机译:结合事件领域的出租车需求预测的时间序列和文本数据:深度学习方法
Tech Univ Denmark DTU Bygning 116B DK-2800 Lyngby Denmark;
Tech Univ Denmark DTU Bygning 116B DK-2800 Lyngby Denmark;
Tech Univ Denmark DTU Bygning 116B DK-2800 Lyngby Denmark;
Deep learning; Data fusion; Cross modality learning; Time series forecasting; Textual data; Taxi demand; Special events; Urban mobility;
机译:结合事件领域的出租车需求预测的时间序列和文本数据:深度学习方法
机译:结合深度学习和议论推理,使用小数据集分析社交媒体文本内容
机译:基于深度学习的锂离子电池预后方法,适应时间序列预测和在线验证
机译:改进了高速出租车需求的预测:超不平衡数据的深蓝色网络
机译:基于多源信息的短期出租车接送需求预测,使用深度学习方法
机译:基于深度学习的高风险出租车司机预测使用健康数据
机译:在事件领域的出租车需求预测结合时间序列和文本数据:深入学习方法