CN111260082B - 一种基于神经网络的空间对象运动轨迹预测模型构建方法 - Google Patents
一种基于神经网络的空间对象运动轨迹预测模型构建方法 Download PDFInfo
- Publication number
- CN111260082B CN111260082B CN202010154549.1A CN202010154549A CN111260082B CN 111260082 B CN111260082 B CN 111260082B CN 202010154549 A CN202010154549 A CN 202010154549A CN 111260082 B CN111260082 B CN 111260082B
- Authority
- CN
- China
- Prior art keywords
- prediction model
- track
- motion trail
- object motion
- space object
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000009499 grossing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提出一种基于神经网络的空间对象运动轨迹预测模型构建方法,包括以下步骤:(1)将对象运动轨迹历史记录数据作为样本,形成评测基准数据;(2)将贝塞尔曲线作为运动轨迹平滑的方法,在样本轨迹曲线上进行不同密度的轨迹坐标点采样,形成训练样本数据集;(3)在样本数据集上,使用基于神经网络的序列预测技术训练形成轨迹预测模型;(4)对比不同密度采样的样本上,上述轨迹预测模型的预测准确度,用采样点密度和预测准确度评价预测模型的有效性。本发明为空间对象运动轨迹预测模型构建提供了一种新型实用的方法,以减少采样点并保证预测准确性为目标,提供了一种基于历史运动轨迹样本自动生成预测模型的实用方法。
Description
技术领域
本发明专利涉及基于人工智能技术的预测技术领域,特别涉及一种基于神经网络和贝塞尔曲线构造的空间对象运动轨迹预测模型构建方法。
背景技术
目前,描述对象的空间动态轨迹,多采用的是数据可视化方式,即依据观测的原始数据,将对象在采样时刻的点位置坐标信息标注在三维坐标系中,将所有的点连接成为曲线,即可得到对象的运动轨迹。这样的曲线是数据可视化的一种重要形式,但是,显而易见,该方式对原始数据的依赖性非常强,该曲线与对象的实际轨迹的重合度很大程度上依赖于采集数据的密集度和精确性。同时,通过这种方式构建的曲线确实能看到对象的运动方式,但是数据量巨大,难以针对海量数据形成理想的分析机制,分析对象运动的趋势成因。因此,此类数据可视化方式适用于对运动结果进行评估,不适用于对对象的运动轨迹进行预测。如何找到通过尽量少的样本点,可重构空间对象的运动曲线,形成对运动轨迹的预测,是亟待解决的问题。
随着空间对象检测信息系统的应用,积累了大量的空间对象运动轨迹记录数据,利用这些数据构建空间对象运动轨迹的预测模型成为解决空间对象运动轨迹预测问题的可能。以神经网络为代表的人工智能技术在以数据驱动的智能模型构建中,起到越来越重要的地位,相关应用层出不尽,基于神经网络的序列预测模型构建,充分发挥了神经网络在大量经验时序数据上自动学习构建预测模型的特点。将神经网络预测模型学习技术应用于空间对象运动轨迹预测,成为解决轨迹预测问题的重要可能。
探索将基于神经网络的序列预测模型用于空间对象运动轨迹预测有四个关键问题需要解决:
(1)实际当中由于计算资源限制,造成对轨迹上样本点采集存在数量不能过多,因此,如何自动地找出适合轨迹预测的较少的样本,也就是如何找到较小的样本点采集密度达到轨迹预测效果是一个关键问题。
(2)如何利用历史轨迹记录数据构建空间对象运动轨迹预测模型的训练样本。
(3)如何构建具有鲁棒性的空间对象运动轨迹预测模型。
(4)如何结合样本采集密度和预测模型准确率评估预测模型的有效性。
发明内容
本发明旨在至少在一定程度上解决空间对象运动轨迹预测的技术问题。为此,本发明的目的在于提供一种基于神经网络的空间对象运动轨迹预测方法,该方法能够采用空间对象运动轨迹的历史记录,通过动态采样和贝塞尔曲线技术预处理这些历史记录形成训练样本,并利用神经网络在序列模型上的学习能力,形成空间对象运动轨迹预测模型,该模型的构建过程具有自主选择采样点密度的能力。
为了实现上述目的,本发明的实施例提出了一种基于神经网络的空间对象运动轨迹预测模型构建方法,包括以下步骤:(1) 将空间对象运动轨迹记录作为评测基准数据集,将对象运动轨迹记录中每个点表示为n维向量(n为轨迹点位置信息的维度),并进一步将多维向量中的每一元数据规范为给定实数闭区间[b,u]内的数据等;(2) 在基准数据集基础上,设定采样密度上下界,进行多类型密度采样,并采用贝塞尔曲线构造和拟合评估,形成多类型密度采样的空间对象轨迹预测模型训练集;(3) 基于训练集,采用神经网络序列预测方法构造轨迹预测模型构建模型;(4) 将采样密度和预测模型的准确率组合形成对预测模型有效性评价的方法。
