本文总结了LSTM在序列学习中的发展，包括GRU和双向LSTM等变体。重点讨论了在行人轨迹预测中引入的STGAT和SGCN模型，它们通过图注意力网络和稀疏图卷积提升预测准确性。另外，提到了一种基于注意力机制的双向LSTM方法在轮船轨迹预测中的应用，该方法通过特征选择和数据预处理增强了模型的时空关联性，提高了预测精度。
发展历程：
RNN：无法很好地学习到距离较远的信息。
LSTM：添加了忘记门。输入门。输出门。
GRU：将LSTM的门结构进行了重新设计，归结为两个门结构，一个重置门，另一个更新门。
Muti-Layers-LSTM:在层次上进行改善网络结构。
Bi-LSTM:在方向上改进。
STGAT论文 要点：
贡献：1、采用额外的LSTM显示建模交互作用的时间相关性；
2、通过使用GAT汇总LSTM的隐藏状态来模拟行人之间的空间相互作用。
评估误差：1、平均位
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
