1. XGBoost+LSTM+WaveNet融合架构 针对单一模型在特征交互或时序模式捕捉上的局限性,研究者提出了XGBoost+LSTM+WaveNet的混合模型。该模型通过级联式融合策略,结合特征级融合与决策级融合,显著提升了预测精度。模型设计包括数据采集层、特征工程层和决策融合层。数据采集层整合SCADA数据、气象站数据、数值天
摘要 极端台风暴雨灾害具有非线性、极差大以及多峰值等特点。为使电网及时获取预警信息,提出一种基于注意力机制的CNN-LSTM-XGBoost台风暴雨电力气象混合预测模型。首先,利用基于注意力机制的卷积神经网络(CNN)辨识关键...展开更多 Major disasters such as typhoon rainstorm disasters have the characteristics of nonlinear...
我们利用这些特征训练了一个轻量级的 XGBoost,以对 deepfake 和真实视频进行分类。我们在包含所有类型的 deepfake 的世界领导者数据集 (WLDR) 上评估了我们框架的性能。实验结果表明,与同类 deepfake 检测方法相比,所提出的框架具有更出色的检测性能。将我们的框架与深度学习模型候选模型 LSTM-FCN 进行性能比较,结果表明...