CN115358485A - 一种基于图自注意力机制与霍克斯过程的交通流预测方法 - Google Patents
一种基于图自注意力机制与霍克斯过程的交通流预测方法 Download PDFInfo
- Publication number
- CN115358485A CN115358485A CN202211115236.0A CN202211115236A CN115358485A CN 115358485 A CN115358485 A CN 115358485A CN 202211115236 A CN202211115236 A CN 202211115236A CN 115358485 A CN115358485 A CN 115358485A
- Authority
- CN
- China
- Prior art keywords
- attention mechanism
- traffic flow
- time
- self
- graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000007246 mechanism Effects 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于图自注意力机制与霍克斯过程的交通流预测方法，其中包括：获取交通流图结构嵌入信息；将邻接矩阵和节点特征矩阵输入图卷积神经网络来获取空间特征；获取时间嵌入特征和类别嵌入特征；将空间特征、时间嵌入特征和类别嵌入特征矩阵相连接，输入自注意力机制模型，输出某一时刻t的状态ht；通过状态ht近似霍克斯过程的条件强度函数，其中，采用指数函数保证所输出的近似函数非负；通过蒙特卡洛采样方法估算未来时间发生的数学期望，给出在未来某一段时间间隔内发生某一事件的概率。本发明通过在自注意力机制上嵌入图结构信息作为辅助信息能够更好捕捉长序列依赖和序列之间的空间信息，以此预测交通流下一个事件发生的时刻和状态。
Description
技术领域
本发明涉及计算机霍克斯过程技术领域，具体涉及一种基于图自注意力机制与霍克斯过程的交通流预测方法。
背景技术
事件序列数据在各种应用中快速产生，是具有时空特征的系列事件。然而，与时间序列的固定时间间隔不同，具有时空特征的事件序列往往是异步的。例如长时的交通流预测，交通预测已经成为智能交通系统的重要部分，由于交通流的高度非线性特征和持续的动态时空依赖性，以及交通预测的高精度要求，因此提出的模型需要同时考虑动态有向的空间依赖性和长时依赖性。
大量数据和事例显示，未来事件的发生时间与类型通常受到过去事件影响，而现有时间序列模型和卡尔曼滤波未能捕捉到长期的时间依赖性或忽略序列之间的基本空间信息。由于交通流是高度动态化的，这些现有的模型对时间序列数据的平稳假设在长期预测中并不适用。
发明内容
为解决上述问题，本发明提供一种基于图自注意力机制与霍克斯过程的交通流预测方法，设计的模型称作GTHP，该模型可以根据过去事件的发生类别以及时间，计算未来事件在某一时间间隔内发生的期望，预测未来事件的发生时间和事件类别，是一种新型的时空预测模型。
为实现上述目的，本发明提供了如下的技术方案。
一种基于图自注意力机制与霍克斯过程的交通流预测方法，包括以下步骤：
获取交通流图结构嵌入信息，包括图的邻接矩阵以及节点特征矩阵；
将邻接矩阵以及节点特征矩阵输入图卷积神经网络，获取交通流图结构中的各节点之间的空间特征；
根据交通流的历史事件的发生时间与类别，获取时间嵌入特征和类别嵌入特征；
将各节点之间的空间特征、时间嵌入特征和类别嵌入特征矩阵相连接，输入自注意力机制模型，计算注意力得分，并输出某一时刻t的状态ht；
FFN(X)＝Softplus(xW1+b1)W2+b2
H＝FFN(O)
其中，ht为H的第i列，W1与W2为可训练随机生成矩阵，b1，b2为偏差，O＝[O1，O2，...，OH]为自注意力机制模型输出。
通过状态ht近似霍克斯过程的条件强度函数，其中，采用指数函数保证所输出的近似函数非负；
其中，
为列向量，wt和μt为标量。
对于构造出的条件强度函数，通过蒙特卡洛采样方法估算未来时间发生的数学期望，给出在未来某一段时间间隔内发生某一事件的概率，以此获得交通流的下一个事件发生的时刻的预测结果。
优选地，所述历史事件的信息包括{ti，yi，g}三元组，其为历史图结构、事件类别与发生时间拼接的特征矩阵；其中：
ti为sine-cosine三角函数对某节点的观测时间步进行编码；
yi为状态类型被映射到特征空间的独热编码，其中每个事件标记类别y为一个独热向量，V为一个序列独热向量拼接的矩阵。然后创建一个嵌入矩阵U，序列的交通流状态嵌入矩阵为UV，即每个节点的状态类型yi是嵌入矩阵UV的第y列；
g为从图卷积神经网络学习的交通网络的空间信息，代表了相应的节点及其特征。
优选地，所述时间嵌入特征包括过去事件发生的时间，以及多条事件序列组成的事件发生时间矩阵。
优选地，所述类别嵌入特征包括过去事件发生的类别，以及多条事件序列组成的事件类别矩阵。
优选地，所述将各节点之间的空间特征、时间嵌入特征和类别嵌入特征相连接，输入自注意力机制模型，包括以下步骤：
将三元组作为输入信息X嵌入自注意力机制模型，根据嵌入矩阵X与不同随机生成的权值矩阵WQ,WK,WV相乘得到Q、K、V三个矩阵，计算注意力得分；
所述自注意力机制模型使用的是多头注意力机制即使用多个不同的随机生成的权值矩阵WQ,WK,WV，最后将得到的输出结果传入前馈神经网络作为隐藏层的当前状态ht。
