基于自编码器小波与注意力机制的深度神经网络用于植物生长多步预测
机器学习
2020-12-09 v1
摘要
多步预测对于许多实际问题中的时间序列分析具有重要意义。现有方法主要集中在一步超前预测，因为多步预测通常会由于预测误差的累积而失败。本文提出了一种用于预测农业中植物生长的新方法，重点关注植物茎直径变化（SDV）的预测。该方法由三个主要步骤组成。首先，对原始数据应用小波分解，以促进模型拟合并降低其中的噪声。然后，使用长短期记忆网络（LSTM）开发编码器-解码器框架，用于从数据中提取适当的特征。最后，提出了一种包含 LSTM 和注意力机制的循环神经网络，用于对时间序列数据中的长期依赖关系进行建模。实验结果表明了该方法的良好性能，并且在 RMSE、MAE 和 MAPE 等误差准则方面显著优于现有模型。
引用
@article{arxiv.2012.04041,
title = {An autoencoder wavelet based deep neural network with attention mechanism for multistep prediction of plant growth},
author = {Bashar Alhnaity and Stefanos Kollias and Georgios Leontidis and Shouyong Jiang and Bert Schamp and Simon Pearson},
journal= {arXiv preprint arXiv:2012.04041},
year = {2020}
}