基于深度循环高斯模型的动态时空预测

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

型主要利用卷积神经网络和循环神经网络对时空数据进行建模；现有的深度学习时空预测方法具备复杂特征表达和高效模型求解的优势。然而，在现实生活中进行时空预测时，现有神经网络模型缺乏对全局规律的建模，难以建模动态变化的空间分布与时间依赖。相较于神经网络模型，概率模型可以更好地捕捉空间维度的全局规律和时间维度的依赖规律，为预测提供更加丰富的信息。（剩余14711字）

试读结束

目录
monitor