基于多尺度卷积和注意力机制的LSTM时间序列分类

doi:10.11772/j.issn.1001-9081.2021061062

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (8): 2343-2352.DOI: 10.11772/j.issn.1001-9081.2021061062

• 人工智能 • 上一篇

基于多尺度卷积和注意力机制的LSTM时间序列分类

玄英律, 万源(), 陈嘉慧

武汉理工大学理学院，武汉 430070

收稿日期:2021-06-19 修回日期:2021-10-14 接受日期:2021-10-20 发布日期:2022-01-25 出版日期:2022-08-10
通讯作者: 万源
作者简介:玄英律（1998—），男，贵州贵阳人，硕士研究生，主要研究方向：机器学习、深度学习、时间序列分类；
万源（1976—），女，湖北武汉人，教授，博士，CCF会员，主要研究方向：机器学习、图像处理、模式识别；
陈嘉慧（1997—），女，湖北宜昌人，硕士研究生，主要研究方向：机器学习、深度学习、时间序列分类。
基金资助:
中央高校基本科研业务费专项资金资助项目(2021III030JC)

Time series classification by LSTM based on multi-scale convolution and attention mechanism

Yinglü XUAN, Yuan WAN(), Jiahui CHEN

School of Science，Wuhan University of Technology，Wuhan Hubei 430070，China

Received:2021-06-19 Revised:2021-10-14 Accepted:2021-10-20 Online:2022-01-25 Published:2022-08-10
Contact: Yuan WAN
About author:XUAN Yinglü， born in 1998， M. S. candidate. His research interests include machine learning， deep learning， time series classification.
WAN Yuan， born in 1976， Ph. D.， professor. Her research interests include machine learning， image processing， pattern recognition.
CHEN Jiahui， born in 1997， M. S. candidate. Her research interests include machine learning， deep learning， time series classification.
Supported by:
Fundamental Research Funds for Central Universities(2021III030JC)

摘要/Abstract

摘要：

时间序列的多尺度特征包含丰富的类别信息，且这些信息对分类具有不同的重要程度，然而现有的单变量时间序列分类模型通常以固定大小的卷积核提取序列特征，导致不能有效地获取并聚焦重要的多尺度特征。针对上述问题，提出一种基于多尺度卷积和注意力机制（MCA）的长短时记忆（LSTM）模型（MCA-LSTM），它能够关注并融合重要的多尺度特征，从而实现更准确的分类。其中，LSTM使用记忆细胞和门机制控制序列信息的传递，并充分提取时间序列的相关性信息；多尺度卷积模块（MCM）使用具有不同卷积核的卷积神经网络（CNN）提取序列的多尺度特征；注意力模块（AM）融合通道信息获取特征的重要性并分配注意力权重，从而使网络关注重要的时间序列特征。在UCR档案的65个单变量时间序列数据集上的实验结果表明，对比当前最先进的基于深度学习的时间序列分类模型：USRL-FordA（Unsupervised Scalable Representation Learning-FordA）、USRL-Combined （1-NN）（Unsupervised Scalable Representation Learning-Combined （1-Nearest Neighbor）） OS-CNN（Omni-Scale Convolutional Neural Network）、Inception-Time和RTFN（Robust Temporal Feature Network for time series classification），MCA-LSTM在平均错误率（ME）上分别降低了7.48、9.92、2.43、2.09和0.82个百分点，并取得了最高的算术平均排名（AMR）和几何平均排名（GMR），分别为2.14和3.23，这些充分体现了MCA-LSTM模型在单变量时间序列分类中的有效性。

关键词: 时间序列分类, 深度神经网络, 长短时记忆网络, 多尺度卷积, 注意力机制

Abstract:

