![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 76
就是求关注
程序搬运工
知识传播者
人工翻译员
视频替代者
就是求关注
程序搬运工
知识传播者
人工翻译员
视频替代者
就是求关注
程序搬运工
知识传播者
人工翻译员
视频替代者
就是求关注
展开
-
基于深度强化学习的DQN模型实现自动玩俄罗斯方块游戏(附详细代码讲解)
DQN(Deep Q-Network)是一种强化学习方法,通过结合Q-learning算法和深度神经网络来解决强化学习问题。它是深度强化学习的里程碑之一,由DeepMind在2013年提出,被广泛应用于各种复杂的强化学习任务。DQN方法的概述如下:1.强化学习问题:在强化学习中,智能体与环境进行交互,通过观察环境的状态并采取动作,来最大化累积奖励。智能体在环境中移动并与之交互,不断学习并优化策略,以在不同的状态下选择最优动作。原创 2023-07-28 15:36:01 · 1885 阅读 · 0 评论 -
基于LSTM-GRU的道路交通流量预测系统实现
针对当前道路交通流预测方法不能充分揭示交通流内部本质规律的问题,提出一种基于深度学习的预测模型,利用长短期记忆网络(LSTM),对交通流量进行了预测.结果显示,提出的预测模型具有较高的准确性,是一种有效的交通流预测方法。原创 2023-01-15 00:22:11 · 2184 阅读 · 1 评论 -
基于深度学习方法的头盔佩戴检测研究与系统实现
随着经济与社会的发展,各大城市车辆保有量不断提高,越来越多的人选择乘车出行,非机动车事故问题也越来越 严重。驾驶人不得在乘坐人员未按照规定使用安全头盔的情况下驾驶摩托车。因此,检测非机动车驾驶员与乘坐者是否佩戴头盔对生命财产安全至关重要。本文采用深度学习的方法,结合 YOLOv4 模型的特点,建立相应头盔检测神经网络模型,在搭建的神经网络各层次中调整偏置项,进而训练得到有效的神经网络模型,实现检测非机动车驾驶 人是否戴头盔的功能,即实现头盔识别,并保证其较高的精确度。...原创 2022-08-30 21:44:48 · 3024 阅读 · 0 评论 -
PSO-CNN模型研究与实现-PSO优化模型内部超参数
深度神经网络(DNN)在各种任务中取得了前所未有的成功,但是,这些模型性能直接取决于它们的超参数的设置。在实践中,优化超参数仍是设计深度神经网络的一大障碍。在这项工作中,我们建议使用粒子群优化算法(PSO)来选择和优化模型参数。在MNIST数据集上的实验结果显示:通过PSO优化的CNN模型可以得到不错的分类精度,此外,PSO 还可以提高现有模型结构的性能,PSO是自动化超参数选择和有效利用计算资源的有效技术。......原创 2022-08-08 10:13:45 · 4261 阅读 · 2 评论 -
可堆叠的残差注意力模块用于图像分类(Residual Attention Network for Image Classification——代码复现与解读)
该模型设计的思想就是利用attention机制,在普通ResNet网络中,增加侧分支,侧分支通过一系列的卷积和池化操作,逐渐提取高层特征并增大模型的感受野,前面已经说过高层特征的激活对应位置能够反映attention的区域,然后再对这种具有attention特征的feature map进行上采样,使其大小回到原始feature map的大小,就将attention对应到原始图片的每一个位置上,这个feature map叫做 attention map。...原创 2022-08-03 21:46:35 · 2950 阅读 · 1 评论 -
基于强化学习的坦克大战python语言实现
深度强化学习在游戏领域中有着广泛的应用,使用深度强化学习方法训练的智能体能在一些游戏上有接近人类玩家 的表现。本设计并实现了一个坦克对战游戏环境,并将深度强化学习应用到游戏中,使用 BP强化学习练智能体,使智 能体程序能在游戏中获胜。原创 2022-06-01 13:24:42 · 1972 阅读 · 1 评论 -
基于 LSTM-Attention 的中文新闻文本分类
经典的 LSTM 分类模型,一种是利用 LSTM 最后时刻的输出作为高一级的表示,而另一种是将所有时刻的LSTM 输出求平均作为高一级的表示.这两种表示都存在一定的缺陷,第一种缺失了前面的输出信息,另一种没有体现每个时刻输出信息的不同重要程度.为了解决此问题,引入Attention 机制,对 LSTM 模型进行改进,设计了LSTM-Attention 模型.实验结果表明: LSTM 分类模型比传统的机器学习方法分类效果更好,而引入 Attention 机制后的 LSTM 模型相比于经典的文本分类模型,分类效原创 2021-12-14 23:43:37 · 4701 阅读 · 0 评论 -
