《Convolutional LSTM Network A Machine Learning Approach for Precipitation Nowcasting》论文解读

最新推荐文章于 2022-10-24 23:08:35 发布
最新推荐文章于 2022-10-24 23:08:35 发布
阅读量2.1k 收藏 5
点赞数
分类专栏： 深度学习 文章标签： ConvLSTM Precipitation Nowcasting LSTM RNN FC-LSTM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lianghe77/article/details/101617546
版权
本文详细解读了《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》论文，探讨了RNN、LSTM的基础及变体，重点介绍了ConvLSTM如何结合卷积操作，改善FC-LSTM的空间特征获取能力。通过实验，表明ConvLSTM在处理时空序列，尤其是降水预报问题上，优于其他方法。
摘要由CSDN通过智能技术生成

Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting

​ 作者在这篇文章中提出用卷积操作替代矩阵的乘法操作——采用ConvLSTM去取代FC-LSTM，这样做的目的是更好的获取空间特征。

RNN

​ 在讲解ConvLSTM之前，我们需要知道LSTM实际上就是RNN的一种变体。下面先对RNN进行一个简单的介绍。

1.RNN的结构

在这里插入图片描述
RNN的出现是为了解决DNN无法对空间序列建模的问题。如图所示，RNN的展开是一个链式结构，链式的特征揭示了 RNN 本质上是与序列和列表相关的。

