用于异构数据集分析的深度学习模型——以冬小麦作物产量预测为例
机器学习
2023-07-05 v1
摘要
西方国家高度依赖小麦,产量预测至关重要。时间序列深度学习模型,如长短期记忆(LSTM),已被探索并应用于产量预测。现有文献报道其性能优于传统机器学习(ML)模型。然而,现有 LSTM 无法处理异构数据集(随时间变化与保持静态的数据之组合)。本文提出一种可处理异构数据集的高效深度学习模型。我们开发了系统架构并将其应用于数字农业领域的真实世界数据集。我们表明其优于现有 ML 模型。
引用
@article{arxiv.2306.11942,
title = {A Deep Learning Model for Heterogeneous Dataset Analysis -- Application to Winter Wheat Crop Yield Prediction},
author = {Yogesh Bansal and David Lillis and Mohand Tahar Kechadi},
journal= {arXiv preprint arXiv:2306.11942},
year = {2023}
}
备注
This version has been removed by arXiv administrators because the submitter did not have the authority to grant the license at the time of submission