SAEs_冷帅醒的博客-CSDN博客

来自 : CSDN技术社区 发布时间：2021-03-24

论文简读-栈式自编码的上海地铁短时流量预测

摘要 利用历史刷卡数据 提出了一种基于深度学习的地铁短时客流量预测方法 基于栈式自编码器构建深度神经网络模型 采用自下而上逐层非监督预训练 在预训练结束之后 采用反向传播 P算法自上而下来微调整个网络的参数。

模型-基于SAE的深度学习

该模型底层由栈式自编码器构成 用于特征提 取 顶层为一个逻辑回归器 用于客流量预测。

AE 自动编码器 AE AutoEncoder 是一种试图重构原始输入信号的神经网络
2.SAE 栈式自编码器SAE由一组自动编码器连接构 成 它将下层自动编码器的输出作为上层自动编码器的输入。L层的SAE,训练集作为第一次的输入 第k 小于L 层的输出作为第k 1的输入。堆栈的方式逐层组合在一起。文中为了预测流量 在编码层添加一个预测器-逻辑回归 评价指标 MAE MAPE RMSE数据 地铁刷卡数据结论 SAE模型比 模型和 模型预测精度更高。代码参考 https://github.com/xiaochus/TrafficFlowPrediction
2019年9月5日SAEs 论文简读-栈式自编码的上海地铁短时流量预测 摘要:利用历史刷卡数据,提出了一种基于深度学习的地铁短时客流量预测方法,基于栈式自编码器构建深度...SAEs论文简读摘要：利用历史刷卡数据，提出了一种基于深度学习的地铁短时客流量预测方法，基于栈式自编码器构建深度神经网络模型，采用自下而上逐层非监督预训练，在预训练结束之后，采用反向传播ＢP算法自上而下来微调整个网络的参数。模型-基于SAE的深度学习该模型底层由栈式自编码器构成，用于特征提 取；顶层为一个逻辑回归器，用于客流量预测。AE ，自动编码器 AE（AutoEncoder）是一种试图重构...SAEs