2.RNN的应用

​ RNN如今广泛应用于我们的生活当中，其应用包括语音识别，音乐生成，情感分类，DNA序列分析，机器翻译和视频行为识别等。

3.RNN的变体

​ RNN的主要变体有LSTM和GRU。这里着重介绍一下LSTM。针对RNN由于梯度消失或爆炸很难解决长

最低0.47元/天 解锁文章
lianghe77
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting论文阅读
heiha1232的博客
07-22 562
Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting论文阅读问题描述：传统LSTM结构ConvLSTM结构 问题描述： 时空域序列预测问题：需要通过过去的雷达图预测未来的雷达图： 其中，χ∈RP×M×N\chi\in R^{P\times M\times N}χ∈RP×M×N，表示面积范围 M×NM\times NM×N 的 PPP 个观测，需要通过过去的JJJ个观测预测未来KKK个观测。
【论文翻译】Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
页页读
09-06 1万+
论文：https://arxiv.org/pdf/1506.04214.pdf 代码: (pytorch)：https://github.com/automan000/Convolution_LSTM_pytorch (tensorflow):https://github.com/loliverhennigh/Convolutional-LSTM-in-Tensorflow 笔记：http...
CLSTM network: A Machine learning Approach for Precipitation Nowcasting
liguandong
03-19 3063
CLSTM network: A Machine learning Approach for Precipitation Nowcasting Abstract: 降水临近预报的目标是在相对较短的时间内预测当地的未来降雨强度。 之前的研究很少从机器学习的角度研究这一至关重要且具有挑战性的天气预报问题。 在本文中，我们将降水临近预报制定为时空序列预测问题，其中输入和预测目标都是时空序列。 通过扩展...
Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
devil_son1234的博客
05-21 610
这篇文章来大致介绍一下ConvLSTM的基本原理和应用场景。个人认为有时候对于一个算法改进很大程度上会受到应用场景的启示，比如现在要说的这篇。不知道论文作者当时想到这个idea时是不是也是这样。 1.论文的核心思想 先来想象一下这么一个应用场景：根据某个城市历史的降雨量数据，来预测在接下来的某个时间t降雨量的多少。根据作者的思路： a先将城市划分成个格子，每个格子代表一个小的区域（例如） ； b.每个格子里面的数值表示在某个时间间隔内的降雨量（例如6分钟） 如下图所示： 因此，对于每一个时..
【短临预报系列第一篇】Convolutional LSTM Network: A Machine LearningApproach for Precipitation Nowcasting
m0_64557752的博客
07-20 4081
短临预报，雷达回波外推，convLSTM,时序预测
读论文：Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
最新发布
a44267113的博客
10-24 1672
扩展LSTM并将其运用到天气预测上
《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》笔记
is80x86的博客
05-16 569
1. 绪论 降水预测的时间紧迫和准确要求比传统天气预报任务（如周平均温度预报）要求更高。 本质上，降水预测是时空序列预测问题，以过往的一系列雷达图作为输入，输出固定数量（>1）的一组将来的雷达图预测。 本文提出全新卷积LSTM（ConvLSTM）网络用于降水预测。 2. 前文 2.1 降水预测问题抽象 用一个M×N矩阵表示平面空间，每个小格中以P表示随时间变化的变量。观察即可以张量表示。 记录观察到的张量，基于观测到的J个状态，计算接下来长度为K的时空序列： 2.2 长短期记忆（L
ConvLSTM precipitation of nowcasting
11-28
关于论文onvolutional-lstm-network-a-machine-learning-approach-for-precipitation-nowcasting的学习摘要
convlstm（论文解读）.pptx
05-22
本文简要地介绍了RNN以及其变体LSTM，着重介绍了施行健博士提出的ConvLSTM结构，以及其在预测降水方面的应用。
读论文：Convective precipitation nowcasting using U-Net Model
a44267113的博客
10-18 1193
使用U-Net模型来提供更加详细的即时天气预报
【时空序列预测paper】ConvLSTM:A Machine Learning Approach for Precipitation Nowcasting
qq_46919013的博客
03-11 3336
ConvLSTM论文阅读笔记
论文阅读笔记_Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model (TrajGRU)
gXh的博客
08-10 1463
ConLSTM：卷积递归结构是位置不变的的，但自然运动通常位置可变。 TrajGRU：修改递归结构本身，修改旋转和缩放等运动模式。 论文提出一个基准： 1.算法离线设置只能使用一个固定的窗口前的雷达回波地图。 2.在线设置是使用所有历史数据和在线学习算法。 TrajGRU使用子网，在状态转换前输出状态的连接结构。 降水预报问题：首先将雷达回波图中的反射率因子转化为灰度图像，然后将其输入到预报算法中。因此，降水临近预报可以看作是一种带有固定“摄像机”的视频预报问题，“摄像机”就是天气雷达。 TrajGRU的目
【时空序列预测第九篇】Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model
AI蜗牛车
05-14 9451
文章目录前言一、Address二、Introduction and Model2.1 时空序列问题与降水预测问题2.2 相关研究及本文创新2.2.1 相关研究2.2.2 本文创新2.3 模型2.3.1 EF结构2.3.2 ConvGRU模型2.3.2 Trajectory GRU模型三、Experiments3.1 HKO-7数据集3.2 去噪denoise3.2.1 利用马氏距离去噪3.2.2 去除其他类型噪声3.3 loss损失3.4 评价指标3.5 实验结果四、Conclusions 前言 时空序列问
《All convolutional neural networks for radar-based precipitation nowcasting》论文解读
lianghe77的博客
11-14 974
这篇文章于2019年1月在Procedia Computer Science上发表。这篇文章的贡献在于选择和采用了合适的数据预处理方法和损失函数，提出了网络模型——Dozhdya.Net。 数据 在介绍模型之前首先说一下该实验所采用的数据。数据名为RY，其测量范围为900∗900km900*900km900∗900km，它的空间和时间的分辨率分别为1∗1km1*1km1∗1km和5min。数据的时...
《SmaAt-UNet Precipitation Nowcasting using a Small Attention-UNet Architecture》论文解读
lianghe77的博客
08-01 2728
《SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture Kevin》论文解读 ​ 这是一篇通过卷积神经网络预测降水的文章。一直以来，专家们通过数值天气预报(NWP)的方式预测降水，但这种方法很难利用过去的时刻信息，且需要大量的数学计算和时间需求。因此，作者提出了一种数据驱动的神经网络用于降水预报。过去在深度学习方面，预测降水之前更多用的是RNN模型，如ConvLSTM，TrajGRU等模型，这些模型
UNet网络结构
热门推荐
lianghe77的博客
03-01 2万+
UNet是医学图像处理方面著名的图像分割网络，过程是这样的：输入是一幅图，输出是目标的分割结果。继续简化就是，一幅图，编码，或者说降采样，然后解码，也就是升采样，然后输出一个分割结果。根据结果和真实分割的差异，反向传播来训练这个分割网络。其网络结构如下： 可以看出，该网络结构主要分为三部分：下采样，上采样以及跳跃连接。首先将该网络分为左右部分来分析，左边是压缩的过程，即Encoder。通过卷积和...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值