CN107944550A - 一种基于探测式深度网络的时空大数据预测方法 - Google Patents
一种基于探测式深度网络的时空大数据预测方法 Download PDFInfo
- Publication number
- CN107944550A CN107944550A CN201711339998.8A CN201711339998A CN107944550A CN 107944550 A CN107944550 A CN 107944550A CN 201711339998 A CN201711339998 A CN 201711339998A CN 107944550 A CN107944550 A CN 107944550A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- spatial data
- time
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于探测式深度网络的时空大数据预测方法,包括:将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;模型训练方法包括:将前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;将K+1时刻的空间数据预测值输入预测器,获取K+2至K+J时刻的空间数据预测值;将K+1至K+J‑1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;根据空间数据预测值、空间数据探测值和时空序列,应用损失函数计算预测器和探测器的输出值与时空序列的差距;对所述模型进行优化并重复上述步骤,直至差距满足预设条件。本发明提供的方法,充分利用了数据潜在知识,提高了预测结果精度。
Description
技术领域
本发明涉及计算机数据分析技术领域,尤其涉及一种基于探测式深度网络的时空大数据预测方法。
背景技术
随着传感器网络、手持移动设备等的普遍应用,遥感卫星和地理信息系统等的显著进步,一种同时具有时间和空间维度的数据——时空数据,大量存在于金融、气象、环保、安防等领域。
目前,机器学习已经被成功应用于时序数据分析和时序信号处理领域,而如何准确预测大规模流式到来的高维时空序列数据,则成为了大数据背景下亟待解决的科学问题。
单纯使用序列到序列(Seq2Seq)方法来预测时空序列,得到的预测结果通常只明显依赖于前方有限个时间点的输入,难以利用之前更远的时间点输入的数据的特征。而这些序列到序列模型容易遗忘的特征,往往与当前的预测结果紧密相关。这导致用于预测较长时间序列的卷积长短时间记忆单元(Convolutional LSTM)网络难以被训练。单纯的序列到序列模型,对于时间跨度较大的序列,难以有效的学习序列中的运动模式,造成预测不准确。
此外,由于时空数据序列具有输入数据预期待的输出数据分布相同的特点,而通用方法是对于解码器的每一帧输入都是上一时间节点的输出,不可避免地会受到误差累计的影响。
发明内容
本发明为解决现有技术中存在的问题,提供了一种基于探测式深度网络的时空大数据预测方法。
一方面,本发明提出一种时空数据预测方法,包括:将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;其中,所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成,所述探测式卷积递归神经网络模型的训练方法包括:S1,将时空序列的前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;将所述K+1时刻的空间数据预测值输入预测器,获取K+2至K+J时刻的空间数据预测值;将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;S2,根据所述空间数据预测值、空间数据探测值和时空序列,应用损失函数计算所述预测器和探测器的输出值与时空序列的差距;S3,对所述模型进行优化并重复步骤S1和S2,直至所述差距满足预设条件,获取所述训练好的探测式卷积递归神经网络模型。
优选地,所述编码器由K组预测单元构成,所述预测器和探测器分别由J-1组预测单元构成,任一所述预测单元由若干层所述记忆单元构成;任一所述记忆单元接收前一组预测单元中同一层记忆单元的记忆,并向后一组预测单元中同一层记忆单元发送所述任一记忆单元的记忆;任一所述记忆单元的输入为同一组预测单元中的前一层记忆单元的输出。
优选地,所述编码器的第K组预测单元中的记忆单元分别向所述预测器和探测器的第一组预测单元中同一层记忆单元发送记忆;所述预测器和探测器的第一组预测单元中的记忆单元接收所述编码器的第K组预测单元中同一层记忆单元发送的记忆;所述编码器的第m组预测单元中的底层记忆单元的输入为所述时空序列中的m时刻的空间数据;m=1,2,…,K;所述探测器的第n组预测单元中的底层记忆单元的输入为所述时空序列中的K+n时刻的空间数据;n=1,2,…,J-1;所述探测器第n组预测单元的顶层记忆单元的输出为K+n+1时刻的空间数据探测值;所述预测器的第p组预测单元的底层记忆单元的输入为K+p时刻的空间数据预测值;p=1,2,…,J-1;所述预测器第p组预测单元中的顶层记忆单元的输出为K+p+1时刻的空间数据预测值。
优选地,所述步骤S1中的所述模型的目标是估计条件概率其中,(χ1,…,χK)为所述时空序列中1至K时刻的空间数据,即S1中编码器的输入序列,为所述预测器输出的预测时空序列,所述预测时空序列包括K+1至K+J时刻的空间数据预测值;首先,编码器将输入序列(χ1,…,χK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,预测器根据所述特征表示计算输出序列的条件概率:
其中,为所述预测时空序列中K+1至K+J时刻的空间数据预测值,fencoder(X1,…,XK)表示所述编码器最后一个记忆单元的隐藏状态。
所述步骤S1中通过所述预测器获取的K+p时刻的空间数据预测值如下:
式中,fpredictor表示预测器的模型。
优选地,所述步骤S1中,首先,所述编码器将输入序列(X1,…,XK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,所述探测器根据所述特征表示以及时空序列中K+1至K+J-1时刻的空间数据计算探测时空序列的条件概率:
其中,为所述探测时空序列中K+1至K+J时刻的空间数据探测值,fencoder(x1,…,XK)表示上述编码器最后一个记忆单元的隐藏状态。
所述步骤S1中通过所述探测器获取的K+p时刻的空间数据探测值如下:
式中,fprober表示探测器的模型。
优选地,所述步骤S2进一步包括:根据所述K+1至K+J时刻的空间数据预测值、空间数据探测值和时空序列,应用如下损失函数计算所述预测器和探测器的输出值与时空序列的差距L:
式中,为j时刻空间数据预测值,为j时刻空间数据探测值,Xj为时空序列中j时刻的时空数据。
优选地,所述步骤S3中,应用随机梯度下降反向传播算法,按照预先设定的学习速率策略对所述模型进行优化。
优选地,将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果,进一步包括:将时空序列输入训练好的编码器,获取所述编码器的最后一组预测单元中的顶层记忆单元的输出;将所述编码器的最后一组预测单元中的顶层记忆单元的输出输入预测器,获取所述预测器中每一预测单元中顶层记忆单元的输出,所述编码器的最后一组预测单元中的顶层记忆单元的输出和所述预测器中每一预测单元中顶层记忆单元的输出构成所述预测结果。
另一方面,本发明提出一种时空数据预测设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前任一所述的方法。
再一方面,本发明提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如前所述的方法。
本发明提供的一种基于探测式深度网络的时空大数据预测方法,通过构建探测式卷积递归神经网络模型为时空大数据的预测提供了途径,在训练时全部使用真实值作为编码器和探测器的输入,使模型更加充分的利用训练数据中潜在的时空知识,提高了预测结果精度。
附图说明
图1为本发明具体实施例的一种探测式卷积递归神经网络模型训练方法的流程示意图;
图2为本发明具体实施例的一种探测式卷积递归神经网络模型的结构示意图;
图3为本发明具体实施例的一种探测式卷积递归神经网络模型训练方法的流程示意图;
图4为本发明具体实施例的一种时空数据预测设备的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
一种时空数据预测方法,包括:将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;其中,所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成。图1为本发明具体实施例的一种探测式卷积递归神经网络模型训练方法的流程示意图,如图1所示,所述探测式卷积递归神经网络模型的训练方法包括:S1,将时空序列的前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;将所述K+1时刻的空间数据预测值输入预测器,获取K+2至K+J时刻的空间数据预测值;将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;S2,根据所述空间数据预测值、空间数据探测值和时空序列,应用损失函数计算所述预测器和探测器的输出值与时空序列的差距;S3,对所述模型进行优化并重复步骤S1和S2,直至所述差距满足预设条件,获取所述训练好的探测式卷积递归神经网络模型。
具体地,为了实现大数据背景下高维时空序列数据的准确预测,基于机器学习技术,本发明具体实施例提出了一种探测式卷积递归神经网络模型,将时空序列输入训练好的探测式卷积递归神经网络模型,即可输出预测结果。
进一步地,所述探测式卷积递归神经网络模型由编码器、预测器和探测器三个部分构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成:
其中所述编码器用于将输入所述编码器的时空序列压缩为一个隐藏状态,所述隐藏状态在数据结构上表现为一个高维张量,用于表征输入所述编码器的时空序列的空间分布特征和时间动态变化趋势。编码器将这个隐藏状态分别传递给预测器和探测器。
预测器中每个时间节点的卷积长短时记忆单元的输入是上一时刻的生成张量,输出是对序列中下一时刻时空数据的预测。探测器中的每个时间节点卷积长短时记忆单元的输入是当前时刻的真实时空数据,输出是对序列中下一时刻时空数据的预测。
所述探测式卷积递归神经网络模型通过以下方法进行训练:
首先,将观测时空序列中的前K个时刻的空间数据输入编码器,编码器将所述前K个时刻的空间数据压缩为一个隐藏状态,并作为对K+1时刻的空间数据预测值输出。
其次,将所述编码器输出的K+1时刻的空间数据预测值输入到预测器,预测器根据所述K+1时刻的空间数据预测值预测并输出下一时刻的空间数据预测值,并依照预测输出的新的空间数据预测值对下一时刻的空间数据进行预测,依此递归输出K+2至K+J时刻的空间数据预测值。
与此同时,将观测时空序列中的K+1至K+J-1时刻的空间数据输入探测器,所述探测器分别根据各个时刻的空间数据对应预测下一时刻的空间数据探测值,即对应输出K+2至K+J时刻的空间数据探测值。
随后,应用损失函数根据上述编码器和预测器输出的全部空间数据预测值、探测器输出的全部空间数据探测值和所述观测时空序列计算所述预测器和探测器的输出值与时空序列的差距。
接着,确定所述差距是否满足预先设定的条件,并以此为依据判断当前的所述模型是否达到要求的性能,如果不满足条件,则对所述模型进行优化,并重复上述步骤对所述探测式卷积递归神经网络模型进行训练;否则,确认当前的探测式卷积递归神经网络模型已经训练好。
本发明具体实施例中,通过构建探测式卷积递归神经网络模型为时空大数据的预测提供了途径,在训练时全部使用真实值作为编码器和探测器的输入,使模型更加充分的利用训练数据中潜在的时空知识,提高了预测结果精度。
基于上述具体实施例,图2为本发明具体实施例的一种探测式卷积递归神经网络模型的结构示意图,如图2所示,一种时空数据预测方法,所述编码器由K组预测单元构成,所述预测器和探测器分别由J-1组预测单元构成,任一所述预测单元由若干层所述记忆单元构成;任一所述记忆单元接收前一组预测单元中同一层记忆单元的记忆,并向后一组预测单元中同一层记忆单元发送所述任一记忆单元的记忆;任一所述记忆单元的输入为同一组预测单元中的前一层记忆单元的输出。
具体地,参考图2所示的结构,所述编码器、预测器和探测器均有若干组预测单元构成,任一所述预测单元由若干层所述记忆单元构成,每一所述预测单元用于预测一个时刻的空间数据。其中,所述编码器的预测单元数量与输入所述编码器的时空序列的时刻数量一致,所述预测器的预测单元数量比待预测的时刻数量少一组,所述预测器与探测器的预测单元数量一致,所述编码器、预测器和探测器中预测单元中记忆单元的层数一致。
图2中,所述记忆单元以矩阵的形式排列,每行为一层记忆单元,每列为一组预测单元。其中,任一所述记忆单元能够接收前一组预测单元中同一层记忆单元的记忆,即所述任一记忆单元上一时刻的卷积记忆状态;同理,任一所述记忆单元还能够想后一组预测单元中同一层记忆单元发送所述任一记忆单元的记忆,即向下一时刻输送当前时刻的卷积记忆状态。由上可知,同一层的记忆单元间共享卷积记忆状态。此外,任一所述记忆单元的输入为同一组预测单元中前一层记忆单元的输出,同一预测单元中的记忆单元对初始输入值进行递归卷积。
本发明具体实施例提出了编码器、预测器和探测器的具体结构,通过同一层记忆单元之间的参数的共享,实现高精度的空间数据预测。
基于上述任一具体实施例,一种时空数据预测方法,所述编码器的第K组预测单元中的记忆单元分别向所述预测器和探测器的第一组预测单元中同一层记忆单元发送记忆;所述预测器和探测器的第一组预测单元中的记忆单元接收所述编码器的第K组预测单元中同一层记忆单元发送的记忆;所述编码器的第m组预测单元中的底层记忆单元的输入为所述时空序列中的m时刻的空间数据;m=1,2,…,K;所述探测器的第n组预测单元中的底层记忆单元的输入为所述时空序列中的K+n时刻的空间数据;n=1,2,…,J-1;所述探测器第n组预测单元的顶层记忆单元的输出为K+n+1时刻的空间数据探测值;所述预测器的第p组预测单元的底层记忆单元的输入为K+p时刻的空间数据预测值;p=1,2,…,J-1;所述预测器第p组预测单元中的顶层记忆单元的输出为K+p+1时刻的空间数据预测值
具体地,所述编码器的第K组预测单元,即编码器的最后一组预测单元,分别向所述预测器和探测器的第一组预测单元中同一层的一级单元发送记忆,所述预测器和探测器的第一组预测单元中的记忆单元接收所述编码器的第K组预测单元中同一层记忆单元发送的记忆,即所述编码器与预测器和探测器之间,同一层的记忆单元间共享卷积记忆状态。需要注意的是,预测器和探测器的同一层记忆单元间不存在共享关系。
此外,将时空序列的前K个时刻的空间数据输入编码器,是指将所述时空序列的前K个时刻的空间数据依照时序分别输入所述编码器的K组预测单元的底层记忆单元。例如,所述时空序列的m时刻的空间数据对应输入所述编码器的第m组预测单元中的底层记忆单元,其中,m=1,2,…,K。经过计算,所述编码器的输出为所述编码器第K组即最后一组预测单元的顶层记忆单元的卷积输出,最后一组预测单元的输入对应为所述时空序列K时刻的空间数据,输出为K+1时刻的空间数据预测值,即所述编码器的输出为K+1时刻的空间数据预测值。
将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,是指将所述时空序列的K+1至K+J-1时刻的空间数据依照时序分别输入所述探测器的J-1组预测单元的底层记忆单元。例如,将所述时空序列的K+n时刻的空间数据对应输入所述探测器的第n组预测单元中的底层记忆单元中,n=1,2,…,J-1。所述探测器中每组预测单元均根据底层记忆单元输入的某一时刻的空间数据输出对应下一时刻的空间数据探测值。因而所述探测器共有J-1个输出值,即K+2至K+J时刻的空间数据探测值。
将所述K+1时刻的空间数据预测值输入预测器,是指将所述编码器的第K组预测单元中顶层记忆单元的卷积输出作为所述预测器第一组预测单元底层记忆单元的输入。所述预测器第一组预测单元顶层记忆单元输出下一个时刻即K+2时刻的空间数据预测值。随后,将所述预测器第一组预测单元的输出,即K+2个时刻的空间数据预测值作为第二组预测单元的输入,依照上述规则进行递归预测,将所述预测器中任一预测单元的输出作为所述任一预测单元后一预测单元的输入。例如,所述预测器的第p组预测单元的底层记忆单元的输入为第p-1组预测单元的输出,即K+p时刻的空间数据预测值,所述第p组预测单元的顶层记忆单元的输出为K+p+1时刻的空间数据预测值,p=1,2,…,J-1。由此,由J-1组预测单元构成的预测器共输出J-1个空间数据预测值,即K+2至K+J时刻的空间数据预测值。
