回顾基于TCN的解决方案：运动检测、应用及开创性工作介绍

hua818

字幕小组双语原始文本：时间卷积网络：时间序列的下一个革命？

原始英语：，下一个时间 - ？

翻译：Lei Feng字幕集团（Jun Si）

本文回顾了一些最新的基于TCN的解决方案。

我们首先介绍了运动检测的案例研究，并简要回顾了TCN架构及其优势，例如卷积神经网络（CNN）和经常性神经网络（RNN）。然后引入了TCN的几种新应用，包括改进的交通预测，声音事件的位置和检测以及概率预测。

TCN简要审查

Lea等人的开创性工作。 （2016年）首先根据视频动作细分提出了一个时间卷积网络（TCN）。此传统过程的两个步骤包括：首先，使用CNN（通常）编码时空信息（通常）来计算低级特征，其次，将这些低级特征输入到分类器中，该分类器（通常）用于捕获高级时域信息（通常）向RNN捕获高级时域信息。这种方法的主要缺点是需要两个单独的模型。 TCN提供了一种统一的方法来逐层捕获所有两个级别的信息。

编码器框架框架如图1所示，其中有关体系结构的更多信息可以在前两个参考文献（在文章的末尾）中找到。提供了最关键的问题，如下所示：TCN可以采用一系列任意长度并将其输出到相同的长度。在使用一维完全卷积网络体系结构的情况下，使用因果卷积。一个关键特征是时间t的输出仅在t之前发生的元素卷积。

随着Yan等人最新的研究结果，TCN的主题甚至已经传播到《自然》杂志上。 （2020）在TCN上执行天气预报。在他们的工作中，使用TCN和LSTM进行了比较实验。他们的结果之一是，除其他方法外，TCN使用定时数据在预测任务中表现良好。

下一节将提供此经典TCN的实现和扩展。

改善流量预测

拼车和在线导航服务可以改善交通预测并改变人们的旅行方式。通过更好的交通预测，交通拥堵减少，污染减少，安全和快速驾驶等。由于这是一个实时数据驱动的问题，因此有必要利用即将到来的流量的累积数据。基于此，Dai等。最近提出了Dai等人的混合时空图卷积网络（H-STGCN）。 （2020）。总体想法是利用分段衬里的流量密度关系，并将即将到来的流量转换为同等的旅行时间。他们在这项工作中使用的最有趣的方法之一是捕获空间依赖性的图形卷积。复合邻接矩阵捕获了流量近似的固有特征（有关更多信息，请参见Li，2017年）。在以下架构中，提出了四个模块来描述整个预测过程。

Dai等。 （2020）

声音事件位置和检测

声音事件位置和检测（SELD）的领域正在增长。了解环境在自主导航中起着至关重要的作用。最近（2020年）提出了一个新型的声音事件seld-tcn架构。他们声称他们的框架领先于现场培训中当前的最新技术。在其（下面的结构）中，以44.1 kHz采样的多频道音频记录通过应用短时傅立叶变换并将它们堆叠到单独的输入特征中提取光谱的相位和振幅。然后，连接了卷积块和环路（双向GRU），并连接完全连接的块。输出是声音事件检测（SED）和到达方向（DOA）。

等。 （2020）

为了超越它，他们提出了SELD-TCN：

等。 （2020）

由于扩展的卷积使网络能够处理各种输入，因此可能需要更深的网络（网络在反向传播过程中受不稳定梯度的影响）。他们通过适应（Dario等，2017）建筑克服了这一挑战。他们表明，SELD任务不需要循环层，并成功地检测到活动声音事件的开始和结束时间。

概率预测

Chen等人设计的新型框架（2020）。可用于估计概率密度。时间序列预测改善了许多业务决策方案（例如，资源管理）。概率预测可以从历史数据中提取信息，并最大程度地减少未来事件中的不确定性。当预测任务是预测数百万个相关数据系列（如零售操作中）时，它需要大量的人工和计算资源来执行参数估计。为了解决这些困难，他们提出了基于CNN的密度估计和预测框架。他们的框架可以学习系列之间的潜在关联。他们的作品中的小说是他们提出的深层TCN，正如其建筑所显示的那样：

Chen等。 （2020）

编码器模块解决方案可以促进实用的大规模应用设计。

概括

在本文中，我们介绍了一项最近的工作：一种比经典CNN和RNN方法更好地完成时间序列任务的方法。

Lei Feng  Group是由AI爱好者组成的翻译团队。它汇集了500多名志愿者的力量，分享最新的海外AI信息，并交流有关人工智能技术领域行业变化和技术创新的见解。

团队成员包括大数据专家，算法工程师，图像处理工程师，产品经理，产品运营，IT顾问以及学校的老师和学生；志愿者来自IBM，AVL，Adobe，和Baidu等知名公司，以及在国内外的研究机构，例如北京大学北京大学，香港大学，中国科学院，南卡罗来纳大学，南卡罗来纳大学等， ， ， ， ， ， ， ， 等。

如果您也是喜欢分享的人工智能爱好者。欢迎学习新知识并与Lei Feng的字幕集团分享增长。