【摘 要】
：
时空预测任务在神经科学、交通、气象等领域应用广泛.气温预测作为典型的时空预测任务,需要挖掘气温数据中固有的时空特征.针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题,提出一种基于图卷积网络和门控循环单元的气温预测(GCN-GRU)模型.首先,使用重新分配权重和多阶近邻连接方式修正图卷积网络(GCN),以有效挖掘气象数据独特的空间特征;然后,将门控循环单元(GRU)中每个循环单元的矩阵乘法替换成图卷积操作,并将所有的循环单元串联起来构成图卷积门控层;接着,使用图卷积门控层搭建网络主体结构来提取数
【机 构】
：
兰州理工大学计算机与通信学院,兰州730050
论文部分内容阅读
时空预测任务在神经科学、交通、气象等领域应用广泛.气温预测作为典型的时空预测任务,需要挖掘气温数据中固有的时空特征.针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题,提出一种基于图卷积网络和门控循环单元的气温预测(GCN-GRU)模型.首先,使用重新分配权重和多阶近邻连接方式修正图卷积网络(GCN),以有效挖掘气象数据独特的空间特征;然后,将门控循环单元(GRU)中每个循环单元的矩阵乘法替换成图卷积操作,并将所有的循环单元串联起来构成图卷积门控层;接着,使用图卷积门控层搭建网络主体结构来提取数据的时空特征;最后,通过一个全连接的输出层输出气温预测结果.通过与GRU和长短期记忆网络(LSTM)等单一模型对比,GCN-GRU模型的平均绝对误差(MAE)分别减小了0.67和0.83;与切比雪夫图卷积和长短期记忆网络结合的预测模型(Cheb-LSTM)、图卷积网络和长短期记忆网络结合的预测模型(GCN-LSTM)对比,平均绝对误差分别减小了0.36和0.23.
其他文献
分布式星载多RTs(Remote Terminal)系统的任务主要基于功能进行分配,而数据处理任务的突发性往往会使不同计算机之间负载不均衡.运用灵活的负载调度机制,可以有效调节不同计算机间的负载差异,从而在一定程度上提升计算机系统的整体性能.文中提出了一种基于机器学习的分布式星载RTs系统负载调度算法,包含样本采集、任务吞吐率预测模型构建、吞吐率预测和负载调度等4个步骤.在构建任务吞吐率预测模型环节,通过机器学习的线性回归正规方程获取模型权重,缩短了构建模型消耗的时间.在负载调度环节,若RTs的吞吐率之和
针对多跳空中传感器网络(Aerial Sensor Network,ASN)中的负载不均衡问题,提出了强化学习(Reinforcement Learning,RL)理论辅助的队列高效地理路由(Reinforcement-Learning Based Queue-Efficient Geographic Routing,RLQE-GR)协议.RLQE GR协议首先将ASN路由问题抽象为强化学习(RL)任务,其中每个无人机抽象为一个RL状态,而数据包的每跳成功转发则抽象为一个RL动作.其次,RLQE-GR协议
响应时间是服务等级目标(Service Level Objective,SLO)的一个重要性能指标,与资源的使用量有关.资源充足可以保证请求的正常执行,响应时间短;资源不足,请求需要等待资源,响应时间长.在云计算虚拟化环境下,控制资源的访问既有对整体资源的控制,也有对CPU、网络带宽等单个资源的控制,但是目前很少有通过对网络I/O请求的直接控制来保证响应时间.为了获得更好的性能,虚拟化技术大多采用半虚拟化框架Virtio.网络I/O请求通过Virtio共享通道进行传输,使得在Virtio设立网络I/O请求
面对日趋庞大和复杂的智能应用,建立有效的云服务质量模型是评价云服务质量的重要手段.然而,由于智能云各层资源的多样性、动态性等特点,智能云服务效能的评估具有很大的难度.针对目前智能云计算领域缺乏标准和统一的云服务质量评价指标和云服务建模手段的问题,文中将智能云抽象的服务质量具体化为云服务效能,云服务效能被定义为反映云服务能力水平的服务可用性、可靠性,以及体现服务效率的性能,即通过云服务效能输出定量的评价智能云的整体服务能力水平.并且提出了一种基于BP神经网络的智能云效能模型,通过BP神经网络模拟智能云服务的
