XiaoMi-AI文件搜索系统
World File Search SystemLSTM
结合CNN和LSTM
摘要 - 股票市场预测是金融内部极具吸引力和流行的领域，这是由于由于数据非线性和复杂的经济原则而产生的大量利润的潜力。从交易数据中提取功能在该领域至关重要，并且已经制定了许多策略。其中，由于其强大的数据处理能力，深度学习在财务应用中取得了令人印象深刻的成果。在我们的研究中，我们提出了一个混合深度学习模型CNN-LSTM，该模型结合了2D卷积神经网络（CNN），用于图像处理与长期短期记忆（LSTM）网络，用于管理图像序列和分类。，我们将21个技术指标的前15个从财务时间序列转换为15x15图像，在21个不同的日期中。然后将每个图像分为卖出，持有或根据交易数据进行分类。我们的模型表明，股票预测的表现优于其他深度学习模型。
LSTM-ARIMA作为算法投资策略的混合方法
从其他输入和其他输入中获得的预测获得。使用从2000年1月至2023年8月的每日频率数据跨越三个股权指数（标准普尔500，FTSE 100和CAC 40）的算法。测试的体系结构基于步行前进过程，该过程用于使用随机搜索和对算法进行回测的超参数调谐阶段。最佳模型的选择是基于适当选择的性能指标来确定的，该指标将重点放在风险调整后的回报量度上。我们考虑了两个
基于相锁的值函数连接矩阵和CNN-LSTM
摘要：为了有效地检测由虚拟现实环境引起的运动疾病，我们开发了一种专门设计用于视觉诱导的运动疾病的分类模型，采用了相位锁定值（PLV）功能连接矩阵和CNN-LSTM架构。该模型解决了传统机器学习算法的缺点，尤其是它们在处理非线性数据方面的功能有限。我们使用来自25名参与者的EEG数据构建了基于PLV的功能连接矩阵和网络拓扑图。我们的分析表明，视觉诱发的运动疾病显着改变了脑电图中的同步模式，尤其是影响额叶和颞叶。功能连接矩阵用作我们的CNN-LSTM模型的输入，该模型用于对视觉诱导的运动疾病的状态进行分类。该模型表现出优于其他方法的优越性能，从而达到了伽马频带中最高的分类精度。具体来说，二进制分类的最高平均准确度为99.56％，三元分类达到86.94％。这些结果强调了该模型的分类有效性和稳定性，使其成为帮助诊断运动疾病的宝贵工具。
使用具有物理信息的LSTM进行自动驾驶汽车建模
准确地对重型车辆（例如卡车）的动态进行建模对于安全自动导航至关重要。动态模型需要在各种天气和道路状况以及不同的负载配置下捕获复杂的系统行为。此摘要概述了在自动驾驶汽车的运动计划和控制背景下，物理知识的长期记忆（PI-LSTM）网络的整合为动态模型。通过利用LSTM的预测能力来建模复杂的动力学，并通过在损失函数中添加物理约束而施加的普遍性，我们为生成针对运动计划和控制而定制的更有效和可靠的预测的框架。车辆建模的系统识别问题旨在解决以下普通微分方程：
大规模数据中心中的基于LSTM的资源和工作量的改进的预测方法
摘要 - 准确的工作量和资源预测是为了实现积极，动态和自适应资源分配，用于构建具有成本效益，能源良好和绿色云数据中心（CDC），为用户提供令人满意的优质服务，并为云提供者提供高收入。这很具有挑战性，因为CDC中急剧增加和大规模的工作量和资源使用的模式随时间而变化显着。当前的预测方法通常无法处理隐式噪声数据，并在工作量和资源时间序列中捕获非线性，长期和短期和空间特征，从而导致预测准确性有限。为解决这些问题，这项工作设计了一种名为VSBG的新型预测方法，该方法无缝且创新地结合了变分模式分解（VMD），Savitzky Golay（SG）滤波器（SG）滤波器，双向长期短期内存（LSTM）和GRID LSTM和GRID LSTM和GRID LSTM，以预测工作量和资源在CDC中的工作量和资源使用。vsbg在执行其预测之前，以四步骤的方式以四步方式整合VMD和SGFURTER。VSBG利用VMD将非机构工作负载和资源时间序列分为多种模式函数。然后，在VSBG中，这项工作设计了二次惩罚，用拉格朗日乘数将其最小化，并采用对数操作和SG滤波器来平滑第一个模式功能，以消除噪声干扰。最后，VSBG首次系统地捕获了具有两个Bilstm层的流量和复杂时间序列数据的深度和时间特征，在此之间，GridLSTM层在其中，从而准确地预测了CDC中的工作量和资源。具有不同现实世界数据集的广泛实验证明，VSBG在预测准确性和收敛速度上的整体最新算法都优于整体。
对加密货币ZEC价格预测性能的LSTM，GRU和Transformer深度学习模型的比较分析
