論文の概要: Prediction Algorithm for Heat Demand of Science and Technology Topics Based on Time Convolution Network

• arxiv url: http://arxiv.org/abs/2203.10718v1
• Date: Mon, 21 Mar 2022 03:30:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 15:16:00.165963
• Title: Prediction Algorithm for Heat Demand of Science and Technology Topics Based on Time Convolution Network
• Title（参考訳）: 時間畳み込みネットワークに基づく科学技術トピックの熱需要予測アルゴリズム
• Authors: Cui Haiyan, Li Yawen, Xu Xin
• Abstract要約: 科学と技術需要のテーマヒートを正確に予測するためにテーマ機能を適用することが、この問題の解決のコアとなる。 TCNネットワークと自己注意機構に基づいて時系列予測を行う。 実験により,本アルゴリズムの予測精度は,実科学および技術需要データセット上の他の時系列予測手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to the rapid development of deep learning, big data analysis technology is not only widely used in the field of natural language processing, but also more mature in the field of numerical prediction. It is of great significance for the subject heat prediction and analysis of science and technology demand data. How to apply theme features to accurately predict the theme heat of science and technology demand is the core to solve this problem. In this paper, a prediction method of subject heat of science and technology demand based on time convolution network (TCN) is proposed to obtain the subject feature representation of science and technology demand. Time series prediction is carried out based on TCN network and self attention mechanism, which increases the accuracy of subject heat prediction of science and technology demand data Experiments show that the prediction accuracy of this algorithm is better than other time series prediction methods on the real science and technology demand datasets.
• Abstract（参考訳）: ディープラーニングの急速な発展により、ビッグデータ分析技術は自然言語処理の分野で広く使われているだけでなく、数値予測の分野でもより成熟している。 科学・技術需要データの熱予測と分析を行う上で重要な課題である。 科学と技術需要のテーマヒートを正確に予測するためにテーマ機能を適用することが、この問題の解決のコアとなる。 本稿では, 時間畳み込みネットワーク(tcn)に基づく科学技術需要と科学熱の予測手法を提案し, 科学技術需要の主題特徴表現を得る。 TCNネットワークと自己注意機構に基づいて時系列予測を行い、科学・技術需要データの被写体熱予測の精度を高める実験により、このアルゴリズムの予測精度は実科学・技術需要データセット上の他の時系列予測方法よりも優れていることが示された。

関連論文リスト

• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Forecasting the Future with Future Technologies: Advancements in Large Meteorological Models [3.332582598089642]
  気象予報の分野は、大きなモデルの統合によって大きな変化を遂げた。 FourCastNet、Pangu-Weather、GraphCast、ClimaX、FengWuといったモデルは、正確で高精度な予測を提供することで、顕著な貢献をしている。
  論文  参考訳（メタデータ） (2024-04-10T00:52:54Z)
• DeepSpeed4Science Initiative: Enabling Large-Scale Scientific Discovery through Sophisticated AI System Technologies [116.09762105379241]
  DeepSpeed4Scienceは、AIシステム技術革新を通じてユニークな機能を構築することを目指している。 我々は、構造生物学研究における2つの重要なシステム課題に対処するために、DeepSpeed4Scienceで行った初期の進歩を紹介した。
  論文  参考訳（メタデータ） (2023-10-06T22:05:15Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Research on Cross-media Science and Technology Information Data Retrieval [15.265191824669555]
  マルチメディア技術情報データには異なる特徴がある。 従来の科学・技術情報検索システムは、科学・技術学者の日々の検索ニーズを満たすことができない。 深い意味的特徴に基づくマルチメディア科学・技術情報検索システム
  論文  参考訳（メタデータ） (2022-04-11T06:10:21Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Learning from learning machines: a new generation of AI technology to meet the needs of science [59.261050918992325]
  科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。 産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
  論文  参考訳（メタデータ） (2021-11-27T00:55:21Z)
• Paradigm Shift Through the Integration of Physical Methodology and Data Science [0.0]
  従来の物理・データ科学の方法論を統合する手法は、数学解析の新しい方法である。 本稿では,科学的理論の観点から,このような統合手法の重要性と重要性を強調した。
  論文  参考訳（メタデータ） (2021-09-30T18:00:09Z)
• Identifying Distributional Differences in Convective Evolution Prior to Rapid Intensification in Tropical Cyclones [4.925967492198013]
  熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。 これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。 ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
  論文  参考訳（メタデータ） (2021-09-24T15:33:29Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。