-
公开(公告)号：CN107918660B
公开(公告)日：2018-12-11
申请号：CN201711165914.3
申请日：2017-11-21
申请人： 清华大学
摘要： 本发明实施例提供了一种基于多阶差分网络的高频时序数据处理方法，包括：S1，获取高频时序数据，并将所述高频时序数据输入训练好的多阶差分网络模型；S2，若判断获知所述高频时序数据超过预设长度，则利用所述采样模块对所述高频时序数据进行下采样，并将下采样得到的时序数据与所述高频时序数据进行组合形成第一数据集；S3，利用所述差分模块对所述第一数据集进行多次差分，并将多次差分得到的多个数据集与所述第一数据集组合形成第二数据集；S4，利用所述递归层和所述全连接层对所述第二数据集进行处理，以得到所述高频时序数据的分类结果向量。实现了多阶差分网络模型对高频时序数据的自动化处理，且结果准确。
-
公开(公告)号：CN107918660A
公开(公告)日：2018-04-17
申请号：CN201711165914.3
申请日：2017-11-21
申请人： 清华大学
CPC分类号： G06F17/30548 , G06F2216/03 , G06N3/08
摘要： 本发明实施例提供了一种基于多阶差分网络的高频时序数据处理方法，包括：S1，获取高频时序数据，并将所述高频时序数据输入训练好的多阶差分网络模型；S2，若判断获知所述高频时序数据超过预设长度，则利用所述采样模块对所述高频时序数据进行下采样，并将下采样得到的时序数据与所述高频时序数据进行组合形成第一数据集；S3，利用所述差分模块对所述第一数据集进行多次差分，并将多次差分得到的多个数据集与所述第一数据集组合形成第二数据集；S4，利用所述递归层和所述全连接层对所述第二数据集进行处理，以得到所述高频时序数据的分类结果向量。实现了多阶差分网络模型对高频时序数据的自动化处理，且结果准确。
-
公开(公告)号：CN107944488A
公开(公告)日：2018-04-20
申请号：CN201711167632.7
申请日：2017-11-21
申请人： 清华大学
CPC分类号： G06K9/6267 , G06K9/6256 , G06N3/0454 , G06N3/08
摘要： 本发明实施例提供了一种基于层次化深度网络的长时序列数据处理方法，包括：S1，将所述长时序列数据输入训练好的层次化深度网络模型；S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；S3，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量。实现了层次化深度网络模型对长数据的自动化处理，且结果准确。
-
公开(公告)号：CN108108836B
公开(公告)日：2019-02-05
申请号：CN201711347771.8
申请日：2017-12-15
申请人： 清华大学
摘要： 本发明提供一种基于时空深度学习的臭氧浓度分布预测方法和系统，所述方法包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的基于气象数据的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。通过插值等方法被处理为臭氧浓度分布图序列及气象‑时间序列。使用递归神经网络处理一段时间的历史数据，抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据，最大程度的利用臭氧的周期性特征。同时，加入预测时刻的气象数据及时间数据作为额外输入，利用气象和时间对于臭氧的影响进一步提高预测准确性。
-
公开(公告)号：CN107944488B
公开(公告)日：2018-12-11
申请号：CN201711167632.7
申请日：2017-11-21
申请人： 清华大学
摘要： 本发明实施例提供了一种基于层次化深度网络的长时序列数据处理方法，包括：S1，将所述长时序列数据输入训练好的层次化深度网络模型；S2，利用所述卷积层中的所述多对卷积核和池化核对所述长时序列数据进行单维卷积操作得到第一压缩时序数据集，并将所述第一压缩时序数据集中的所有压缩时序数据连结形成第一多维时序数据；S3，利用所述卷积层获取多个多维时序数据，并将所述多个多维时序数据中长度小于第一预设长度的多维时序数据进行组合形成第一数据集；S4，利用所述递归层和所述全连接层对所述第一数据集进行处理，以得到所述长时序列数据的分类结果向量。实现了层次化深度网络模型对长数据的自动化处理，且结果准确。
-
公开(公告)号：CN108108836A
公开(公告)日：2018-06-01
申请号：CN201711347771.8
申请日：2017-12-15
申请人： 清华大学
摘要： 本发明提供一种基于时空深度学习的臭氧浓度分布预测方法和系统，所述方法包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的基于气象数据的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。通过插值等方法被处理为臭氧浓度分布图序列及气象‑时间序列。使用递归神经网络处理一段时间的历史数据，抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据，最大程度的利用臭氧的周期性特征。同时，加入预测时刻的气象数据及时间数据作为额外输入，利用气象和时间对于臭氧的影响进一步提高预测准确性。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.022 秒)
