典型文献
基于时间卷积网络的科技需求主题热度预测算法
文献摘要：
得益于深度学习的快速发展,大数据分析技术不仅在自然语言处理领域应用广泛,在数值预测领域也更加成熟.为了提高科技需求数据主题热度预测的准确率,本文提出一种基于时间卷积网络(Time Convolution Network,TCN)的科技需求主题热度预测方法(Subject Heat of Science and Technology Demand Prediction Based on Time Convolution Network,SHDP-TCN),该方法融入科技需求的主题特征,并基于TCN及自注意力机制进行时序预测.实验结果表明,在真实的科技需求数据集上,本算法对科技需求主题热度的预测准确率优于自回归积分滑动平均(Auto Regressive Integrated Moving Average,ARIMA)、长短时记忆(Long Short-Term Memory,LSTM)网络、卷积神经网络(Convolutional Neural Networks,CNN)和TCN等算法.
文献关键词：
科技需求数据;TCN网络;自注意力机制;科技需求主题热度预测;残差块
中图分类号：
作者姓名：
崔海燕;李雅文;徐欣
作者机构：
北京邮电大学计算机学院,智能通信软件与多媒体北京重点实验室,北京 100082;北京邮电大学经济与管理学院,北京100082
文献出处：
引用格式：
[1]崔海燕;李雅文;徐欣-.基于时间卷积网络的科技需求主题热度预测算法)[J].广西科学,2022(04):627-633
A类：
科技需求主题热度预测,科技需求数据,SHDP
B类：
时间卷积网络,预测算法,大数据分析技术,自然语言处理,数值预测,加成,数据主题,Time,TCN,Subject,Heat,Technology,Demand,Prediction,Based,主题特征,自注意力机制,时序预测,预测准确率,自回归,滑动平均,Auto,Regressive,Integrated,Moving,Average,ARIMA,长短时记忆,Long,Short,Term,Memory,Convolutional,Neural,Networks,残差块
AB值：
0.261744
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