由上述编码器、探测器和预测器的输入可知,所述编码器和探测器中每一预测单元底层记忆单元的输入均为时空序列中的时空数据,是真实值,使模型更加充分的利用训练数据中潜在的时空知识,提高了预测结果精度。
基于上述任一具体实施例,一种时空数据预测方法,所述步骤S1中的所述模型的目标是估计条件概率其中,(x1,…,xK)为所述时空序列中1至K时刻的空间数据,即S1中编码器的输入序列,为所述预测器输出的预测时空序列,所述预测时空序列包括K+1至K+J时刻的空间数据预测值;
首先,编码器将输入序列(x1,…,xK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,预测器根据所述特征表示计算输出序列的条件概率:
其中,为所述预测时空序列中K+1至K+J时刻的空间数据预测值,fencoder(X1,…,xK)表示所述编码器最后一个记忆单元的隐藏状态。
所述步骤S1中通过所述预测器获取的K+p时刻的空间数据预测值如下:
式中,fpredictor表示预测器的模型。
由上式可知,所述预测器获取的空间数据预测值是编码器模型fencoder的输出输入到预测器模型fpredictor后的输出值,所述预测器对时空序列中空间数据的预测是以编码器输出的预测值为基础的。
基于上述任一具体实施例,一种时空数据预测方法,所述步骤S1中,首先,所述编码器将输入序列(χ1,…,xK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,所述探测器根据所述特征表示以及时空序列中K+1至K+J-1时刻的空间数据计算探测时空序列的条件概率:
其中,为所述探测时空序列中K+1至K+J时刻的空间数据探测值,fencoder(x1,…,xK)表示上述编码器最后一个记忆单元的隐藏状态。
所述步骤S1中通过所述探测器获取的K+p时刻的空间数据探测值如下:
式中,fprober表示探测器的模型。
由上式可知,所述探测器对时空序列中空间数据的预测是以编码器输出的隐藏张量和时空序列的真实值为基础的。
基于上述任一具体实施例,一种时空数据预测方法,所述步骤S2进一步包括:
根据所述K+1至K+J时刻的空间数据预测值、空间数据探测值和时空序列,应用如下损失函数计算所述预测器和探测器的输出值与时空序列的差距L:
式中,为j时刻空间数据预测值,为j时刻空间数据探测值,xj为时空序列中j时刻的时空数据。K为输入探测器的时空数据的数量,J为获取的空间数据预测值的数量。
由上式可知,所述损失函数包括两部分,一部分为所述预测器输出值与所述时空序列真实值间的均方误差,另一部分为所述探测器输出值与所述时空序列真实值间的均方误差。
基于上述任一具体实施例,一种时空数据预测方法,所述步骤S3中,应用随机梯度下降反向传播算法,按照预先设定的学习速率策略对所述模型进行优化。
具体地,梯度下降法(gradient descent)是一种最优化算法,常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。随机梯度下降法(Stochastic GradientDescent)仅选取一个样本来求取梯度,有效缩减了收敛时间。
反向传播算法(Backpropagation algorithm)是一种建立在梯度下降法的基础上,适用于多层神经元网络的学习算法。反向传播算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中,输入信息通过输入层经隐含层,逐层处理并传向输出层。如果在输出层得不到期望的输出值,则取输出与期望的误差的平方和作为目标函数,转入反向传播,逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,作为修改权值的依据,模型的学习在权值修改过程中完成。
本发明具体实施例中,通过应用随机梯度下降反向传播算法,按照预先设定的学习速率策略对所述探测式卷积递归神经网络模型进行优化,以使得所述模型满足预设条件。
基于上述任一具体实施例,一种时空数据预测方法,将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果,进一步包括:将时空序列输入训练好的编码器,获取所述编码器的最后一组预测单元中的顶层记忆单元的输出;将所述编码器的最后一组预测单元中的顶层记忆单元的输出输入预测器,获取所述预测器中每一预测单元中顶层记忆单元的输出,所述编码器的最后一组预测单元中的顶层记忆单元的输出和所述预测器中每一预测单元中顶层记忆单元的输出构成所述预测结果。
具体地,基于上述训练好的探测式卷积递归神经网络模型,对时空序列进行预测,所述预测方法进一步包括:
首先,将时空序列输入训练好的探测式卷积递归神经网络模型中的编码器,获取所述编码器的最后一组预测单元中顶层记忆单元的输出,即对应输入所述编码器的最后一组预测单元的空间数据的后一时刻空间数据预测值。
随后,将所述编码器的输出值输入预测器的第一组预测单元中,所述预测器的预测单元以前一预测单元的输出值作为输入,对所述时空序列进行递归预测。
将所述编码器的输出值与所述预测器中每一预测单元的输出值进行汇总,作为所述时空序列的预测结果。
本发明具体实施例提出了基于探测式卷积递归神经网络模型的预测方法,提高了预测结果的精确度。
