CN111860939B - 基于注意力机制和rclstm网络的客流量预测方法及系统 - Google Patents

基于注意力机制和rclstm网络的客流量预测方法及系统 Download PDF

Info

Publication number
CN111860939B
CN111860939B CN202010489570.7A CN202010489570A CN111860939B CN 111860939 B CN111860939 B CN 111860939B CN 202010489570 A CN202010489570 A CN 202010489570A CN 111860939 B CN111860939 B CN 111860939B
Authority
CN
China
Prior art keywords
rclstm
network
attention
weight
value
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
Application number
CN202010489570.7A
Other languages
English (en)
Other versions
CN111860939A (zh
Inventor
陆文星
金捷钰
梁昌勇
董骏峰
蒋丽
赵树平
周秀娜
冉家敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010489570.7A priority Critical patent/CN111860939B/zh
Publication of CN111860939A publication Critical patent/CN111860939A/zh
Application granted granted Critical
Publication of CN111860939B publication Critical patent/CN111860939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式提供一种基于注意力机制和RCLSTM网络的客流量预测方法及系统，属于数据挖掘技术领域。所述预测方法包括：分别在均匀分布、正态分布、F分布下，分别以不同的连接概率分别生成多种RCLSTM网络；采用结合注意力机制的训练方法对每个所述RCLSTM网络进行训练；根据公式(1)计算每个所述RCLSTM网络的目标函数值，选择目标函数最大的所述RCLSTM网络预测所述客流量。该预测方法及系统能够基于风景区的历史客流量数据对该风景区未来的客流量数据进行精准预测。

Description

基于注意力机制和RCLSTM网络的客流量预测方法及系统
技术领域
本发明涉及数据挖掘技术领域，具体地涉及一种基于注意力机制和RCLSTM网络的客流量预测方法及系统。
背景技术
风景区短期客流量预测是当前景区管理中的一个重点问题之一，当前风景区短期客流量预测模型包括传统时间序列模型、BP神经网络模型、支持向量机等等以及其经过算法优化过后的模型。短期客流量预测具有非常强的非线性特征，目前的模型处理强非线性特征的能力远远不够。而且客流量预测受到众多因素影响，且每个因素的重要性和影响程度是各不相同的，而且不同时间段的重要程度也是不一样的，当前的所有模型并未考虑到这一问题，很可能导致预测精度不高。另外，在训练模型阶段会因计算量大等原因耗费大量时间。
发明内容
本发明实施方式的目的是提供一种基于注意力机制和RCLSTM网络的客流量预测方法及系统，该预测方法及系统能够基于风景区的历史客流量数据对该风景区未来的客流量数据进行精准预测。
为了实现上述目的，本发明实施方式提供一种基于注意力机制和RCLSTM网络的客流量预测方法，所述预测方法包括：
分别在均匀分布、正态分布、F分布下，分别以不同的连接概率分别生成多种RCLSTM网络；
采用结合注意力机制的训练方法对每个所述RCLSTM网络进行训练；
根据公式(1)计算每个所述RCLSTM网络的目标函数值，
Q＝δ1*MAPE-δ2*T′， (1)
Figure BDA0002520412890000021
其中，Q为所述目标函数值，MAPE为所述RCLSTM网络的平均百分比误差，T为所述RCLSTM网络的训练时间，Tmax为所述RCLSTM网络的训练时间的最大值，Tmin为所述RCLSTM网络的训练时间的最小值，δ1、δ2为预设的权重值；
选择目标函数最大的所述RCLSTM网络预测所述客流量。
可选地，所述采用结合注意力机制的训练方法对每个所述RCLSTM网络进行训练具体包括：
获取风景区的多列数据，其中，每列数据包括至少一种影响因素在时间序列上的数值；
定义注意力权重种群，其中，所述注意力权重种群包括多组注意力权重，每组注意力权重包括与所述影响因素一一对应的权重值；
分别采用每组所述注意力权重对所述多列数据进行加权；
分别将加权后的所述多列数据输入RCLSTM网络中以得到对应的预测值；
分别计算每个所述预测值与对应的标准值的误差；
从加权后的多个所述多列数据中筛选出误差最小的前两个所述多列数据；
分别从筛选出的两个所述多列数据的注意力权重中随机选取出一个权重值；
对选取出的两个权重值的编码进行基因重组；
对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重；
将基因突变后的所述注意力权重替换入所述注意力权重种群中以更新所述注意力权重种群；
更新迭代次数；
判断所述迭代次数是否大于或等于预设的阈值；
在判断所述迭代次数大于或等于所述阈值的情况下，输出误差最小的注意力权重作为最优解；
在判断所述迭代次数小于所述阈值的情况下，再次分别采用每组所述注意力权重对所述多列数据进行加权，并执行所述方法的相应步骤直到判断所述迭代次数大于或等于所述阈值；
将所述最优解加入所述RCLSTM网络以得到训练好的所述RCLSTM网络。
可选地，对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重具体包括：
对基因突变的两个所述权重值进行解码以更新所述注意力权重。
可选地，所述对选取出的两个权重值的编码进行基因重组包括：
随机交换选取出的两个权重值中的至少一部分编码。
可选地，对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重进一步包括：
对两个权重值的编码分别执行将至少一部分的0转换为1和/或1转换为0的操作。
另一方面，本发明还提供一种基于注意力机制和RCLSTM网络的客流量预测系统，所述预测系统包括处理器，所述处理器用于执行如上述任一所述的预测方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的预测方法。
通过上述技术方案，本发明提供的基于注意力机制和RCLSTM网络的客流量预测方法及系统通过针对风景区不同影响因素的历史数据的非线性特征，采用注意力机制以及RCLSTM网络来进行预测，解决了现有技术中数据预测算法精度低的技术问题，相对于现有技术中常用的LSTM算法，也降低了算法的复杂度。另外，由于该预测方法和系统采用的是RCLSTM网络，相对于现有技术中的LSTM网络而言，也具备更短的训练时间，从而提高了整体训练的速度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的基于注意力机制和RCLSTM网络的客流量预测方法的流程图；
图2是根据本发明的一个实施方式的RCLSTM网络的结构框图；
图3是根据本发明的一个实施方式的RCLSTM网络的结构框图；
图4是根据本发明的一个实施方式的训练RCLSTM网络的方法的流程图；
图5是根据本发明的一个实施方式的基因重组操作的示意图；以及
图6根据本发明的一个实施方式的基因突变操作的示意图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的用基于注意力机制和RCLSTM网络的客流量预测方法的流程图。在图1中，该预测方法可以包括：
在步骤S10中，分别在均匀分布、正态分布、F分布下，分别以不同的连接概率(如p＝10％，20％，30％,…,80％，90％，100％)分别生成多种RCLSTM(Random Connect LongShort-Term Memory，随机连接的长短期记忆)网络。在该实施方式中，该RCLSTM网络的结构框图可以是例如图2所示。在图2中，该RCLSTM网络可以包括输入门01(输入更新和输入门)、输出门02以及遗忘门03。该连接概率用于表示该输入门01、输出门02以及遗忘门03所包括的神经元之间连接的概率，即图1中所示出的虚线。在连接概率确定的情况下，该RCLSTM网络的结构框图则可以是例如图3中所示。在现有技术中，LSTM网络是数据挖掘领域常用的神经网络之一。该LSTM(Long Short-Term Memory，长短期记忆)网络能够在执行一定的训练操作后，能够基于目标的历史数据对目标的未来数据进行较为准确的预测。但是，由于LSTM网络中的神经元都是全连接的，在训练的过程中，数据需要经过每个神经元的处理才能够完成一次训练迭代，这样的过程计算量巨大，需要耗费大量的计算时间和计算机的运算资源。因此在该实施方式中，由于RCLSTM网络中的神经元并非是全连接，那么在采用该RCLSTM网络在处理该数据时，数据并不需要分别经过每个神经元的处理，这就能够降低一次训练迭代的时间和计算量，从而提高整体的训练时间。
在步骤S21中，采用结合注意力机制的训练方法对每个RCLSTM网络进行训练。在该实施方式中，该训练方法可以是本领域人员所知的多种形式，在本发明的一个示例中，该训练方式可以包括如图4所示出的方法。在图4中，该训练方式可以包括：
在步骤S20中，获取风景区的多列数据。其中，每列数据可以包括至少一种影响因素在时间序列上的数值。对于其中的每列数据，可以是该风景区在(历史的)不同时间点的温度、前一年度同一时间点的总人数、前两年度同一时间点的总人数、前一日的订票数等中的至少一者。在本发明的一个示例中，该影响因素也可以采用表1来表示，
表1
Figure BDA0002520412890000061
在步骤S21中，定义注意力权重种群。其中，该注意力权重种群可以包括多组注意力权重，每组注意力权重可以包括与影响因素一一对应的权重值。例如定义的第i组注意力权重可表示为：
Figure BDA0002520412890000062
在步骤S22中，分别采用每组注意力权重对多列数据进行加权。在该实施方式中，考虑到本发明提供的技术方案采用的是RCLSTM网络。那么，该步骤S22也可以是将例如表1和步骤S21中定义的多组注意力权重输入该RCLSTM网络的关注层中来完成该加权操作。因此，以第i组注意力权重为例，加权后的多列数据则可以是例如表2中所示，
表2
Figure BDA0002520412890000071
在步骤S23中，分别将加权后的多列数据输入RCLSTM网络中以得到对应的预测值。
在步骤S24中，分别计算每个预测值与对应的标准值的误差。
在步骤S25中，从加权后的多个多列数据中筛选出误差最小的前两个多列数据。
在步骤S26中，分别从筛选出的两个多列数据的注意力权重中随机选取出一个权重值。
在步骤S27中，对选取出的两个权重值的编码进行基因重组。对于该基因重组操作，可以是本领域人员所知的常规操作。但是，在本发明的一个示例中，考虑到算法的复杂度以及计算效率，该基因重组操作可以例如交换选取出的两个权重值中的至少一部分编码。具体地，以选取出的一个权重值的二进制编码为(0,1,0,0,1,1)，另一个权重值的二进制编码为(1,0,1,0,0,1)为例，该基因重组操作则可以是例如图3所示。
在步骤S28中，对基因重组后的两个权重值的编码分别进行基因突变以更新注意力权重。对于该基因突变操作，可以是本领域人员所知的常规操作。但是，在本发明的一个示例中，考虑到算法的复杂度以及计算效率，该基因突变操作可以例如对两个权重值的编码分别执行将至少一部分的0转换为1和/或1转换为0的操作。具体地，以步骤S17中基因重组后的权重值(1,1,1,0,0,1)为例，该基因突变操作则可以是例如图4所示。另外，在该实施方式中，为了便于更新该组注意力权重，可以在更新该注意力权重前，先对该权重值进行解码，再执行该更新操作。
在步骤S29中，将基因突变后的注意力权重替换入注意力权重种群中以更新注意力权重种群。
在步骤S30中，更新迭代次数。其中，在该实施方式中，该初始的该迭代次数可以为0。在每次更新迭代次数时，该迭代次数可以是例如增加1。
在步骤S31中，判断该迭代次数是否大于或等于预设的阈值。
在步骤S32中，在判断迭代次数大于或等于阈值的情况下，输出误差最小的(多列数据对应的)注意力权重作为最优解。
在判断迭代次数小于阈值的情况下，再次分别采用每组注意力权重对多列数据进行加权(即返回执行步骤S22)，并执行该方法的相应步骤直到判断迭代次数大于或等于阈值。
在步骤S33中，将最优解加入RCLSTM网络以得到训练完成的RCLSTM网络。
在步骤S12中，根据公式(1)计算每个RCLSTM网络的目标函数值，
Q＝δ1*MAPE-δ2*T′， (1)
Figure BDA0002520412890000081
其中，Q为目标函数值，MAPE为RCLSTM网络的平均百分比误差，T为RCLSTM网络的训练时间，Tmax为RCLSTM网络的训练时间的最大值，Tmin为RCLSTM网络的训练时间的最小值，δ1、δ2为预设的权重值；
在步骤S13中，选择目标函数最大的RCLSTM网络预测客流量。
另一方面，本发明还提供一种基于注意力机制和RCLSTM网络的客流量预测系统，该预测系统可以包括处理器，该处理器可以用于执行如上述任一所述的预测方法。
再一方面，本发明还提供一种存储介质，该存储介质存储有指令，该指令可以用于被机器读取以使得该机器执行如上述任一的预测方法。
通过上述技术方案，本发明提供的基于注意力机制和RCLSTM网络的客流量预测方法及系统通过针对风景区不同影响因素的历史数据的非线性特征，采用注意力机制以及RCLSTM网络来进行预测，解决了现有技术中数据预测算法精度低的技术问题，相对于现有技术中常用的LSTM算法，也降低了算法的复杂度。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (6)

