比较 LSTM 和双向 LSTM 深度神经网络在电力消耗预测中的应用
本文提出了一种基于深度双向和单向 LSTM 神经网络的交通速度预测模型,该模型可以处理缺失值,适用于高速公路和城市道路等复杂网络,比其他模型更准确和稳健。
Jan, 2018
本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能,结果表明双向 LSTM 的附加训练可提高预测准确性,相较于 ARIMA 甚至单向 LSTM,双向 LSTM 的预测效果更佳,但是收敛速度较慢。
Nov, 2019
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
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
本文提出了一种新的多层 RNN 模型 —— 密集连接的双向长短期记忆网络 (DC-Bi-LSTM),并在五个句子分类基准数据集上进行了评估。结果显示,相比同等或更少的参数的传统双向 LSTM,深度为 20 的 DC-Bi-LSTM 模型可以成功训练,并获得了显著的改进。此外,与最先进方法相比,我们的模型表现具有很好的潜力。
Feb, 2018
本文提出了基于深度学习方法,特别是循环神经网络的短期交通预测模型,其中采用双向 LSTM 等技术来处理空间 - 时间数据中的缺失值,实验结果表明该模型在准确性和鲁棒性方面的表现优异。
May, 2020
本研究对基于双向长短时记忆(LSTM)循环神经网络(RNN)的自动语音识别(ASR)进行了全面的研究,探索了深度、大小、优化方法等不同因素的影响,并通过实验分析在 Quaero 语料库上实现了提高词错误率的效果,并比较了不同的培训计算时间。
Jun, 2016
该技术报告描述了使用 MNIST 和 UW3 数据库对 LSTM 网络进行基准测试的结果,并探讨了不同架构和超参数选择对性能的影响。该研究表明:(1)LSTM 性能平滑地取决于学习率,(2)批处理和动量对性能没有显着影响,(3)softmax 训练优于最小二乘训练,(4)孔径单元无用,(5)标准非线性函数(tanh 和 sigmoid)性能最佳,(6)将双向训练与 CTC 相结合比其他方法表现更好。
Aug, 2015
准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆(QLSTM)和经典长短期记忆(LSTM)模型在太阳能发电预测中的表现,结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而,要充分发挥 QLSTM 的潜力,需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试,本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力,实现对全球太阳能发电的前所未有的准确性和可靠性预测。
Oct, 2023