利用长短期记忆网络预测传感器响应时间的减少
实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性,通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时,这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据,提取高级信息以早期预测住院死亡率和住院时间。
Aug, 2023
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
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
我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络(LSTM)的方法通过仅使用每个玩家的健康指标作为时间序列,实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例,评估了我们模型在此游戏中的表现,并与流行的时间序列预测方法进行了对比。最后,我们公开了数据集和代码,以期促进对街机游戏的预测性分析进一步的研究。
Feb, 2024
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
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
利用 LSTM 网络预测股票动态,主要关注细微的涨跌模式,结合纽约证交所的数据集,改进 LSTM 模型以捕捉复杂的市场模式,进而提高股票价格预测的准确性。
Dec, 2023
使用基于忆阻器的回声状态网络加速器,在边缘设备上进行高效的时间序列数据处理和在线学习,与软件模型相比性能仅下降约 4.8%,并实现了 246 倍的能源消耗降低。
May, 2024
本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法,并在 GEANT 网络实验数据中验证表明,该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。
May, 2017
该论文研究了循环神经网络和其变体在处理序列方面的强大性能,并提出了一种基于长短期记忆(LSTM)预测区间的控制图方法,用于监测具有时间变动性的数据,并表明该方法优于其他基于神经网络的预测监测方法,特别适用于检测平均值突变的异常情况。
Sep, 2023