为了更好地理解与应用本发明提出的一种时空数据预测方法,本发明进行以下示例,且本发明不仅局限于以下示例。
在对时空序列进行预测之前,首先对探测式卷积递归神经网络模型进行训练:
图3为本发明具体实施例的一种探测式卷积递归神经网络模型训练方法的流程示意图,参考图3,首先,将t=1的空间数据输入编码器对应t=1的预测单元底层记忆单元,所述底层记忆单元将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元的输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元。
随后,将t=2的空间数据输入编码器对应t=2的预测单元底层记忆单元,所述底层记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元。
依照时序将空间数据输入编码器中,直至t=m,编码器对应t=m的预测单元顶层记忆单元输出t=m+1的空间数据预测值,其中m为所述编码器允许输入的时空数据数量。
接着,将t=m+1的空间数据输入探测器对应t=m+1的预测单元底层记忆单元,所述底层记忆单元抽取编码器对应t=m的预测单元的底层记忆单元的记忆,并将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元抽取编码器对应t=m的预测单元的同一层记忆单元的记忆,并将输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元,输出t=m+2的空间数据探测值。
将t=m+2的空间数据输入探测器对应t=m+2的预测单元底层记忆单元,所述底层记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元,输出t=m+3的空间数据探测值。
依照时序将空间数据输入探测器中,直至t=m+n,探测器共输出n个空间数据探测值,即t=m+2至t=m+n+1的空间数据探测值,其中n为所述探测器允许输入的时空数据数量。
与此同时,将编码器输出的t=m+1的空间数据预测值,输入预测器对应t=m+1的预测单元底层记忆单元,所述底层记忆单元抽取编码器对应t=m的预测单元的底层记忆单元的记忆,并将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元抽取编码器对应t=m的预测单元的同一层记忆单元的记忆,并将输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元,输出t=m+2的空间数据预测值。
将t=m+1的预测单元输出的t=m+2的空间数据预测值输入预测器器对应t=m+2的预测单元底层记忆单元,所述底层记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出传递给同一预测单元上一层的记忆单元作为输入,所述预测单元中任一记忆单元抽取前一预测单元同层记忆单元的记忆,并将输出作为上一层记忆单元的输入,直至信息传递到所述预测单元的顶层记忆单元,输出t=m+3的空间数据预测值。
依照时序将前一预测单元输出的空间数据预测值输入预测器中下一预测单元,直至t=m+n,预测器共输出n个空间数据预测值,即t=m+2至t=m+n+1的空间数据预测值。
随后,根据所述t=m+1至t=m+n+1的空间数据预测值、空间数据探测值和时空序列,应用如下损失函数计算所述预测器和探测器的输出值与时空序列的差距L:
式中,为j时刻空间数据预测值,为j时刻空间数据探测值,Xj为时空序列中j时刻的时空数据。
将所述差距L与预先设定的阈值进行比较,如果所述差距L大于等于所述阈值,则应用优化器对当前探测式卷积递归神经网络模型进行训练,并重新应用编码器、探测器和预测器计算优化后的差距;如果所述差距L小于所述阈值,则结束训练,确认当前模型为训练好的探测式卷积递归神经网络模型。
最后,基于上述训练好的探测式卷积递归神经网络模型,对时空序列进行预测:
首先,将时空序列中的m个空间数据输入训练好的探测式卷积递归神经网络模型中的编码器,获取所述编码器的最后一组预测单元中顶层记忆单元的输出,即对应输入所述编码器的最后一组预测单元的空间数据的后一时刻空间数据预测值。
随后,将所述编码器的输出值输入预测器的第一组预测单元中,所述预测器的预测单元以前一预测单元的输出值作为输入,对所述时空序列进行递归预测,获取包含n-1个空间数据预测值的时空序列。
将所述编码器的输出值与所述预测器中每一预测单元的输出值进行汇总,获取包含共n个空间数据预测值的时空序列,作为所述时空序列的预测结果。
本示例中,通过构建探测式卷积递归神经网络模型为时空大数据的预测提供了途径,在训练时全部使用真实值作为编码器和探测器的输入,使模型更加充分的利用训练数据中潜在的时空知识,提高了预测结果精度。
