核心校正 LSTM
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
本文将降水短时预报问题作为时空序列预测问题,并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型,数据实验表明,相比全连接的 LSTM 和 ROVER 算法,ConvLSTM 能够更好地捕捉时空相关性,并在降水短时预报中具有更好的预测性能。
Jun, 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
通过将集合卡尔曼滤波器和 LSTM 神经网络相结合,本文提出了一种适用于各种作物的 EnKF-LSTM 数据同化方法,该方法有效避免了现有数据同化方法的过拟合问题,并消除了测量数据的不确定性,从而提高了预测的准确性。通过农田上部署的传感器设备收集的数据集进行了所提出的 EnKF-LSTM 方法的验证,并与其他数据同化方法进行了比较。
Mar, 2024
本文提出了一种基于全非侵入式长短时记忆(LSTM)嵌入结构的递归神经网络方法,用于估算限制性项,该方法不仅强制状态轨迹到观察值,而且还在一定程度上充当了稳定器,并通过相关数据的强大力量,可以有效地进行再培训。实验结果表明,与 EKF 和 EnKF 相比,所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。
May, 2020
该研究报告详细介绍了基于惯性测量和全球定位系统数据的长短期记忆 (LSTM) 神经网络和多项式回归的对象位置坐标的预测与插值系统的设计和实现。通过对真实世界车辆和全球定位系统传感器的数据处理,我们的 LSTM 系统在实时低延迟和高精度中展现了较传统的卡尔曼滤波方法更低的平均误差和类似的推断时间。
Nov, 2023
此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测,通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模,构建了一个包含九层的自动编码器模型。结果表明,ConvLSTM 网络在气象预测中有着高准确性,尤其在天气复杂的地区具有显著潜力,为气象任务提供了一种更准确、数据驱动的方法。
Dec, 2023
通过评估和比较四种基于机器学习的风力发电预测模型,我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果,平均归一化均方根误差降至 22%,同时减少了均方根误差,并且未来研究应当探究模型流程的变化以提高预测性能。此外,我们引入了连续学习策略,该策略在新数据可用时取得了最高的预测性能提升。
Feb, 2024
本研究使用 Long Short-Term Memory (LSTM) 這種特殊形式的循環神經網路(RNN)方法,以預測玉米產量,實證結果顯示其在 Iowa 郡一級數據方面的預測能力相對現有的調查方法具有潛在的預測力。
May, 2018
本文针对具有宽泛的预测过程监控任务,研究了采用 LSTM 神经网络建立的高准确度模型,证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。
Dec, 2016