发展历程:
RNN:无法很好地学习到距离较远的信息。
LSTM:添加了忘记门。输入门。输出门。
GRU:将LSTM的门结构进行了重新设计,归结为两个门结构,一个重置门,另一个更新门。
Muti-Layers-LSTM:在层次上进行改善网络结构。
Bi-LSTM:在方向上改进。
STGAT论文 要点:
贡献:1、采用额外的LSTM显示建模交互作用的时间相关性;
2、通过使用GAT汇总LSTM的隐藏状态来模拟行人之间的空间相互作用。
评估误差:1、平均位
发展历程:
RNN:无法很好地学习到距离较远的信息。
LSTM:添加了忘记门。输入门。输出门。
GRU:将LSTM的门结构进行了重新设计,归结为两个门结构,一个重置门,另一个更新门。
Muti-Layers-LSTM:在层次上进行改善网络结构。
Bi-LSTM:在方向上改进。
STGAT论文 要点:
贡献:1、采用额外的LSTM显示建模交互作用的时间相关性;
2、通过使用GAT汇总LSTM的隐藏状态来模拟行人之间的空间相互作用。
评估误差:1、平均位