优选地，还包括：
通过划分数据集，得到训练集、测试集；
取10个事件作为一个训练序列，通过训练预测下一个事件发生的事件时间和类别，通过求交叉熵损失函数的最小值进行模型训练。
优选地，所述模型训练，采用了基于时间的反向传播算法，包括以下步骤：
确定基于时间的反向传播的大小b，然后按照b的次数重复；
在每个训练过程中，序列均按b的长度截断，并且每个连续的样本
使用梯度下降来更新参数；
在逐步迭代b次后，模型的参数将在反向传播阶段按顺序更新，同时，输出被馈送到联合损失函数中，该函数包括预测下一事件时间戳的NLL(负对数似然)和预测下一事件类型的交叉熵。
优选地，模型训练还包括参数调整，包括以下步骤：
选取不同的batch size、隐藏层数量以及不同的自注意力机制头部数量以及学习率进行调整。
本发明的有益效果：
本发明提出一种基于图自注意力机制与霍克斯过程的交通流预测方法，通过在自注意力机制上嵌入图结构信息作为辅助信息能够更好的捕捉长序列依赖和序列之间的空间信息，利用模型的输出近似霍克斯过程的条件强度函数，提高了预测性能。
附图说明
图1为本发明实施例的GTHP模型整体框架图；
图2为本发明实施例的图信息聚合展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于图自注意力机制与霍克斯过程的交通流预测方法，如图1所示，包括以下步骤：
S1、获取交通流图结构嵌入信息，包括图的邻接矩阵，以及节点特征矩阵。
S2、将邻接矩阵，以及节点特征矩阵输入图卷积神经网络，获取交通流图结构中的各节点之间的空间特征。
S3、根据交通流的历史事件的发生时间与类别，获取时间嵌入特征和类别嵌入特征。
S4、将各节点之间的空间特征与时间嵌入特征和类别嵌入特征矩阵相连接，输入自注意力机制模型，计算注意力得分，并输出某一时刻t的状态ht.
S5、通过状态ht近似霍克斯过程的条件强度函数，其中，采用指数函数保证所输出的近似函数非负。
S6、对于构造出的条件强度函数，通过蒙特卡洛采样方法估算未来时间发生的数学期望，给出在未来某一段时间间隔内发生某一事件的概率，以此获得交通流的下一个事件发生的时刻的预测结果。
具体的，
(1)在图嵌入阶段，本专利采用两层图卷积神经网络来捕获图形空间特征，在傅立叶域中，图卷积神经网络模型构造了一个滤波器，用于捕获图中节点之间的空间特征，并作用于图的每个节点及其一阶邻域。在获取节点本身及其一阶领域特征后，可以通过堆叠多个团卷积层来构建图卷积神经网络模型。如图2所示，本文假设节点1是交通预测系统的某个节点，其行为可能会受到其自身和邻近节点的历史交通数据的影响，图卷积神经网络可以通过拓扑结构的多次卷积获取空间信息，所以模型将此方法作为模型的第一个模块，来获取图节点的特征信息。
(2)输入信息嵌入阶段，历史事件的信息包括{ti,yi,g}作为三元组。第一项定义sine-cosine三角函数对某节点的观测时间步进行编码。第二项是某节点的交通流状态的嵌入，每个事件标记类别y为一个独热向量，V为一个序列独热向量拼接的矩阵。然后创建一个嵌入矩阵U，序列的交通流状态嵌入矩阵为UV，即每个节点的状态类型yi是嵌入矩阵UV的第y列。最后一项是从图卷积神经网络学习的交通网络的空间信息，代表了相应的节点及其特征。
将三元组作为输入信息X嵌入模型，根据嵌入矩阵X与不同的随机生成的权值矩阵WQ,WK,WV相乘得到Q、K、V三个矩阵，计算注意力得分，为了更好的捕捉长序列依赖，模型使用的是多头注意力机制即使用多个不同的WQ,WK,WV，最后将得到的输出结果传入前馈神经网络作为隐藏层的当前状态ht。
本专利定义函数来近似代替Hawkes process条件强度函数，使用指数函数代替非线性传递函数来获得非负输出，以保证条件强度函数为非负数。ht与权重矩阵的乘积表示过去动态传播的事件发生的时间信息和事件类型的累积影响。它等同于传统强度函数中过去发生事件的影响，即用非线性函数代替固定参数的条件强度函数，并给出Hawkesprocess的事件初始发生强度值。
(3)事件发生时间预测阶段，对于具有条件强度函数λ*(t)的Hawkes Process，本专利重新定义了条件强度函数当本专利获得上一事件发生时间tj和
时，本文可以通过蒙特卡洛采样来计算未来事件在某一间隔内发生的数学期望，并预测下一个事件发生的时刻。
(4)参数学习阶段，给定事件序列
的集合，其
本文通过最大化合目标函数达到训练参数的目的。为了使目标函数最大化，本专利采用了基于时间的反向传播算法来训练模型。首先，本专利确定基于时间的反向传播(BPTT)的大小b，然后按照b的次数重复。在每个训练过程中，序列均按b的长度截断，并且每个连续的样本
使用梯度下降来更新参数。在逐步迭代b次后，模型的参数将在反向传播阶段按顺序更新。同时，输出被馈送到联合损失函数中，该函数包括预测下一事件时间戳的NLL(负对数似然)和预测下一事件类型的交叉熵。最后，本专利采用mini-batch的自适应矩估计(ADMA)方法来训练神经网络。
(5)下一个事件发生时刻的预测，调用逆方法进行预测：
给定s～Exp(1)(即x＝-log(1-u),u～uniform(0,1))，根据
计算出
举个例子，给定值α＝0.1，在定理中，可以百分之九十确定下一时刻
所在区间。通过以上定理，在本专利的模型中，本专利选择u＝0.5，即区间(0,1)的中间值。
表1模型训练时间与训练时间方差表:
通过在四个现有数据集和一个人工生成的数据集中评估均方根误差(Root MeanSquare Error)、错误率(Error)、负对数似然(Negative Log-Likelihood)，本专利与四种最新模型进行了比较，结果显示在上表中。如表所示，GTHP在五个数据集上的RMSE(均方根误差)和NLL(负对数似然)都优于其他四个模型，在Stack overflow和ATMs数据集上错误率上也低于其他模型。实验结果表明，所提出的GTHP模型无论是在现实数据还是人工合成数据上对未来事件预测任务的表现良好。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，包括以下步骤：
获取交通流图结构嵌入信息，包括图的邻接矩阵以及节点特征矩阵；
将邻接矩阵以及节点特征矩阵输入图卷积神经网络，获取交通流图结构中的各节点之间的空间特征；
根据交通流的历史事件的发生时间与类别，获取时间嵌入特征和类别嵌入特征；
将各节点之间的空间特征、时间嵌入特征和类别嵌入特征矩阵相连接，输入自注意力机制模型，计算注意力得分，并输出某一时刻t的状态ht；
通过状态ht近似霍克斯过程的条件强度函数，其中，采用指数函数保证所输出的近似函数非负；
对于构造出的条件强度函数，通过蒙特卡洛采样方法估算未来时间发生的数学期望，给出在未来某一段时间间隔内发生某一事件的概率，以此获得交通流的下一个事件发生时刻的预测结果。
2.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述历史事件的信息包括{ti,yi,g}三元组，其中：
ti为sine-cosine三角函数对某节点的观测时间步进行编码；
yi为状态类型被映射到特征空间的独热编码，其中每个事件标记类别y为一个独热向量，V为一个序列独热向量拼接的矩阵。然后创建一个嵌入矩阵U，序列的交通流状态嵌入矩阵为UV，即每个节点的状态类型yi是嵌入矩阵UV的第y列；
g为从图卷积神经网络学习的交通网络的空间信息，代表了相应的节点及其特征。
3.根据权利要求2所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述时间嵌入特征包括过去事件发生的时间，以及多条事件序列组成的事件发生时间矩阵。
4.根据权利要求2所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述类别嵌入特征包括过去事件发生的类别，以及多条事件序列组成的事件类别矩阵。
5.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述将各节点之间的空间特征、时间嵌入特征和类别嵌入特征相连接，输入自注意力机制模型，包括以下步骤：
将三元组作为输入信息X嵌入自注意力机制模型，根据嵌入矩阵X与不同的随机生成的权值矩阵WQ,WK,WV相乘得到Q、K、V三个矩阵，计算注意力得分；
所述自注意力机制模型使用的是多头注意力机制即使用多个不同的随机生成矩阵WQ,WK,WV，最后将得到的输出结果传入前馈神经网络作为隐藏层的当前状态ht：
FFN(x)＝Softplus(xW1+b1)W2+b2
H＝FFN(O)
其中，ht为H的第i列，W1与W2为可训练随机生成矩阵，b1，b2为偏差，O＝[O1,O2,…,OH]为自注意力机制模型输出。
6.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述通过状态ht近似霍克斯过程的条件强度函数，其中，采用指数函数保证所输出的近似函数非负，具体如下式所示：
其中，
为列向量，wt和μt为标量。
7.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，利用图卷积神经网络捕获空间依赖，attention机制捕获长序列依赖，还包括：
通过划分数据集，得到训练集、测试集；
取10个事件作为一个训练序列，通过训练预测下一个事件发生的事件时间和类别，通过求交叉熵损失函数的最小值进行模型训练。
8.根据权利要求7所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述模型训练采用了基于时间的反向传播算法，包括以下步骤：
确定基于时间的反向传播的大小b，然后按照b的次数重复；
在每个训练过程中，序列均按b的长度截断，并且每个连续的样本
使用梯度下降来更新参数；
在逐步迭代b次后，模型的参数将在反向传播阶段按顺序更新，同时，输出被馈送到联合损失函数中，该函数包括预测下一事件时间戳的NLL负对数似然和预测下一事件类型的交叉熵。
9.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述模型训练还包括参数调整，包括以下步骤：
选取不同的batch size、隐藏层数量以及不同的自注意力机制头部数量以及学习率进行调整。
10.根据权利要求1所述的基于图自注意力机制与霍克斯过程的交通流预测方法，其特征在于，所述下一个事件发生时刻的预测，调用逆方法进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115236.0A CN115358485A (zh) | 2022-09-14 | 2022-09-14 | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211115236.0A CN115358485A (zh) | 2022-09-14 | 2022-09-14 | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115358485A true CN115358485A (zh) | 2022-11-18 |
