時空預測

Увійти

ідея - 時空預測

本文提出了一種名為 ST-SAMPLENET 的新型 Transformer 架構，用於時空預測，該架構結合了卷積神經網路 (CNN) 和自注意力機制，可以有效地捕捉局部和全局關係，並透過區域採樣策略和空間約束位置嵌入來提高效率和效能。

本研究提出了一種基於物理約束的圖神經網路 (MGN) 模型，用於預測球體跌落衝擊對多層 OLED 顯示面板的影響。該模型通過在損失函數中加入物理約束，有效地解決了傳統 MGN 模型中出現的物體穿透問題，從而提高了預測的準確性和穩定性。

本文提出了一種利用動態廣義線性模型 (DGLM) 對人類移動數據進行建模和預測的有效且可擴展的方法，並重點介紹了該方法在處理大規模數據集、捕捉時空依賴性和實現準確預測方面的優勢。

提出一個簡單有效的時空預測框架 EasyST,透過知識蒸餾和時空上下文學習,實現高效和泛化能力強的時空預測模型。

Про нас

Продукти

Ресурси