针对软件定义网络在移动自组织网络里部署传输路径时,需要控制器为路径上所有的节点下发相关流表项,从而造成传输开始需等待较长时间的问题,文中基于分段路由提出了一种快速下发数据转发规则的方法FDSR.控制器会以分段路由的方式,通过在数据包上添加转发路径对应标签的方式下发数据转发规则,并在处理最大堆栈深度问题时,利用标签粘连技术,将整条路径分为多个标签栈,通过算法选择后分别下发给能与控制器节点快速交互的转发节点,以减少路径配置时间.实验结果表明,相较于OpenFlow流表下发方式,FDSR在SD-MANET中能减
可微分架构搜索(DARTS)可高效、自动地设计神经网络架构,但其超网络的构建方式与派生策略的设计之间存在性能“鸿沟”.针对上述问题,提出了优化搜索空间下带约束的可微分神经网络架构搜索算法.首先,以候选操作关联的架构参数为量化指标来分析超网络的训练过程,发现在派生架构中未生效的候选操作none占据了权重最大的架构参数,从而导致算法搜得的架构表现欠佳,针对该问题设计了优化的搜索空间;然后,分析了DARTS超网络与派生架构之间的差异后,以架构参数为基础定义了架构熵,并把架构熵作为DARTS超网络目标函数的约束项
针对阅卷时由于卷宗内容繁多导致的信息过载和知识迷航的问题,提出面向随案电子卷宗的知识森林自动构建方法,以主题分面树以及主题间的认知关系作为卷宗的知识化表示.首先,对卷宗进行碎片化的预处理,从而将不同类型的文书分类并划分为多个单一主题的碎片;然后,针对不同碎片采取不同的信息抽取方法,并利用知识融合将同义信息进行合并,之后利用本体结构和规则构建主题分面树并抽取主题关系;最后,将知识森林构建的主题分面树和主题关系在数据库中存储起来,从而实现知识森林的可视化.实验结果表明,该方法可以较为完整、准确地展示卷宗信息,
高效用模式挖掘(HUPM)考虑了项的购买数量及单位利润,提供了项更详细的信息,使用户能够做出更好的经济决策.针对大多数HUPM算法都应用在与不断产生数据的现实世界不符的静态数据集上的问题,近些年不断提出了动态数据上的HUPM算法.首先,对增量数据、数据流、动态删除和动态修改数据上的HUPM算法以及融合高效用模式(高效用序列模式、平均高效用模式、top-k高效用模式等)挖掘算法进行了总结;然后,对使用不同类型数据的算法进行了总结,包括动态利润数据、动态序列数据等数据类型;其次,从算法使用的数据结构、剪枝策略
在商用数码相机中,由于CMOS传感器的限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用彩色图像去马赛克(CDM)算法来恢复全彩图像.然而,现有的基于卷积神经网络(CNN)的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能.针对这个问题,提出一种应用通道间相关性和增强信息蒸馏(ICEID)的彩色图像去马赛克网络.首先,为了充分利用彩色图像的通道间相关性,提出了一种通道间的引导重建结构来生成初始CDM结果;其次,提出一种增强信息蒸馏模块(EIDM)来以相对较低的参数量
针对超分辨率复原技术中网络层数不断加深导致的网络训练困难、特征信息利用率低等问题,设计并实现了一种基于双注意力的信息蒸馏网络(IDN)的图像超分辨率复原算法.首先,利用IDN较低的计算复杂度及信息蒸馏模块提取更多特征的优势,通过引入残差注意力模块(RAM)并考虑图像通道之间的相互依赖性来自适应地重新调整特征权重,从而进一步提升图像高分辨率细节的重建能力;然后,设计了对于边缘信息敏感的新型混合损失函数对图像进行细化处理,以加速网络收敛.在Set5、Set14、BSD100和Urban100公共数据集上的测试