面向序列数据分析的深度学习模型数据派THU关注共 365字,需浏览 1分钟 ·2022-12-17 21:37来源:专知本文为报告分享,建议阅读5分钟本报告将介绍时空预测学习的基础模型与学习算法,重点介绍时空特征统一建模、时空运动分解建模、复杂时序平稳化建模等关键技术,并介绍冬奥会场馆气象预报等成功的落地应用。报告题目:深度预测学习:模型与应用报告摘要:时空数据分布于连续空间,并且随着时间动态变化,具有复杂的模式规律,在强对流天气预报、交通流量预测和智能体环境建模等领域都有着重要的应用。时空数据存在时间上的非平稳性和空间上的高维相关性两大技术特性,给现有的机器学习方法带来严峻的挑战。本报告将介绍时空预测学习的基础模型与学习算法,重点介绍时空特征统一建模、时空运动分解建模、复杂时序平稳化建模等关键技术,并介绍冬奥会场馆气象预报等成功的落地应用。https://www.guet.edu.cn/ccdm2022/jqxxqy.html浏览 21点赞 评论 收藏 分享 手机扫一扫分享分享 举报 评论图片表情视频评价全部评论推荐 【深度学习】TimeGPT:时间序列预测的第一个基础模型机器学习初学者0100种分析思维模型之:深度学习林骥0【深度学习】基于PyTorch深度学习框架的序列图像数据装载器机器学习初学者0时间序列预测一定需要深度学习模型吗?Datawhale0时间序列预测一定需要深度学习模型吗?小数志0时间序列预测一定需要深度学习模型吗?人工智能与算法学习0时间序列预测一定需要深度学习模型吗?机器学习实验室0【深度学习】利用深度学习进行时间序列预测机器学习初学者0【机器学习】数据挖掘实战:金融贷款分类模型和时间序列分析机器学习初学者0X-DeepLearning面向高维稀疏数据场景的深度学习框架X-DeepLearning(简称XDL)是面向高维稀疏数据场景(如广告/推荐/搜索等)深度优化的一整套解决方案。现有开源框架在分布式性能、计算效率、水平扩展能力以及实时系统适配性的等方面往往难以满足点赞 评论 收藏 分享 手机扫一扫分享分享 举报