一种轻量级的细粒度时空序列预测方法和系统技术方案

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。本发明专利技术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。及预测。及预测。

【技术实现步骤摘要】
一种轻量级的细粒度时空序列预测方法和系统


[0001]本专利技术涉及时空预测，尤其是一种轻量级的细粒度时空序列预测方法和系统。

技术介绍

[0002]时空预测任务是指根据给定的一段观测图像序列，预测未来一段时间内的图像的变化趋势，如：预测物体的运动、气象的变化趋势等。随着预测学习的推进和发展，时空预测任务具有广阔的实际应用前景。目前，基于长短时记忆网络的模型结构是该项任务中的一个通用的方法，其模型结构由编码层、时序预测层、解码层构成。其中，多层堆叠的时序预测网络构成了时序预测层的基本结构，用于提取高层时空特征并进行后续状态的预测。
[0003]时序预测层通常由多层堆叠的循环神经网络(RNN)，或者长短时记忆网络(LSTM)单元构成，目前主流的一个改进方向是通过提升这些RNN单元对时空特征的表征能力来提升模型在时空预测任务上的性能，其中，卷积
‑
长短时记忆网络(ConvLSTM)是其中最为基础的网络，研究人员大多以此为基础设计额外的门控单元改进模型的性能。
[0004]先前的改进结构大多采用额外的门控计算提升模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.如权利要求1所述的轻量级的细粒度时空序列预测方法，其特征在于，所述多层堆叠的细粒度时空模块采用共享卷积层参数的方式进行堆叠。3.如权利要求1或2所述的轻量级的细粒度时空序列预测方法，其特征在于，所述运动细节循环神经网络预测下一时刻的输出状态的状态转移方程为：为：为：为：为：为：为：其中，Attn
H
表示权重矩阵，W
(
·
)
表示特定滤波器大小的卷积层，表示滤波器的为i
×
i的卷积层的权重，b
(
·
)
表示偏置，X
t
表示当前时刻的输入状态，表示更新后的当前时刻输入状态，H
t
‑1和C
t
‑1分别为在t
‑
1时刻的输出状态和记忆状态，H
t
和C
t
分别为在t时刻的输出状态和记忆状态，s是一个大于等于1的常数，i
t
是输入门控，f
t
是遗忘门控，g
t
是输入值，o
t
是输出门控，σ是sigmoid激活函数，k是不同滤波器大小的卷积层的数量，
★
表示卷积操作，表示矩阵的Hadamard积。4.如权利要求1至3任一项所述的轻量级的细粒度时空序列预测方法，其特征在于，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H
t
‑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z
H
其中，k表示卷积层的数量，表示滤波器的为i
×
i的...

【专利技术属性】
技术研发人员：袁春，柴增豪，许正卓，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：