图4为本发明具体实施例的一种时空数据预测设备的结构示意图,如图4所示,该设备包括:至少一个处理器401;以及与所述处理器401通信连接的至少一个存储器402,其中:所述存储器402存储有可被所述处理器401执行的程序指令,所述处理器401调用所述程序指令能够执行上述各实施例所提供的时空数据预测的方法,例如包括:将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;其中,所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成,所述探测式卷积递归神经网络模型的训练方法包括:S1,将时空序列的前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;获取K+2至K+J时刻的空间数据预测值;将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;S2,根据所述空间数据预测值、空间数据探测值和时空序列,应用损失函数计算所述预测器和探测器的输出值与时空序列的差距;S3,对所述模型进行优化并重复步骤S1和S2,直至所述差距满足预设条件,获取所述训练好的探测式卷积递归神经网络模型。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行对应实施例所提供的时空数据预测方法,例如包括:将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;其中,所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成,所述探测式卷积递归神经网络模型的训练方法包括:S1,将时空序列的前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;将所述K+1时刻的空间数据预测值输入预测器,获取K+2至K+J时刻的空间数据预测值;将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;S2,根据所述空间数据预测值、空间数据探测值和时空序列,应用损失函数计算所述预测器和探测器的输出值与时空序列的差距;S3,对所述模型进行优化并重复步骤S1和S2,直至所述差距满足预设条件,获取所述训练好的探测式卷积递归神经网络模型。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种时空数据预测方法,其特征在于,包括:
将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果;
其中,所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成,所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成,所述探测式卷积递归神经网络模型的训练方法包括:
S1,将时空序列的前K个时刻的空间数据输入编码器,获取K+1时刻的空间数据预测值;将所述K+1时刻的空间数据预测值输入预测器,获取K+2至K+J时刻的空间数据预测值;
将所述时空序列的K+1至K+J-1时刻的空间数据输入探测器,获取K+2至K+J时刻的空间数据探测值;
S2,根据所述空间数据预测值、空间数据探测值和时空序列,应用损失函数计算所述预测器和探测器的输出值与时空序列的差距;
S3,对所述模型进行优化并重复步骤S1和S2,直至所述差距满足预设条件,获取所述训练好的探测式卷积递归神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述编码器由K组预测单元构成,所述预测器和探测器分别由J-1组预测单元构成,任一所述预测单元由若干层所述记忆单元构成;
任一所述记忆单元接收前一组预测单元中同一层记忆单元的记忆,并向后一组预测单元中同一层记忆单元发送所述任一记忆单元的记忆;
任一所述记忆单元的输入为同一组预测单元中的前一层记忆单元的输出。
3.根据权利要求2所述的方法,其特征在于,
所述编码器的第K组预测单元中的记忆单元分别向所述预测器和探测器的第一组预测单元中同一层记忆单元发送记忆;
所述预测器和探测器的第一组预测单元中的记忆单元接收所述编码器的第K组预测单元中同一层记忆单元发送的记忆;
所述编码器的第m组预测单元中的底层记忆单元的输入为所述时空序列中的m时刻的空间数据;m=1,2,…,K;
所述探测器的第n组预测单元中的底层记忆单元的输入为所述时空序列中的K+n时刻的空间数据;n=1,2,…,J-1;所述探测器第n组预测单元的顶层记忆单元的输出为K+n+1时刻的空间数据探测值;
所述预测器的第p组预测单元的底层记忆单元的输入为K+p时刻的空间数据预测值;p=1,2,…,J-1;所述预测器第p组预测单元中的顶层记忆单元的输出为K+p+1时刻的空间数据预测值。
4.根据权利要求3所述的方法,其特征在于,所述步骤S1中的所述模型的目标是估计条件概率其中,(χ1,…,χK)为所述时空序列中1至K时刻的空间数据,即S1中编码器的输入序列,为所述预测器输出的预测时空序列,所述预测时空序列包括K+1至K+J时刻的空间数据预测值;
首先,编码器将输入序列(χ1,…,χK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,预测器根据所述特征表示计算输出序列的条件概率:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>J</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Pi;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>J</mi>
</mrow>
</msubsup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>c</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,为所述预测时空序列中K+1至K+J时刻的空间数据预测值,fencoder(χ1,…,χK)表示所述编码器最后一个记忆单元的隐藏状态;
所述步骤S1中通过所述预测器获取的K+p时刻的空间数据预测值如下:
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>d</mi>
<mi>i</mi>
<mi>c</mi>
<mi>t</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>c</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,fpredictor表示预测器的模型。
5.根据权利要求3所述的方法,其特征在于,所述步骤S1中,
首先,所述编码器将输入序列(χ1,…,χK)的信息压缩为固定维度的特征表示,保存在编码器最后一个记忆单元的隐藏状态中;然后,所述探测器根据所述特征表示以及时空序列中K+1至K+J-1时刻的空间数据计算探测时空序列的条件概率:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>J</mi>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Pi;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>J</mi>
</mrow>
</msubsup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>c</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,为所述探测时空序列中K+1至K+J时刻的空间数据探测值,fencoder(χ1,…,xK)表示上述编码器最后一个记忆单元的隐藏状态;
所述步骤S1中通过所述探测器获取的K+p时刻的空间数据探测值如下:
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>e</mi>
<mi>n</mi>
<mi>c</mi>
<mi>o</mi>
<mi>d</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>K</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,fprober表示探测器的模型。
6.根据权利要求1所述的方法,其特征在于,所述步骤S2进一步包括:
根据所述K+1至K+J时刻的空间数据预测值、空间数据探测值和时空序列,应用如下损失函数计算所述预测器和探测器的输出值与时空序列的差距L:
<mrow>
<mi>L</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>J</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>K</mi>
<mo>+</mo>
<mi>J</mi>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
式中,为j时刻空间数据预测值,为j时刻空间数据探测值,xj为时空序列中j时刻的时空数据。
7.根据权利要求1所述的方法,其特征在于,所述步骤S3中,应用随机梯度下降反向传播算法,按照预先设定的学习速率策略对所述模型进行优化。
8.根据权利要求3所述的方法,其特征在于,将时空序列输入训练好的探测式卷积递归神经网络模型,获取预测结果,进一步包括:
将时空序列输入训练好的编码器,获取所述编码器的最后一组预测单元中的顶层记忆单元的输出;
将所述编码器的最后一组预测单元中的顶层记忆单元的输出输入预测器,获取所述预测器中每一预测单元中顶层记忆单元的输出,所述编码器的最后一组预测单元中的顶层记忆单元的输出和所述预测器中每一预测单元中顶层记忆单元的输出构成所述预测结果。
9.一种时空数据预测设备,其特征在于,包括:
至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711339998.8A CN107944550A (zh) | 2017-12-14 | 2017-12-14 | 一种基于探测式深度网络的时空大数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711339998.8A CN107944550A (zh) | 2017-12-14 | 2017-12-14 | 一种基于探测式深度网络的时空大数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944550A true CN107944550A (zh) | 2018-04-20 |
Family
ID=61944141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711339998.8A Pending CN107944550A (zh) | 2017-12-14 | 2017-12-14 | 一种基于探测式深度网络的时空大数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944550A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427989A (zh) * | 2018-06-12 | 2018-08-21 | 中国人民解放军国防科技大学 | 一种用于雷达回波外推的深度时空预测神经网络训练方法 |
