2023年03月24日:PFVAE: A Planar Flow-Based Variational Auto-Encoder Prediction Model for Time Series Data
- 主页 /
- 通知公告 /
- 通知公告
2023年03月24日:PFVAE: A Planar Flow-Based Variational Auto-Encoder Prediction Model for Time Series Data
【报告内容】
汇报人:陈治铭
单位:福建工程学院
主题:《PFVAE: A Planar Flow-Based Variational Auto-Encoder Prediction Model for Time Series Data》
1、Introduction
2、The base model
3、Improved model
4、Experiment
【报告总结】
1、模型的重构误差以及KL散度,评价函数代表什么?
答:
重构误差中的是序列的真实值,前一个y是模型需预测的真实值,整个重构误差实际上就是真实值与预测值的MSE,下面是KL误差公式后面的E代表后验分布q(z | x)的期望值,总误差由KL误差加上重构误差组成。
评价函数为拟合度,衡量一个回归模型的好坏,公式如下:
2、Encoder和Decoder的工作原理?
答:对于时间序列预测问题来说,例如需要预测电池荷电状态,我们需要输入电池的电压,电流,温度等样本数据,经过Encoder后得到的编码向量是为了提取特征,再经过解码器输出需要的预测值,也就是电池的荷电状态,再与样本对应的真实值进行比较,通过构建的损失函数进行参数更新,使得模型能够拟合出序列真实的分布情况,其中参与编码的是样本特征向量,真实值仅仅起到与预测值比较的作用,使得最终在测试时候输入样本值在经过模型后得到的预测值能够更加接近真实值。
3、对于这项任务来说,Auto-Encoder也能做到为什么要用VAE来做?
答:Auto-Encoder(AE)将序列的特征压缩成一个特征向量,再通过解码器进行解码,其中AE的损失函数构成是MSE,相比来说VAE构成函数更为复杂,也能防止过拟合,其次VAE不再用定值来作为提取的特征而是用一个分布概率密度隐变量Z作为编码器的输出,复杂的概率密度函数能够更好地拟合复杂的长序列,所以对于时间序列来说VAE的效果会优于AE。
报告时间:2023年03月24日19:30
腾讯会议:371 3868 6615
点我下载本讨论课相关文献或PPT吧~(提取码:iipr)