检索结果-南通市图书馆

检索条件"主题词=多级注意力网络"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于多级注意力网络的粮堆温度预测和预警

基于多级注意力网络的粮堆温度预测和预警

引用

作者：李瑞洋河南工业大学

学位级别：硕士

粮食涉及国计民生,是一个国家最根本的物质基础。我国是粮食生产和储备大国,粮食储备安全是我国的国家安全。粮食储备安全一个重要内容是保障粮食质量良好,而粮堆内部温度是保障储备粮食质量安全的一个最为重要的监测指标,准确分析和预... 详细信息

粮食涉及国计民生,是一个国家最根本的物质基础。我国是粮食生产和储备大国,粮食储备安全是我国的国家安全。粮食储备安全一个重要内容是保障粮食质量良好,而粮堆内部温度是保障储备粮食质量安全的一个最为重要的监测指标,准确分析和预测粮堆内部温度一直是粮食信息化交叉领域的一个研究热点,对于国家粮食储备安全具有极其重要的意义。本文首先使用长短期记忆网络(Long Short-Term Memory,LSTM)对粮堆内部温度进行时间序列上的预测;然后在多层LSTM网络的基础上加入注意力机制形成多级注意力网络,并结合粮温数据在时间和空间两个维度上的分析,建立基于多级注意力网络的粮堆温度预测模型,实现了对粮堆内部温度的准确预测;最后根据粮食行业对安全储粮的温度标准以及降温通风的允许条件,对粮堆温度预警模型设计步骤提出建议。主要工作如下:(1)粮堆温度数据具有典型的时间序列特性,LSTM网络在对时间序列进行预测时精度很高。本文利用LSTM网络对粮堆温度分别进行了单因素和多因素两种模型的预测实验。在LSTM单因素预测实验中,仅考虑目标温度传感器的历史时间序列,对目标传感器未来六天的温度进行预测,反归一化后得到温度预测值与真实值的均方根误差(Root Mean Square Error,RMSE)为1.64,平均绝对值误差(Mean Absolute Error,MAE)为3.39;在LSTM多因素预测实验中,同时考虑粮堆中所有温度传感器的最高温、最低温和平均温以及目标温度传感器在水平方向上所在传感器层的最高温、最低温和平均温这六个因素对目标温度传感器的影响,对目标传感器未来六天的温度进行预测,反归一化后得到温度预测值与真实值的RMSE为1.12,MAE为1.07。(2)注意力机制能够从众多目标中选择出对当前任务目标更关键的信息,本文在LSTM网络的基础上添加注意力机制,来提高LSTM网络的预测性能。本文提出一种基于多级注意力网络模型的粮堆内部温度预测方法。分别利用局部空间和全局空间注意力机制对目标温度传感器的空间关系进行建模,在此基础上,基于时间注意力机制选取其中对预测结果影响较大的时间点,将其与解码器的输出融合,再通过一个线性变换得到最终目标温度传感器未来六天的的预测结果。反归一化后得到温度预测值与真实值的RMSE为0.39,MAE为0.25,符合粮食储藏行业规定的粮堆温度误差范围要求(±0.5℃)。

关键词：粮食储藏温度预测长短期记忆网络多级注意力网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的OD需求预测技术研究

基于深度学习的OD需求预测技术研究

引用

作者：卢家纬黑龙江大学

学位级别：硕士

OD(Origin Destination)需求预测问题是智慧交通领域的一个重要研究问题,该问题是根据过去一段历史时间的OD流量,预测将来某一段时间的OD流量。OD流量是人口流动的基本表现,从出发地到目的地和从目的地到出发地的人口流动组成了一个OD对... 详细信息

OD(Origin Destination)需求预测问题是智慧交通领域的一个重要研究问题,该问题是根据过去一段历史时间的OD流量,预测将来某一段时间的OD流量。OD流量是人口流动的基本表现,从出发地到目的地和从目的地到出发地的人口流动组成了一个OD对,在本文中用车流流动来研究OD需求预测问题。OD需求预测在各个领域都有广泛的应用,如出租车调度,城市道路规划等。OD需求预测已经得到了广泛研究并提出了一系列有效的预测方法,然而如何捕捉连续时间特征和动态的空间特征,这是一项具有挑战性的任务。针对现有研究存在的问题,本文对现有OD需求问题进行深入研究并提出两个有效的OD需求预测方法。本文的主要研究成果如下:(1)本文提出了一种基于多级注意力网络的新框架用于OD需求预测(Spatial-Temporal Memory Enhanced Multi-Level Attention Network,简称为STMEN)。ST-MEN充分考虑外部因素对交通状况的影响,并增强预测性能。首先,ST-MEN将外部特征提取与动态空间特征以及连续和离散时间特征提取相结合。这种组合使模型能够捕捉与外部因素、节点之间的空间依赖关系和时间动态相关的广泛信息。其次,ST-MEN具有动态空间特征提取的能力,能够有效捕捉复杂空间-时间动态依赖关系并重视不同区域之间的复杂互动,在学习其他区域的信息的同时,还能尽可能保存本区域已经学习过的信息,最后ST-MEN还能捕捉动态和静态的时间依赖关系,能捕捉多种时间模式,包括离散时间和连续时间信息。解决了以往研究不能同时捕捉和有效整合离散时间和连续时间信息的问题,为验证ST-MEN的有效性,对两个真实世界的数据集进行了大量实验。结果表明,所提出的模型在OD需求预测性能方面优于现有方法。(2)本文提出了一个基于图表示学习的OD需求预测算法(Graph Representation Learning of Encoder-Decoder for Origin-Destination Flow Modeling,简称为GRED),本算法用于人口流动建模的通用动态表示学习框架。首先本算法构造了一个连续时间动态图编码器-解码器结构,不同于以往的研究把输入的动态图离散化为多个快照,本算法创新性地将关键的动态空间-时间依赖关系编码为不断演化的节点表示。其次,为了对抗学习过程中的遗忘,算法使用位置注意力来保存该节点之前的学习信息,同时再挖掘该节点的隐含信息,接下来,在多尺度特征联级联模块中通过学习不同尺度下的时间特征进一步增强了捕捉动态时间依赖关系的能力,然后,在自适应全局关系模块中不仅捕捉了自身节点的空间依赖关系,还进一步捕捉整合了周围节点的空间依赖关系,最终,学习到的节点表示可以在多个下游任务中检索和利用。在两个大规模数据集上的实验证明了所提出模型的有效性和鲁棒性。

关键词： OD流量预测图表示学习多级注意力网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：