本文基于这一机制改进 CNN 联合 LSTM 的体系结构,通过注意力机制处理被现有结构忽略的短序列特征的重要度差异,提取显著细粒度特征,同时便于LSTM更有效地捕捉时 间依赖性。 针对CNN 联合 LSTM 时,忽略短期特征重要度而导致的重要特征丢失、长期时序规律挖掘有待优化等问题,本文提出基于注意力机制的 CNN-LSTM 预测模型。
基于注意力机制的 CNN-LSTM 模型及其应用 李梅 1,2,宁德军 1,郭佳程 1,2 【摘要】时序数据存在时序性,并且其短序列的特征存在重要程度差异性。针 对时序数据特征,提出一种基于注意力机制的卷积神经网络(CNN)联合长短 期记忆网络(LSTM)的神经网络预测模型,融合粗细粒度特征实现准确的时 间序列预测。该模型由两...
时间序列数据[2]具有时序相关性,并且时序特征在时间维度上具有不同重要程度,某些子序列的特征重要程度基于注意力机制的CNN-LSTM模型及其应用李梅1,2,宁德军1,郭佳程1,21.中国科学院上海高等研究院,上海2001202.中国科学院大学,北京100049摘要:时序数据存在时序性,并且其短序列的特征存在重要程度差异性。针对时序数据...
时间序列数据 [2] 具有时序相关性,并且时序特征在时间维度上具有不同重要程度,某些子序列的特征重要程度基于注意力机制的CNN-LSTM模型及其应用李 梅1,2 ,宁德军 1 ,郭佳程 1,21.中国科学院 上海高等研究院,上海 2001202.中国科学院大学,北京 100049摘 要:时序数据存在时序性,并且其短序列的特征存在重要程度...
Computer Engineering and Applications ISSN 1002-8331,CN 11-2127/TP 《计算机工程与应用》网络首发论文 题目: 基于注意力机制的 CNN-LSTM 模型及其应用 作者: 李梅,宁德军,郭佳程 网络首发日期: 2019-04-18 引用格式: 李梅,宁德军,郭佳程.基于注意力机制的 CNN-LSTM 模型及其应用[J/OL].计算机工程与应用. ...
网络首发时间:2019-04-18 09:25:46 网络首发地址:ki net/kcms/detail/11.2127.tp1717.016.html 1 基于注意力机制的CNN-LSTM 模型及其应用 1,2 1 1,2 李梅 ,宁德军 ,郭佳程 1.中国科学院 上海高等研究院,上海 200120 2.中国科学院大学,北京 100049 摘要:时序数据存在时序性,并且其短序列的特征存在重要...
时间序列数据[2]具有时序相关性，并且时序特征在时间维度上具有不同重要程度，某些子序列的特征重要程度基于注意力机制的CNN-LSTM 模型及其应用 李梅1，2，宁德军1，郭佳程1，2 1.中国科学院上海高等研究院，上海200120 2.中国科学院大学，北京100049 摘要：时序数据存在时序性，并且其短序列的特征存在重要程度差异性...
金融界2024年7月2日消息,天眼查知识产权信息显示,中国石油化工股份有限公司申请一项名为“基于注意力机制的CNN-LSTM混合神经网络模型的光伏电站负荷预测方法“,公开号CN202410441386.3,申请日期为2024年4月。 专利摘要显示,本发明公开了一种基于注意力机制的CNN‑LSTM混合神经网络模型的光伏电站负荷预测方法,依次包括如...
(CNN)联合长短期记忆网络(LSTM)的神经网络预测模型,融合粗细粒度特征实现准确的时间序列预测.该模型由两部分构成:基于注意力机制的CNN,在标准CNN网络上增加注意力分支,以抽取重要细粒度特征;后端为LSTM,由细粒度特征抽取潜藏时序规律的粗粒度特征.在真实的热电联产供热数据上的实验表明,该模型比差分整合移动平均自回归...
针对时序数据特征,提出一种基于注意力机制的卷积神经网络(CNN)联合长短期记忆网络(LSTM)的神经网络预测模型,融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成:基于注意力机制的CNN,在标准CNN网络上增加注意力分支,以抽取重要细粒度特征;后端为LSTM,由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电...