A Spatiotemporal Graph Convolutional Network for Predictive Control With Stability Guarantees

Zixuan Chen

doi:10.1109/TCST.2026.3686435

A Spatiotemporal Graph Convolutional Network for Predictive Control With Stability Guarantees

2026-05-01

0

PRE

AI

DOI：10.1109/TCST.2026.3686435

原文链接

原文求助

摘要

En 中文

随着控制系统变得大规模、复杂化和高度耦合，时空特征在准确表征系统动态方面日益重要。近年来，已有大量尝试通过时空特征增强预测模型。受图神经网络强大空间特征提取能力的启发，本文提出了一种基于图卷积网络（GCN）的模型预测控制（MPC）方法。具体而言，首先提出了一种新颖的基于GCN的预测模型，能够提取空间和时序特征。值得注意的是，该模型能够自适应地从时序数据中学习空间图结构，无需任何先验知识。随后，结合MPC框架，引入梯度下降（GD）方法处理优化问题。此外，进行了稳定性和可行性分析，以保障所提方法在实际应用中的有效性。实验结果表明，所提方法具有优越性和可靠性，相比其他基于学习的MPC方法，能显著提高控制精度。

Keyword:

Graph convolutional network (GCN)

graph structure learning (GSL)

model predictive control (MPC)

spatiotemporal analysis

A Spatiotemporal Graph Convolutional Network for Predictive Control With Stability Guarantees

摘要

期刊

机构

引用论文