(Spatial Pyramid Pooling,SPP)空间金字塔池化讲解及代码实现
一、引言问题:现存的CNN要求固定尺寸的输入图片,需要通过对原图进行裁剪或者变形来实现,这两种方式可能出现不同的问题:(i)裁剪的区域可能没法包含物体的整体;(ii)变形操作造成目标无用的几何失真。如果识别目标尺寸变化多样,那么提前定义好的尺寸就可能不太适合。产生原因:CNN主要由卷积层和全连接层组成,其中卷积层输出尺寸为一个关于输入大小的变量,而全连接层则产生固定大小的输出,也需要固定大小的权重和输入,所以CNN网络的限制在全连接层需要固定长度的输入。解决方案:SPP,Spytial Pyram原创 2021-12-07 23:52:07 · 5248 阅读 · 0 评论 -
SMU激活函数讲解及代码实现
尽管ReLU有一些严重的缺点,但由于其简单性,ReLU成为深度学习中最常见的选择。本文在已知激活函数Leaky ReLU近似的基础上,提出了一种新的激活函数,称之为Smooth Maximum Unit(SMU)。用SMU替换ReLU,ShuffleNet V2模型在CIFAR100数据集上得到了6.22%的提升。本文复现了这个激活函数。原创 2021-11-21 00:59:15 · 3351 阅读 · 11 评论 -
keras 自定义:激活函数,神经网络层,损失函数,正则化器,学习率
1. 自定义激活函数首先,您需要使用 backend定义一个函数。 例如,这是我实现swish激活功能的方式from keras import backend as Kdef swish(x, beta=1.0): return x * K.sigmoid(beta * x)如果要将字符串用作自定义函数的别名,则必须向Keras注册自定义对象。 可以这样完成:from keras.utils.generic_utils import get_custom_objectsget原创 2021-11-21 00:34:10 · 2645 阅读 · 3 评论 -
毕业设计之—基于CNN的手势识别技术研究与游戏应用实现
1.摘要 手势操作作为一种全新的操作方式,在智能设备中得到了广泛应用。传统的手势识别方法需要复杂的预处理过程,识 别速度与准确度比较差。文章提出一种基于CNN的手势识别技术,取得了较好的识别效果,识别速度也有明显的提升。最后我们将本文设计实现的手势识别技术应用到玩Chrome 浏览器 Dino Jump 游戏上,将“Punch(冲拳手势)”手势与 Dino 角色的跳跃动作绑定在一起进行玩向前跳跃游戏。 2. CNN概述 随着人工智能技术的快速发...原创 2021-10-29 00:30:36 · 6982 阅读 · 4 评论 -
毕业设计之-基于改进卷积模型的人脸性别和情感分类研究与应用实现
1. 摘要针对目前普通卷积神经网络(CNN)在表情和性别识别任务中出现的训练过程复杂,耗时过长,实时性差等问题,提出一种深度可分卷积神经网络的实时人脸表情和性别识别模型.首先,利用多任务级联卷积网络(MTCNN)对不同尺度输入图像进行人脸检测,并利用核相关滤波(KCF)对检测到的人脸位置进行跟踪进而提高检测速度.然后,设置不同尺度卷积核的瓶颈层,用通道合并的特征融合方式形成核卷积单元,以具有残差块和可分卷积单元的深度可分卷积神经网络提取多样化特征,并减少参数数量,轻量化模型结构;使用实时启用的反向传播可原创 2021-10-27 00:11:42 · 796 阅读 · 0 评论 -
毕业设计之-人脸识别系统设计与实现
使用技术:Tkinter库及人脸识别功能使用百度AI实现。主要功能:人脸识别与属性分析人脸对比人脸搜索人脸库管理实现结果:人脸对比人脸库管理人脸识别与属性分析人脸搜索...原创 2021-10-20 22:09:25 · 1407 阅读 · 0 评论 -
深度学习、机器学习领域毕业设计选题方法及建议
