因果增强图神经网络

工业生物过程高精度预测

该网络利用因果图与全局-局部分解显式建模变量间动态依赖，对工业生物过程关键因子实现高精度预测。

Ziyue, Sun · Yinlong, Li · Qunshan, He · Hu, Xu · 王文海 · 刘兴高

IEEE Transactions on Industrial Informatics 2024

技术优势

能捕捉因果动态依赖

通过基于传递熵的因果图，显式建模变量间的因果信息，提升预测准确性。

全局趋势与局部波动兼顾

通过时间正则化实现全局-局部分解，保留时间结构的同时分别建模，增强对过程动态的表达。

在真实工业数据上验证有效

方法在真实工业生物过程数据上应用，结果表明具有高预测精度。

应用场景

• 发酵过程优化：提升关键因子预测精度，优化发酵参数设置。
• 农业微生物过程：捕捉过程动态依赖，指导农业微生物过程调控。
• 合成生物反应器控制：提供高精度预测，支持合成生物反应器实时控制。
• 工业物联网预测性维护：预测关键过程因子，辅助工业物联网预测性维护决策。