根据本发明实施例的一种基于神经网络的空间对象运动轨迹预测模型构建方法,对输入的空间对象运动轨迹的历史记录数据,得到适合神经网络预测模型用的向量序列,构成空间对象运动轨迹的基准数据集。然后对基准数据集,按照采样密度上下界,采集均匀密度的采样点,并通过在采样点上构造贝塞尔曲线拟合基准数据,将满足一定拟合度的采样点作为一条轨迹预测模型训练数据加入样本集,不同采样点密度的训练样本集分列入不同的样本集。在采样密度由低到高的样本集基础上,逐次采用神经网络训练序列预测模型,直到预测模型达到低于所要求的误差率,就得到了一个满足要求的空间对象运动轨迹预测模型,相应样本集的采样点密度就是保证预测准确度的最少采样方案。该方法中涉及的采样密度上下界设置、密度由低到高的运用样本集,是为了保证找到采样点密度最小的预测模型。另外,该方法中使用的贝塞尔曲线构造方法和基于神经网络的序列预测模型构建方法都有成熟的开源工具,具有很高的可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的基于神经网络的空间对象运动轨迹预测模型构建方法的整体过程示意图。
图2为本发明实施例1中,空间对象运动轨迹基准数据集构建方法的示意图。
图3为本发明实施例1中,空间对象运动轨迹样本集构建方法的示意图。
图4为本发明实施例1中,空间对象运动轨迹预测模型构建方法的示意图。
图中10、空间对象运动轨迹基准数据集;20、空间对象运动轨迹样本集
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。以下结合附图描述根据本发明实施例的基于神经网络的空间对象运动轨迹预测模型构建方法。图1是本发明一个实施例的基于神经网络的空间对象运动轨迹预测模型构建方法的流程图。如图1所示,根据本发明一个实施例的基于神经网络的空间对象运动轨迹预测模型构建方法,包括以下步骤:
步骤S1,“空间对象运动轨迹基准数据集构造”,对原始的空间对象运动轨迹数据记录进行规范化处理,每一条轨迹点表示为一个向量,每一条轨迹形成一个向量序列,具体过程如图2所示,包括如下步骤:
步骤S11,“输入空间对象运动轨迹历史记录数据”,空间对象运动轨迹历史记录数据通常存储为CSV格式文件中,其中每一行代表一个轨迹点,对应的每一列是该轨迹点的一个属性值。
步骤S12,“设定维度值和每个维度的取值范围”,依据空间对象运动轨迹记录中数据的属性数目,设定一个不大于其属性数目的维度值,并设定相应维度值(也就是对应属性)的期望取值区间(例如[0,1])。
步骤S13,“对每一个轨迹上的轨迹点构建向量表示”。然后将每个维度的原始值规范化到给定区间内(例如归一化到[0,1]区间内),此后,将规范化后的值,按照维度顺序排列到一个向量中,形成对一个轨迹点的向量化表示。
步骤S14,“输出空间对象运动轨迹基准数据”,每一条轨迹的每个轨迹点都做向量化处理后,每一条轨迹都对应一个向量序列,所有轨迹的向量序列组成空间对象轨迹基准数据集10。通过这个步骤完成空间对象运动轨迹基准数据集10构造,使其能用来进行下一步的处理。
步骤S2,“空间对象运动轨迹样本集构建”,形成面向运动轨迹预测方法的轨迹预测模型的训练和测试样本,在本发明的一个实施例中,该步骤如图3所示:
步骤S21,“设定样本点采集密度的区间范围”,根据用户输入的控制参数确定在空间对象运动轨迹基准数据上的采样点密度区间。一般由用户根据预测花费时间的最高上限,根据计算平台的计算能力,确定采样的最大和最小范围。
步骤S22,“设定贝塞尔曲线构造方法”,用户从成熟的贝塞尔曲线构造方法中选择设定基于采样点的贝塞尔曲线构造方法。
步骤S23,“设定拟合阈值”,用户设定贝塞尔曲线和基准数据表示的空间对象运动轨迹之间的拟合度阈值。
步骤S24,“采集密度值增加一个单位”,在上一个密度值上,如果达不到拟合的阈值要求,密度值增加一,提高采集点数目。
步骤S25,“在每一个轨迹上按照密度值采集轨迹点”,从最小采样点密度值开始,从空间对象运动轨迹基准数据集10的每条运动轨迹的基准数据中,均匀采集轨迹点,要求采集中一定包含轨迹的起点和终点。
步骤S26,“对每一个轨迹上的采集点构造对应的贝塞尔曲线”,将采集的轨迹点,采用已选的贝塞尔曲线构造方法,构造贝塞尔曲线。
步骤S27,“计算贝塞尔曲线和原始基准数据拟合误差”,计算由采样点构造的贝塞尔曲线和相应的空间运动轨迹的拟合度。
步骤S28,“误差大于拟合阈值”,计算由上一步构造的贝塞尔曲线和相应空间运动轨迹的拟合误差,并和阈值进行比较,若结果是“是”,则执行步骤S29,若结果是“否”,则执行步骤S30。
步骤S29,“密度值到达上限”,判断密度值是否到达上限,若结果为“是”,则执行步骤S21,若结果是“否”,则执行步骤S24。
步骤S30,“作为样本输出到对应的密度值标记的样本集中”,将上一步判定误差不大于给定阈值的采样点作为一个样本计入样本集,样本集根据密度值不同进行划分,最终获得空间对象运动轨迹样本集20。
步骤S3,“空间对象运动轨迹预测模型构建”,在本发明的一个实施例中,该步骤如图4所示,具体实施过程包括:
步骤S31,“设定预测有效性阈值”,由用户输入一个空间对象运动轨迹预测模型应该 具备的有效性的最小值。
步骤S32,“设定序列预测模型的神经网络结构”,设定时序预测模型的神经网络结构,一般神经网络的输入层数量是样本维度值的整数倍,输出层是样本的维度值。神经网络中其他参数设定采用一般时序预测模型的设定方法。
步骤S33,“设定预测模型交叉验证方法”,设定n-折交叉验证的n值,并以此,将样本集分为n等份。
步骤S34,“训练神经网络构建空间对象运动轨迹模型”,采用空间对象运动轨迹样本集20中的训练样本,按照一般神经网络训练方法,调用成熟的神经网络训练软件,进行空间对象运动轨迹预测模型的学习。