目录1 .机器学习、深度学习选题方向2.毕业论文命题(选题)技巧3. 难度把控3 最后1 .机器学习、深度学习选题方向深度学习已经在语音识别、图像处理等方面取得了巨大成功。其研究方向可以大致分为以下几个域:(标黑的为常见领域)1. 计算机视觉 生物特征识别:人脸识别、步态识别、行人ReID、瞳孔识别等; 图像处理:分类标注、以图搜图、场景分割、车辆车牌、OCR、AR等; 视频分析:安防监控、智慧城市等;2. 自然语言处理 情感分词、实体关系抽取、知...原创 2021-10-20 21:11:42 · 14500 阅读 · 1 评论 -
基于Convolutional Block Attention Module (CBAM)的Multi-Attention模型设计与实现
本文主要介绍的 Multi-Attention 方法只是一个研究思路。只是尝试了在基本模型的顶部集成多注意力机制。其Multi-Attention模型结构如下所示:模型本质上是并行添加了 CBAM 和 DeepMoji 注意力机制,并在最后将它们的特征进行合并。 此外,我们通过集成全局加权平均池 (GWAP) 方法,对 CBAM 机制及其空间模块的末尾部分进行了修改。经过对该模型的输出,我们将Output特征放入全连接的神经网络模型中进行最终的模型训练。其结构图如下:为了验证模.原创 2021-08-17 23:10:01 · 862 阅读 · 0 评论 -
基于CBAM-CNN的故障汽车检测
随着汽车行业的迅速发展,交通事故处理逐渐成为交管部门的一项挑战性工作。为进一步提高交通事故处置效率,在静态图像中对事故车辆完成识别和检测任务是本文研究的主要内容。传统的车辆图像识别算法将特征提取与目标分类常分为两个阶段,特征选取需要人工构建,主要依靠人为经验,整个过程效率低下,特别在现实复杂的交通场景中,由于天气、光照、环境以及光学抖动等因素的影响,不能够有效检测出目标。针对传统车辆检测算法的不足,卷积神经网络的兴起逐渐成为主流的目标检测算法,其主要优势在于目标检测中候选区域生成、特征提取、分类、位置精修四原创 2021-08-12 00:01:49 · 1723 阅读 · 1 评论 -
一种结合门控循环单元 (GRU) 和支持向量机 (SVM) 的神经网络架构(代码实现)
门控循环单元 网络结构(GRU) 是基于长短期记忆 (LSTM) 单元的变体,两者都是循环神经网络 (RNN) 的类型。通过经验证据,两种模型都已被证明在各种机器学习任务中有效,例如自然语言处理、语音识别和文本分类等。传统上与大多数神经网络一样,上述两种 RNN 变体都使用 Softmax 函数作为最终的输出层,并使用交叉熵函数来计算其损失。在本文中,我们通过在 GRU 模型的最终输出层中引入支持向量机 (SVM) 作为 Softmax 的替代品来对该模式进行修正。此外,交叉熵函数应替换为margin-b.原创 2021-07-11 23:33:35 · 1047 阅读 · 5 评论 -
论文综述—图神经网络用于医疗诊断的前世今生
随着数据驱动的机器学习研究的进步,探索如何利用机器学习来分析医疗数据变得至关重要。现有方法的一个主要限制是人体生理信息的数据结构通常是不规则的和无序的,很难将这些数据网格化为易于分析处理的格式。而图表神经网络通过边连接交互节点,并可以将时间关联或解剖结构赋值给边的权重,能够很好地利用生物系统中的隐式信息做出医疗诊断,引起了广泛关注。本文介绍图神经网络(GNN)用于医疗诊断和分析的一篇综述文章《Graph-Based Deep Learning for Medical Diagnosis and Anal转载 2021-06-30 22:06:21 · 2332 阅读 · 0 评论 -
基于LSTM-CNN-CBAM模型的股票预测研究
1.摘要为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络 (LSTM)和卷积神经网络(CNN)的基础上引入注意力机制的股票预测混合模型(LSTM-CNN-CBAM),该模型采用 的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意力机制——Convolutional Attention Block Module(CBAM)卷积模块,可以有效地提升网络的特征提取 能力。基于苹果公司2010-01-04至原创 2021-06-22 00:36:54 · 6475 阅读 · 11 评论 -
基于卷积神经网络的实体关系抽取(SemEval-2010 Task-8数据集)
摘要关系抽取旨在识别命名实体之间的语义关系.作为自然语言处理中信息抽取的重要子任务,是构建知识图谱,实现语义搜索,建立智能问答系统等应用领域必不可少的关键技术,具有极其重要的研究价值.关系抽取研究的热点经历了知识工程,传统机器学习,深度学习三个不同阶段.本文研究了卷积神经网络应用于实体关系抽取的应用,采用了SemEval-2010 Task 8数据集作为实验测试数据,使用GloVe对句子进行词向量表示,接着获取两个实体之间的距离特征共同作为Embedding层输入,通过拼接的方式将两种特征融合,最后用s原创 2021-01-11 01:09:16 · 3358 阅读 · 3 评论 -
图神经网络(Graph Neural Networks,GNN)综述与相关应用概述
摘要近年来,由于神经网络在模式识别和数据挖掘领域的应用和其易用性,神经网络已获得了巨大的普及。诸如CNN、RNN和自动编码器之类的模型将深度学习技术应用于诸如对象检测和语音识别之类的任务,为神经网络的研究和开发带来了无限潜力。深度学习在图像、文本和视频等数据上的应用非常容易,因为它们基于欧几里得数据。对于将数据表示为对象之间关系非常复杂的图形(非欧几里得)的应用程序呢?这是我们引入图神经网络(GNN)概念的地方。在本文中,我们将研究图和GNN的定义和基础,并了解图神经网络的一些最新应用。一、什么是原创 2021-01-10 17:26:23 · 6270 阅读 · 0 评论 -
AlexNet模型思想详解及核心代码实现
摘要AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后,更多更深的神经网络被提出,网络开始往深水区涉入,比如优秀的vgg,GoogLeNet等。AlexNet是在LeNet的基础上加深了网络的结构,学习更丰富更高维的图像特征。本文将详细概述AlexNet的特点及核心思想,最后给出相关的代码实现。AlexNet模型的核心思想问题LeNet是卷积神经网络的祖师爷LeCun在1998年提出,用于解决手写数字识别的视觉.原创 2020-12-18 22:35:18 · 4690 阅读 · 1 评论 -
Inception模型思想详解及核心代码实现
摘要Inception 网络是 CNN 分类器发展史上一个重要的里程碑。在 Inception 出现之前,大部分流行 CNN 仅仅是把卷积层堆叠得越来越多,使网络越来越深,以此希望能够得到更好的性能。但是越深的模型存在一些问题:1是在训练数据集有限的情况下,参数太多,容易过拟合。2是网络越大计算复杂度越大,难以应用。3是网络越深,梯度越往后穿越容易消失(梯度消失),难以优化模型。因此,Inception模型在这样的情况下应运而生。Inception模型的思想一句化:复用更多特征,而非目标于精准化原创 2020-12-18 21:43:47 · 5885 阅读 · 3 评论 -
防止神经网络模型过拟合的方法及keras代码实现
最近这段时间,有网友问我,自己的模型存在过拟合问题,就是模型其实训练的已经很好了,但是在测试集上的表现性能不佳。这些常见的模型比如卷积神经网络、循环神经网络、自编码器等等。这种在训练集上表现的好,在测试集上效果差,模型泛化能力弱,则是典型的过拟合问题。下面将结合实际介绍几种解决过拟合的方法。过拟合问题由于模型过于复杂,学习能力过强,而用于训练的数据相对于复杂模型来说比较简单,所有模型会去学习数据中隐含的噪声,导致模型学不到真正数据集的分布,如下图所示,红色线就是由于模型过分的拟合了训练数据集,导原创 2020-12-05 22:24:23 · 3416 阅读 · 1 评论 -
自然语言处理技术之词嵌入方法-2
词嵌入是自然语言处理(NLP)中语言模型与表征学习技术的统称,也是实现自然语言处理任务的基础。目录传统词向量特征的表示方法1.one-hotone-hot的缺点2.TF-IDFTF-IDF的缺点3.词的分布式表示(distributed representation)目前常用基于分布式的词嵌入方法1.Word2VecCBOW模型Skip-gram模型2.Doc2vecPV-DM(A distributed memory model)PV-DBOW(D.原创 2020-11-22 23:30:23 · 2915 阅读 · 0 评论 -
过去-深度学习技术在自然语言处理领域中的应用方法概述
将对NLP领域的过去的深度学习方法做个详细的概述。什么是NLP?自然语言处理(NLP)处理构建的计算算法,以自动分析和表示人类语言。基于NLP方法的系统已应用到了各种应用程序,例如Google强大的搜索引擎,以及最近的亚马逊语音助手Alexa。NLP还有助于教会机器执行复杂的自然语言相关任务(例如机器翻译和对话生成)的能力。长期以来,用于研究NLP问题的大多数方法都采用浅层机器学...原创 2020-05-05 19:31:03 · 630 阅读 · 0 评论 -
什么是自然语言处理?NLP简介
自然语言处理(NLP)是人工智能的一个领域,其中计算机以一种智能且有用的方式分析、理解获取人类语言中获取含义。通过利用NLP技术,开发人员可以组织和构造算法模型让计算机自动来执行诸如自动摘要,翻译,命名实体识别,关系提取,情感分析,语音识别和主题细分等之类的任务。约翰·赖林(John Rehling)说过:“除了简单的文字处理程序将文本当作一个普通的符号序列一样对待外,NLP还考虑了语言的层次...原创 2020-05-05 19:11:27 · 1374 阅读 · 0 评论 -
深度学习发展概述
目录什么是深度学习深度学习如何工作什么是深度学习神经网络?深度学习方法深度学习应用示例深度学习有什么用?局限与挑战深度学习与机器学习深度学习发展历史什么是深度学习深度学习是机器学习(ML)和人工智能(AI)的一种,它模仿人类获得某些类型的知识的方式。深度学习是数据科学的重要元素,其中包括统计和预测模型。对于负责收集,分析和解释大量数据的数据科学家而言,...翻译 2020-05-04 23:39:10 · 3761 阅读 · 0 评论 -
基于Web的股票预测系统实现代码详解(yfinance数据包下采用LSTM进行预测未来一段时间)
yfinance包import yfinanceyfinance旨在通过提供一种可靠的、线程化的(threaded)、Pythonic的方式从Yahoo! finance下载历史市场数据。该库最初命名为fix-yahoo-finance,但后来作者将其重命名为yfinance。Ticker()模块可以使我们能以一种更安全更Pythonic的方式获取金融市场数据,使用方法如下:i...原创 2020-05-04 20:16:08 · 4059 阅读 · 2 评论 -
SVM替换softmax函数实现模型优化:有效替换卷积神经网络中的softmax函数示例(keras实现版代码)
目录ModelSVMWrapper包:应用实现:构建输入模型(model)开始训练模型:ModelSVMWrapper包:ModelSVMWrapper函数提供一个包,该包内用SVM有效替换Keras模型的softmax。 model_svm_wrapper.py代码实现:from keras.models import Modelfrom sklearn.svm...原创 2020-05-02 23:41:28 · 5465 阅读 · 8 评论 -
深度学习、机器学习方向计算机毕业设计题目大全(算法应用实践类)
(吐血整理)手动整理了1500多个深度学习及机器学习相关算法在实际应用中的项目,完全可以作为本科生当前较新的毕业设计题目选择方向。讲道理有些题目,比如“用户评分的隐式成分信息的研究”这种题目取的就比较广,有点科学研究的味道,如果真的去做,还是比较有技术含量的。因为其下一步的应用是具有广阔前景的。还有部分项目可能需要大量的数据集,收集的收集和整理比较麻烦。另外对自己电脑的要求也比较高。大家在选择...原创 2020-04-29 13:38:46 · 50469 阅读 · 16 评论 -
ResNet残差神经网络原理详解与ResNet50代码实现详解(附keras代码实现详解)
摘要:resnet神经网络原理详解resnet为何由来:resnet网络模型解释resnet50具体应用代码详解:keras实现resnet50版本一:keras实现resnet50版本二:参考文献:摘要:卷积神经网络由两个非常简单的元素组成,即卷积层和池化层。尽管这种模型的组合方式很简单,但是对于任何特定的计算机视觉问题,可以采用无限种方式设...原创 2020-04-28 22:20:33 · 15793 阅读 · 3 评论 -
基于深度学习的垃圾分类识别系统
目录摘要深度学习算法实现垃圾分类识别系统结束摘要随着我国经济的飞速发展,人民生活水平的提高,生活垃圾的产生量也急剧增加。垃圾种类繁多,材质、颜色和外形各异,而且在不同地域和不同场景下的类别划分差异也很大。比如有按干/湿划分类别的,有按可燃/不可燃划分类别的等。人工智能技术的发展使得自动识别垃圾种类成为可能。但是,因为垃圾种类众多,所收集的垃圾数据集存在极大的平衡性。为...原创 2020-04-28 05:46:43 · 23406 阅读 · 4 评论 -
基于深度学习的新闻摘要生成算法实现与详解(Encoder-Decoder框架模型)
摘要: 摘要是文本的主要内容和核心思想的最小化表达,从海量文本数据中快速寻找有价值的信息具有重要意义。利用深度神经网络Encoder-Decoder基本框架,通过引入注意力模型,本次将尝试实现应用LSTM+attention算法自动生成新闻摘要。首选利用LSTM神经网络编码出中间语义特征,最后利用注意力模型与LSTM神经网络解码出中间语义特征,最终实现自动生成新闻摘要。本次实现...原创 2020-04-27 03:08:44 · 5428 阅读 · 3 评论 -
从神经元到CNN、RNN、GAN…基础神经网络模型原理概述
摘要:网上一文详细罗列了最近几年我们常见的神经网络模型。感觉此文非常不错,特转载分享,但是感觉模型太多,有些并不常听说,更别说了解了,所以以我的口味对原文进行过删减。原文链接:https://mp.weixin.qq.com/s/Si2jtA3jrKJVCXJ1B3fZQw目录神经元神经细胞层(Layers)前馈神经网络(FFNN):径向基神经网络(RBF):霍普菲...转载 2020-04-26 15:12:06 · 2194 阅读 · 0 评论 -
训练简单的ANN神经网络实现人棋对战(井字棋,Tic-tac-toe)
目录摘要:井字棋(Tic-tac-toe)介绍:数据集:模型构建及训练:应用实现,实现井字棋:人机对下,结果分析:摘要: 井字棋是一种决策类下棋游戏,一般情况下先下棋者赢的可能性大一些。为了理解和观察人工智能算法在实际应用上的可行性。因此,我们训练了一个简单的全连接神经网络以阻止玩家获胜的空间。对于简单的3x3井字棋游戏,可以使用神经网络算法轻...原创 2020-04-25 22:01:41 · 2076 阅读 · 0 评论 -
原创性论文解读笔记、技术普及、工作论文、科学普及文章
人工智能技术飞速发展,它与各个专业的结合使当众多研究领域充满未知与挑战。本社区以追踪前沿深度学习技术为主,共享交流人工智能技术所应用领域的前沿论文解读、技术普及。使"AI+"思想深入普及。论文解读笔记读论文是当前每个学生及想了解该领域的入门法宝。读每一篇原创性论文,不管是中文还是英文,你都会将电子论文打印下来,认真标注,仔细思考。但是随着时间的久远,这些纸质的东西(或者你在PDF版进行的标注...转载 2020-04-21 19:32:37 · 408 阅读 · 8 评论 -
TypeError: Unexpected keyword argument passed to optimizer: name解决方法
当在使用keras加载模型时:以下这句代码容易报错:model = load_model('my_model_name.h5', compile=False)2个原因和解决方法:1. AMSgrad只支持2017年12月11日后发行的keras版本。解决方法:pip install --upgrade keras2.设置compile = False的解决方案就可以。...原创 2020-03-24 23:15:52 · 2036 阅读 · 1 评论 -
采用深度学习方法(LSTM)实现城市交通短期客流预测(附代码)
序言 背景:随着城市的发展和人口的聚集,公共交通旅行问题变得越来越重要。城市交通由于其大容量、高速度和安全性等各种问题交错已成为目前所要研究的热门放心。近年来,城市交通发展迅速,但在追求大众“优质”出行的过程中,诸如交通拥堵、交通不便等问题亟待解决。基于预测的时间范围,客流预测可以大致分为三类:长期预测,中期预测和短期预测。中期和长期客流预测通常具有未来3到15年的预测范围,而短期客流预...原创 2020-03-02 00:51:48 · 24103 阅读 · 1 评论 -
基于LSTM、RNN及滑动窗口CNN模型的股票价格预测
Abstract原文:Stock price prediction using LSTM, RNN and CNN-sliding window model股票市场或股票市场对当今经济产生深远影响。股价的上涨或者下跌对投资者的收益具有重要的决定作用。现有的预测方法使用线性(AR,MA,ARIMA)和非线性算法(ARCH,GARCH,神经网络),但它们侧重于使用每日结算预测单个公司的股...翻译 2020-02-28 09:23:33 · 5349 阅读 · 0 评论