Long Short-Term Memory Networks to Predict One-Step Ahead Reference Evapotranspiration in a Subtropical Climatic Zone
PulseAugur coverage of Long Short-Term Memory Networks to Predict One-Step Ahead Reference Evapotranspiration in a Subtropical Climatic Zone — every cluster mentioning Long Short-Term Memory Networks to Predict One-Step Ahead Reference Evapotranspiration in a Subtropical Climatic Zone across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
可解释机器学习预测受 COVID-19 影响的交通拥堵
研究人员开发了可解释的机器学习模型来预测加利福尼亚州阿拉米达县的交通拥堵，并考虑了 COVID-19 大流行的独特影响。通过纳入与天气、季节性和 COVID-19 病例相关的变量，研究发现新的 COVID-19 病例在封锁和封锁后期间通常会减少拥堵。然而，在大流行后时期，住院率上升减少了出行，而汽油价格上涨则增加了拥堵，因为人们选择了私家车。
-
机器学习模型用于埃及股市预测的比较
一篇新发表在arXiv上的研究分析了各种机器学习模型预测埃及证券交易所EGX30指数的有效性。该研究比较了K近邻、随机森林、极端梯度提升和循环神经网络（LSTM、GRU）等模型。结果表明，门控循环单元（GRU）模型在一周、一个月和两个月的预测中表现最佳，而极端梯度提升（XGBoost）在一日预测中表现出色。研究还强调了集成技术在长期预测中的优势，并指出K近邻在长期预测中表现出乎意料地强劲。
-
深度学习模型在检测马匹呼吸事件方面优于传统方法
研究人员开发并比较了深度学习模型与传统信号处理技术在检测和测量马匹运动时呼吸事件方面的性能。这项针对标准种快步马的研究发现，时间卷积网络（TCN）在准确估计呼吸频率方面优于长短期记忆（LSTM）网络和信号处理方法。TCN在检测呼气声音方面达到了0.94的中位数F1分数，即使在运动强度较低、声音不太明显的情况下也显示出有希望的结果。
-
研究发现：AI牛姿态分类在现实场景测试中失败
一篇新发表在arXiv上的研究论文指出了自动化牛姿态分类系统的一个重大问题。虽然这些系统在受控环境下通常报告高准确率，但在实际部署条件下，尤其是在时间分布变化下，其性能会急剧下降。研究发现，旨在提高鲁棒性的多模态传感器融合，实际上可能导致模型依赖于随时间失效的特定上下文信号。由于传统的评估协议导致性能被高估，这突显了在牲畜监测研究中需要以鲁棒性为中心的评估。
-
LSTM网络在最佳训练时表现出近乎临界动力学
研究人员探索了人工神经网络中的临界性概念，特别是在长短期记忆（LSTM）模型中。他们观察到，经过最佳训练的小型LSTM会表现出无标度雪崩统计和近乎临界点的动力学。LSTM中这种近乎临界行为似乎是依赖于网络容量的涌现特性，而较大的模型则保持在次临界状态。
-
新的LSTM稳定性方法优于现有模型
研究人员开发了一种新方法，用于确保长短期记忆（LSTM）网络在系统辨识中的稳定性，特别是非线性动态系统，如热力学过程。他们的方法基于无穷范数推导出了输入-状态稳定性（ISS）的充分条件，该条件比以前的方法依赖更少的网络参数。该技术已在热力学系统上得到验证，其中ISS促进的LSTM在性能上优于基于物理的模型和其他循环神经网络变体。