Family
ID=84006900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211115236.0A Pending CN115358485A (zh) | 2022-09-14 | 2022-09-14 | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358485A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
| CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
-
2022
- 2022-09-14 CN CN202211115236.0A patent/CN115358485A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
| CN116363878B (zh) * | 2023-05-26 | 2023-08-11 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
| CN116884215A (zh) * | 2023-07-14 | 2023-10-13 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
| CN116884215B (zh) * | 2023-07-14 | 2024-05-31 | 北京百度网讯科技有限公司 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI769754B (zh) | 基於隱私保護確定目標業務模型的方法及裝置 | |
| US9390373B2 (en) | Neural network and method of neural network training | |
| CN115358485A (zh) | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 | |
| JP2019032808A (ja) | 機械学習方法および装置 | |
| EP0942384A2 (en) | Method and apparatus to model the variables of a data set | |
| CN111814921B (zh) | 对象特征信息获取、对象分类、信息推送方法及装置 | |
| WO2022105108A1 (zh) | 一种网络数据分类方法、装置、设备及可读存储介质 | |
| US20190138929A1 (en) | System and method for automatic building of learning machines using learning machines | |
| CN110930996B (zh) | 模型训练方法、语音识别方法、装置、存储介质及设备 | |
| CN112529069B (zh) | 一种半监督节点分类方法、系统、计算机设备和存储介质 | |
| JP7381814B2 (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
| Wiggers et al. | Predictive sampling with forecasting autoregressive models | |
| CN116153089B (zh) | 基于时空卷积与动态图的交通流量预测系统及方法 | |
| CN113505924A (zh) | 一种基于级联时空特征的信息传播预测方法及系统 | |
| CN110633417B (zh) | 一种基于服务质量的web服务推荐的方法及系统 | |
| CN114998659A (zh) | 随时间在线训练脉冲神经网络模型的图像数据分类方法 | |
| Kim et al. | Exploring temporal information dynamics in spiking neural networks | |
| CN114417172A (zh) | 一种深度兴趣进化推荐方法、装置、设备和存储介质 | |
| CN114297934A (zh) | 一种基于代理模型的模型参数并行仿真优化方法及装置 | |
| CN112561180B (zh) | 基于元学习的短期风速预测方法、装置、计算机设备及存储介质 | |
| CN110007371A (zh) | 风速预测方法及装置 | |
| CN113377964A (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
| CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
| CN115510948A (zh) | 一种基于鲁棒图分类的区块链钓鱼检测方法 | |
| Lin et al. | ModularNAS: towards modularized and reusable neural architecture search |
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 |