基于图神经网络与多尺度注意力机制的电力技术改造项目动态成本预测

《Scientific Reports》：Dynamic cost prediction of power technical transformation projects based on graph neural networks and multi-scale attention mechanisms

　　

摘要

对于电力技术改造项目而言，准确的成本预测是资本预算和投资决策的关键。然而传统方法难以处理成本驱动因素之间的复杂关联，以及在不同时间尺度上变化的成本动态。我们提出了一种混合框架，将图神经网络与多尺度注意力机制相结合，用于动态预测电力技术改造项目的成本。该方法首先构建一个异构关联图，其中设备、材料、劳动力及政策因素作为相互连接的节点出现；随后通过带残差连接的多层图注意力卷积来提取具有拓扑结构的嵌入向量。这些嵌入向量会被送入一个三分支多尺度注意力模块，该模块通过门控融合功能同时捕捉短期、中期和长期的成本动态。在2015年至2023年的1,862个真实电力技术改造项目数据上，该模型的平均绝对百分比误差为6.53%，决定系数为0.965，各项指标均优于多元线性回归、支持向量回归、反向传播网络、LSTM模型、Transformer（Informer）基准模型以及仅使用图神经网络的版本。Diebold–Mariano检验和配对自举区间分析表明，这些改进具有统计学显著性。消融研究显示，基于图的关系编码和多尺度时间建模都起到了作用，其中图神经网络是被认为最具影响力的组成部分。