使用混合密度神经网络进行随机枝梢

森林采伐机的差励决策会对产生的产品产生负面影响。正确的决策并不容易，因为采伐机必须依赖于尚未测量的枝杈轮廓的预测。本项目旨�改进森林采伐机的决策，通过一种随机枝杈方法。我们开发了一个长短期记忆（LSTM）神经网络，预测条件于已知枝杈部分的高斯分布参数，使我们能够创建多个枝杈轮廓预测样本用于未知枝杈部分。随后，枝杈决策可通过一种新颖的随机枝杈算法进行优化，该算法利用所有生成的枝杈轮廓来选择从枝杈中生成的木材。该随机枝杈算法与两种基准模型进行了比较：一种不能在超过一个直径测量值上条件化其预测的多项式模型，以及一种确定性LSTM神经网络。所有模型都在来自东加拿大四种针阔树种的枝杈轮廓上进行了评估。总体而言，随机LSTM模型获得了最佳的枝杈决策，表明了该方法的有用性。后者大多数情况下由确定性LSTM模型和最差的多项式模型获得，证实了在多个测量值上条件化枝杈曲线预测的有用性。