融合三维卷积和ConvLSTM的时空序列预测模型
唐海波
陆振宇
杨强
南京信息工程大学人工智能学院 南京 210000
摘要：时空序列预测旨在基于历史观测的时空序列数据预测未来一段时间内的状况,时空序列具有复杂的时空相关性,常见方法随着预测步长的增加会丢失长程依赖,导致最后几帧的预测精度大大降低.论文提出一个融合三维卷积神经网络和循环卷积神经网络的混合模型进行时空序列预测,三维卷积神经网络主要捕获长程依赖,提取固定长度历史信息的全局时空特征;循环卷积神经网络用于捕获短程依赖,提取帧间的局部时空特征,通过设计门控单元来融合两种模态的信息,除此之外,采用多尺度输入策略来提高预测图像的清晰度.实验表明,混合模型的预测结果优于常见的预测模型,其中引入的三维卷积模块极大地提高多步预测的精度,降低了预测误差.
关键词：时空序列预测三维卷积ConvLSTM
分类号：TP183(自动化基础理论)
资助基金：国家自然科学基金(U20B2061)
论文发表日期：2025-09-20
在线出版日期：2025-12-23（本平台首次上网日期，不代表文献的发表时间）
页数：5( 2450-2454 )
英文信息