Apr, 2024

使用增强型 CNN-LSTM 网络进行飞行轨迹预测

PDF
TL;DR本文提出了一种增强的 CNN-LSTM 网络作为战斗机飞行轨迹预测方法，该方法从空间和时间两个维度提取特征，通过模拟实验证明相比于原始的 CNN-LSTM 方法，预测精度提高了 32% 和 34%。
发现论文，激发创造
  • 基于时空图注意力网络的战斗机飞行轨迹预测

    本研究提出了一个时空图注意力网络（ST-GAT）来预测蓝军战斗机的飞行轨迹，与增强型的 CNN-LSTM 网络相比，模拟结果显示该网络显著提高了飞行轨迹的预测准确性，为后续自主战斗任务提供了强有力的支持。

    May, 2024

  • 基于时空相关性的混合深度学习框架的短期交通流量预测

    本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

    Dec, 2016

  • 使用 CNN-LSTM 结构增强面部防攻击的动态提示

    本论文提出了一种基于 CNN-LSTM 网络的人脸反欺诈方法，专注于视频帧间的运动线索，在回放攻击和 MSU-MFSD 数据库上表现出目前最先进的性能和更好的泛化能力。

    Jan, 2019

  • 卷积神经网络用于轨迹预测

    本文提出了一种卷积神经网络（CNN）人类轨迹预测方法，相比于当前的方法更加快速但仍保持具有竞争力的结果，这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。

    Sep, 2018

  • LSTM 网络用于高速公路轨迹预测

    本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

    Jan, 2018

  • 利用多流信息融合进行低照度情况下的轨迹预测：一种多通道图卷积方法

    本文提出了一种多通道图卷积网络的方法来处理低光照环境下的自动驾驶车辆轨迹预测问题，并在城市路口场景的数据集上进行了验证。

    Nov, 2022

  • 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

    基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

    Mar, 2024

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 使用 LSTM-DeepLabv3 + 和贝叶斯优化进行时空特征融合以改善城市洪涝预测

    本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

    Apr, 2023

  • 利用 CNN 和 LSTM 提升物联网安全性的入侵检测系统

    提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）深度学习模型的入侵检测系统（IDS）模型，用于保护物联网设备免受网络攻击的伤害，通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析，实现了高精度和高效率的物联网流量检测和分类，验证结果表明该模型对于物联网环境的网络威胁具有很好的防御效果。

    May, 2024