1.一种基于注意力机制和RCLSTM网络的客流量预测方法，其特征在于，所述预测方法包括：
分别在均匀分布、正态分布、F分布下，分别以不同的连接概率分别生成多种RCLSTM网络；
采用结合注意力机制的训练方法对每个所述RCLSTM网络进行训练；
根据公式(1)计算每个所述RCLSTM网络的目标函数值，
Q＝δ1*MAPE-δ2*T′，(1)
Figure FDA0003398599040000011
其中，Q为所述目标函数值，MAPE为所述RCLSTM网络的平均百分比误差，T为所述RCLSTM网络的训练时间，Tmax为所述RCLSTM网络的训练时间的最大值，Tmin为所述RCLSTM网络的训练时间的最小值，δ1、δ2为预设的权重值；
选择目标函数最大的所述RCLSTM网络预测所述客流量；
所述采用结合注意力机制的训练方法对每个所述RCLSTM网络进行训练具体包括：
获取风景区的多列数据，其中，每列数据包括至少一种影响因素在时间序列上的数值；
定义注意力权重种群，其中，所述注意力权重种群包括多组注意力权重，每组注意力权重包括与所述影响因素一一对应的权重值；
分别采用每组所述注意力权重对所述多列数据进行加权；
分别将加权后的所述多列数据输入RCLSTM网络中以得到对应的预测值；
分别计算每个所述预测值与对应的标准值的误差；
从加权后的多个所述多列数据中筛选出误差最小的前两个所述多列数据；
分别从筛选出的两个所述多列数据的注意力权重中随机选取出一个权重值；
对选取出的两个权重值的编码进行基因重组；
对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重；
将基因突变后的所述注意力权重替换入所述注意力权重种群中以更新所述注意力权重种群；
更新迭代次数；
判断所述迭代次数是否大于或等于预设的阈值；
在判断所述迭代次数大于或等于所述阈值的情况下，输出误差最小的注意力权重作为最优解；
在判断所述迭代次数小于所述阈值的情况下，再次分别采用每组所述注意力权重对所述多列数据进行加权，并执行所述方法的相应步骤直到判断所述迭代次数大于或等于所述阈值；
将所述最优解加入所述RCLSTM网络以得到训练好的所述RCLSTM网络。
2.根据权利要求1所述的预测方法，其特征在于，对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重具体包括：
对基因突变的两个所述权重值进行解码以更新所述注意力权重。
3.根据权利要求1所述的预测方法，其特征在于，所述对选取出的两个权重值的编码进行基因重组包括：
随机交换选取出的两个权重值中的至少一部分编码。
4.根据权利要求1所述的预测方法，其特征在于，对基因重组后的两个权重值的编码分别进行基因突变以更新所述注意力权重进一步包括：
对两个权重值的编码分别执行将至少一部分的0转换为1和/或1转换为0的操作。
5.一种基于注意力机制和RCLSTM网络的客流量预测系统，其特征在于，所述预测系统包括处理器，所述处理器用于执行如权利要求1至4任一所述的预测方法。
6.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的预测方法。
CN202010489570.7A 2020-06-02 2020-06-02 基于注意力机制和rclstm网络的客流量预测方法及系统 Active CN111860939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010489570.7A CN111860939B (zh) 2020-06-02 2020-06-02 基于注意力机制和rclstm网络的客流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010489570.7A CN111860939B (zh) 2020-06-02 2020-06-02 基于注意力机制和rclstm网络的客流量预测方法及系统