The multi-scale features of time series contain abundant category information which has different importance for classification. However， the existing univariate time series classification models conventionally extract series features by convolutions with a fixed kernel size， resulting in being unable to acquire and focus on important multi-scale features effectively. In order to solve the above problem， a Multi-scale Convolution and Attention mechanism （MCA） based Long Short-Term Memory （LSTM） model （MCA-LSTM） was proposed， which was capable of concentrating and fusing important multi-scale features to achieve more accurate classification effect. In this structure， by using LSTM， the transmission of series information was controlled through memory cells and gate mechanism， and the correlation information of time series was extracted fully； by using Multi-scale Convolution Module （MCM）， the multi-scale features of the series were extracted through Convolutional Neural Networks （CNNs） with different kernel sizes； by using Attention Module （AM）， the channel information was fused to obtain the importance of features and assign attention weights， which enabled the network to focus on important time series features. Experimental results on 65 univariate time series datasets of UCR archive show that compared with the state-of-the-art time series classification methods： Unsupervised Scalable Representation Learning-FordA （USRL-FordA）， Unsupervised Scalable Representation Learning-Combined （1-Nearest Neighbor）（USRL-Combined （1-NN））， Omni-Scale Convolutional Neural Network （OS-CNN）， Inception-Time and Robust Temporal Feature Network for time series classification （RTFN），MCA-LSTM has the Mean Error （ME） reduced by 7.48， 9.92， 2.43， 2.09 and 0.82 percentage points， respectively； and achieved the highest Arithmetic Mean Rank （AMR） and Geometric Mean Rank （GMR）， which are 2.14 and 3.23 respectively. These results fully demonstrate the effectiveness of MCA-LSTM in the classification of univariate time series.

Key words: time series classification, deep neural network, Long Short-Term Memory (LSTM) network, multi-scale convolution, attention mechanism

中图分类号:

TP183

玄英律, 万源, 陈嘉慧. 基于多尺度卷积和注意力机制的LSTM时间序列分类[J]. 计算机应用, 2022, 42(8): 2343-2352.

Yinglü XUAN, Yuan WAN, Jiahui CHEN. Time series classification by LSTM based on multi-scale convolution and attention mechanism[J]. Journal of Computer Applications, 2022, 42(8): 2343-2352.

