CloudLSTM：一种用于时空点云流预测的循环神经网络模型
机器学习
2021-02-23 v3 机器学习
摘要
本文介绍 CloudLSTM，一类专为预测由地理空间点云源生成的数据流而定制的循环神经模型新分支。我们设计了一种动态点云卷积（DConv）算子作为 CloudLSTM 的核心组件，该算子直接在点云上执行卷积，并从环绕输入不同元素的邻近点集合中提取局部空间特征。该算子保持序列到序列学习框架的置换不变性，同时在每个时间步表示邻近相关性——这是时空预测学习中的一个重要方面。DConv 算子解决了现有时空预测模型的网格结构数据要求，并可轻松插入带有序列到序列学习与注意力机制的传统 LSTM 架构中。我们将所提架构应用于两个具代表性且涉及点云流的实际用例，即移动服务流量预测与空气质量指标预测。我们在每个用例的多样场景中所收集真实世界数据集上获得的结果表明，CloudLSTM 提供了准确的长期预测，优于多种竞争神经网络模型。
引用
@article{arxiv.1907.12410,
title = {CloudLSTM: A Recurrent Neural Model for Spatiotemporal Point-cloud Stream Forecasting},
author = {Chaoyun Zhang and Marco Fiore and Iain Murray and Paul Patras},
journal= {arXiv preprint arXiv:1907.12410},
year = {2021}
}
备注
17 pages, 15 figures, AAAI'21