Publications (2)

Publication Number Publication Date
CN111860939A CN111860939A (zh) 2020-10-30
CN111860939B true CN111860939B (zh) 2022-04-08

Family

ID=72985376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010489570.7A Active CN111860939B (zh) 2020-06-02 2020-06-02 基于注意力机制和rclstm网络的客流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN111860939B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051474B (zh) * 2021-03-24 2023-09-15 武汉大学 一种融合多平台多终端搜索指数的客流预测方法及系统
CN113256000B (zh) * 2021-05-26 2022-05-20 四川大学 一种带注意力机制序列到序列的景区短期客流量预测方法
CN114582429B (zh) * 2022-03-03 2023-06-13 四川大学 基于层次注意力神经网络的结核分枝杆菌耐药性预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610168A (zh) * 2019-09-20 2019-12-24 合肥工业大学 一种基于注意力机制的脑电情绪识别方法
CN110991724A (zh) * 2019-11-27 2020-04-10 合肥工业大学 用于预测风景区客流量的方法、系统及存储介质
CN111062524A (zh) * 2019-12-04 2020-04-24 合肥工业大学 基于优化遗传算法的景区短期客流量的预测方法及系统
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11620528B2 (en) * 2018-06-12 2023-04-04 Ciena Corporation Pattern detection in time-series data
US11010559B2 (en) * 2018-08-30 2021-05-18 International Business Machines Corporation Multi-aspect sentiment analysis by collaborative attention allocation
CN110083838B (zh) * 2019-04-29 2021-01-19 西安交通大学 基于多层神经网络与外部知识库的生物医学语义关系提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610168A (zh) * 2019-09-20 2019-12-24 合肥工业大学 一种基于注意力机制的脑电情绪识别方法
CN110991724A (zh) * 2019-11-27 2020-04-10 合肥工业大学 用于预测风景区客流量的方法、系统及存储介质
CN111079998A (zh) * 2019-12-03 2020-04-28 华东师范大学 基于长短时序相关性注意力机制模型的流量预测方法
CN111062524A (zh) * 2019-12-04 2020-04-24 合肥工业大学 基于优化遗传算法的景区短期客流量的预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Learning with Long Short-Term Memory for Time Series Prediction;Yuxiu Hua etal.;《 IEEE Communications Magazine 》;20190630;第57卷(第6期);第114-119页 *
Soft + hardwired attention: An LSTM framework for human trajectory prediction and abnormal event detection;TharinduFernando etal.;《Neural Networks》;20181231;第466-478页 *
基于频谱数据的时频域预测算法研究;许达;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20191215;第15-34页 *

Also Published As

Publication number Publication date
CN111860939A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860939B (zh) 基于注意力机制和rclstm网络的客流量预测方法及系统
CN110991724A (zh) 用于预测风景区客流量的方法、系统及存储介质
JP7372347B2 (ja) データ圧縮方法およびコンピューティングデバイス
Ahn et al. Global optimization of feature weights and the number of neighbors that combine in a case‐based reasoning system
CN110796485A (zh) 一种提高预测模型的预测精度的方法及装置
Skakov et al. Parameter meta-optimization of metaheuristics of solving specific NP-hard facility location problem
CN111062524A (zh) 基于优化遗传算法的景区短期客流量的预测方法及系统
CN116170328A (zh) 图形编码的使用带宽预测方法及装置
CN113128655A (zh) 基于多种群遗传算法工控入侵检测分类器参数选择方法
CN109947588B (zh) 一种基于支持向量回归法的NAND Flash位错误率预测方法
CN111222631A (zh) 业务预测方法以及装置
Chen et al. Evolutionary algorithm‐based radial basis function neural network training for industrial personal computer sales forecasting
CN114334013A (zh) 一种单细胞聚类方法、装置、设备及可读存储介质
WO2020065908A1 (ja) パターン認識装置、パターン認識方法およびパターン認識プログラム
CN112380006A (zh) 一种数据中心资源分配方法及装置
CN111831955A (zh) 一种锂离子电池剩余寿命预测方法及系统
Mabu et al. Stock trading rules using genetic network programming with actor-critic
CN116843456B (zh) 基于人工智能的金融大数据处理方法及系统
CN117632770B (zh) 一种多路径覆盖测试用例生成方法和系统
CN117634302B (zh) 一种动态服务组合选择方法、装置和产品
CN116845913A (zh) 基于多时空尺度频率的电力系统安全控制方法和装置
Lei et al. Intelligent early-warning support system for enterprise financial crisis based on case-based reasoning
CN118052299A (zh) 一种高维非线性计算昂贵优化问题的自适应优化方法
Golbabai et al. Width optimization of Gaussian function by genetic algorithm in RBF networks
CN117609905A (zh) 一种监测数据预测方法、系统、设备以及可读存储介质

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