图/表 10

参考文献 38

1	ABANDA A， MORI U， LOZANO J A. A review on distance based time series classification［J］. Data Mining and Knowledge Discovery， 2019， 33（2）： 378-412. 10.1007/s10618-018-0596-4
2	LAI G K， CHANG W C， YANG Y M， et al. Modeling long- and short-term temporal patterns with deep neural networks ［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018： 95-104. 10.1145/3209978.3210006
3	YUAN J D， WANG Z H， HAN M. A discriminative shapelets transformation for time series classification［J］. International Journal of Pattern Recognition and Artificial Intelligence， 2014， 28（6）： No.1450014. 10.1142/s0218001414500141
4	BATISTA G E A P A， WANG X Y， KEOGH E J. A complexity- invariant distance measure for time series ［C］// Proceedings of the 11th SIAM International Conference on Data Mining. Philadelphia， PA： Society for Industrial and Applied Mathematics， 2011： 699-710. 10.1137/1.9781611972818.60
5	BAGNALL A， LINES J， BOSTROM A， et al. The great time series classification bake off： a review and experimental evaluation of recent algorithmic advances［J］. Data Mining and Knowledge Discovery， 2017， 31（3）： 606-660. 10.1007/s10618-016-0483-9
6	SCHÄFER P. The BOSS is concerned with time series classification in the presence of noise［J］. Data Mining and Knowledge Discovery， 2015， 29（6）： 1505-1530. 10.1007/s10618-014-0377-7
7	ISMAIL FAWAZ H， FORESTIER G， WEBER J， et al. Deep learning for time series classification： a review［J］. Data Mining and Knowledge Discovery， 2019， 33（4）： 917-963. 10.1007/s10618-019-00619-1
8	WANG Z G， YAN W Z， OATES T. Time series classification from scratch with deep neural networks： a strong baseline ［C］// Proceedings of the 2017 International Joint Conference on Neural Networks. Piscataway： IEEE， 2017： 1578-1585. 10.1109/ijcnn.2017.7966039
9	RUMELHART D E， HINTON G E， WILLIAMS R J. Learning internal representations by error propagation［J］. Readings in Cognitive Science，1988， 323（6088）：399-421. 10.1016/b978-1-4832-1446-7.50035-2
10	SHELHAMER E， LONG J， DATTELL T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（4）： 640-651. 10.1109/tpami.2016.2572683
11	FRANCESCHI J Y， DIEULEVEUT A， JAGGI M. Unsupervised scalable representation learning for multivariate time series［EB/OL］// Proceedings of the 33rd Conference on Neural Information Processing Systems. （2020-01-11）［2021-06-11］. .
12	CUI Z C， CHEN W L， CHEN Y X. Multi-scale convolutional neural networks for time series classification［EB/OL］. （2016-05-11）［2021-06-20］. .
13	KARIM F， MAJUMDAR S， DARABI H. Insights into LSTM fully convolutional networks for time series classification［J］. IEEE Access， 2019， 7： 67718-67725. 10.1109/access.2019.2916828
14	KARIM F， MAJUMDAR S， DARABI H， et al. LSTM fully convolutional networks for time series classification［J］. IEEE Access， 2018， 6： 1662-1669. 10.1109/access.2017.2779939
15	CHEN W， SHI K. Multi-scale attention convolutional neural network for time series classification［J］. Neural Networks， 2021， 136： 126-140. 10.1016/j.neunet.2021.01.001
16	HUANG S H， XU L J， JIANG C W. Residual attention net for superior cross-domain time sequence modeling［EB/OL］. （2020-01-13）［2021-06-08］. . 10.1007/978-981-33-6137-9_5
17	LAI S W， XU L H， LIU K， et al. Recurrent convolutional neural networks for text classification ［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2015： 2267-2273. 10.1609/aaai.v29i1.9513
18	李梅，宁德军，郭佳程.基于注意力机制的CNN-LSTM模型及其应用［J］.计算机工程与应用， 2019， 55（13）： 20-27. 10.3778/j.issn.1002-8331.1901-0246
	LI M， NING D J， GUO J C. Attention mechanism-based CNN-LSTM model and its application［J］. Computer Engineering and Applications， 2019， 55（13）： 20-27. 10.3778/j.issn.1002-8331.1901-0246
19	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780. 10.1162/neco.1997.9.8.1735
20	LIU Y Q， SU Z F， LI H， et al. An LSTM based classification method for time series trend forecasting ［C］// Proceedings of the 2019 14th IEEE Conference on Industrial Electronics and Applications. Piscataway： IEEE， 2019： 402-406. 10.1109/iciea.2019.8833725
21	XIAO Z W， XU X， XING H L， et al. RTFN： a robust temporal feature network for time series classification［J］ Information Sciences， 2021， 571： 65-86. 10.1016/j.ins.2021.04.053
22	HU J， SHEN L， SUN G. Squeeze-and-excitation networks ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
23	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2017： 6000-6010. 10.1016/s0262-4079(17)32358-8
24	CARRASCO M， BARBOT A. Spatial attention alters visual appearance［J］. Current Opinion in Psychology， 2019， 29： 56-64. 10.1016/j.copsyc.2018.10.010
25	LeCUN Y， BSEER B， DENKER J S， et al. Backpropagation applied to handwritten zip code recognition［J］. Neural Computation， 1989， 1（4）： 541-551. 10.1162/neco.1989.1.4.541
26	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
27	DEHGHANI M， GOUWS S， VINVALS O， et al. Universal transformers［EB/OL］. （2019-03-05）［2021-06-13］. .
28	SHUANG K， ZHANG Z X， LOO J， et al. Convolution deconvolution word embedding： an end-to-end multi-prototype fusion embedding method for natural language processing［J］. Information Fusion， 2020， 53： 112-122. 10.1016/j.inffus.2019.06.009
29	FAWAZ H I， LUCAS B， FORESTIER G， et al. InceptionTime： finding AlexNet for time series classification［J］. Data Mining and Knowledge Discovery， 2020， 34（6）： 1936-1962. 10.1007/s10618-020-00710-y
30	SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper with convolutions ［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9. 10.1109/cvpr.2015.7298594
31	TANG W S， LONG G D， LIU L . et al. Rethinking 1D-CNN for time series classification： a stronger baseline［EB/OL］. （2021-02-12）［2021-06-13］. .
32	LIN M， CHEN Q， YAN S C. Network in network［EB/OL］. （2014-03-04）［2021-06-13］. .
33	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： a simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014， 15： 1929-1958.
34	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift ［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： JMLR.org， 2015： 448-456.
35	NAIR V， HINTON G E. Rectified linear units improve restricted Boltzmann machines ［C］// Proceedings of the 27th International Conference on Machine Learning. Madison， WI： Omnipress， 2010： 807-814.
36	DAU H A， BAGNALL A， KAMGAR K， et al. The UCR time series archive［J］. IEEE/CAA Journal of Automatica Sinica， 2019， 6（6）： 1293-1305. 10.1109/jas.2019.1911747
37	KINGMA D P， BA J L. Adam： a method for stochastic optimization［EB/OL］. （2017-01-30）［2021-05-29］. .
38	Keras-team. Keras［CP/OL］. ［2021-06-13］. . 10.3139/9783446472440.010

