Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting
PulseAugur coverage of Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting — every cluster mentioning Long-Short-Term Memory Network Based Hybrid Model for Short-Term Electrical Load Forecasting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的CBOL-Tuner框架利用AI优化粒子加速器调优
研究人员开发了一个名为CBOL-Tuner的新框架，用于优化粒子加速器等复杂动力学系统。该方法通过整合条件变分自编码器进行表示、长短期记忆网络处理时序动力学以及分类器修剪的贝叶斯优化器，来高效探索高维潜在空间。该系统旨在估计时空束的最优参数，以应对复杂的调优程序。
-
LSTM-GNN框架以3000倍加速重构力学应力场
研究人员开发了一种结合长短期记忆（LSTM）网络和物理信息图神经网络（GNN）的新型框架，用于重构复杂的力学应力场。该方法能有效捕捉路径依赖的本构响应并空间解析应力场，克服了多尺度模拟中的计算瓶颈。与传统的有限元方法相比，该模型实现了三个数量级的显著加速，并展示了对更长加载序列的泛化能力。
-
LSTM网络利用元学习进行脉冲星噪声的少样本预测
研究人员开发了一种使用长短期记忆（LSTM）网络预测脉冲星计时残差的新颖方法。该方法通过模型无关元学习进行优化，使其能够以最少的数据快速适应新的频率域。在国际脉冲星计时阵列（IPTA）数据集上进行评估，该解决方案能够进行准确的预测，并且仅需10%的计时残差即可进行微调，使其适用于资源受限的环境。