基于功耗受限设备的长期交通数据收集的学习
基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集,设计了基于卷积神经网络(CNN)和循环神经网络(RNN)的两种主要深度学习架构,并在不同训练条件下进行了测试。使用知识迁移学习(KTL)技术改进模型性能并降低计算资源需求,模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计,并应用两种前沿可解释人工智能技术来解释得出的学习模型。
Oct, 2023
通过学习的基于马尔可夫事件的新颖框架,利用无人机作为飞行基站,预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略,最终通过深度强化学习方法改进传输性能。
Jan, 2024
通过去中心化的深度学习方法,基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况,避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡,引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验,成果表明该方法成功预测了交通拥堵。
Mar, 2017
提出了一种基于不确定性感知的交通预测框架,通过结合交通流理论和图神经网络的模型设计,在单次模型训练中能够量化不同来源的不确定性,并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明,从 2018 年到 2021 年,白天超过 80% 的交通数据可以被删除,而剩余 20% 的样本对于训练模型具有相同的预测能力,从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。
Oct, 2023
通过利用流式雷达数据中的时间相关性,本文提出了一种利用早期退出神经网络在嵌入式设备上进行深度学习推理的新技术,以增强处理资源有限的嵌入式平台上数据流的处理效率。这些神经网络在架构的隐藏层之间添加了额外的分类器分支,允许在运行时决策机制认为其结果足够时提前终止推理,我们的方法能够更加明智地决定何时终止推理,减少计算成本同时最大限度地保持准确性损失最小。我们的结果表明,相比于单一退出网络和基于置信度的早期退出版本,我们的技术每次推理节省了多达 26% 的操作,我们提出的技术适用于通用硬件并可以与传统优化相结合,使其适用于资源有限的嵌入式平台,这在智能设备中经常使用。这种效率提升使得在资源受限平台上进行实时雷达数据处理成为可能,并在智能家居、物联网和人机交互等领域推出了新的应用。
Sep, 2023
利用深度学习架构,通过将动态轨迹信息映射到完整的状态空间估计,演示了基于传感器轨迹的移动传感器的网络模型在感知任务中的出色性能。
Jul, 2023
利用历史建筑能源数据,研究了简单的线性多层感知器模型在多建筑能源系统模拟中提供与先进模型相当的预测精度,并具有更高的数据效率和泛化能力。通过使用变点分析对训练数据进行筛选,同时提高了预测精度和数据效率。重用模型和使用三个月的数据训练的模型平均误差比基准模型高出 10%,表明在没有事先数据收集的情况下部署 MPC 系统可能是经济可行的。
Feb, 2024
利用时间序列分析为动态分配移动网络流量预测模型的新框架,通过选择性地使用学习行为相对于当前研究具有超过 50%的性能改进,并在无需对单个细胞具有先验知识的情况下超过传统方法;该框架通过无监督聚类识别独特趋势和季节模式,然后在每个聚类中应用监督学习进行流量量预测,使得不受空间和时间变化的惩罚,并且通过分析细胞的实时测量结果,智能选择最适合该细胞的聚类,使聚类分配根据时空波动的动态调整。
Nov, 2023
本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题,提出了基于强化学习和深度 Q 网络的三种算法,实验结果表明这些算法在性能上比现有基准方法更优秀。
May, 2018
该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法,该方法在 IEEE 118 总线基准系统上的实验表明,相较于现有的 PSSE 求解器,该方法的性能提高了接近一个数量级。
Nov, 2018