摘要。本文深入研究了加密货币价格预测的有趣领域，采用了尖端的深度学习方法，以ZCASH（ZEC）为重点。该研究介绍了两个至关重要的特征：“ CLOSS_OFF_HIGH”和“波动性”，然后系统地分析了这些变量与ZEC价格之间的相关性。通过研究三个突出的神经网络架构长期记忆（LSTM），门控复发单元（GRU）和变压器模型的预测准确性 - 研究表明，LSTM和GRU模型在预测ZEC的价格运动中表现优于其他人。此外，本文仔细检查了不同激活函数对模型性能的影响，在这种情况下阐明了线性激活函数的效率。该研究还解决了预测建模中的共同挑战，例如过度拟合和多重共线性。此外，它坦率地承认与仅关注单一的加密货币相关的局限性，认识到需要更广泛的搜索工作和跨学科的合作才能对不断变化的加密货币景观进行更详细的了解。随着加密货币市场继续迅速发展，这项研究为投资者提供了有价值的见解，为加密货币投资提供了理性的观点。它强调了利用适当的模型和拥抱跨学科合作来浏览复杂而动态的加密货币世界的重要性。通过弥合深度学习的尖端世界与金融市场之间的差距，这项研究为实现未来的调查和更明智的投资决策铺平了道路。
深层强化学习改变巷的决策算法，用于结合LSTM轨迹预测的智能车辆
摘要：在车辆中改变自动驾驶汽车的明智决定一直是该行业研究的焦点。依赖于预定义规则的传统巷道算法不适合现实道路条件的复杂性和变化。在这项研究中，我们提出了一种利用深层确定性策略梯度（DDPG）强化学习的算法，该算法与长期短期记忆（LSTM）轨迹预测模型集成在一起，称为LSTM-DDPG。在提出的LSTM-DDPG模型中，LSTM状态模块将观测值从观察模块转换为状态表示，然后作为DDPG Actor网络的直接输入。同时，LSTM预测模块通过完全连接的层将附近车辆的历史轨迹坐标转化为单词装饰向量，从而为周围车辆提供了预测的轨迹信息。这种综合的LSTM方法考虑了附近车辆对主体车辆改变车道决定的潜在影响。此外，我们的研究强调了改变车道的过程的安全性，效率和舒适性。因此，我们为LSTM-DDPG算法设计了奖励和惩罚功能，并确定了最佳网络结构参数。然后在使用MATLAB/SIMULINK构建的模拟平台上测试该算法。我们的发现表明，LSTM-DDPG模型提供了涉及车辆相互作用的交通情况的更现实表示。这项研究为自动驾驶汽车的先进车道决定提供了新的想法。与传统的DDPG算法相比，LSTM-DDPG在归一化后平均单步奖励增长了7.4％，强调了其在更换车道改变车道的安全性和效率方面的出色性能。
lbkt：长期序列数据的基于LSTM BERT的知识跟踪模型
摘要。知识追踪领域（KT）旨在通过分析他们的历史行为数据来了解学生如何随着时间的推移学习和掌握知识。为了实现这一目标，许多研究人员提出了使用智能辅导系统（ITS）的数据来预测学生随后的行动的KT模型。然而，随着其大规模数据集的发展，包含长期数据的大规模数据集开始出现。最近基于深度学习的KT模型在处理包含长期数据的大规模数据集时面临着低效率，低精度和低解释性的障碍。To address these is- sues and promote the sustainable development of ITS, we propose a L STM B ERT-based K nowledge T racing model for long sequence data processing, namely LBKT , which uses a BERT-based architecture with a Rasch model-based embeddings block to deal with different difficulty levels information and an LSTM block to process the sequential char- acteristic in students' actions.LBKT在ACC和AUC指标上实现了大多数基准数据集的最佳性能。
用于埃塞俄比亚风力发电预测的新型混合 CNN-LSTM
摘要。可再生能源目前正经历着有希望的增长，成为减少化石燃料使用产生的污染气体（导致全球变暖）的替代解决方案。为了将这些可再生能源安全地整合到电网系统中，并使电网系统更加稳定，准确预测特定风力发电场的风力发电量和发电时间至关重要。深度学习方法已显示出对复杂和非线性问题（例如时间序列风力发电数据）的良好预测性能。然而，需要进一步研究通过将多个模型与超参数优化相结合来优化深度学习模型，以使这些单个模型获得最佳性能。在本文中，我们提出了一种用于埃塞俄比亚风力发电预测的混合 CNN-LSTM 模型。在构建混合 CNN-LSTM 模型之前，应用贝叶斯优化来调整单个学习器的超参数，包括 1D-CNN 和 LSTM 模型。在从埃塞俄比亚电力公司获得的三个案例研究风力发电数据集上对所提出的模型进行了测试。根据 MAE、RMSE 和 MAPE 评估指标，对于所有案例研究数据，混合模型的表现明显优于基准模型，包括 ANN、RNN、BiLSTM、CNN 和 LSTM 模型。