-
题名基于周期性建模的时间序列预测方法及电价预测研究
被引量：25
- 1
-
-
作者
徐任超
阎威武
王国良
杨健程
张曦
-
机构
上海交通大学电子信息与电气工程学院
系统控制与信息处理教育部重点实验室
上海工程技术大学电子电气工程学院
南方电网国际有限责任公司
-
出处
《自动化学报》
EI
CSCD
北大核心
2020年第6期1136-1144,共9页
-
基金
国家重点研究发展计划基金(2019YFB1705702)
国家自然科学基金(60974119,61533013)资助。
-
文摘
时间序列数据广泛存在于人类的生产生活中,通常具有复杂的非线性动态和一定的周期性.与传统的时间序列分析方法相比,基于深度学习的方法更能捕捉数据的深层特性,对具有复杂非线性的时间序列有较好的建模效果.为了在神经网络中显式地建模时间序列数据的周期性和趋势性,本文在循环神经网络的基础上引入了周期损失和趋势损失,建立了基于周期性建模和多任务学习的时间序列预测模型.将模型应用到欧洲能源交易所法国市场的能源市场价格预测中,结果表明周期损失和趋势损失能够提高神经网络的泛化能力,并提高预测时间序列趋势的精度.
-
关键词
时间序列预测
深度学习
循环神经网络
周期趋势建模
-
Keywords
Time series forecasting
deep learning
recurrent neural networks(RNNs)
seasonality and trend modeling
-
分类号
F426.61
[经济管理—产业经济]
F726
F224
-
-
题名医学3D计算机视觉:研究进展和挑战
被引量：4
- 2
-
-
作者
杨健程
倪冰冰
-
机构
上海交通大学电子工程系
-
出处
《中国图象图形学报》
CSCD
北大核心
2020年第10期2002-2012,共11页
-
基金
国家自然科学基金项目(61976137,U1611461)。
-
文摘
医学影像的诊断是许多临床决策的基础,而医学影像的智能分析是医疗人工智能的重要组成部分。与此同时,随着越来越多3D空间传感器的兴起和普及,3D计算机视觉正变得越发重要。本文关注医学影像分析和3D计算机的交叉领域,即医学3D计算机视觉或医学3D视觉。本文将医学3D计算机视觉系统划分为任务、数据和表征3个层面,并结合最新文献呈现这3个层面的研究进展。在任务层面,介绍医学3D计算机视觉中的分类、分割、检测、配准和成像重建,以及这些任务在临床诊断和医学影像分析中的作用和特点。在数据层面,简要介绍了医学3D数据中最重要的数据模态:包括计算机断层成像(computed tomography,CT)、磁共振成像(magnetic resonance imaging,MRI)、正电子放射断层成像(positron emission tomography,PET)等,以及一些新兴研究提出的其他数据格式。在此基础上,整理了医学3D计算机视觉中重要的研究数据集,并标注其数据模态和主要视觉任务。在表征层面,介绍并讨论了2D网络、3D网络和混合网络在医学3D数据的表征学习上的优缺点。此外,针对医学影像中普遍存在的小数据问题,重点讨论了医学3D数据表征学习中的预训练问题。最后,总结了目前医学3D计算机视觉的研究现状,并指出目前尚待解决的研究挑战、问题和方向。
-
关键词
医学影像分析
3D计算机视觉
深度学习
卷积神经网络(CNN)
预训练
-
Keywords
medical image analysis
3D computer vision
deep learning
convolutional neural networks(CNN)
pre-training
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
