期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Swin-Transformer和时空融合注意力机制的ENSO预测
1
作者
张霄智
方巍
王淏西
《海洋学报》
CSCD
北大核心
2024年第12期111-121,共11页
厄尔尼诺-南方涛动预测是气候变化研究的热点问题之一。本文将Swin-Transformer模型与时空融合注意力机制相结合,采用1850-2014年CMIP6多模式模拟历史数据、1871-1979年SODA同化数据和1980-2023年GODAS同化数据,构建厄尔尼诺-南方涛动...
厄尔尼诺-南方涛动预测是气候变化研究的热点问题之一。本文将Swin-Transformer模型与时空融合注意力机制相结合,采用1850-2014年CMIP6多模式模拟历史数据、1871-1979年SODA同化数据和1980-2023年GODAS同化数据,构建厄尔尼诺-南方涛动预测模型,即ENSO-STformer。该模型通过在CMIP6和SODA数据集上进行充分的训练,并在GODAS数据上进行评估,结果表明:本文模型在提前11个月的Ni?o3.4指数相关技巧的平均值上分别比CanCM4、CCSM3、GFDLaer04动力预报系统高出5.1%、21.6%和12.4%,同时,在中长期的Ni?o3.4指数相关技巧上显著优于其他深度学习模型,并可以进行长达24个月的有效ENSO预测,此外,在对2015-2016年厄尔尼诺事件模拟中表现出较强的应对春季预报障碍能力。
展开更多
关键词
深度学习
ENSO预测
时空融合注意力机制
卷积神经网络
Ni?o3.4指数
在线阅读
下载PDF
职称材料
基于时空融合的多头注意力车辆轨迹预测
被引量：
7
2
作者
宋秀兰
董兆航
+1 位作者
单杭冠
陆炜杰
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023年第8期1636-1643,共8页
针对时空维度特征影响自动驾驶车辆轨迹精度的问题,提出基于时空融合的多头注意力(TSMHA)车辆轨迹预测模型,对于空间与时间2个维度的特征信息,分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征,并除去特征...
针对时空维度特征影响自动驾驶车辆轨迹精度的问题,提出基于时空融合的多头注意力(TSMHA)车辆轨迹预测模型,对于空间与时间2个维度的特征信息,分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征,并除去特征数据中的冗余,将处理后的时空特征信息传输至门控特征融合模型进行特征融合.使用基于长短期记忆(LSTM)的编解码器结构,考虑编码与解码2个过程中轨迹之间潜在的相互作用,循环生成目标车辆未来预测轨迹.在训练过程中使用L2损失函数,以此降低预测轨迹与真实轨迹的差值.实验表明,与对比算法模型相比,在直线高速公路、城市十字路口、环岛场景下,本研究所提出的模型的精度分别提高了3.95%、15.64%、31.40%.
展开更多
关键词
车辆智能决策
轨迹预测
时空融合注意力机制
多目标车辆
神经网络
在线阅读
下载PDF
职称材料
题名
基于Swin-Transformer和时空融合注意力机制的ENSO预测
1
作者
张霄智
方巍
王淏西
机构
南京信息工程大学计算机学院/软件学院
中国气象局武汉暴雨研究所中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室
中国气象科学研究院灾害天气国家重点实验室
出处
《海洋学报》
CSCD
北大核心
2024年第12期111-121,共11页
基金
国家自然科学基金面上项目(No.42475149)
中国气象局流域强降水重点开放实验室开放研究基金(No.2023BHR-Y14)
+2 种基金
南京气象科技创新研究院北极阁开放研究基金(BJG202306)
灾害天气国家重点实验室开放课题(2024LASW-B19)
江苏省研究生科研与实践创新计划项目(NO.KYCX24_1533)。
文摘
厄尔尼诺-南方涛动预测是气候变化研究的热点问题之一。本文将Swin-Transformer模型与时空融合注意力机制相结合,采用1850-2014年CMIP6多模式模拟历史数据、1871-1979年SODA同化数据和1980-2023年GODAS同化数据,构建厄尔尼诺-南方涛动预测模型,即ENSO-STformer。该模型通过在CMIP6和SODA数据集上进行充分的训练,并在GODAS数据上进行评估,结果表明:本文模型在提前11个月的Ni?o3.4指数相关技巧的平均值上分别比CanCM4、CCSM3、GFDLaer04动力预报系统高出5.1%、21.6%和12.4%,同时,在中长期的Ni?o3.4指数相关技巧上显著优于其他深度学习模型,并可以进行长达24个月的有效ENSO预测,此外,在对2015-2016年厄尔尼诺事件模拟中表现出较强的应对春季预报障碍能力。
关键词
深度学习
ENSO预测
时空融合注意力机制
卷积神经网络
Ni?o3.4指数
Keywords
deep learning
ENSO predicting
spatio-temporal fusion attention mechanism
convolutional neural network
Niño3.4 index
分类号
P467 [天文地球—大气科学及气象学]
在线阅读
下载PDF
职称材料
题名
基于时空融合的多头注意力车辆轨迹预测
被引量：
7
2
作者
宋秀兰
董兆航
单杭冠
陆炜杰
机构
浙江工业大学信息工程学院
浙江大学信息与电子工程学院
出处
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023年第8期1636-1643,共8页
基金
国家自然科学基金资助项目(62273307)
浙江省公益性技术应用研究资助项目(LGF22F030013)
浙江省重点研发计划资助项目(2021C11096)。
文摘
针对时空维度特征影响自动驾驶车辆轨迹精度的问题,提出基于时空融合的多头注意力(TSMHA)车辆轨迹预测模型,对于空间与时间2个维度的特征信息,分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征,并除去特征数据中的冗余,将处理后的时空特征信息传输至门控特征融合模型进行特征融合.使用基于长短期记忆(LSTM)的编解码器结构,考虑编码与解码2个过程中轨迹之间潜在的相互作用,循环生成目标车辆未来预测轨迹.在训练过程中使用L2损失函数,以此降低预测轨迹与真实轨迹的差值.实验表明,与对比算法模型相比,在直线高速公路、城市十字路口、环岛场景下,本研究所提出的模型的精度分别提高了3.95%、15.64%、31.40%.
关键词
车辆智能决策
轨迹预测
时空融合注意力机制
多目标车辆
神经网络
Keywords
vehicle intelligent decision-making
trajectory prediction
temporal-spatial attention mechanism
multi-target vehicle
neural network
分类号
U491 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Swin-Transformer和时空融合注意力机制的ENSO预测
张霄智
方巍
王淏西
《海洋学报》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于时空融合的多头注意力车辆轨迹预测
宋秀兰
董兆航
单杭冠
陆炜杰
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
