{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,15]]，“日期-时间”：“2024-06-15T12:34:16Z”，“时间戳”：1718454856152}，“引用-计数”：80，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{“日期-零件”：[[2023,7,1]]，0:00Z“，”时间戳“：1688169600000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.elsevier.com//tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“tdm”，“delay-in-days”：“0，”URL“https://www.elseviewer.com/legal\/td”mrep-license“}，{“开始”：{“日期部分”：[[2023,7,1]]，“日期时间”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00Z”，delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：｛“日期部分”：[[2023,7,1]，“日期-时间”：“2023-07-01T00:00:00Z”，“时间戳”：1688169600000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi.org/10.15223\/policy-012”｝，｛“开始”：｛“日期部分”：[[2023,7,1]，“日期-时间”：“2023-07-01T00:00:00Z”，“时间戳”：1688169600000｝，“内容版本”：“stm-asf”，延迟天数”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2023,7,1]]，“date-time”：“2023-07-01T00:00:00Z”，“timestamp”：1688169600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“出资人”：[{“doi”：“10.1303”9\/501100012166“，”name“：“中国国家重点研发计划”，“doi断言由”：“publisher”，“award”：[“2021YFC3101600”]}]，“content domain”：{“domain”：[“elsevier.com”，“sciencedirect.com”]，“crossmark restriction”：true}，“short container title”：[“Applied Soft Computing”]，“published print”：{“date parts”：[[2023,7]]}，“doi”：“10.1016\/j.asoc.2023.110294”，“type”：“期刊文章”，“created”：{“date parts”：[[2023,4,17]]，“date-time”：“2023-04-17T07:47:47Z”，“timestamp”：1681717667000}，“page”：“110294”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：8，“title”：[“用于多节点海上风速预测的动态自适应时空图神经网络”]，“prefix”：“10.1016”，“volume”:“141”，“author”：[{“给定”：“自恒”，“家族”：“高”，“序列”：“第一”，“从属关系”：[]}，{“给出”：“卓琳”，“家庭”：“李”，“顺序”：“附加”，“附属关系”：[]}、{“给予”：“令余”，“家人”：“许”，“排序”：“额外”，“隶属关系”：【】}，}“给定：“78”，“引用”：[{“键”：“10.1016\/j.asoc.2023.110294_b1”，“doi断言者”：“crossref”，“首页”：“1418”，“doi”：“10.1016\/j.rene.2021.03.020”，“文章标题”：“使用优化人工智能算法的超短期风速预测”，“卷”：“171”，“作者”：“王”，“年”：“2021”，“期刊标题”：“更新能源”}，{“键”：“10.1016\/j.asoc.2023.110294_b2”，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.enpol.2020.111435”，“article-title”：“特朗普\u2019s\u201d喀麦隆首个\u201d能源政策、应急与全球能源秩序的重构”，“volume”：“140”，“author”：“Guliyev”，“year”：“2020”，“journal-title“能源政策”}，{“key”：”10.1016\/j.asoc.2023.110294_b3“，”doi-assert-by“：“crossref”，“first page”：“495”，“DOI”：“10.1016\/j.ins.2021.09.054”，“article-title”：“利用深度学习进行风速预测的自适应混合系统”，“volume”：”581“，“author”：“de Mattos Neto”，“year”：“2021”，“journal-title“：”Inform.Sci.“}，{“key”：992英寸，“DOI”：“10.1016\/j.renene.2022.11.111”，“article-title”：“基于分位数高斯近似的海上风电多步概率密度预测模型”，“容量”：“202”，“作者”：“张”，“年份”：“2020”，“日记标题”：“可再生能源”}，{“key”：“10.116\/j.asoc.2023.110294_b5”，“doi-asserted-by”：“crossref”，”doi“：“10.1016\/j.oceaneng.2020.108172”，“article-title”：“无粘性土壤中海上风力涡轮机混合式单桩基础参数研究”，“volume”：“218”，“author”：“Wang”，“year”：“2020”，“journal-title:”Ocean Eng.“}，{“key”：”10.1016\/j.asoc.2023.110294_b6“，“series-title”：”：“Global wind Report 2021”，“首页”：“6”，“作者”：“Council”，“年份”：“2021”}，{“key”：“10.1016\/j.asoc.2023.110294_b7”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.techfore.2021.120631”，“article-title”：“中国和德国风力发电行业可再生能源的市场挑战”，“volume”：”166“，”author“：”Chang“，”year“2021“，”journal-title“：”Technol.Forec.Soc.Change“}：“10.1016\/j.asoc.2023.110294_b8”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.enconman.2021.13944”，“article-title”：“基于分解的深度双向LSTM网络混合风速预测模型”，“volume”：“234”，“author”：“Jaseena”，“year”：“2021”，“journal-title“：”Energy Convers.Manage.“}，{”key“10.1016/j.asoc.2023.110294 _b9”，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.energy.2022.123848”，“article-title”：“基于PSO\u2013Bi-LSTM的新型海上风电场台风风速预测模型，通过VMD改进”，“volume”：“251”，“author”：“Li”，“year”：“2022”，“journal-title“：”energy“}”，{“key”：我“：“10.1016\/j.ijepes.2021.107502”，“article-title”：“基于时间尺度识别和动态自适应建模的超短期风速预测模型”，“volume”：“135”，“author”：“Zhen”，“year”：“2022”，”journal-title“：”Int.j.Electr.Power Energy Syst.“}，{“key”：”10.1016\/j.asoc.2023.110294_b11“，”doi-asserted-by“：”crossref“，”first page“384”，“DOI”：“10.1016\/j.renene.2022.02.05”，“article-title”：“基于可预测性识别和修正多目标优化的多分量混合系统超短期陆上风速预测”，“volume”：“188”，“author”：“Gao”，“year”：“2022”，“journal-title“：“Renew.Energy”}，{“key”：”10.1016\/j.asoc.2023.110294_b12“，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.asoc.2020.106917”，“article-title”：“用于短期风速预测的自适应内核极限学习机”，“volume”：“99”，“author”：“Xiao”，“year”：“2021”，“journal-title“：“Appl.Soft Compute.”}，{“key”：”10.1016\\j.asoc.2023.110294_b13“，”doi-assert-by“：”crossref.“，“doi.”：“10.1016\/j.enconman.2020.112492”，“article-title”：“基于多分辨率多学习者集成和自适应模型选择的中期风电预测”，“volume”：“206”，“author”：“Chen”，“year”：“2020”，“journal-title“：”Energy Convers.Manage.“}，{“key”：”10.1016\/j.asoc.2023.110294_b14“，”doi-asserted-by“：”crossref“，”doi“：“10.1016\/j.energy.2022.125021”，“article-title”：“基于多区域递归图网络的长期数值风速预报的时变后处理方法”，“volume”：“259”，“author”：“Duan”，“year”：“2022”，“journal-title“：”energy“}，{“key”：”10.1016\/j.asoc.2023.110294_b15“，”doi-asserted-by“：”crossref“，”doi“：“10.1016\/j.enconman.2021.114002”，“article-title”：“基于深度学习的短期风速预测进化模型：lillgrund海上风电场的案例研究”，“volume”：“236”，“author”：“Neshat”，“year”：“2021”，“journal-title“：“Energy Convers.Manage.”