基于粒子流的循环神经网络用于概率时空预测
本研究介绍了一种新的递归神经网络的方法,即基于粒子滤波的递归神经网络,它将不确定性建模为一组粒子,并提出了一种全可微分的粒子滤波算法来更新其内部状态分布,实验证明该方法在真实世界序列预测方面优于标准门控递归神经网络。
May, 2019
本文引入一种基于深度状态空间模型的概率时间序列预测方法,其中非线性发射模型和转移模型由网络参数化,并采用循环神经网络对其进行建模。通过自动相关性确定网络,我们还开发了一个利用外生变量的网络,以及估算外生变量不确定性,最终有助于确定有用的外生变量和压制预测中不相关的变量。使用蒙特卡罗模拟来逼近多步预测的分布,实验表明我们的模型可以准确地预测并且估算的时间随着预测步数的增加而逐渐增长。
Jan, 2021
本文介绍一种基于历史数据,使用逐步加粗的粒子来近似表示潜在状态分布的序列预测模型,利用连续可微分的方案,根据贝叶斯规则,自适应提取有价值的信息和更新潜在状态,并在预测任务中取得了良好的效果。
Dec, 2022
本文提出了一种基于贝叶斯 RNN 模型的非线性时空预测方法,旨在通过量化不确定性来提高预测准确性,同时通过简单修正基本的 RNN 以适应非线性时空数据的独特性。该方法成功应用于一种 Lorenz 模拟以及两个实际的非线性时空预测应用。
Nov, 2017
本研究提出了一种基于时空卷积神经网络模型,用于从视觉信息中进行轨迹预测。应用于自回归方式,提供给定初始轨迹部分的连续显式概率分布。我们使用 MNISTseq 和 Stanford Drones 两个标准数据集进行实验,并与现有方法作了比较,结果表明取得了与或优于先前方法的成果。
Dec, 2018
本文提出了一种弹性且鲁棒的概率框架 RegFlow,采用超网络架构和连续正常化流模型进行训练,无需对未来状态的单峰性或概率分布做出任何限制,成果在多项基准数据集上表现优于竞争方法。
Nov, 2020
本研究基于卷积神经网络提出了一种概率预测框架,可用于多个相关时间序列的预测,并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系,并通过表示学习捕获了季节性、假日效应等复杂模式,实验证明该框架在精度和效率方面均优于当前其他方法。
Jun, 2019
本文介绍了一种使用统计方法和神经网络相结合的深度学习方法来改进具有日历驱动周期性的时间序列数据的概率预测准确性的方法,并在两个数据集上进行了统计检验,结果表明该方法比其他深度学习预测方法具有更好的预测性能和较小的计算成本。
Feb, 2023
本研究提出了以循环神经网络为基础的动态时空模型,用于预测具有时空依赖的空间过程的时间序列,通过结构化的潜在动态组件学习这些依赖关系,从而预测观测结果,模型经过多种预测问题的评估和比较,被证明能够从中提取出相关的空间关系。
Apr, 2018