随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文

颞脑表达 基于BrainSpan发育转录组数据分析时空大脑表达的脚本。 BrainSpan数据 单击下载RNA-seq数据（genes_matrix_csv.zip，62.2 MB）。 有关更多信息，请参阅。 文献资料 下载（与上述文件相同）。 在CONFIG.R输入正确的路径。 这是加载BrainSpan数据并控制将输出文件写入何处所需的。 转到src/目录。 运行R CMD BATCH read_rnaseq_data.R以加载和处理BrainSpan数据。 该脚本将生成两个带有BrainSpan数据的.RData文件（运行时间约为15分钟）。 执行分析 运行R CMD BATCH graphics_genes_temporal_trajectories.R以生成基因轨迹图。 运行R CMD BATCH statistics_prenatal-vs-postnatal-te

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

TSM: Temporal Shift Module for Efficient Video Understanding的个人涂鸦版本

Skeleton-based abnormal gait recognition with spatio-temporal attention enhanced gait-structural graph convolutional networks的PDF涂鸦 Neurocomputing 2022 task:基于骨架特征的步态识别

Video Partitioning by Temporal Slice Coherency 图像检测，边缘检测 论文，侵权删

A Spatio-temporal Transformer for 3D Human Motion Prediction

中心差分法的MATLAB代码MATLAB中的时差学习演示 在此软件包中，您将找到MATLAB代码，这些代码演示了预测问题和强化学习中的时差学习方法的一些选定示例。 开始： 运行DemoGUI.m 从一组预定义的演示开始：选择一个演示并按Go 修改演示：选择预定义的演示之一，然后修改选项 随意分发或使用软件包，特别是出于教育目的。 我个人从徒步旅行中学到了很多东西。 软件包的存储库位于。 为什么时间差异学习很重要 RS Sutton和AG Barto从他们的书《强化学习入门》 （）引述： 如果必须将一种思想确定为强化学习的核心和新颖性，那么毫无疑问，这将是时差（TD）学习。 本质上，许多基本的强化学习算法（例如Q层和SARSA）都是时差学习方法。 演示版 Prediciton随机游走：了解我们可以多么精确地预测访问节点的概率 RL随机游走：了解RL生成的随机游走策略如何收敛计算的概率。 简单的网格世界（有或没有国王移动） ：了解RL产生的政策如何帮助代理人随时间推移找到目标（通过国王移动，这意味着沿着四个主要方向和对角线移动，即国王在国际象棋中移动的方式）。 有风的网格世界：风将代理商从

SpaceNet 7多时相城市发展挑战 获奖解决方案 概括 该存储库中的五个子目录包含TopCoder托管的SpaceNet 7获奖解决方案的代码。 每个子目录均包含竞争对手对挑战解决方案的书面说明。 有关其他摘要，请参见CosmiQ Works的博客上的博客文章。 基线代码可以在找到。 数据托管在AWS上，网址为： s3://spacenet-dataset/spacenet/SN7_buildings/ 获胜的模型权重托管在： s3://spacenet-dataset/spacenet-model-weights/spacenet-7/ 获奖的解决方案全部使用Docker，并假定SpaceNet 7数据已安装在/data/目录中。 SpaceNet 7最终测试集上算法的性能如下所示： 对SpaceNet有疑问吗？ 在查看我们的网站。