CN110796252A - 基于双头或多头神经网络的预测方法及系统 - Google Patents
基于双头或多头神经网络的预测方法及系统 Download PDFInfo
- Publication number
- CN110796252A CN110796252A CN201911045356.6A CN201911045356A CN110796252A CN 110796252 A CN110796252 A CN 110796252A CN 201911045356 A CN201911045356 A CN 201911045356A CN 110796252 A CN110796252 A CN 110796252A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- shared
- shared neural
- prediction model
- 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
Images
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/20—Protein or domain folding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Linguistics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供了一种基于双头或多头神经网络的预测方法及系统,包括:特征获取步骤:从数据库中获取已有预测对象数据的特征;输入步骤:向一个共享神经网络输入特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;输出步骤:每个输出头根据所述共享神经网络的运算结果,在共享网络上按照多个目标训练的预测模型和多个目标预测模型的输出结果;拟合步骤:对所有预测目标进行拟合,得到一个满足多个目标的共享神经网络结构和以此为基础的多个目标的预测模型;预测步骤:共享神经网络和多个目标模型根据目标需求分别输出预测结果。本发明解决了传统的多个独立网络模型预测的缺陷,并提升最终的预测效果。
Description
技术领域
本发明涉及计算、推算领域,具体地,涉及一种基于双头或多头神经网络的预测方法及系统。
背景技术
深度学习被用在解决单一的任务学习模型比如人脸识别、语音识别、行人检测等问题上取得了很好的效果。
但是目前经常会碰到一类问题:同样的数据,需要训练和预测多个不同目标,同时这多个目标最终一起来决定一个大的学习任务的问题时,会碰到不一致的问题。
比如说,在预测蛋白质三级结构中,会根据蛋白质的数据来学习蛋白质中任意两个氨基酸的距离;同时也需要根据这个数据来学习蛋白质中相邻的两个蛋白质的结合时的扭转角度。因此,同样的一份蛋白质结构的数据,如图1所示,需要分别学习并获得距离模型M1(i,j)和角度M2(i)模型。最终在预测蛋白质结构中,需要利用这两个模型分别预测的氨基酸之间距离和相邻的两个氨基酸角度,最后结合起来共同预测蛋白质的结构。也就是说最终蛋白质的结构由距离M1(i,j)和角度M2(i)来共同决定。
其中c是控制L2权重正则化,防止过拟合的参数。
其中c是控制L2权重正则化,防止过拟合的参数。
同样的问题出现在预测城市交通信号灯控制算法问题中。同样的交通流量数据,我们不仅仅需要学习每一个单独的信号灯控制模型即M1,同时我们也需要学习全局拥堵调度策略模型M2。最终的信号灯控制,我们不仅仅需要考虑单点的信号灯控制,同时也需要考虑上下游全局信号灯之间的协同。也就是说最终整个城市的信号灯控制由M1和M2来共同决定。
目前的做法一般用两个或者多个神经网络分别去学习不同的模型,得到两个输出,然后根据两个输出来结合最终的任务目标。传统的方法有两个缺陷。第一个缺陷是:对于同一份数据,它的两个目标是相互依存的,也就是说任何一个目标的值的变化也会涉及到另外一个值的变化,分开训练会将这两者的相互关联关系给弱化。第二个缺陷是:独立训练会对最终的目标预测会产生冲突,因为模型的不一致导致结合的结果偏差比较大。这两个缺陷会导致最终任务的预测准确度受到大的影响。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于双头或多头神经网络的预测方法及系统。
根据本发明提供的一种基于双头或多头神经网络的预测方法,包括:
特征获取步骤:从数据库中获取已有对象的数据特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型,对单个或者多个目标进行预测。
根据本发明提供的一种基于双头或多头神经网络的预测方法,包括:
特征获取步骤:从数据库中获取已有蛋白质三级结构数据的特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型分别预测蛋白质的氨基酸距离和氨基酸扭转角度,并最终预测蛋白质的三级结构。
根据本发明提供的一种基于双头或多头神经网络的预测方法,包括:
特征获取步骤:从数据库中获取已有交通流量数据的特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型预测交通流量,并对全局信号灯进行协同控制。
优选地,输入所述共享神经网络的特征包括得到所有所述预测模型所需的特征的拼接。
优选地,共享神经网络N=fθ(X),θ为网络参数,X为输入的特征,f为特征X对共享神经网络Y的拟合函数;
网络参数θ在损失函数loss上通过梯度下降来进行拟合:
N=fθ(X) loss=(m1-zm1)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;
zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;
c为控制L2权重正则化的参数,防止过拟合。
根据本发明提供的一种基于双头或多头神经网络的预测系统,包括:
特征获取模块:从数据库中获取已有对象的数据特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型,对单个或者多个目标进行预测。
根据本发明提供的一种基于双头或多头神经网络的预测系统,包括:
特征获取模块:从数据库中获取已有蛋白质三级结构数据的特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型预测待预测的蛋白质三级结构。
根据本发明提供的一种基于双头或多头神经网络的预测系统,包括:
特征获取模块:从数据库中获取已有交通流量数据的特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型预测交通流量,并对全局信号灯进行协同控制。
优选地,输入所述共享神经网络的特征包括得到所有所述预测模型所需的特征的拼接。
优选地,共享神经网络N=fθ(X),θ为网络参数,X为输入的特征,f为特征X对共享神经网络Y的拟合函数;
网络参数θ在损失函数loss上通过梯度下降来进行拟合:
N=fθ(X) loss=(m1-zm1)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;
zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;
c为控制L2权重正则化的参数,防止过拟合。
与现有技术相比,本发明具有如下的有益效果:
本发明采用双头或多头的共享神经网络来进行一致性的预测,并应用在蛋白质三级结构、交通流量预测上,解决了传统的多个独立网络预测的缺陷,并提升最终的预测效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为传统预测示意图;
图2为本发明实施例一的共享神经网络的结构示意图;
图3为本发明实施例二的原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于双头或多头神经网络的预测方法,包括:
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型,对单个或者多个目标进行预测。
(1)两个目标的“双头”共享神经网络
在一个模型中既考虑第一个目标,又考虑第二个目标。同一个模型的参数训练同时优化这两个目标,让网络能够更加真实地拟合最终的目标。比如在蛋白质结构预测中,在一个模型中既考虑距离因素,又考虑扭转角度。同一个模型的参数训练同时优化这两个目标,让网络能够更加真实地拟合蛋白质三级结构。
本发明方法采用如下网络结构,具体方法介绍如下:
如图2所示,采用“双头”的神经网络架构。它的前N层是常见的神经网络结构。这些层后面有“两个头”输出:其中一个头,利用前N层的输出,产生第一个目标的预测模型M1,另一个头利用前N层的输出,产生第二个目标的预测模型M2。
共享神经网络N=fθ(X)通过最小化在m1,m2与真实值zm1,zm2之间的差。具体来说,参数θ在损失函数loss上通过梯度下降来进行拟合,
N=fθ(X) loss=(m1-zml)2+(m2-zm2)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;其中c是控制L2权重正则化,防止过拟合的参数。
接下来就是神经网络学习的技术实现。因为神经网络通过大量的有标注的数据来来学习网络中的大量参数,从而决定预测的结果;通过反复向神经网络灌输“正确答案”,让它不断的更新参数,拟合到正确答案。
在蛋白质三级结构的网络结构学习中,通过上万个蛋白质及其三级结构来学习共享的神经网络并获得距离预测模型和扭转角度预测模型。在交通信号灯控制网络结构学习中,通过每天的上百个信号灯路口的流量控制数据来学习共享的神经网络并获得单个信号灯的控制模型和多个信号灯全局协同控制模型。
通过训练获得一个共享神经网络N,并得到两个一致性,但具有不同目标的预测模型M1和M2。
(2)多个目标的“多头”共享神经网络设计
如图3所示,“多头”的神经网络架构:它的前N层是常见的神经网络结构。这些层后面有“k个头”输出:其中每一个头,利用前N层的输出,产生一个目标的预测模型。
多头共享神经网络N=fθ(X)通过最小化在m1,m2,…,mk与真实值zm1,zm2,…,zmk之间的差。具体来说,参数θ在损失函数loss上通过梯度下降来进行拟合,
N=fθ(X) loss=(m1-zml)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;其中c是控制L2权重正则化,防止过拟合的参数。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于双头或多头神经网络的预测方法,其特征在于,包括:
特征获取步骤:从数据库中获取已有对象的数据特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型,对单个或者多个目标进行预测。
2.一种基于双头或多头神经网络的预测方法,其特征在于,包括:
特征获取步骤:从数据库中获取已有蛋白质三级结构数据的特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型分别预测蛋白质的氨基酸距离和氨基酸扭转角度,并最终预测蛋白质的三级结构。
3.一种基于双头或多头神经网络的预测方法,其特征在于,包括:
特征获取步骤:从数据库中获取已有交通流量数据的特征;
