Nov, 2018

气象预报中用于温度预测的时空堆叠 LSTM

PDF
TL;DR本文介绍了使用长短时记忆神经网络（LSTM）预测天气的方法。作者提出了一个 2 层的时空堆叠 LSTM 模型，其中第一层是独立的 LSTM 模型，第二层的输入是第一层 LSTM 模型的隐藏状态的组合。实验表明，通过利用空间信息，时空堆叠 LSTM 模型的预测性能在大多数情况下都得到了提高。
long short-term memorystacked lstm modelweather forecastingspatio-temporalsequence learning
发现论文，激发创造
  • 利用 长短期记忆网络（LSTM）和物联网（IoT） 进行城市环境下局部表面温度预测

    本文提出了一种基于 LSTM 深度学习网络的框架，用于以高空间分辨率生成未来一天每小时的气温预测，并利用纽约市的历史原位观测和物联网观测进行了案例研究，旨在解决在城市环境下，由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。

    Feb, 2021

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    本研究提出一种动态局部化长短期记忆（LSTM）模型，通过使用局部动态空间权重矩阵和其动态变化，考虑时间和空间上的复杂动态相互作用，对道路之间的时空关系进行建模，能够处理具有长时序依赖和复杂非线性特征的序列数据，并在实验证明了该模型相比基线方法具有更好的预测性能。

    Dec, 2021

  • 卷积张量列车长短时记忆网络用于时空学习

    本文提出了一种高阶卷积 LSTM 模型和一种新的张量列车模块，可以有效地学习视频序列中的长期时空相关性，并通过结合时间上的卷积特征进行预测，通过张量列车分解降低了模型复杂度，取得了广泛应用和数据集上的最佳表现。

    Feb, 2020

  • MS-LSTM: 探索视频预测领域的时空多尺度表示

    本文介绍了一种新的视频预测模型 ——MS-LSTM，该模型采用多尺度空间和时间结构，在充分捕捉时空上下文信息方面具有高效和优秀的性能。与现有的 RNN 模型不同的是，MS-LSTM 使用 LSTMs 和不同的卷积内核设计空间和时间尺度，实现多尺度表示，有效减少了训练成本，同时取得更好的表现。

    Apr, 2023

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • 卷积 LSTM 网络：一种用于降水预报的机器学习方法

    本文将降水短时预报问题作为时空序列预测问题，并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM 和 ROVER 算法，ConvLSTM 能够更好地捕捉时空相关性，并在降水短时预报中具有更好的预测性能。

    Jun, 2015

  • 荷兰的短期降水预测：基于卷积 LSTM 神经网络的天气雷达数据应用

    此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

    Dec, 2023

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 利用可解释的基于注意力机制的 LSTM 预测行程时间和距离

    本文提出了四种基于机器学习的时间和距离预测模型，其中最佳模型采用两个并行的基于注意力机制的 LSTM 网络，预测下一次行程的距离和时间的误差为 3.99％，比 LSTM 模型还要好 23.89％。我们同时提出了 TimeSHAP 方法用于解释模型的学习过程。

    Mar, 2023

  • 时空大型语言模型用于交通预测

    提出了一种基于空间 - 时间大型语言模型（ST-LLM）的交通预测方法，通过重新定义位置上的时间步长作为标记，并结合空间 - 时间嵌入模块来学习标记的空间位置和全局时间表示，在提供统一的空间和时间信息的基础上，进一步提出了一种部分冻结的 LLM 关注策略，用于捕捉交通预测的空间 - 时间依赖关系。综合实验表明 ST-LLM 在真实交通数据集上优于最先进的模型，同时在少样本和零样本预测场景中也表现出鲁棒性。

    Jan, 2024