时间序列的下一场革命？

Lea等人的开创性工作。（2016）首先提出了基于视频的动作分割的时间卷积网络（TCN）。此常规过程的两个步骤包括：首先，使用（通常）对时空信息进行编码的CNN来计算低级特征，其次，将这些低级特征输入到使用（通常是）捕获高级时域信息的分类器中）RNN。这种方法的主要缺点是需要两个单独的模型。 TCN提供了一种统一的方法来分层捕获所有两个级别的信息。

编码器-解码器框架如图1所示，其中有关体系结构的更多信息可以在前两个参考文献中找到（在文章末尾）。提供了最关键的问题，如下所示：TCN可以采用一系列任意长度并将其输出为相同长度。在使用一维完全卷积网络体系结构的情况下，使用因果卷积。一个关键特征是，时间t的输出   仅与t之前发生的元素卷积  。
拼车和在线导航服务可以改善交通预测效果并改变人们的出行方式。通过更好的交通预测可以实现更少的交通拥堵，更少的污染，安全和快速的驾驶等。由于这是实时数据驱动的问题，因此有必要利用即将到来的流量的累积数据。基于此，Dai等人最近（2020）提出了一种混合时空图卷积网络（H-STGCN）。总体思路是利用分段衬里流量密度关系的优势，并将即将来临的交通量转换为等效的行进时间。他们在这项工作中使用的最有趣的方法之一是图卷积以捕获空间依赖性。复合邻接矩阵捕获流量近似的固有特征（更多信息，请参见Li，2017）。在以下架构中，提出了四个模块来描述整个预测过程。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!