输入步骤:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出步骤:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合步骤:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测步骤:根据多目标预测模型预测交通流量,并对全局信号灯进行协同控制。
4.根据权利要求1、2或3所述的基于双头或多头神经网络的预测方法,其特征在于,输入所述共享神经网络的特征包括得到所有所述预测模型所需的特征的拼接。
5.根据权利要求1、2或3所述的基于双头或多头神经网络的预测方法,其特征在于,共享神经网络N=fθ(X),θ为网络参数,X为输入的特征,f为特征X对共享神经网络Y的拟合函数;
网络参数θ在损失函数loss上通过梯度下降来进行拟合:
N=fθ(X) loss=(m1-zm1)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;
zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;
c为控制L2权重正则化的参数,防止过拟合。
6.一种基于双头或多头神经网络的预测系统,其特征在于,包括:
特征获取模块:从数据库中获取已有对象的数据特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型,对单个或者多个目标进行预测。
7.一种基于双头或多头神经网络的预测系统,其特征在于,包括:
特征获取模块:从数据库中获取已有蛋白质三级结构数据的特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型预测待预测的蛋白质三级结构。
8.一种基于双头或多头神经网络的预测系统,其特征在于,包括:
特征获取模块:从数据库中获取已有交通流量数据的特征;
输入模块:向一个共享神经网络输入获取的特征并进行运算,所述共享神经网络的末端包括两个或两个以上输出头;
输出模块:每个输出头根据所述共享神经网络的运算结果输出一个预测模型;
拟合模块:对共享神经网络和所有预测模型进行拟合,得到多目标预测模型;
预测模块:根据多目标预测模型预测交通流量,并对全局信号灯进行协同控制。
9.根据权利要求6、7、或8所述的基于双头或多头神经网络的预测系统,其特征在于,输入所述共享神经网络的特征包括得到所有所述预测模型所需的特征的拼接。
10.根据权利要求6、7、或8所述的基于双头或多头神经网络的预测系统,其特征在于,共享神经网络N=fθ(X),θ为网络参数,X为输入的特征,f为特征X对共享神经网络Y的拟合函数;
网络参数θ在损失函数loss上通过梯度下降来进行拟合:
N=fθ(X) loss=(m1-zm1)2+(m2-zm2)2+…+(mk-zmk)2+c||θ||2
m1、m2、...mk分别为共享神经网络N的k个预测模型中每个预测模型的值;
zm1、zm2、...zmk分别为k个预测模型中每个预测模型的的真实值;
c为控制L2权重正则化的参数,防止过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045356.6A CN110796252A (zh) | 2019-10-30 | 2019-10-30 | 基于双头或多头神经网络的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045356.6A CN110796252A (zh) | 2019-10-30 | 2019-10-30 | 基于双头或多头神经网络的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796252A true CN110796252A (zh) | 2020-02-14 |
Family
ID=69442183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911045356.6A Pending CN110796252A (zh) | 2019-10-30 | 2019-10-30 | 基于双头或多头神经网络的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223608A (zh) * | 2021-06-04 | 2021-08-06 | 上海天壤智能科技有限公司 | 双层互强化的蛋白质三维结构预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915407A (zh) * | 2012-10-23 | 2013-02-06 | 福建师范大学 | 基于混沌蜂群算法的蛋白质三维结构预测方法 |
CN105930686A (zh) * | 2016-07-05 | 2016-09-07 | 四川大学 | 一种基于深度神经网络的蛋白质二级结构预测方法 |
US20170329892A1 (en) * | 2016-05-10 | 2017-11-16 | Accutar Biotechnology Inc. | Computational method for classifying and predicting protein side chain conformations |
-
2019
- 2019-10-30 CN CN201911045356.6A patent/CN110796252A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915407A (zh) * | 2012-10-23 | 2013-02-06 | 福建师范大学 | 基于混沌蜂群算法的蛋白质三维结构预测方法 |
