前几帧预测 深度学习_深度预测：基于深度学习的时空预测

深度预测：基于深度学习的时空预测

题目：

Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting

作者：

Amir Ghaderi，Borhan M. Sanandaji，Faezeh Ghaderi

来源：

Accepted to the ICML 2017

Machine Learning (cs.LG)

Submitted on 24 Jul 2017

文档链接：

arXiv:1707.08110

代码链接：

https://github.com/amirstar/Deep-Forecast

摘要

本文提出了一种使用深度学习（DL）的时空风速预测算法，特别是回归神经网络（RNNs）。在可再生能源集成和智能电网的最新进展的推动下，我们将所提出的算法应用于风速预测。可再生能源（风能和太阳能）本质上是随机的，因此，通过准确的短期预测可以促进其整合。在我们提出的框架中，我们通过图表对时空信息进行建模，其节点是数据生成实体，其边缘基本上模拟这些节点如何相互交互。我们工作的主要贡献之一是我们基于一个框架同时获得图的所有节点的预测。

英文原文

We report on a series of experiments with convolutional neural networks (CNN) trained on top of pre-trained word vectors for sentence-level classification tasks. We show that a simple CNN with little hyperparameter tuning and static vectors achieves excellent results on multiple benchmarks. Learning task-specific vectors through fine-tuning offers further gains in performance. We additionally propose a simple modification to the architecture to allow for the use of both task-specific and static vectors. The CNN models discussed herein improve upon the state of the art on 4 out of 7 tasks, which include sentiment analysis and question classification.

要点

图1:用两个通道为一个示例句子建模体系结构。

图2。模型Mi在t时刻训练参数s.图1中，黑色粗箭头和虚线箭头分别为ct和ht。

图3。研究地区地图。东海岸的57个测量地点用黄点表示。用红色圈起来的是目标站ACK。

表1。针对一个节点的不同方法的错误度量(ACK)

表2。使用DL-STF测量所有位置的平均误差

图4。预测16个电台的表现。蓝线是实值，红线是预测值。横轴表示时间步长，纵轴表示风速(m/s)。

表3。预测误差测度的比较。第一行:仅对来自节点ACK的数据进行培训，并对节点ACK进行测试。
第二行:对图中所有节点的数据进行训练，并对节点ACK进行测试。第三行:对所有节点的数据进行训练，并对所有节点进行测试，计算所有节点的平均误差度量。