×
模态框(Modal)标题
在这里添加一些文本
关闭
关闭
提交更改
取消
确定并提交
×
模态框(Modal)标题
×
Toggle navigation
首页
学报介绍
下载中心
过刊浏览
联系我们
图/表 详细信息
基于动态增强图注意力网络的突发事件预测
仲兆满, 崔心如, 张渝, 吕慧慧, 樊继冬
南京大学学报(自然科学版), 2025, 61(
1
): 94-104. DOI:
10.13232/j.cnki.jnju.2025.01.009
Thailand
Egypt
India
Russia
LSTM
0.8857
0.8759
0.7682
0.8752
BiLSTM
0.8686
0.8571
0.7190
0.8607
GRU
0.8614
0.85
0.7261
0.8679
BiGRU
0.8536
0.8643
0.7382
0.8521
RNN
0.8621
0.8386
0.7228
0.8410
表5
LSTM和对比算法在四个数据集上获得的预测结果的准确率比较
本文的其它图/表
图1
时间点的影响举例
图2
DEGAT模型的结构
图3
通过多头注意力机制提取历史时间序列中重要的时间特征的过程
图4
使用LSTM对输入的时间序列进行处理的过程
表1
实验使用的数据集的信息
表2
实验配置
表3
模型性能对比
图5
训练过程中的损失变化
图6
训练过程中
AUC
的变化
表4
EGAT和对比算法在四个数据集上获得的预测结果的准确率比较
图7
k
不同时EGAT的准确率的变化曲线
表6
消融实验