步骤S35,“将模型误差值和样本密度值组合为有效性值”,把上一步学到的神经网络空间对象运动轨迹预测模型在交叉验证中的误差值和样本集的密度值进行加权求和,求取该预测模型的有效性值。其中权重可以根据用户的侧重点进行调节,两个权重之和规定为1。
步骤S36,“有效性值比阈值大”,将神经网络空间对象运动轨迹预测模型的有效性值和用户设定的有效性阈值进行比较,如果神经网络空间对象运动轨迹预测模型的有效性值大于阈值,则判定该神经网络空间对象运动轨迹预测模型是一个有效模型,执行步骤S37,如果神经网络空间对象运动轨迹预测模型的有效性值小于阈值,则判定该神经网络空间对象运动轨迹预测模型不是一个有效模型,则执行步骤S32。
步骤S37,“输出空间对象运动轨迹预测模型”,将由以上各个步骤得到的有效的神经网络空间对象运动轨迹预测模型输出到一个记录模型参数的文件。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上述已经展示和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种基于神经网络的空间对象运动轨迹预测模型构建方法,其特征在于,包括以下步骤:
步骤S1,空间对象运动轨迹基准数据集构造,对原始的空间对象运动轨迹数据记录进行规范化处理,每一条轨迹点表示为一个向量,每一条轨迹形成一个向量序列,具体过程包括如下步骤:
步骤S11,输入空间对象运动轨迹历史记录数据;
步骤S12,设定维度值和每个维度的取值范围;
步骤S13,对每一个轨迹上的轨迹点构建向量表示;
步骤S14,输出空间对象运动轨迹基准数据;
步骤S2,空间对象运动轨迹样本集构建,形成面向运动轨迹预测方法的轨迹预测模型的训练和测试样本:
步骤S21,设定样本点采集密度的区间范围;根据用户输入的控制参数确定在空间对象运动轨迹基准数据上的采样点密度区间;
步骤S22,设定贝塞尔曲线构造方法,用户从成熟的贝塞尔曲线构造方法中选择设定基于采样点的贝塞尔曲线构造方法;
步骤S23,设定拟合阈值,用户设定贝塞尔曲线和基准数据表示的空间对象运动轨迹之间的拟合度阈值;
步骤S24,如果达不到拟合的阈值要求,采样密度值增加一,反之采样密度值不变;
步骤S25,在每一个轨迹上按照密度值采集轨迹点,从最小采样点密度值开始,从空间对象运动轨迹基准数据集(10)的每条运动轨迹的基准数据中,均匀采集轨迹点,要求采集中一定包含轨迹的起点和终点;
步骤S26,对每一个轨迹上的采集点构造对应的贝塞尔曲线,将采集的轨迹点,采用已选的贝塞尔曲线构造方法,构造贝塞尔曲线;
步骤S27,计算贝塞尔曲线和原始基准数据拟合误差,计算由采样点构造的贝塞尔曲线和相应的空间运动轨迹的拟合度;
步骤S28,判断误差是否大于拟合阈值,计算由构造的贝塞尔曲线和相应空间运动轨迹的拟合误差,并和阈值进行比较,若结果为是,则执行步骤S29,若结果为否,则执行步骤S30;
步骤S29,密度值到达上限,判断密度值是否到达上限,若结果为是,则执行步骤S21,若结果为否,则执行步骤S24;
步骤S30,将步骤S28误差不大于拟合阈值的采样点作为一个样本计入样本集,样本集根据密度值不同进行划分,最终获得空间对象运动轨迹样本集(20);
步骤S3,空间对象运动轨迹预测模型构建:
步骤S31,设定预测有效性阈值;
步骤S32,设定序列预测模型的神经网络结构;
步骤S33,设定预测模型交叉验证方法;
步骤S34,训练神经网络构建空间对象运动轨迹模型;
步骤S35,将模型误差值和样本密度值组合为有效性值,把上一步学到的神经网络空间对象运动轨迹预测模型在交叉验证中的误差值和样本集的密度值进行加权求和,求取该预测模型的有效性值;其中权重根据用户的侧重点进行调节,两个权重之和规定为1;
步骤S36,将神经网络空间对象运动轨迹预测模型的有效性值和用户设定的有效性阈值进行比较,如果神经网络空间对象运动轨迹预测模型的有效性值大于阈值,则判定该神经网络空间对象运动轨迹预测模型是一个有效模型,执行步骤S37,如果神经网络空间对象运动轨迹预测模型的有效性值小于阈值,则判定该神经网络空间对象运动轨迹预测模型不是一个有效模型,则执行步骤S32;
步骤S37,输出空间对象运动轨迹预测模型,将由以上各个步骤得到的有效的神经网络空间对象运动轨迹预测模型输出到一个记录模型参数的文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010154549.1A CN111260082B (zh) | 2020-03-08 | 2020-03-08 | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010154549.1A CN111260082B (zh) | 2020-03-08 | 2020-03-08 | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260082A CN111260082A (zh) | 2020-06-09 |
CN111260082B true CN111260082B (zh) | 2023-11-07 |
Family
