动态图嵌入模型

捕捉非等间隔事件演化

将神经常微分方程与图卷积神经网络结合，能够刻画机电设备时间知识图谱中故障与维护事件的动态演化，用于精准预测未来事件。

陆佳炜 · Hanyuan, Chen · Jianwei, Chen · Zhongcheng, Xiao · Ren, Li · 肖刚 · Qibing, Wang

Knowledge-Based Systems 2025

技术优势

捕捉非等间隔演化

通过神经常微分方程与图卷积网络结合，模型能连续建模事件动态，从而捕捉时间知识图谱中非等间隔事件的演化过程。

预测精度领先

与多种先进方法对比，在电梯故障与维护事件预测和时间预测上均表现更优。

应用场景

• 机械设备故障预测：模型从历史故障与维护数据中学习演化规律，提前预测故障事件及时间，帮助企业避免非计划停机。
• 预测性维护决策：预测结果可优化维护计划，变被动维修为主动预防，降低维护成本并提升设备可用性。
• 设备时序数据分析：动态图嵌入能建模设备事件序列中的复杂依赖与时间动态，为时间序列分析提供更强表示能力。