名称	类别数	序列长度	训练样本数	测试样本数
Chlorine	3	166	467	3 840
MoteStrain	2	84	20	1 252
CinC_ECG	4	1 639	40	1 380
Cricket_X	12	300	390	390
FacesUCR	14	131	200	2 050
ItalyPower	2	24	67	1 029
MALLAT	8	1 024	55	2 345
OliveOil	4	570	30	30

名称	类别数	序列长度	训练样本数	测试样本数
Chlorine	3	166	467	3 840
MoteStrain	2	84	20	1 252
CinC_ECG	4	1 639	40	1 380
Cricket_X	12	300	390	390
FacesUCR	14	131	200	2 050
ItalyPower	2	24	67	1 029
MALLAT	8	1 024	55	2 345
OliveOil	4	570	30	30

参数搜索次序	批处理大小	训练轮数	降维因子	丢弃率	平均错误率
1	32	2 000	16	0.8	0.144 6
	64	2 000	16	0.8	0.141 7
	128	2 000	16	0.8	0.1313
	256	2 000	16	0.8	0.139 0
2	128	1 500	16	0.8	0.138 1
	128	2 000	16	0.8	0.131 3
	128	2500	16	0.8	0.1309
	128	3 000	16	0.8	0.1309
3	128	2 500	8	0.8	0.132 4
	128	2 500	16	0.8	0.1309
	128	2 500	32	0.8	0.133 8
4	128	2 500	16	0.5	0.135 5
	128	2 500	16	0.6	0.134 1
	128	2 500	16	0.7	0.136 3
	128	2 500	16	0.8	0.1309
	128	2 500	16	0.9	0.133 7

参数搜索次序	批处理大小	训练轮数	降维因子	丢弃率	平均错误率
1	32	2 000	16	0.8	0.144 6
	64	2 000	16	0.8	0.141 7
	128	2 000	16	0.8	0.1313
	256	2 000	16	0.8	0.139 0
2	128	1 500	16	0.8	0.138 1
	128	2 000	16	0.8	0.131 3
	128	2500	16	0.8	0.1309
	128	3 000	16	0.8	0.1309
3	128	2 500	8	0.8	0.132 4
	128	2 500	16	0.8	0.1309
	128	2 500	32	0.8	0.133 8
4	128	2 500	16	0.5	0.135 5
	128	2 500	16	0.6	0.134 1
	128	2 500	16	0.7	0.136 3
	128	2 500	16	0.8	0.1309
	128	2 500	16	0.9	0.133 7

