文献

J-GLOBAL ID：202202211624034323   整理番号：22A0398600

多変数時系列予測のための2段階注意ベース変換ゲート長短期メモリ【JST・京大機械翻訳】

A Dual-Staged Attention Based Conversion-Gated Long Short Term Memory for Multivariable Time Series Prediction

著者 (2件)： Feng Shufang (School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China) ,  Feng Yong (School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 368-379  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多変量時系列モデリングでは,短期突然変異と長期依存性情報を同時に捉える必要がある。しかし,短期変化を捉えることができる機構は,長期依存性情報を把握するのに使用することが困難である。同じモデルにおける短期突然変異と長期依存性情報の両方を捕捉するために,本論文は変換ゲート長短Term記憶ネットワーク(DA-CG-LSTM)に基づく二重段階注意機構を提案した。双曲線正接関数を入力ゲートとLong Short Termメモリネットワーク(LSTM)の忘れゲートに導入して,短期突然変異情報を抽出するためのネットワークの能力を改善した。さらに,入力注意と時間的注意を含むネットワークに,二重段階注意機構を追加した。入力注意は,外因性配列の特徴関係を適応的に抽出して,時間的注意は,すべての時間ステップを通して関連した隠れ層状態を選択した。大気質と交通流時系列データに関する実験は,提案したネットワークが,二重ステージの注意電流ニューラルネットワーク(DA-RNN)と変換ゲートLSTM(TG-LSTM)と比較して,50%以上低い平均絶対誤差,平均絶対パーセント誤差,および二乗平均平方根誤差を有することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *記憶装置 ,  電流 ,  ネットワーク ,  交通流 ,  ニューラルネットワーク ,  双曲線 ,  突然変異
準シソーラス用語： 時系列データ ,  隠れ層 ,  正接関数 ,  *多変量 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 多変数 ,  時系列予測 ,  段階 ,  注意 ,  ゲート