}，{“key”：，“首页”：“560”，“DOI”：“10.1016\/j.encoman.2018.03.030”，“文章标题”：“基于优化数值天气预测数据的未来一天概率风速预测”，“卷”：“164”，“作者”：“Zhao”，“年”：“2018”，“期刊标题”：“能源转换管理”}，｛“键”：“10.1016\/j.asoc.2023.110294_b17”，“DOI断言”：“crossref”，“DOI”：“10.1016\/j.energy.2020.119509”，“article-title”：“日头风速的自组织预测：基于数值天气预测的选择性集合策略”，“volume”：“218”，“author”：“Zhao”，“year”：“2021”，“journal-title“：”energy“}，{“key”：”10.1016\/j.asoc.2023.110294_b18“，”doi-asserted-by“：”crossref“，“doi”：“10.116\/j-energy.2022.125893”，“article-title”：“结合多个NWP模型的直接和间接\u2018point\u2019预测方法对风电场性能的智能评估”，“volume”：“263”，“author”：“Yakoub”，“year”：“2023”，”journal-title“：“Energy”}，{“issue”：“4”，“key”：”10.1016\/j.asoc.2023.110294_b19“，”doi-asserted-by“：”crossref“，”first page“1405”，“doi”：“10.1016\/j.apenergy.2010.10.031”，“article-title”：“基于ARMA的风速和风向元组预测方法”，“volume”：“88”，“author”：“Erdem”，“year”：“2011”，“journal-title“：”Appl.Energy“}，{“key”：”10.1016\/j.asoc.2023.110294_b20“，”doi-asserted-by“：”crossref“，”doi“：”10.116\/j.enconman.2021.13917“，”article-title“”：“基于经验模式分解、新型递归神经网络和ARIMA的混合模型在风速预测中的应用”，“体积”：“233”，“作者”：“刘”，“年份”：“2021”，“期刊标题”：“能源转化管理”}，{“关键”：“10.1016\/j.asoc.2023.110294_b21”，”doi-asserted-by“：”crossref“，”doi“10.1016 \/j.Energy.2021.20492”，“article-title”：“ARIMA季节性短期海上风速预测-与GRU和LSTM的比较”，“卷”：“227”，“作者”：“刘”，“年份”：“2021”，“日志标题”：“能源”}，{“键”：“10.1016\/j.asoc.2023.110294_b22”，“doi-asserted-by”：“crossref”，“首页”：“758”，“doi”：“10.0016\/j.renene.2019.01.31”：“基于重复小波变换的ARIMA模型进行非常短期风速预测”，“体积”：“136”，“作者”：“Aasim”，《年份》：“2019年”，“期刊标题”：“可再生能源”}，{“关键”：“10.1016\/j.asoc.2023.110294_b23”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j.weia.2021.04565”，“article-title”：“基于多元AR-GARCH的非平稳雷暴风建模与模拟”，“卷”：“211”，“作者”：“黄”，“年份”：“2021”，“期刊标题”：“J.Wind Eng.Ind.Aerodyn.”}，{“key”：“10.1016\/J.asoc.2023.110294_b24”，“article-title”：“基于网格搜索方法的支持向量回归短期风电预测”，“量”：“2014”，“author”：“Zhang”，“year”：“2014”，“journal-title”：“J.Appl.Math.”}，{“key”：“10.1016\/J.asoc.2023.110294_b25”，“article-title“：“使用混合改进杜鹃搜索算法-支持向量回归机改进短期风电预测”，“volume”：”279“，”author“：”ling Li“，”year“：”2021“journal-title：“10.1016\/j.asoc.2023.110294_b26”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.enconman.2021.15102”，“article-title”：“基于改进的原子搜索优化的极端学习机（ELM）集成框架，用于短期风速预测”，“volume”：“252”，“author”：“Hua”，“year”：“2022”，”journal-title“：“Energy Convers.Manage.”}，{“key”：“10.1016\/j.asoc.2023.110294_b27”，“doi-asserted-by”：“crossref”，“doi”：“10.106\/j-asoc.2022.109690”，“article-title”：“基于统一鲸鱼优化算法的多核SVR集成学习用于风速预测”，“volume”：“130”，“author”：“西安”，“year”：“2022”，“journal-title“：”“Appl.Soft Compute.”}，{“key”：”10.1016//j.asoc.2023.110294 _b28“，“first page”：“1508”，“article-title”：“使用相邻位置的测量值并结合极端学习机和AdaBoost算法进行风速预测”，“volume”：”8“，“author”：“Wang”，“year”：“2022”，“journal-title“：”Energy Rep.