US20170329892A1 (en) * | 2016-05-10 | 2017-11-16 | Accutar Biotechnology Inc. | Computational method for classifying and predicting protein side chain conformations |
CN105930686A (zh) * | 2016-07-05 | 2016-09-07 | 四川大学 | 一种基于深度神经网络的蛋白质二级结构预测方法 |
Non-Patent Citations (5)
Title |
---|
DEEPMIND: "AlphaFold: Using AI for scientific discovery", 《HTTPS://DEEPMIND.COM/BLOG/ARTICLE/ALPHAFOLD-CASP13》 * |
JOE G. GREENER 等: "Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints", 《NATURE COMMUNICATIONS》 * |
RHYS HEFFERNAN 等: "Improving prediction of secondary Structure,local backbone angles,and solvent accessible surface area of proteins by iterative deep Learning", 《NATURE》 * |
SARI SABBAN 等: "RamaNet:Computational De Novo Protein Design using a Long Short-Term Memory Generative Adversarial Neural Network", 《BIORXIV》 * |
赵志山: "基于深度学习的蛋白质二级结构预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223608A (zh) * | 2021-06-04 | 2021-08-06 | 上海天壤智能科技有限公司 | 双层互强化的蛋白质三维结构预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11480972B2 (en) | Hybrid reinforcement learning for autonomous driving | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
Tanveer et al. | Fine-tuning darts for image classification | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN105825235A (zh) | 一种基于多特征图深度学习的图像识别方法 | |
CN109685252A (zh) | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 | |
CN112419710B (zh) | 交通拥堵数据预测方法、装置、计算机设备及存储介质 | |
CN112819136A (zh) | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 | |
CN110955780A (zh) | 一种用于知识图谱的实体对齐方法 | |
Chen et al. | House price prediction using LSTM | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN108491766A (zh) | 一种端到端的基于深度决策森林的人群计数方法 | |
CN110837888A (zh) | 一种基于双向循环神经网络的交通缺失数据补全方法 | |
Cheng et al. | Analysis and forecasting of the day-to-day travel demand variations for large-scale transportation networks: a deep learning approach | |
CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN109800908A (zh) | 基于lstm模型的信号交叉口运行状态预测方法和系统 | |
CN116227716A (zh) | 一种基于Stacking的多因素能源需求预测方法及系统 | |
CN110796252A (zh) | 基于双头或多头神经网络的预测方法及系统 | |
CN115391553A (zh) | 一种自动搜索时序知识图谱补全模型的方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
Sineglazov et al. | An algorithm for solving the problem of forecasting | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
WO2021042401A1 (en) | Method and device for traffic light control | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |