RAdam-DA-NLSTM: un método de predicción de series temporales basado en LSTM anidado para sistemas inteligentes humano-computadora
Autores: Liu, Banteng; Chen, Wei; Wang, Zhangquan; Pouriyeh, Seyedamin; Han, Meng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
RAdam-DA-NLSTM: un método de predicción de series temporales basado en LSTM anidado para sistemas inteligentes humano-computadora
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Métodos de predicción de series temporales
Sistemas Inteligentes de Computadora-Humano
Mecanismo de Atención de Doble Etapa-RAdam-LSTM a largo plazo anidado
LSTM anidado
Mecanismo de Atención de Doble Etapa
Optimizador RAdam
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
En la actualidad, los métodos de predicción de series temporales se aplican ampliamente en los Sistemas Inteligentes de Humanos-Computadoras en diversos campos como Finanzas, Meteorología y Medicina. Para mejorar la precisión y estabilidad del modelo de predicción, este documento propone un método de predicción de series temporales llamado RAdam-Dual stage Attention mechanism-Nested Long Short-Term Memory (RAdam-DA-NLSTM).
Descripción
En la actualidad, los métodos de predicción de series temporales se aplican ampliamente en los Sistemas Inteligentes de Humanos-Computadoras en diversos campos como Finanzas, Meteorología y Medicina. Para mejorar la precisión y estabilidad del modelo de predicción, este documento propone un método de predicción de series temporales llamado RAdam-Dual stage Attention mechanism-Nested Long Short-Term Memory (RAdam-DA-NLSTM).