“}，{“key”：：“10.1016\/j.asoc.2023.110294_b29”，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.asoc.2020.106996”，“article-title”：“结合长短期记忆神经网络、分解方法和灰狼优化器的新型混合风速预测模型”，“volume”：“100”，“author”：“Altan”，“year”：“2021”，“journal-title“：“Appl.Soft Compute”}，{“key”：：“10.1016\/j.energy.2022.123807”，“article-title”：“使用VMD-RFG和Att-GRU的短期风力发电间隔预测方法”，“volume”：“251”，“author”：“Liu”，“year”：“2022”，“journal-title）：“energy”}，{“issue”：“1”，”key“10.1016 \/j.asoc.2023.110294_b31”，“doi-asserted-by”：“crossref”，“first-page”：“509”，“doi”：“10.1109\/TSTE.2019.2897136“，”文章标题“：“联合学习时空相关性：风速预测的统一框架”，“卷”：“11”，“作者”：“朱”，“年份”：“2020”，“期刊标题”：“IEEE Trans.Sustain.Energy”}，{“key”：“10.1016\/j.asoc.2023.110294_b32”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.apenergy.2019.114259”，“article-title”：“基于变分贝叶斯深度学习模型的概率时空风速预测”，“卷”：“260”，“作者”：“刘”，“年份”：“2020”，“新闻标题”：“应用能源”}，{“关键”：“10.1016\/j.asoc.2023.110294_b33”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j.enconman.2021.14451”，“article-title”：“基于CNN-LSTM深度学习模型的二维区域短期风速预测”，“卷”：“244”，“作者”：“陈”，“年份”：“2021”，“期刊标题”：“能源转化管理”}，{“关键”：“10.1016\/j.asoc.2023.110294_b34”，“doi-asserted-by”：“crossref”，“首页”：“1014”，”doi“10.1016 \/j.renene.2021.08.066”，“article-title”：“用于多节点海上风速预测的具有时空相关性学习的图形优化神经网络”，“卷”：“180”，“作者”：“耿”，“年份”：“2021”，“期刊标题”：“可再生能源”}，{“关键”：“10.1016\/j.asoc.2023.110294_b35”，“doi-asserted-by”：“crossref”，”非结构化“：”N.Rathore，P.Rathoer，A。Basak，Nistala，用于风速预测的多尺度图形波网，收录于：2021 IEEE国际大数据会议（大数据），2021年，第4047\u20134053页。“，“DOI”：“10.1109\/BigData52589.2021.9671624”}，{“key”：“101016\/j.asoc.2023.110294_b36”，“DOI-asserted-by”：“crossref”，“unstructured”：“Z.Wu，S.Pan，G.Long，j.Jiang，C。张，用于深时空图形建模的图形波网络，载：《第28届国际人工智能联合会议论文集》，2019年，第1907\u20131913页。“，”DOI“：”10.24963\/ijcai.2019\/264“}，{“问题”：“2”，“关键”：“10.1016\/j.asoc.2023.110294_b37”，“DOI-asserted-by”：“crossref”，“第一页”：“388”，“DOI”：“10.35833\/MPCE.2020.000849”，“article-title“：基于时空卷积网络的多风电场功率预测”，“容量”：“10”，“作者”：“董”，“年份”：“2022年”，“期刊标题”：“J.Mod。电力系统。清洁能源“}，{“key”：“10.1016\/j.asoc.2023.110294_b38”，“doi-asserted-by”：“crossref”，“unstructured”：“Z.Wu，S.Pan，G.Long，j.Jiang，X.Chang，C。张，《连接点：用图形神经网络进行多元时间序列预测》，载于：第26届ACM SIGKDD国际知识发现会议论文集，2020年，第753\u2013763页。“，”DOI“：”10.1145\/3394486.3403118“}，{“key”：“10.1016\/j.asoc.2023.110294_b39”，“Series-title”：“第28届ACM SIGKDD知识发现和数据挖掘会议论文集，“首页”：“2296”，“文章标题”：“学习多元时间序列预测的进化和多尺度图结构”，“作者”：“Ye”，“year”：“2022”}，{“key”：“10.1016\/j.asoc.2023.110294_b40”，“doi asserted by”：“crossref”，“nonstructured”：“Q.Sun，j。Li，H.Peng，J.Wu，X.Fu，C.Ji，S.Y.Philip，变分信息瓶颈下的图结构学习，载《AAAI人工智能会议论文集》，第36卷，2022年，第4165\u20134174页。“，DOI：”10.1609\/AAAI.v36i4.20335“}，{“key”：“10.1016\/J.asoc.2023.110294_b41”，“DOI-asserted-by”：“crossref”，“DOI”：“10.1016\/j.patcog.2021.108039“，”article-title“：“半监督分类的深度图学习”，“卷”：“118”，“作者”：“林”，“年份”：“2021”，“日志标题”：“模式识别”。“}，{”key“：”10.1016\/j.asoc.2023.110294_b42“，”doi-asserted-by“：”crossref“，”unstructured“：”C.Zheng，X.Fan，C.Wang，j.Qi，GMAN:A Graph Multi-Attention Network for Traffic Prediction，in：《第34届AAAI会议论文集》，第34卷，2020年，第1234\u20131241页。