An architecture for emergency event prediction using LSTM recurrent neural networks 论文学习

EvoNet 该项目实现了 [1] 中提出的进化状态图神经网络，这是一种基于 GNN 的时间序列事件预测方法。 兼容性 代码与 tensorflow 版本 1.2.0 和 Pyhton 3.6.2 兼容。 requirements.txt中列出了一些 Python 模块依赖项，可以使用 pip 轻松安装： pip install -r requirements.txt 输入格式 给出了一个示例数据格式，其中数据存储为包含 4 维张量的列表，例如 [number of samples × segment number × segment length × dimension of observation] 配置 我们可以使用./model_core/config.py来设置模型的参数。 class ModelParam(object): # basic mode

对于许多分析师和研究人员而言，预测特定股票的价格一直是一项艰巨的任务。 实际上，投资者对股票价格预测的研究领域非常感兴趣。 但是，提高预测单个股票价格的准确性确实是一项艰巨的任务。 因此，在本文中，我提出了一种序贯学习模型，用于使用LTSM-RNN方法预测带有公司行为事件信息和宏观经济指标的单个股票价格。 结果表明，该模型有望成为预测具有公司行为和公司发行等变量的单个股票的价格的有前途的方法。

预测模型是科学制定应急处置措施的基础.为快速准确地构建突发水污染事件预测模型,将预测模型参数的率定问题视为贝叶斯估计问题,并根据有限差分方法和贝叶斯推理得到参数的后验概率密度函数,再通过改进的Metropolis-Hastings抽样方法得到较为合理的参数值.以发生在某明渠段的突发水污染事件为例,分析讨论等容量控制非均匀流和非等容量控制非均匀流两种情景下不同观测噪声对参数率定值的影响,并与由贝叶斯-马尔科夫链蒙特卡罗方法得到的参数值和真实值进行对比.结果表明:改进Bayesian-MCMC方法在计算精度、适用性和抗噪声等方面优于贝叶斯-马尔科夫链蒙特卡罗方法,能较好地率定模型参数,并为构建突发水污染事件预测模型提供了新思路.

事件预测的目前已有论文，常用的数据集和对应的论文。事件预测包括选择式和生成式两种方式。选择式的方式比较简单，而生成式的需要生成可能发生的下一事件难以评估和预测难