一句话：大模型界的拼夕夕，模型本身确实也有创新点，比如MLA、纯RL预训练、FP8混合精度，但更重要的是让我们看到了开源对闭源的生态挑战、中国对美国主导的有效追赶、极致工程优化的显著受益。

  • 2025-02-21
  • 阅读1071

制定物料分类规则参考的标准和常见方法及流程

物料分类是整个物资供应链管理的基石，从某种程度上说物料分类是否科学决定了物料代码体系结构的优劣，对物料主数据进行分类管理，搭建分类之间的关系，根据数据的重要性划分优先级。

  • 2021-05-17
  • 阅读1066
  • 下载0
  • 17页
  • docx

【EAAI】使用1D-CNN和BiLSTM进行时间序列预测的教程：参见峰值需求和系统边际价格预测的示例

尽管基于深度学习的时间序列预测研究正在各个行业积极开展，但深度学习技术对于没有计算机科学专业的研究人员来说仍然有很高的进入门槛。本文介绍了使用基于深度学习的模型进行时间序列预测的教程。介绍了时间序列数据预测的全过程——从数据采集到预测结果评价。通过使用1D-CNN和BiLSTM模型预测韩国济州岛峰值电力需求和系统边际价格的实例，展示了每个步骤的细节。在济州岛，2021年可再生能源在总发电量中的比例提高到67%，需要更准确的电力需求预测。因此，使用2018年2月808天的培训数据，预测了未来21天的电力需求和SMP。为了让读者更容易理解，该示例仅使用开放的公共数据，整个Python源代码通过GitHub存储库共享。WRMSSE计算的预测误差为0.42的电力需求和0.63的SMP最大值。WRMSSE值小于1意味着预测相对较好，即优于天真的预测。本教程不仅限于能源行业，还可用于任何需要时间序列数据预测的应用程序。这篇文章有望对需要了解使用深度学习进行时间序列预测的过程并将其应用于行业的研究人员有很大帮助。

  • 2024-05-11
  • 阅读1057

【JPC】用于动态过程监测的重排序短期自相关驱动远程判别卷积自编码器

由于现代复杂工业过程中的非线性、动力学和局部特性，深度神经网络（DNN）可能会导致次优的监测性能。为了克服这些局限性，本文首先提出了一种新的数据构造方法，将短期自相关和空间相关性建模为三维矩阵，然后对其元素进行重新排序，以更好地编码局部和时间结构。随后，我们基于自注意机制设计了一种称为远程判别注意（LDA）的新结构，以扩大原始卷积神经网络（CNN）的接受范围，从而提取全局特征。最后，我们提出了一种基于LDA的远程判别注意自编码器（LDCA）监测模型，从构建的矩阵中提取远程和局部变量之间的结构特征。通过数值例子和三相流过程验证了该方法在故障检测中的有效性。

  • 2024-10-04
  • 阅读1046

中国电信5G定制网产品手册（2020发布版）

5G 是一种演进，更是一种变革。随着新基建战略的持续推进，业内对于利用 5G 技术实现转型升级的需求愈发迫切，而不同行业的信息化特征差异明显，行业间的业务场景信息化需求程度各不相同，5G 公共网络无法很好满足行业内不同应用场景的差异化需求。客户亟需可定制的 5G 专用网络，来满足安全隔离等级、低时延、云网融合等不同层面的行业数字化转型所需信息基础设施需求。

  • 2022-07-27
  • 阅读1040
  • 下载6
  • 29页
  • pdf

5G智慧园区整体架构方案（ppt）

5G智慧园区整体架构方案（ppt）

  • 2021-07-16
  • 阅读1027
  • 下载11
  • 11页
  • docx

智能化地铁运维平台

西安地铁(Xi'an Metro)，依据《西安市城市轨道交通运营条例》，正式名称为“西安市城市轨道交 通系统”(Xi'an Metropolitan Transit Railway System)，于2006年9月29日开工建设，2011年9月16 日投入运营。目前运营2条线路（1号线和2号线）、运营里程52.2千米，共设车站39座。2号线线路北 起位于未央区的西安火车北客站，南至位于长安区的韦曲，将西安市南北中轴线上的龙首原、钟楼、小 寨及航天城等商圈紧密联系起来，1号线西起西大门的后卫寨，东至纺织城，串起了西安市东西中轴线 上的三桥、土门、五路口、康复路、纺织城，目前日均客流量90万人次左右。

  • 2021-04-09
  • 阅读1025
  • 下载3
  • 28页
  • pdf

杨建高工：基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此，提出了一种日前光伏功率预测方法，利用小波变换（wavelet transform，WT）将数值天气预报数据（numerical weather prediction，NWP）和光伏功率数据分解为具有时间信息的频率数据，消除数据信息中随机性和波动性对预测精度的影响，利用卷积神经网络（convolutional neural network，CNN）模型深度挖掘输入数据的季节性特征和空间关联特性，利用双向长短期记忆网络（bi-directional long-short term memory，BiLSTM）模型获取输入数据序列的时间相关性，构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象，在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM（long-short term memory）模型、GRU（gated recurrent unit）模型以及PSO-BP（particle swarm optimization-back propagation）模型的预测结果，计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

  • 2024-10-09
  • 阅读1024