“，”doi“：”101609\/aaaai.v34i01.5477“}”，{“key”：“”10.1016\/j.asoc.2023.110294_b43“，“unstructured”：“C.Shang，j.Chen，预测多时间序列的离散图结构学习，in：Proceedings of International Conference on Learning Representations，2021.”}，{“key”：“10.1016\\j.asoc.2023.110294 _b44”，“doi-asserted-by”：“crossref”，“doi”：“0.1016\/j.energy.2022.12395”，“article-title”：“基于混合方法的海上风速短期预测：Swarm分解和元极端学习机“，”volume“：”248“，”author“：”Dokur“，”year“：”2022“，”journal-title“：”Energy“}，{”key“：“10.1016\/j.asoc.2023.110294_b45”，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.enconman.2019.112418“，“article-title”：“利用小波变换、深度信念网络和集成学习进行超短期风预测”，“卷”：“205”，“作者”：“佳君”，“年份”：“2020”，“新闻标题”：“能量转换”。管理。“}，{”key“：”10.1016\/j.asoc.2023.110294_b46“，”article-title“：”基于小波变换的卷积神经网络和双支持向量回归用于风电匝道事件预测“，”volume“：“36”，”author“：”Dhiman“，”year“：”2022“，”journal-title”：“Sustain.Comput.：Inform.Syst.”}，”{“key”：“10.1016\\j.asoc.2023.110294 _b47”，”doi-asserted-by“：”crossref“，”DOI“：”10.1016\/j.apor.2021.102937“，”article-title“：”使用集合经验模式分解和深度学习模型进行不同高度的海上风速预测“，”volume“：”117“，“author”：“Saxena”，“year”：“2021”，“journal-title”：“Appl。Ocean Res.“}，{“key”：“10.1016\/j.asoc.2023.110294_b48”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.energy.2022.126590”，“article-title”：“海上风速分析与预测的基于数据的自适应图学习网络”，“volume”：”267“author”：“Ren”，“year”：“2023”，“journal-title“：”energy“}_b49“，”非结构化“：”T.N.Kipf，M.Welling，《图卷积网络半监督分类》，载：《第五届国际学习表征会议论文集》，2017年。“}，{“key”：“10.1016\/j.asoc.2023.110294_b50”，“非结构化”：“M.Zhang，Y。Chen，基于图神经网络的链接预测，摘自：《第32届神经信息处理系统国际会议论文集》，2018年，第5171\u20135181页。“}，{“key”：“10.1016\/j.asoc.2023.110294_b51”，“unstructured”：“j.Bruna，W。Zaremba，谱网络和图上的局部连通网络，收录于：第二届国际学习表征会议论文集，2014年。“}，{“key”：“10.1016\/j.asoc.2023.110294_b52”，“非结构化”：“M.Defferrard，X.Bresson，P。Vandergheynst，带快速局部化谱滤波的图上卷积神经网络，摘自：《第29届神经信息处理系统国际会议论文集》，2016年，第3837\u20133845页。“}，{“key”：“10.1016\/j.asoc.2023.110294_b53”，“非结构化”：“M.Niepert，M.Ahmed，K。Kutzkov，《图的学习卷积神经网络》，《第33届国际机器学习大会论文集》，2016年第48卷，第2014\u20132023页。Bengio，Graph Attention Networks，收录于：2018年第六届学习表征国际会议论文集。“}，{”key“：”10.1016\/j.asoc.2023.110294_b55“，”unstructured“：”W.Hamilton，Z.Ying，j。Leskovec，大图上的归纳表示学习，收录于：《第三十届神经信息处理系统国际会议论文集》，2017年，第1024\u20131034页。“}，{“key”：“10.1016\/j.asoc.2023.110294_b56”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.physa.2022.127664”，“article-title”：“基于注意的多层次时间序列预测方法，变量间具有时空背景”，“量”：“602”，“作者”：“李”，“年份”：“2022年”，“期刊标题”：“物理学”。A“}，{”key“：”10.1016\/j.asoc.2023.110294_b57“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.asoc.2020.106615“，”article-title“：”基于时空注意力的城市交通预测点预测框架“，”volume“：soc.2023.110294_b58“，”doi-asserted-by“：”crossref“，”first page“：”185“，“doi”：“10.1016\/j.neucom.2020.05.075”，“article-title”：“混合混沌磷虾群算法和回归任务经验模式分解的支持向量回归模型”，“volume”：“410”，“author”：“Zhang”，“year”：“2020”，“journal-title“：”Neurocomputing“}，{”key“10.1016\/j.asoc.2023.110294_b59“，”doi-asserted-by“：”crossref“，”first page“：”1120“，”doi“：”10.3389\/fnins.2019.01120“，”article-title“：”通过深度学习短时自发血流动力学波动预测孤独症“，”volume“：“13”，”author“：”Xu“，”year“：”2019“，”journal-title”：“Front”。神经科学。“}，{”issue“：”8“，”key“：”10.1016\/j.asoc.2023.110294_b60“，”doi-asserted-by“：”crossref“，”first-page“：”1421“，”doi“：”101007\/s10994-019-05815-0“，”article-title“：”多元时间序列预测的时间模式注意“，”volume“：“108”，“author”：“Shih”，“year”：“2019”，“journal-title”：“Mach.Learn”}，\\j.asoc.2023.110294_b61“，”series-title“：”深度预测：“基于深度学习的时空预测”，“author”：“Ghaderi”，“year”：“2017”}，{“key”：“10.1016\/j.asoc.2023.110294_b62”，“unstructured”：“Y.Li，R.Yu，C.Shahabi，Y。刘，扩散卷积递归神经网络：数据驱动流量预测，载于：第六届国际学习表征会议论文集，2018年。“}，{“key”：“10.1016\/j.asoc.2023.110294_b63”，“非结构化”：“A.Vaswani，N.Shazeer，N.Parmar，j.Uszkoreit，L.Jones，A.N.Gomez，\u0141。Kaiser，I.Polosukhin，Attention is All you Need，in：Proceedings of the 30th International Conference on Neural Information Processing Systems，2017，pp.5998\u20136008.“}，{“key”：“10.1016\/j.asoc.2023.110294_b64”，“doi-asserted-by”：“crossref”，“unstructured”：“Y.Zhang，Y.Li，X.Zhou，X.Kong，j。Luo，Curb-GAN:《通过时空生成对抗网络进行有条件城市交通量估算》，载于：第26届ACM SIGKDD国际知识发现会议论文集，2020年，第842\u2013852页。“，”DOI“：”10.1145\/3394486.3403127“}，{“issue”：“1”，“key”：“10.1016\/j.asoc.2023.110294_b65”，“DOI-asserted-by”：“crossref“，”DOI“：”10.1145\/3532611“，”article-title“：”用于流量预测的动态图卷积递归网络：基准和解决方案“，”volume“：”17“，”author“：”Li“，“year”：“2023”，“journal-title”：“ACM Trans。知识。发现。Data“}，{”key“：”10.1016\/j.asoc.2023.110294_b66“，”series-title“：”第27届ACM SIGKDD国际知识发现与数据挖掘会议论文集“，”首页“：”547“，”article-title“：“交通速度预测的动态多方位时空深度学习”，”author“：”Han“，”year“：”2021“}”，{“key”：“”10.1016\/j.asoc.2023.110294_b67“，”doi-asserted-by“：”crossref“，”unstructured“：”B.Perozzi，R.Al-Rfou，S.Skiena，DeepWalk:在线学习社会表征，收录于：第20届ACM SIGKDD国际知识发现和数据挖掘会议论文集，2014年，第701\u2013710页，http://dx.doi.org 10.1145\/2623330.2623732.“，”doi“：”10.1145\/2623330.2623732“}，{“key”：“10.1016\/j.asoc.2023.110294_b68”，“unstructured”：“Z.Qin，W.Sun，H.Deng，D.Li，Y.Wei，B.Lv，j.Yan，L.Kong，Y.Zhong，cosFormer:Rethinking Softmax In Attention，In:Proceedings of the 10th International Conference on Learning Representations，2022.”}，}“key:”10.1016\/j.asoc.2023.11024_b69“，”doi-asserted-by“：”crossref“，”unstructured“：”K.He，X.Zhang，S.Ren，J.Sun，图像识别的深度剩余学习，in：2016 IEEE计算机视觉和模式识别会议，2016，pp.770\u2013778.“，”doi“：”10.1109\/CVPR.2016.90“}，{“key”：“10.1016\/J.asoc.2023.110294_b70”，“unstructure”：“F.Yu，V。科尔顿（Koltun），《基于扩展卷积的多尺度语境聚合》（Multi-Scale Context Aggregation by Dilated Convolutions），载于：第四届国际学习表征会议论文集，2016年。