發(fā)簡(jiǎn)信
IP屬地：陜西
-
attention
1.什么是注意力機(jī)制 2.attention綜述 3.attention
-
Time series forecasting of petroleum production using deep LSTM recurrent networks針對(duì)問(wèn)題：時(shí)間序列預(yù)測(cè)。LSTM的淺層架構(gòu)無(wú)法有效地表示時(shí)間序列數(shù)據(jù)的復(fù)雜特征，尤其是高度非線性和長(zhǎng)間隔時(shí)間序列數(shù)據(jù)集。 提出模型：deep-L...
-
Unsupervised pre-training of a Deep LStM-based Stacked Autoencoder for Multivariate time Series f...問(wèn)題背景：deepLSTM模型在建模多元時(shí)間序列（MTS）性能有待提高，尤其是高度非線性和長(zhǎng)間隔的MTS數(shù)據(jù)集。原因：監(jiān)督學(xué)習(xí)方法在RNN中隨機(jī)...
-
STRUCTURED SEQUENCE MODELING WITH GRAPH CONVOLUTIONAL RECURRENT NETWORKS針對(duì)問(wèn)題：結(jié)構(gòu)化序列 structured sequences（如，時(shí)空序列）. 提出模型：GCRN. 圖＋CNN——識(shí)別空間結(jié)構(gòu)，RNN——查...
-
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting問(wèn)題背景：交通流量預(yù)測(cè)忽略時(shí)空依賴性。 提出模型：Spatio-Temporal Graph Convolutional Networks (S...
-
DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING針對(duì)問(wèn)題：交通預(yù)測(cè)。 提出模型：擴(kuò)散卷積遞歸神經(jīng)網(wǎng)絡(luò)（DCRNN）。DCRNN在圖形上使用雙向隨機(jī)步捕獲空間依賴性，并使用計(jì)劃采樣的編碼器-解碼...
-
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Lin用于流量預(yù)測(cè)的時(shí)序圖卷積 問(wèn)題背景：交通流量預(yù)測(cè)。 提出模型：為了同時(shí)捕獲空間和時(shí)間相關(guān)性，提出了時(shí)間圖卷積網(wǎng)絡(luò)（T-GCN）模型，即將圖卷積網(wǎng)...
-
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling對(duì)RNN和CNN進(jìn)行比較 時(shí)間卷積網(wǎng)絡(luò)TCN代碼：GitHub - locuslab/TCN: Sequence modeling benchm...
-
Unveiling the predictive power of static structure in glassy systems問(wèn)題背景：預(yù)測(cè)玻璃態(tài)系統(tǒng)中的靜態(tài)結(jié)構(gòu)變化 提出模型：使用圖神經(jīng)網(wǎng)絡(luò)，僅從初始粒子位置確定玻璃態(tài)系統(tǒng)的長(zhǎng)期演化，而沒(méi)有任何手工特征。 通過(guò)我們的網(wǎng)...