Redes neuronales profundas basadas en corrección de errores para modelar y predecir datos de colisiones entre fauna silvestre y vehículos en Sudáfrica
Autores: Nandutu, Irene; Atemkeng, Marcellin; Mgqatsa, Nokubonga; Toadoum Sari, Sakayo; Okouma, Patrice; Rockefeller, Rockefeller; Ansah-Narh, Theophilus; Ebongue Kedieng Fendji, Jean Louis; Tchakounte, Franklin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Redes neuronales profundas basadas en corrección de errores para modelar y predecir datos de colisiones entre fauna silvestre y vehículos en Sudáfrica
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Autoregresivo
Integrado
Media móvil
LSTM
SARIMAX
Vida silvestre
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El modelo estacional autorregresivo de media móvil integrada con factores exógenos (SARIMAX) ha mostrado resultados prometedores en la modelización de datos de series temporales observadas pequeñas y dispersas capturando características lineales utilizando variables independientes y dependientes. La memoria a corto y largo plazo (LSTM) es una red neuronal prometedora para aprender características de dependencia no lineales a partir de datos.
Descripción
El modelo estacional autorregresivo de media móvil integrada con factores exógenos (SARIMAX) ha mostrado resultados prometedores en la modelización de datos de series temporales observadas pequeñas y dispersas capturando características lineales utilizando variables independientes y dependientes. La memoria a corto y largo plazo (LSTM) es una red neuronal prometedora para aprender características de dependencia no lineales a partir de datos.