基于ConvLSTM的北京区域电离层延迟建模

电离层延迟是影响卫星定位精度的重要因素,针对GNSS单频定位中电离层延迟改正精度较低的问题,文中利用Bernese5.2软件处理北京13个CORS站从2016-09-15—2016-10-14的GNSS观测数据,得到北京市及周边区域(31°~47°N,108°~124°E)的VTEC值,并基于ConvLSTM神经网络建立北京市及周边区域的电离层延迟模型VclNet,并将该模型与Klobuchar模型和GIM(c1pg)、GIM(c2pg)、三角级数模型、多项式模型的VTEC预报值进行了精度对比分析。6种预报中,VclNet的效果最好,其对北京市中心点VTEC预报值精度为1.99 TECU,区域VTEC预报值精度为2.09 TECU,Klobuchar模型的预报效果最差,中心点精度和区域精度分别为5.92 TECU和5.99 TECU。

基于ConvLSTM的西北太平洋海表温度中短期预报

尽管海表温度(Sea Surface Temperature,SST)短期变化较小,但这种变化对海洋涡旋、海洋锋以及热带气旋的发生发展仍有着重要的影响,因此短期SST预报意义重大,且对预报精度的要求较高。本文基于ConvLSTM的深度学习模型,利用SST和温度平流双预报因子对西北太平洋划定区域内SST进行7 d的连续预报,将其结果与仅使用SST预报因子ConvLSTM以及混合坐标海洋模型(HYbrid Coordinate Ocean Model,HYCOM)的预报结果分别进行了对比。结果表明,在7 d的预报时效内,温度平流预报因子的加入可使得ConvLSTM模型预报技巧大幅提升,明显优于HYCOM模式。此外,本文将预报时效进一步延长至30 d,对模型在不同季节的预报能力进行了分析,发现ConvLSTM模型在春、秋季(夏、冬季)的预报效果相对较好(差)。

基于ConvLSTM的移动边缘计算服务器能耗模型

针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。

基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法

针对当前毫米波雷达辅助无线通信单时刻阻塞预测无法适应高移动复杂场景的问题,提出一种结合卷积神经网络(CNN)和时空序列预测模型(ConvLSTM)的多时刻持续阻塞预测方法。该方法通过构造时间分布层存储CNN提取的热图特征,解决了卷积神经网络单次处理多张雷达热图可能存在的特征缺失问题,实现了连续热图特征的多帧分组。进而,利用ConvLSTM对输入多帧时空序列进行处理实现多时刻阻塞预测。利用DeepSense 6G真实场景数据的实验结果表明,该方法的多时刻预测结果均能达到90%的准确率和80%以上的F1-score,具备多时刻精确阻塞预测能力。本文方法在复杂动态环境下高频段通信的高可靠、低时延QoS保障方面具有重要的理论和应用价值。

基于VMD与组合模型的大气污染物浓度预测方法

为提高大气污染物浓度的预测准确性,提出一种基于变分模态分解与组合模型的预测方法。首先通过变分模态分解将目标监测点的历史污染物浓度数据重构为多变量时序数据,根据区域内监测点之间的地理关系构建时空序列数据;然后将处理好的数据输入LSTM与ConvLSTM的组合模型中,同时提取时间与空间特征并输出预测结果。针对武汉市PM2.5、SO2、NO23种污染物历史浓度数据进行实验,所提预测方法在MAE、RMSE和MAPE3个指标上均表现最佳,明显优于其他模型。此外,在时间尺度增加的情况下,该方法相较其他模型仍保持最高的预测精度。该方法能够充分捕捉局部特征,在综合考虑时间与空间特征方面具备显著优势,为大气污染物浓度的准确预测提供了一种可行途径。

基于ConvLSTM模型的短文本情感分类研究

CNN在处理短文本情感分类时,使用卷积层抽取局部特征,用最大池化层选取局部特征最大值,易忽略其长期序列特性。该文使用一种新的深度学习模型ConvLSTM,利用长LSTM替代CNN中的最大池化层,以减少局部信息的丢失并捕获句子序列中的长期依赖关系。在IMDB影评数据集和Amazon评论数据集上的实验表明,该模型较CNN和单纯的LSTM在准确率、召回率和F值等方面均有较明显的提高。

