Mar, 2022

基于时间卷积网络的科技主题热需求预测算法

PDF
TL;DR本文提出了一种基于时间卷积网络（TCN）的科技需求主题热度预测方法，利用主题特征进行科技需求主题热度的时间序列预测，通过实验结果表明该算法在真实科技需求数据集上的预测准确度优于其他时间序列预测方法。
deep learningbig data analysissubject heat predictiontime convolution networkscience and technology demand
发现论文，激发创造
  • 基于空间增强和动态图卷积网络的科学论文研究趋势预测

    利用深度学习神经网络结合 GCN 和 TCN 的卷积网络模型提出一种基于历史数据的科研主题热度预测算法，通过捕捉主题之间的空间依存性和时间变化关系， 实现对未来研究热点的有效预测。

    Mar, 2022

  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022

  • 利用机器学习和深度学习预测主要城市的温度

    利用时间序列分析和机器学习算法，基于大学的温度变化数据库，我们成功预测了未来各个城市的温度变化。

    Sep, 2023

  • 基于并行时空注意力的 TCN 模型用于多元时间序列预测

    该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

    Mar, 2022

  • 基于时序卷积神经网络的概率预测

    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

  • 利用卷积神经网络通过遥感数据进行最高温度预测

    通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据，本研究介绍了一种新颖的机器学习模型，旨在生成详细的时空地图，预测都灵市 24 小时内的最高温度。实验结果表明，该模型在预测温度模式方面表现出色，对于 2023 年分辨率为每像素 20 米的情况，均方根误差为 2.09 摄氏度，从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解，强调了跨学科数据整合的重要性，并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。

    May, 2024

  • 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

  • 集成能源系统短期多能源需求预测的深度卷积神经网络

    开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

    Dec, 2023

  • 利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测

    本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

    Mar, 2024

  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016