买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：清华大学深圳国际研究生院

摘要：一种轻量级的细粒度时空序列预测方法和系统，所述方法包括：构建时空细节提取模块，使得通过所述时空细节提取模块更新后的时空状态既包含细粒度的特征，还通过上下文的深层交互提升上下文状态间的关联性；将所述时空细节提取模块用于时空预测网络中，实现运动细节循环神经网络单元，借助多层堆叠的细粒度时空模块提取深层的上下文特征，从而构建最终的运动细节循环神经网络MoDeRNN；其中，通过改进时空预测层的模型结构，提升模型在细粒度特征的预测结果。本发明能够有效提升现有的方案中对于模型在预测结果中缺乏细节特征缺陷，显著改善了时序预测网络对于细粒度时空特征的提取以及预测。

主权项：1.一种轻量级的细粒度时空序列预测方法，其特征在于，包括：构建时空细节提取模块，使得通过所述时空细节提取模块更新后的时空状态既包含细粒度的特征，还通过上下文的深层交互提升上下文状态间的关联性；将所述时空细节提取模块用于时空预测网络中，实现运动细节循环神经网络单元，借助多层堆叠的细粒度时空模块提取深层的上下文特征，从而构建最终的运动细节循环神经网络MoDeRNN；其中，通过改进时空预测层的模型结构，提升模型在细粒度特征的预测结果；所述时空细节提取模块的处理过程包含如下步骤：首先，对于上一时刻的输出状态Ht-1，先借助多个不同滤波器大小的卷积层提取先前时刻不同邻域范围内的时空信息，随后借助通道维度的加法操作和均值操作进行深层的多尺度特征融合，从而得到上一时刻输出状态的细粒度时空特征zH 其中，k表示卷积层的数量，表示滤波器的为i×i的卷积层的权重；随后，将上一时刻的细粒度时空特征生成权重矩阵，通过Sigmoid激活函数映射为0-1的权重矩阵AttnH，以使得权重较大的区域体现出上一时刻短时记忆状态中更为重要的部分， 借助提取的权重矩阵，通过通道维度的乘法操作对当前时刻的输入状态Xt进行更新，使得当前状态的输入信息能够反映过去状态在当前输入中的重要部分，从而得到更新后的当前时刻输入状态 其中，s是一个大于等于1的常数；对于更新后的当前状态同样借助不同滤波器大小的卷积层提取不同邻域上的时空信息，并通过加法均值操作进行深层的特征融合，从而得到当前时刻状态的细粒度特征zX 其中，表示滤波器的为i×i的卷积层的权重；随后，将当前时刻的细粒度时空特征通过Sigmoid激活函数映射为0-1的权重矩阵AttnX，以使得权重较大的区域体现出当前时刻输入状态中更为重要的部分，即后续时刻的运动过程中模型潜在的运动趋势， 借助提取的权重矩阵，通过通道维度的乘法操作对上一时刻的输出状态Ht-1进行更新，使得当前状态的输入信息能够包含当前输入状态潜在的运动趋势，从而得到更新后的上一时刻的输出状态 通过以上步骤，得到所述时空细节提取模块的输出状态以及

全文数据：

权利要求：

百度查询： 清华大学深圳国际研究生院 一种轻量级的细粒度时空序列预测方法和系统