CN108596398A (zh) * | 2018-05-03 | 2018-09-28 | 哈尔滨工业大学 | 基于条件随机场与Stacking算法的时间序列预测方法和装置 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
US20110172920A1 (en) * | 2007-01-12 | 2011-07-14 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
CN104091047A (zh) * | 2014-06-18 | 2014-10-08 | 清华大学深圳研究生院 | 基于交通时空信息的交通流缺失数据估算系统及方法 |
CN106156844A (zh) * | 2015-03-23 | 2016-11-23 | 日本电气株式会社 | 用于构建时空神经网络和利用其进行预测的方法和设备 |
-
2017
- 2017-12-14 CN CN201711339998.8A patent/CN107944550A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110172920A1 (en) * | 2007-01-12 | 2011-07-14 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
CN104091047A (zh) * | 2014-06-18 | 2014-10-08 | 清华大学深圳研究生院 | 基于交通时空信息的交通流缺失数据估算系统及方法 |
CN106156844A (zh) * | 2015-03-23 | 2016-11-23 | 日本电气株式会社 | 用于构建时空神经网络和利用其进行预测的方法和设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596398A (zh) * | 2018-05-03 | 2018-09-28 | 哈尔滨工业大学 | 基于条件随机场与Stacking算法的时间序列预测方法和装置 |
CN108596398B (zh) * | 2018-05-03 | 2021-02-19 | 哈尔滨工业大学 | 基于条件随机场与Stacking算法的时间序列预测方法和装置 |
CN108427989A (zh) * | 2018-06-12 | 2018-08-21 | 中国人民解放军国防科技大学 | 一种用于雷达回波外推的深度时空预测神经网络训练方法 |
CN108427989B (zh) * | 2018-06-12 | 2019-10-11 | 中国人民解放军国防科技大学 | 一种用于雷达回波外推的深度时空预测神经网络训练方法 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN110363327B (zh) * | 2019-06-04 | 2021-09-03 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944550A (zh) | 一种基于探测式深度网络的时空大数据预测方法 | |
CN111130839B (zh) | 一种流量需求矩阵预测方法及其系统 | |
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN108009632A (zh) | 对抗式时空大数据预测方法 | |
CN108197739A (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN110070172A (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
CN107563574A (zh) | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 | |
CN110276441B (zh) | 一种基于深度学习的梯形重叠核脉冲估计方法 | |
CN104900063B (zh) | 一种短程行驶时间预测方法 | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN108710974A (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN110110848A (zh) | 一种组合预测模型构建方法及装置 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN110188936A (zh) | 基于多因素空间选择深度学习算法的短时交通流预测方法 | |
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN115144934A (zh) | 基于变分量子线路的气象预测方法及相关设备 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
Yang et al. | Prediction of significant wave heights based on CS-BP model in the south China sea | |
CN110175637A (zh) | 非平稳时序数据深度预测方法、系统、存储介质及设备 | |
CN107038450A (zh) | 基于深度学习的无人机警察系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |