{“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”：[[2024,6,18]]，“日期-时间”：“2024-06-18T17:56:44Z”，“时间戳”：1718733404477}，“引用-计数”：42，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{-“日期-零件”：[2020,12,1]]，”日期-时间“：”2020-12-01T00:00:00 Z“，”timestamp“：1606780800000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“奖项”：[“61976155”，“61877043”]}，{“name”：“中国天津市重点研发计划”，“大奖”：[”18YFZZZZ]CGX00960“]}]，”内容域“：{”域“用法：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“Future Generation Computer Systems”]，”published-print“：{“date-parts”：[[2020,12]}，”DOI“：”10.1016\/j.Future.2020.06.024“，”type“：”journal-article“，”created“：{“date-ports”：[2020,6,20]]，“date-time”：“2020-06-20T17:36:08Z”，“timestamp”：1592674568000}，“第页”：“145-157”，“update-policy”：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：“Crossref”，“is-referenced-by-count”：59，“title”：[“海上风电预测叠加图神经网络”]，“prefix”：“10.1016”，“volume”：”113“，“author”：[{“given”：o“，”家庭“：”张“，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Xuewei”，“family”：“Li”，“segmentation”：“附加”，“filiation“：[]{”，{”given“：”Jian“，”family“：”Yu“，”sequence“：”additional“，”从属“：[]}，{”给定“：“博”，“家庭”：“你”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“萧山”，“家族”：“郑”，“顺序”：“额外”，“隶属关系”：[]}“crossref”，“first page”：“793”，“doi”：“10.1016\/j.penergy.2016.03.096”，“文章标题”：“一种新的基于时间序列模型的风电预测双向机制”，“卷”：“177”，“作者”：“Zhao”，“年份”：“2016”，“期刊标题”：“Appl.Energy”}，｛“key”：“10.1016\/j.future.200.06.024_b2”，“doi asserted by”：“crossref”，“首页”：“556”，“doi”：“10.1016\/j.Energy.2015.008.039”，“article-title”：“基于相空间重构理论和马尔可夫模型的混合风速预测模型：中国西北风电场的案例研究”，“卷”：“91”，“作者”：“王”，“年份”：“2015”，“期刊标题”：“能源”}，{“关键”：“10.1016\/j.future.2020.06.024_b3”，“series-title”：“2011年IEEE电力工程与自动化会议，第1卷”，“首页”：“307”，“文章标题”：“省级电网风力发电分析与预测”，“作者”：“刘”，“年份”：“2011”}，{“关键”：“10.1016\/j.future.2020.06.024_b4”，“系列标题”：《2018年可再生能源全球状况报告》，“作者“：”COMMUNITY“，”年份“2018”}、{“问题”：“1”，“关键”：“10.1016\/j.future.2020.06.024_b5”，“doi-asserted-by”：“crossref”，“first page”：“120”，“doi”：“10.1109\/TSG.2012.223766”，“article-title”：“智能电网中的可靠需求响应管理：斯塔克伯格游戏方法”，“卷”：“4”，“作者”：“马哈尔扬”，“年份”：“2013”，“日志标题”：“IEEE Trans.智能电网”}，{“问题”：“3”，“key”：“10.1016\/j.future.2020.06.024_b6”，“doi-asserted-by”：“crossref”，“first page”：“6”，”doi“：”10.1109\/MNET.2012.620110“，”article-title“：”认知机器通信：智能电网的愿景和潜力“，”volume“：“26”，“author”：“Yan”，“year”：“2012”，“journal-title”：“IEEE Netw.”}，{“issue”：“7”，“key”：”10.1016//j.futere.2020.06.024_b7“，“doi-asserted-by”：“crossref”，“first page”：“3431”，“doi”：“10.1016\/j.jcp.2007.02.034”，“article-title”：“计算机天气预报和气候建模的起源”，“volume”：”227“，“author”：“Lyncha”，“year”：“2008”，“journal-title“：”j.Compute.Phys.“}，{“issue”：“19”，“key”：：“crossref”，“首页”：“808”，“DOI”：“10.1016\/j.apenergy.2015.10.145”，“article-title”：“基于WRF集合和创造性模糊系统的风速改进多步预测模型”，“volume”：“162”，“author”：“Zhao”，“year”：“2016”，“journal-title“：“Appl.Energy”}，{“issue”：“2”，“key”：”10.1016\/j.future.2020.06.024_59“，”DOI-asserted-by“：”crossref“，“first page”：306英寸，“DOI”：“10.1109\/TSTE.2011.2182215”，“article-title”：“AWNN-assisted wind power forward neural network using feed-forward”，“volume”：“3”，“author”：“Bhaskar”，“year”：“2012”，“journal-title“：”IEEE Trans.Sustain.Energy“}，{“key”：”10.1016\/j.future.2020.06.024_b10“，”DOI-asserted-by“：”crossref“，”first page“285”，”DOI“：”10.116\/j.a penergy.2016.05.111“，“article-title”：“预测风电\u2013建模条件异方差下的周期和非线性效应”，“volume”：“177”，“author”：“Ziel”，《year》：“2016”，“journal-title“：“Appl.Energy”}，{“issue”：“3”，“key”：”10.1016\/j.future.2020.06.024_b11“，”doi-asserted-by“：”crossref“，”first page“：”251“，”doi“：”10.1049 \/iet-rpg.2009.0155“，“article-title”：“葡萄牙短期风电预测的混合智能方法”，“volume”：“5”，“author”：“Catalao”，“year”：“2011”，“journal-title“：”IET Renew.power Gener.“}，{“issue”：“1\u20134”，“key”：”10.1016\/j.future.2020.06.024_b12“，”first page“：”1“，“article-tittle”：“基于网格搜索方法的支持向量回归短期风电预测”，“容量”：“2014年”，“作者”：“此外”，“年份”：“2014'，“期刊标题”：“J.Appl.Math.”}，{“key”：“10.1016\/J.future.2020.06.024_b13”，“doi-asserted-by”：“crossref”，“首页”：“690”，“doi”：“101016\/J.apenergy.2013.08.025”，“article-title”：“使用基于无迹卡尔曼滤波器的状态空间支持向量回归方法进行短期风速预测”，“卷”：“113”，“作者”：“陈”，“年份”：“2014”，“期刊标题”：“应用能源”}，{“关键”：“10.1016\/j.future.2020.06.024_b14”，“系列标题”：《决策与控制》，“文章标题”：“用于短期风速预测的组合AR-kNN模型”，“author”：“Yi”，“year”：“2016”}，{“issue”：“2”，“key”：“10.1016\/j.future.2020.06.024_b15”，“doi-asserted-by”：“crossref”，“first page”：《402》，“doi”：“10.016\/j.ijforecast.2013.07.008”，“article-title”：“使用k近邻算法进行风力发电量预测”：“30”，“author”：“Mangalova”，“year”：“2014”，“journal-title”：“Int.J.Forecast.”}，{“key”：“10.1016\/J.future.2020.06.024_b16”，“doi-asserted-by”：“crossref”，”first page“：”1“，”doi“：”10.1016\/J.enconman.2014.09.060“，”article-title“：”新型混合FEEMD-MLP、FEEMD-ANFIS、小波包-MLP和小波包-ANFIS用于风速预测的比较“volume”：”89“，“作者”：“Hui”，“年份”：“2015”，“期刊标题”：“Energy Convers.Manage.”}，｛“问题”：“2”，“关键”：“10.1016\/j.future.200.06.024_b17”，“doi断言者”：“crossref”，“首页”：“741”，“doi”：“10.1016\/j.iepes.2013.10-001”，“文章标题”：“基于改进简化群优化的多层感知器人工神经网络模型预测麦寮风电场风力发电量”，“容量”：“55”，“作者”：“Yeh”，“年份”：“2014年”，“期刊标题”：“国际电工能源系统”}，{“密钥”：“10.1016\/J.future.2020.06.024_b18”，“doi-asserted-by”：“crossref”，“首页”：“393”，“DOI”：“10.1016\/j.enconman.2015.05.065”，“article-title”：“基于LSSVM\u2013GSA模型的短期风电预测”，“volume”：“101”，“author”：“Yuan”，“year”：“2015”，“journal-title“：“Energy Convers.Manage.”}，{“key”：”10.1016\/j.future.2020.06.024_b19“，”DOI-asserted-by“：”crossref“，”首页“：”472“DOI“：”10.1016\/j.apenergy.2015.01.038“，“文章标题”：“一种新型混合预测模型的研究与应用\u2013中国风速预测的案例研究”，“卷”：“143”，“作者”：“王”，“年”：“2015”，“期刊标题”：“Appl.Energy”}，{“键”：“10.1016\/j.future.200.06.024_b20”，“系列标题”：“密集连接卷积网络”，“作者”：“黄”，“年”：“2016”}，{“key”：“10.1016\/j.future.2020.06.024_b21”，“series-title”：“电力与能源工程会议”，“article-title”：《基于深度-长期短期记忆的风电短期预测》，“author”：“Qu”，“year”：“2016”}，{“key”：《10.1016\/j.future.2020.6.024_b22》，“doi-asserted-by”：“crossref”，《首页》：“33”，“doi”：“1016\/j·future.2018.09.054”，“article-title”：“基于序列相关特征的风电预测LSTM-EFG”，“volume”：“93”，“author”：“Yu”，“year”：“2019”，“journal-title“：“Future Gener.Compute.Syst.”}，{“issue”：“1”，“key”：”10.1016\/j.Future.2020.06.024_b23“，”doi-asserted-by“：”crossref“，”first page“：”61“，”doi“：”10.1109\/TNN.2008.2005605“，”article-title“：“The graph neural network model”，“volume”：“20”，“author”：“Franco”，“year”：“2009”，“journal-title”：“IEEE Trans.neural Netw.”}，{“issue”：“4”，“key”：”10.1016\/j.future.2020.06.024_b24“，”doi-asserted-by“：”crossref“，”first page“18”，“doi”：“10.1109\/MSP.2017.2693418”，“article-title“几何深度学习：超越欧几里德数据”，“volume“：”34“，“author”：“Bronstein”，“year”：“2017”，“journal-title”：“IEEE Signal Process.Mag.”}，{“key”：“10.1016\/j.future.2020.06.024_b25”，“series-title”：”“Graph Convolution Networks半监督分类“，”author“：”Kipf“，”year“：”2016：“深度张量神经网络的量子化学见解”，“卷”：“8”，“作者”：“KT”，“年份”：“2017年”，“期刊标题”：“自然公社”}，{“关键”：“10.1016\/j.future.2020.06.024_b27”，“系列时间”：“图形神经网络：方法和应用综述”，“作家”：“周”，“年”：“2018”}、{“重点”：“1016\/j.futurn.2020.06.024 _b28”，”系列时间“：“用图卷积网络建模关系数据”，“author”：“Schlichtkrull”，“year”：“2017”}，{“key”：“10.1016\/j.future.2020.06.024_b29”，“unstructured”：“j.Chen，T.Ma，C.Xiao，FastGCN：利用图卷积网通过重要性抽样快速学习，in：2018年国际学习表征会议。”}、{“key”：“10.1016\/j.future.2020.06.024_b30”，“非结构化”：“P.Veli\u010dkovi\u0107，G.Cucurull，A.Casanova，A.Romero，P.Li\u00f2，Y.Bengio，Graph attention networks，in:International Conference on Learning Representations，2018。”}，{“key”：“10.106\/j.future.2020.06.024 _b31”，“无结构”：“Y.Li，D.Tarlow，M.Brockschmidt，R。Zemel，门控图序列神经网络，收录于：国际学习表征会议，2016年。“}，{“key”：“10.1016\/j.future.2020.06.024_b32”，“doi-asserted-by”：“crossref”，“unstructured”：“D.Muratore，M.Hagenbuchner，F.Scarselli，A.C。Tsoi，基于图神经网络的句子提取，in：国际人工神经网络会议，2010年非结构化“：”D.Duvenaud，D.Maclaurin，J.Aguilera-Iparraguirre，R.G\u00f3mez-Bombarelli，T.Hirzel，A.Aspuru-Guzik，R.P.Adams，用于学习分子指纹的图上卷积网络，收录于：神经信息处理系统国际会议，2015年。“}，{“问题”：“8”，“关键”：“10.1016\/J.future.2020.06.024_b35”，“doi-asserted-by“：”crossref“，”first page“：”1“，”doi“：”10.1007\/s10822-016-9938-8“，“article-title”：“分子图卷积：超越指纹”，“volume”：“30”，“author”：“Kearnes”，“year”：“2016”，“journal-title“：”J.Compute。辅助分子设计。“}，{”key“：”10.1016\/j.future.2020.06.024_b36“，”series-tile“：”计算可持续性“，”首页“：”13“，”article-title“：”机器学习风力预测“，”author“：”Treiber“，”year“：”2016“}”，{批量规范化：通过减少内部协变量偏移加快深层网络训练”，“作者”：“Ioffe”，“年份”：“2015”}，{“关键”：“10.1016\/j.future.2020.06.024_b38”，“非结构化”：“X.Gloot，A.Bordes，Y.Bengio，深层稀疏整流神经网络，收录于：2011年国际人工智能与统计会议”}、{“问题”：“4”，“key“：”10.1016\/j.future.2020.06.024_b39“，”first page“：“212”，”article-title“：”improvement neural networks by preventing co-adaption of feature detectors“，”volume“：3”，”author“：”Hinton“，”year“：”2012“，”journal-title”：“Compute”。科学。“}，{”issue“：”1“，”key“：”10.1016\/j.future.2020.06.024_b40“，”first page“：“1929”，”article-title“：”Dropout:A simple way to prevent neural networks from overfitting“，”volume“：：”15“，”author“：”Srivastava“，“year”：“2014”，“journal-title”：“j.Mach.Learn.Res.”}，”{“key”：“10.1016\/j.future.2020.6.024_b41”，“series-title”：”风能集成国家数据集工具包概述和气象验证”，“作者”：“Draxl”，“年份”：“2015”}，{“key”：“10.1016\/j.future.2020.06.024_b42”，“doi-asserted-by”：“crossref”，“首页”：“533”，“doi”：“101038\/323533a0”，“article-title”：“通过反向传播错误学习表示法”，“volume”：E.\u00a0Rumelhart“，”year“：”1986“，”journal-title“：”Nature“}]，”container-title”：[”Future Generation Computer Systems“]，”original-title:“[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0167739X19330626？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-xml“应用程序“：”文本提示“}，{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0167739X19330626？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2020,8,29]]，“date-time”：“2020-08-29T12:26:38Z”，“timestamp”：1598703998000}，“score”：1，“resource”：{primary“URL”：“https://linkinghub.elsevier.com//retrieve\/pii\/S0 167739X19330626“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2020,12]]}，”references-count“：42，”alternative-id“：[”S0167739X19330626“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.future.2020.06.024“，”relationship“：{}，“ISSN”：[”0167-739X“]，“ISSN-type”：[{“value”：“0167-739”X“，”type“：”print“}]，”subject“：[]，“published”：{“date-parts”：[[2020,12]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}，{“value”：“海上风电预测的叠加图神经网络”，“name”：“articlettle”，“label”：“文章标题”}，{“value”：“未来一代计算机系统”，“name”：“journaltitle”，“label”：“journaltitle”}，{“value”：“https://doi.org/10.1016\/j.Future.200.06.024”，“name”：“articlelink“，”label“：”CrossRef DOI link to publisher maintained version“}，{”value“：”article“，”name“：”content_type“，”标签“：”content-type“}、{”value“：“\u00a9 2020 Elsevier B.V.保留所有权利。”，“name”：“copyright”，“label”：“copyright“}]}}”