ID=70949624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010154549.1A Active CN111260082B (zh) | 2020-03-08 | 2020-03-08 | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260082B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022847A (zh) * | 2021-11-23 | 2022-02-08 | 清华大学 | 一种智能体轨迹预测方法、系统、设备和存储介质 |
CN115019206B (zh) * | 2022-06-13 | 2023-02-03 | 北京拙河科技有限公司 | 一种飞机起落环境安全检测方法及系统 |
CN115071704B (zh) * | 2022-07-19 | 2022-11-11 | 小米汽车科技有限公司 | 轨迹预测方法、装置、介质、设备、芯片和车辆 |
CN117315198B (zh) * | 2023-10-09 | 2024-04-16 | 中微智创(北京)软件技术有限公司 | 一种动目标轨迹拐角平缓微调的平滑优化方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN110334167A (zh) * | 2019-06-26 | 2019-10-15 | 浪潮软件集团有限公司 | 基于神经网络轨迹的位置偏移预警方法和装置 |
CN110532665A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种固定航线任务下的移动对象动态轨迹预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109937343B (zh) * | 2017-06-22 | 2023-06-13 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 |
-
2020
- 2020-03-08 CN CN202010154549.1A patent/CN111260082B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
CN110334167A (zh) * | 2019-06-26 | 2019-10-15 | 浪潮软件集团有限公司 | 基于神经网络轨迹的位置偏移预警方法和装置 |
CN110532665A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种固定航线任务下的移动对象动态轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
李明晓 等.一种基于模糊长短期神经网络的移动对象轨迹预测算法.测绘学报.2018,第47卷(第12期),1660-1669. * |
Also Published As
Publication number | Publication date |
---|---|
CN111260082A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260082B (zh) | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN114241779B (zh) | 一种城市快速路交通流短时预测方法、计算机及存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
CN114330834A (zh) | 一种基于自更新三次指数平滑法的充电桩用电量预测方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN117149249A (zh) | 模型更新方法、系统、设备和存储介质 | |
KR20220014744A (ko) | 강화 학습을 기반으로 한 데이터 전처리 시스템 및 방법 | |
CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
JP6860602B2 (ja) | 汎用人工知能装置及び汎用人工知能プログラム | |
CN113539517A (zh) | 时序干预效果的预测方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN111881040A (zh) | 一种基于循环神经网络的抽象状态模型的测试数据生成方法 | |
CN112434808A (zh) | 全栈式的前向型神经网络深度学习系统安全分析与检测方法 | |
Prochaska et al. | Active output selection strategies for multiple learning regression models | |
Hensler et al. | Optimization of a Data-Driven Soft Sensor for Use Cases with Multiple Dimensions | |
CN117544021B (zh) | 无刷直流电机的转速控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |