5个研究背景和意义示例,教你写计算机时序卷积网络论文

今天分享的是关于时序卷积网络的5篇计算机毕业论文范文, 如果你的论文涉及到时序卷积网络等主题,本文能够帮助到你

基于时序卷积网络的水稻需水量预测及系统开发

这是一篇关于水稻需水量,时序卷积网络,修正彭曼公式,系统开的论文, 主要内容为水稻是我国主要粮食作物之一,随着水稻种植面积增加,对水资源的需求日益扩大,供需矛盾愈加严重,准确地预测水稻需水量能够节约农业灌溉用水,提前确定灌水周期,确保农业生产和粮食安全,对需水量预测成为水稻节水灌溉的重要研究内容。由于在水稻需水量计算过程中,需要获取较多的气象参数,使得水稻需水量计算困难,且传统机器学习方法预测精度较低。因此,为了使水稻需水量预测更加方便,有较高的预测精度,有必要设计与开发一个便捷,智能化且预测精准的水稻需水量预测系统。本文以黑龙江省庆安与向阳两地区水稻需水量为研究对象,采用深度学习技术预测水稻生育期需水量,设计与开发水稻需水量预测系统,主要做了如下工作:首先,针对需水量计算困难的问题,采用修正彭曼公式与系数法计算水稻生育期需水量。第一,在中国气象科学数据网下载庆安与向阳两地区2010-2020年平均温度与日照时数等气象数据。第二,使用修正彭曼公式计算两地区ET0。第三,采用系数法计算水稻生育期需水量,分析两地区水稻需水量变化规律以及不同生长期的需水量差异。分析结果表明,两地区水稻需水量呈周期性变化,均在分蘖期需水量最大,需水总量上向阳地区低于庆安地区。其次,针对水稻需水量预测精度不高的问题,提出基于时序卷积网络的水稻需水量预测模型。第一,采用零-均值归一化方法将水稻需水量归一化处理,以庆安与向阳两地区2010年至2018年数据为训练集,2019年至2020年数据为测试集,采用平均绝对误差,均方误差与均方根误差三种评价指标评定模型性能。第二,提出了基于时序卷积网络的水稻需水量预测模型,调节模型超参数(时间步长,批次大小与迭代次数),提高模型预测精度。第三,对比时序卷积网络与支持向量回归、随机森林、长短时记忆网络、门控单元网络的预测精度。实验结果表明,5种水稻需水量预测模型中,当时序卷积网络的时间步长设置为14,批次大小设置为16,迭代次数设置为500时,具有最良好的性能,在向阳地区水稻需水量预测中效果最好,平均绝对误差,均方误差与均方根误差分别为0.07、0.33、0.42。最后,针对水稻需水量预测不便捷的问题,设计与实现了水稻需水量预测系统。第一,从用户与业务两个角度分析系统应满足的需求,在此基础上设计系统的整体框架。第二,采用Pyqt5构建水稻需水量预测系统,该系统分为六个功能模块,分别为用户登录注册模块、种植区概况介绍模块、气象数据获取及趋势可视化模块、水稻需水量计算及趋势可视化模块、深度学习模型训练模块、水稻需水量预测模块。第三,对系统进行功能性测试与系统性测试。功能测试结果表明系统功能完备,能够满足各种用户需求。性能测试结果表明各模块平均响应时间为3秒,本系统能够提供较为良好的用户的体验。本文设计与开发的基于TCN的水稻需水量预测系统,为气象数据获取不便捷,水稻需水量计算复杂与预测模型建立困难提供了解决方案,为黑龙江省水稻需水量预测与节水灌溉提供技术支持,也能为玉米与小麦等作物需水量预测系统的开发提供思路与参考。

基于前馈神经网络的时间序列预测问题研究

这是一篇关于时间序列预测,时序卷积网络,注意力机制,DTW,销量预测的论文, 主要内容为时间序列预测问题的研究至关重要,从电商销量预测到股票价格预测等,随处可见其应用场景。时间序列预测任务也是学术界长久以来的研究重点,随着数据形式的复杂化,模型也从最初基于序列稳定性假设的传统统计学方法发展到可以处理非平稳数据的机器学习方法,然而序列特征表示和损失函数的设计等问题仍然是时间序列预测面临的挑战。本文针对时间序列预测中的特征表示问题,结合现在神经网络方法的优势,利用时序卷积模型、注意力机制和残差结构设计了一种能够具有循环网络建模序列相关性能力的网络结构,即前馈序列模型(Feed-forward Sequential Network,FSN),此模型旨在模拟循环网络对序列化属性的建模方式,同时克服循环网络梯度消失、训练效率受限和长时记忆衰减的缺点,我们利用时序卷积网络和时序注意力机制达到了对序列化属性的表征,利用残差结构让网络能够加深的同时防止网络退化。我们从信息流动和在标准数据集实验两方面对模型的有效性进行验证,实验结果表明,FSN能够提升时间序列预测准确度,对不同长度输入序列的敏感性分析实验还证明了FSN能够有效控制训练效率,防止出现循环网络中随着输入长度增加而训练效率降低的问题。另外,本文还从损失函数的角度对时间序列预测模型进行优化,现有常用损失函数未能在训练过程中重点关注序列的形态学习和延时性问题,这导致模型的预测结果出现未能有效预测波动或未能准确预测波动产生时间的现象,而这对于很多实际场景是至关重要的。我们从形态学习和延时性两方面出发,结合DTW度量方法设计了多尺度DTW和TDI结合的损失函数MS-DTWI(MultiScale DTW with Temporal Distortion Index),我们将MS-DTWI与其他时间序列预测损失函数做对比,用实验验证了此损失函数的有效性和更好的学习效果,同时为了验证损失函数中超参数对训练的影响,我们设计了敏感性分析实验,给出对MS-DTWI更全面的分析。最后,为解决大型连锁企业对商品的管理和销量预测问题,我们设计并实现了“金牛(Taurus)系统”,系统不仅能够进行库存管理、商店管理和交易管理,还可以对商品做进一步的关联分析,从流动的商品销售数据中挖掘更多有价值的信息,同时利用历史商品的销售数据和已知可用的时间日期特征对未来商品销售数量做出预测。其中预测环节不仅集成了传统统计学算法,还采用了上述提出的基于前馈序列模型的时间序列预测算法,让系统能够适应不同数据量场景的需求,系统对关联分析和销量预测能力都做了可视化展示,让用户更直观地感受系统智能。

表计识别系统及其资源分配算法优化研究

这是一篇关于表计识别,分布式系统,时序卷积网络,资源分配,M/D/1排队模型的论文, 主要内容为仪表与人们生活息息相关,但是极端环境部署的仪表会给抄表人员带来风险,表计识别系统的远程抄表能力有助于克服这一风险。大多数基于视觉的表计识别系统依赖深度神经网络进行读数识别,对算力有较高要求,云计算天然具有高度的集群扩展性,云端部署表计识别系统有利于满足较高的算力需求。基于视觉的表计识别系统属于一种大规模图像识别系统,普遍对易扩展性、资源分配效率等方面有较高要求。本文针对表计识别系统的实际需求,主要完成了以下工作:1、针对表计识别系统对易扩展性、资源分配效率等方面的需求,本文设计实现了一种基于分布式系统的表计识别系统:(1)针对表计识别系统业务特点,本文设计了三层架构用于构建基于分布式系统的表计识别系统,三层架构有利于提取业务共性,降低耦合性。(2)针对表计识别系统故障检测困难、容器管理松散的问题,设计了基于Kubernetes的表计识别系统架构,并在Kubernetes基础上拓展了Prometheus自动监控模块、ELK分布式日志收集分析模块用于解决这些问题。(3)针对表计识别系统资源分配不理想的问题,设计了预测式自动伸缩模块用于改进资源分配。2、针对资源分配的预测问题,聚焦TCN(Temporal Convolutional Networks)容易丢失周期关键特征的问题,以及丢失相邻数据变化趋势的问题,本文提出了一种基于多特征融合的CPU使用率预测模型,该模型提取周期关键特征和上升趋势特征,并结合TCN网络模型,实现对CPU使用率预测。该算法明显提升TCN预测性能,且未增加TCN模型的参数数量,有利于提升资源分配性能。3、针对响应式自动伸缩存在资源分配滞后和资源利用率低的问题,本文提出了一种基于M/D/1队列忙期时长的自动伸缩算法,该方法利用M/D/1排队模型对从流量网关卸载任务到算法服务的全过程进行建模,设计了用于改进资源分配的优化目标和约束条件,并搜索最优解。相对于响应式自动伸缩方法,本文方法有效解决了资源分配滞后问题,提高了资源利用率。本文基于采集的表计运行数据,进行了测试。实验结果表明,本文设计实现的表计识别系统,实现了功能需求,并具有规范化容器管理流程和较好的故障定位功能。在所完成的预测式自动伸缩模块中,本文提出的预测算法,对比TCN的baseline方法,在CPU使用率上的预测精度更高,其中MSE提升约7.7%,RMSE提升约4.0%,MAE提升约7.9%,2提升约1.1%。本文提出的基于M/D/1队列忙期时长的自动伸缩算法,对比Kubernetes响应式自动伸缩算法,不仅解决了资源分配滞后问题,而且具有更高资源利用率。

基于图神经网络的会话推荐系统研究

这是一篇关于推荐系统,会话推荐,图神经网络,时序卷积网络,邻域感知的论文, 主要内容为移动互联网的快速发展使“信息过载”现象趋于常态化,用户及时有效地获取和使用这些信息变得十分困难。如何在大数据背景下缓解这一问题,为用户提供高可用的推荐服务成为研究热点。推荐系统通常根据用户和物品的所有历史交互训练用户的长期偏好,然而在实际应用中,用户偏好往往通过长短期偏好相结合的方式来刻画,并且用户的偏好会随时间动态变化,因此一般的推荐系统忽略了用户短期偏好和兴趣漂移对推荐性能的影响。基于会话的推荐系统以会话(Session)为基本的输入数据,能够捕捉到用户的短期偏好和兴趣转移映射的动态偏好,从而提高推荐的准确性和及时性。会话推荐早期的研究将会话序列化并对交互关系建模,通过用户行为和物品表征进行推荐。但是这些推荐方法仅对物品的单向交互关系建模,无法获得准确的物品表示。此外由于会话不是独立存在的,不同会话之间存在可用的辅助信息,对目标会话建模难以利用其它会话的转移关系,完全忽视了全局会话中深层的交互关系。为挖掘用户深层的语义表达,目前的研究将用户与物品的交互数据通过图来表示,利用图天然地拓扑结构准确表达用户隐性行为的意图。本文研究基于图神经网络(Graph Neural Network,GNN)的会话推荐模型,具体内容如下:(1)针对模型无法获得更准确的物品表征这一问题,提出时序信息增强的会话推荐模型SE-GNN。将会话数据建模为图结构,然后训练每个物品的嵌入表示,利用门控循环单元(Gated Recurrent Unit,GRU)和时序卷积网络(Temporal Convolutional Network,TCN)增强物品表征的表达能力。对GRU得到的物品嵌入表征进行因果和膨胀卷积,进而训练会话数据信息。通过实验证明,增强会话的时序信息后,模型在物品嵌入向量的表达和推荐准确率均有明显提升。(2)针对不能充分利用全局会话存在的有效信息这一问题,提出基于邻域感知图神经网络的会话推荐模型NA-GNN。通过对邻域知识的学习和深入研究,模型设计无向邻域图,分别从会话和邻域两个层面对节点进行嵌入表示,利用注意力机制对两种物品表征自适应地分配注意力,通过融合函数聚合两个层次的物品表征得到会话向量表示。最后在真实的数据集上进行实验并与基准模型进行对比,证明NA-GNN模型是真实有效的。