摘要
本申请提供一种矩阵引导的可解释性时空集成预测方法、系统和电子设备,属于地理信息技术领域。在集成策略中为各基学习器设置时空嵌入模块,在每个时空嵌入模块设置空间嵌入分支和时间嵌入分支,先由各个时空嵌入模块采用非负矩阵分解的方式将基学习器各自的时空异质性集成权重分解成空间因子矩阵和时间因子矩阵的乘积,再通过空间嵌入分支对空间关联信息与空间因子矩阵之间的映射关系进行建模,通过时间嵌入分支对时间属性信息与时间因子矩阵之间的映射关系进行建模,然后对各个基学习器的输出特征进行整合得到集成预测结果。通过将矩阵分解和集成学习进行融合,以两个因子矩阵的求解过程为引导,实现空间异质性和时间非平稳性的协同精确表达。
技术关键词
输出特征
监测站
时空图卷积神经网络
集成策略
集成预测方法
拼接单元
学习器
因子
分支
空间权重矩阵
集成学习方法
K近邻
拉普拉斯
样本
关系
选取特征
特征值
编码方法
系统为您推荐了相关专利信息
成像
图像重建
注意力机制
高斯混合模型
遥感数据处理技术
语义信息提取
特征金字塔
交叉注意力机制
网络
模块
注意力方法
全局平均池化
优化网络参数
通道
随机梯度下降
行人重识别模型
多粒度特征
行人特征
编码模块
细粒度特征
表情识别方法
注意力
浅层卷积神经网络
分支
输出特征