数据集	USRL-FordA	USRL-Combined （1-NN）	OS-CNN	Inception-Time	RTFN	MCA-LSTM
Adiac	0.760	0.645	0.839	0.841	0.793	0.857
ArrowHead	0.817	0.817	0.840	0.846	0.851	0.914
Beef	0.667	0.600	0.833	0.700	0.900	0.767
BeetleFly	0.800	0.800	0.800	0.800	1.000	0.750
BirdChicken	0.900	0.750	0.900	0.950	1.000	0.900
Car	0.850	0.800	0.933	0.883	0.883	0.950
CBF	0.988	0.978	0.909	0.999	1.000	0.998
ChlorineConcentration	0.688	0.588	0.850	0.877	0.894	0.863
CinC_ECG_torso	0.638	0.693	0.830	0.854	0.810	0.889
Coffee	1.000	1.000	1.000	1.000	1.000	1.000
Cricket_X	0.682	0.741	0.846	0.854	0.772	0.869
Cricket_Y	0.667	0.664	0.869	0.851	0.790	0.844
Cricket_Z	0.656	0.723	0.862	0.862	0.787	0.867
DiatomSizeReduction	0.974	0.967	0.980	0.935	0.980	0.948
DistalPhalanxOutlineAgeGroup	0.727	0.669	0.755	0.734	0.719	0.798
DistalPhalanxOutlineCorrect	0.764	0.683	0.772	0.783	0.772	0.793
Earthquakes	0.748	0.640	0.683	0.741	0.777	0.839
ECG200	0.830	0.850	0.910	0.930	0.920	0.920
ECG5000	0.940	0.925	0.940	0.941	0.944	0.945
ECGFiveDays	1.000	0.999	1.000	1.000	1.000	1.000
FaceFour	0.830	0.864	0.943	0.955	0.924	0.943
FacesUCR	0.835	0.860	0.964	0.971	0.951	0.950
FordA	0.927	0.863	0.958	0.961	0.939	0.944
FordB	0.798	0.748	0.814	0.862	0.824	0.940
Gun_Point	0.987	0.833	1.000	1.000	1.000	1.000
Ham	0.533	0.533	0.714	0.714	0.810	0.790
HandOutlines	0.919	0.832	0.957	0.954	0.895	0.900
Haptics	0.474	0.354	0.513	0.549	0.601	0.555
Herring	0.578	0.563	0.609	0.672	0.750	0.750
InsectWingbeatSound	0.599	0.506	0.637	0.639	0.652	0.638
ItalyPowerDemand	0.929	0.942	0.948	0.965	0.964	0.972
Lighting2	0.787	0.885	0.820	0.770	0.836	0.836
Lighting7	0.740	0.795	0.808	0.836	0.904	0.822
MALLAT	0.916	0.994	0.964	0.955	0.939	0.978
Meat	0.867	0.900	0.983	0.933	1.000	0.950
MedicalImages	0.725	0.603	0.768	0.795	0.793	0.797
MiddlePhalanxOutlineAgeGroup	0.623	0.506	0.539	0.552	0.662	0.758
MiddlePhalanxOutlineCorrect	0.839	0.722	0.808	0.818	0.745	0.828
MiddlePhalanxTW	0.555	0.513	0.565	0.513	0.624	0.586
MoteStrain	0.823	0.853	0.939	0.887	0.875	0.912
OliveOil	0.900	0.833	0.833	0.833	0.967	0.800
Patterns	0.992	0.998	1.000	1.000	1.000	1.000
plane	0.981	1.000	1.000	1.000	1.000	1.000
ProximalPhalanxOutlineAgeGroup	0.839	0.805	0.844	0.849	0.878	0.859
ProximalPhalanxOutlineCorrect	0.869	0.801	0.900	0.931	0.911	0.928
ProximalPhalanxTW	0.785	0.717	0.776	0.776	0.834	0.810
ShapeletSim	0.517	0.772	0.828	0.956	1.000	0.983
ShapesAll	0.837	0.823	0.923	0.928	0.877	0.907
SonyAIBORobotSurface	0.840	0.825	0.978	0.869	0.882	0.956
SonyAIBORobotSurfaceII	0.832	0.885	0.961	0.946	0.854	0.956
Strawberry	0.946	0.903	0.981	0.984	0.986	0.980
SwedishLeaf	0.925	0.891	0.970	0.977	0.938	0.979
Symbols	0.945	0.933	0.977	0.981	0.892	0.985
synthetic_control	0.977	0.977	1.000	0.997	1.000	1.000
ToeSegmentation1	0.899	0.851	0.956	0.962	0.982	0.982
ToeSegmentation2	0.900	0.900	0.938	0.938	0.938	0.931
Trace	1.000	1.000	1.000	1.000	1.000	1.000
TwoLeadECG	0.993	0.988	0.999	0.996	1.000	0.995
uWaveGestureLibrary_X	0.865	0.838	0.942	0.952	0.969	0.843
uWaveGestureLibrary_Y	0.784	0.762	0.818	0.825	0.815	0.778
uWaveGestureLibrary_Z	0.697	0.666	0.750	0.767	0.752	0.789
UWaveGestureLibraryAll	0.729	0.679	0.758	0.764	0.758	0.966
wafer	0.995	0.987	0.999	0.999	1.000	0.999
Wine	0.685	0.500	0.556	0.611	0.907	0.870
WordsSynonyms	0.641	0.633	0.748	0.734	0.660	0.759

基于多尺度卷积和注意力机制的LSTM时间序列分类

Time series classification by LSTM based on multi-scale convolution and attention mechanism

