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...
因此,有学者融合卷积神经网络(Convolution Neural Network,CNN)与 LSTM 用于行为预测、语音识别等领域,文献运用 CNN学习可穿戴传感器数据特征,结合 LSTM 建模动作间的时间依赖性;或运用CNN 从原始网络自动学习语音信号的最佳表示,结合LSTM 学习最佳时间表示。这类方法的共有思想是借助 CNN 的...
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...
(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,支持向量回归,CNN以及...
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. ...
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...
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...
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、支持向量回归、CNN 以及LSTM 模型的预测效果更好，对比目前企业将预定量作为预测...
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...
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,支持向量回归,CNN以及LSTM模型的预测效果更好,对比目前企业将预定量作为预测量的方法,预测...