基于骨骼关键点的室外群体情绪识别

本文提出了一种基于骨骼关键点的室外群体情绪识别方法。首先,通过YOLOPose算法对群体中每个人进行跟踪检测和姿态估计;其次,通过姿态估计得到骨架信息,并通过骨架信息计算每个人的情绪特征;最后,将骨架信息和情绪特征输入到建立的双分支姿态情绪识别模型(D-ConvLSTM)中,提取并融合2个分支的多层次时空特征,从而根据融合后的双分支特征进行情绪分类,得到群体中每个人的情绪识别结果。实验结果表明,所提方法具有较高的室外群体情绪识别精度。

基于时间注意力机制和EfficientNet的视频暴力行为检测

针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用轻量化EfficientNet提取前景图中的帧级空间暴力特征,并利用卷积长短时记忆网络(ConvLSTM)进一步提取视频序列的全局时空特征;接着,结合时间注意力机制,计算得到视频级特征表示;最后将视频级特征表示映射到分类空间,并利用Softmax分类器进行视频暴力行为分类并输出检测结果,实现视频的暴力行为检测。实验结果表明,该方法能够减少模型参数量,降低计算复杂度,在有限的资源下提高暴力行为检测准确率,提升模型的综合性能。

基于注意力的时空神经网络城市区域交通流量预测

可靠的交通流量预测在交通管理和公共安全方面具有重要意义。然而,这也是一件具有挑战性的任务,因为它易受到空间依赖性、时间依赖性以及一些额外因素(天气和突发事件等)的影响。现有的大部分工作只考虑了交通数据的部分属性,导致建模不充分,预测性能不理想。因此,提出了一种新的端到端的深度学习模型——时空注意力卷积长短期记忆网络(ST-AttConvLSTM),用于交通流量的预测。ST-AttConvLSTM将整个模型分为三个分支进行建模,每个分支经过残差神经网络提取局部的空间特征,同时进一步结合天气等外部因素,再利用卷积长短时记忆网络(ConvLSTM)和注意力模型两种组件来挖掘流量的潜在规律,捕获时空维度上数据的关联性。使用北京市和纽约市两个真实的移动数据集来评估提出的方法,实验结果表明,该方法比知名的基准方法有更高的预测精度。

基于电力数据挖掘的涉污企业用电量预测方法研究

为对工业涉污企业进行准确管控,提出一种基于用电特性聚类与ConvLSTM神经网络算法结合的涉污企业用电量预测方法。对于企业用电数据中的数据异常与缺失的问题,采用局部离群因子算法(LOF)筛选异常值后输入至灰色模型中进行校正;通过K⁃means算法对修正后的企业历史用电数据进行特征提取并分析其用电特征,考虑影响用电量的因素不仅包括日期特性、节日特性,还提取了重污染天气下政府对涉污企业的管控特性;构建ConvLSTM模型,充分挖掘企业数据时序性特征,有效提高涉污企业短期用电量预测精度。选择四川省成都市涉污企业的用电数据验证模型算法的有效性。验证结果表明,所提方法对于不同企业、不同类型日期均更有效,能更精确地预测企业未来用电的趋势。

5G核心网业务模型的智能化预测研究

核心网业务模型的建立是5G网络容量规划和网络建设的基础,通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与卷积LSTM(convolution LSTM,ConvLSTM)网络双通道融合的5G核心网业务模型预测方法。该方法基于人工智能(artificial intelligence,AI)技术以实现高质量的核心网业务模型的智能预测,形成数据反馈闭环,实现网络自优化调整,助力网络智能化建设。

慢性病药品采购价格指数预测研究——基于山东省药品集中采购数据的分析

药品集中采购对于稳定药品价格和降低患者用药负担具有重要意义。本文基于山东省药品集中采购数据,编制慢性病药品链式拉氏价格指数,评估山东省药品集中采购政策的实施效果。构建LSTM、双向LSTM和ConvLSTM模型,预测价格指数波动趋势,为政府及管理者提供科学的决策依据。研究结果表明:慢性病药品价格大幅下降,大大减轻了慢性病患者的用药负担,未来慢性病药品价格将呈现稳中有降的趋势,双向LSTM和ConvLSTM模型的预测精度优于传统LSTM模型,两模型泛化能力更好,对山东省慢性病药品价格指数预测具有一定的应用价值。据此,提出健全药品集中采购价格监测体系、创新药品价格监测技术手段和深化药品生产流通体制改革等建议,推动药品采购与监测技术研究一体化建设。