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 38

相关文章 15

编辑推荐

Metrics

模型	不同序列长度下的平均Top-1准确率
模型	小于200	200~500	大于500
USRL-FordA^［11］	0.811	0.834	0.782
USRL-Combined（1-NN）^［11］	0.776	0.799	0.791
OS-CNN^［31］	0.855	0.878	0.853
Inception-Time^［29］	0.860	0.875	0.862
RTFN^［21］	0.857	0.909	0.872
MCA-LSTM	0.878	0.911	0.870

模型	ME	AMR	GMR
USRL-FordA^［11］	0.188 4	4.57	18.00
USRL-Combined（1-NN）^［11］	0.212 8	5.15	22.67
OS-CNN^［31］	0.137 9	2.78	5.97
Inception-Time^［29］	0.134 5	2.48	4.83
RTFN^［21］	0.121 8	2.32	3.57
MCA-LSTM	0.113 6	2.14	3.23

[1]	吴明晖, 张广洁, 金苍宏. 基于多模态信息融合的时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2326-2332.
[2]	杨博, 张恒巍, 李哲铭, 徐开勇. 基于图像翻转变换的对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2319-2325.
[3]	刘博, 卿粼波, 王正勇, 刘美, 姜雪. 基于分块注意力机制和交互位置关系的群组活动识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2052-2057.
[4]	黄诚, 赵倩锐. 基于语言模型词嵌入和注意力机制的敏感信息检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2009-2014.
[5]	李晓寒, 王俊, 贾华丁, 萧刘. 基于多重注意力机制的图神经网络股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2265-2273.
[6]	刘万军, 王佳铭, 曲海成, 董利兵, 曹欣宇. 基于频谱空间域特征注意的音乐流派分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2072-2077.
[7]	韩泽芳, 张雄, 上官宏, 韩兴隆, 韩静, 奉刚, 崔学英. 用于低剂量CT降噪的伪影感知生成对抗网络[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2301-2310.
[8]	王海起, 王志海, 李留珂, 孔浩然, 王琼, 徐建波. 基于网格划分的城市短时交通流量时空预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2274-2280.
[9]	秦庭威, 赵鹏程, 秦品乐, 曾建朝, 柴锐, 黄永琦. 基于残差注意力机制的点云配准算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2184-2191.
[10]	陈荣源, 姚剑敏, 严群, 林志贤. 基于深度神经网络的视频播放速度识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2043-2051.
[11]	左亚尧, 陈皓宇, 陈致然, 洪嘉伟, 陈坤. 融合多语义特征的命名实体识别方法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2001-2008.
[12]	凡文俊, 赵曙光, 郭力争. 基于改进RetinaNet的船舶检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2248-2255.
[13]	毛文涛, 吴桂芳, 吴超, 窦智. 基于中国写意风格迁移的动漫视频生成模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2162-2169.
[14]	张杨, 郝江波. 基于注意力机制和残差网络的恶意代码检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1708-1715.
[15]	苏珊, 张杨, 张冬雯. 基于深度学习的耦合度相关代码坏味检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1702-1707.

模型	p值
模型	USRL-FordA	USRL-Combined （1-NN）	OS-CNN	Inception-Time	RTFN	MCA-LSTM
USRL-FordA^［11］	0
USRL-Combined（1-NN）^［11］	1.76E-03	0
OS-CNN^［31］	6.30E-07	3.24E-10	0
Inception-Time^［29］	1.84E-07	7.31E-10	8.77E-02	0
RTFN^［21］	9.31E-10	2.27E-10	2.20E-01	4.99E-01	0
MCA-LSTM	2.84E-09	1.58E-10	9.74E-03	3.83E-03	1.76E-01	0

模型	p值
模型	USRL-FordA	USRL-Combined （1-NN）	OS-CNN	Inception-Time	RTFN	MCA-LSTM
USRL-FordA^［11］	0
USRL-Combined（1-NN）^［11］	1.76E-03	0
OS-CNN^［31］	6.30E-07	3.24E-10	0
Inception-Time^［29］	1.84E-07	7.31E-10	8.77E-02	0
RTFN^［21］	9.31E-10	2.27E-10	2.20E-01	4.99E-01	0
MCA-LSTM	2.84E-09	1.58E-10	9.74E-03	3.83E-03	1.76E-01	0