基于注意力机制的泊位占有率预测模型研究

TP391; 为解决泊位占有率的预测精度随步长增加而下降的问题,提出了一种基于注意力机制的泊位占有率预测模型.通过卷积神经网络获得多变量的时间模式信息作为模型的注意力机制.通过对模型训练、学习特征信息,并对相关性高的序列分配较大的学习权重,来实现解码器输出高度相关的有用特征预测目标序列.应用多个停车场数据集对模型进行测试,测试结果及对比分析表明,所提模型在步长达到36时对泊位占有率的预测数据能较好地估计真实值,预测精度和稳定性相比LSTM均有提高....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 41; no. 12; pp. 182 - 192
Main Authors 王竹荣, 薛伟, 牛亚邦, 崔颖安, 孙钦东, 黑新宏
Format Journal Article
LanguageChinese
Published 西安理工大学计算机科学与工程学院,陕西西安 710048 25.12.2020
Subjects
泊位占有率预测
注意力机制
序列到序列模型
时间序列预测
Online AccessGet full text
ISSN1000-436X
DOI10.11959/j.issn.1000-436x.2020241

Cover

More Information
Summary:TP391; 为解决泊位占有率的预测精度随步长增加而下降的问题,提出了一种基于注意力机制的泊位占有率预测模型.通过卷积神经网络获得多变量的时间模式信息作为模型的注意力机制.通过对模型训练、学习特征信息,并对相关性高的序列分配较大的学习权重,来实现解码器输出高度相关的有用特征预测目标序列.应用多个停车场数据集对模型进行测试,测试结果及对比分析表明,所提模型在步长达到36时对泊位占有率的预测数据能较好地估计真实值,预测精度和稳定性相比LSTM均有提高.
ISSN:1000-436X
DOI:10.11959/j.issn.1000-436x.2020241