“}，{“key”：“10.1016\/j.asoc.2023.110294_b71”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Szegedy，W.Liu，Y.Jia，P.Sermanet，S.Reed，D.Angelov，D.Erhan，V.Vanhoucke，A。Rabinovich，Going Deeper With Convolutions，in：2015 IEEE Conference on Computer Vision and Pattern Recognition，2015，pp.1\u20139.“，“DOI”：“10.1109\/CVPR.2015.7298594”}，{“key”：“101016\/j.asoc.2023.110294_b72”，“unstructured”：“Y.N.Dauphin，A.Fan，M.Auli，D。Grangier，《带门限卷积网络的语言建模》，载于：第34届国际机器学习会议论文集，2017年第70卷，第933\u2013941页伊比利亚半岛沿岸CCMP、QuikSCAT和浮标风的比较”，“卷”：“137”，“作者”：“卡瓦略”，“年份”：“2013”，“期刊标题”：“遥感环境”。“｝，｛”issue“：”5“，”key“：”10.1016\/j.asoc.2023.110294_b74“，”首页“：”44“，”文章标题“：”台湾海峡三种海面风产品的比较与评估“，”卷“：”37“，”作者“：”匡“，”年份“：”2015“，”期刊标题“：”海洋学报“｝，｛”key“：”10.1016\/j.asoc.2023.110294_b75“，”doi断言“：”crossref“，”doi“：”10.1016\/j.csr.2020.104217“，”article-title“：“利用SWAN模型模拟渤海、黄海和东海波高时不同风资源的评估”，“volume”：“207”，“author”：“Wu”，“year”：“2020”，“journal-title”：“Cont.Shelf Res.”}，{“key”：”10.1016\/j.asoc.2023.110294_b76“，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.energy.2021.121422“，”article-title“：“海上风力发电加拿大”，“卷”：“236”，“作者”：“董”，“年份”：“2021”，“日志标题”：“能源”}，{“关键”：“10.1016\/j.asoc.2023.110294_b77”，“非结构化”：“D.P.Kingma，j。Ba，Adam:《随机优化方法》，载：《第三届国际学习表征大会论文集》，2015年维持。能源技术。评估。“}，{”key“：”10.1016\/j.asoc.2023.110294_b79“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.cie.2021.107715“，”article-title“：”实现中国海上风电并网平价\u2013A不同省份的比较分析“，”volume“：10.1016\/j.asoc.2023.110294_b80“，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.resconrec.2022.106652“，”article-title“：”生命周期评估指导下的中国海上风电场绿色发展战略“，”volume“：”188“，“author”：“Chen”，“year”：“2023”，“journal-title”：“Resour”。保护。雷西。“}]，”container-title“：[”Applied Soft Computing“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S1568494623003125？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“”https:\/\/api.elsevier.com/content\/article\/PII:S1568494623003125？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,5,25]]，“date-time”：“2024-05-25T03:49:26Z”，“timestamp”：171660896000}，“score”：1，“resource”：{primary“URL”：“https:\\/linkinghub.elsevier.com/retrieve\/pii\/S156848 94623003125“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2023,7]]}，”references-count“：80，”alternative-id“：[”S1568494623003125“]，”URL“：”http://\/dx.doi.org\/101016\/j.asoc.2023.110294“，”relationship“：{}，“ISSN”：[“1568-4946”]，“ISSN-type”：[{“value”：“1568-49”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[[2023,7]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}，{“value”：“用于多节点海上风速预测的动态自适应时空图神经网络”，“name”：“articletite”，“标签”：“文章标题”}https:\/\/doi.org\/10.1016\/j.asoc.2023.110294“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}，”{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，{“value”：“\u00a9 2023 Elsevier B.V.保留所有权利