公开(公告)号：CN109299401A

公开(公告)日：2019-02-01

申请号：CN201810762264.9

申请日：2018-07-12

Applicant: 中国海洋大学

Inventor： 韩勇 ,  任沂斌 ,  陈戈 ,  王程 ,  周林 ,  王舒康

IPC: G06F16/9537 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于混合深度学习模型LSTM-ResNet的城域时空流预测技术。准确预测城市时空数据流的变化可为城市管理提供重要参考，这其中的关键是有效提取数据中的时空依赖特征。当前，已被应用到时空流预测的卷积神经网络侧重空间关联特征的提取，忽略了时间维度的依赖关系和时空关联特征。深度学习模型中，长短记忆网络（LSTM）适用于时间序列的动态建模，残差卷积网络（ResNet）适用于大范围空间关联特征提取。因此，我们融合LSTM和ResNet，构建时空流预测混合深度学习模型：利用LSTM考虑前后时间依赖，滤掉无效时间特征；将LSTM的输出输入到ResNet中，提取时空关联特征。该模型能够自动、准确地捕获时空关联特征，特别是考虑前后依赖的情况下保留有效时间特征。

公开(公告)号：CN109299401B

公开(公告)日：2022-02-08

申请号：CN201810762264.9

申请日：2018-07-12

Applicant: 中国海洋大学

Inventor： 韩勇 ,  任沂斌 ,  陈戈 ,  王程 ,  周林 ,  王舒康

IPC: G06F16/9537 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于混合深度学习模型LSTM‑ResNet的城域时空流预测方法。准确预测城市时空数据流的变化可为城市管理提供重要参考，这其中的关键是有效提取数据中的时空依赖特征。当前，已被应用到时空流预测的卷积神经网络侧重空间关联特征的提取，忽略了时间维度的依赖关系和时空关联特征。深度学习模型中，长短记忆网络(LSTM)适用于时间序列的动态建模，残差卷积网络(ResNet)适用于大范围空间关联特征提取。因此，我们融合LSTM和ResNet，构建时空流预测混合深度学习模型：利用LSTM考虑前后时间依赖，滤掉无效时间特征；将LSTM的输出输入到ResNet中，提取时空关联特征。该模型能够自动、准确地捕获时空关联特征，特别是考虑前后依赖的情况下保留有效时间特征。