时空序列预测模型总结ConvLSTM_convlstm模型

一、ConvLSTM

1.1结构

1.2公式

1.3特点

1、ConvLSTM和FC-LSTM的区别主要在于输入到状态， 状态到状态的普通相乘（公式中的圆圈）改为卷积运算（公式中的*）。下图为LSTM结构和公式
2、常用的端到端模型seq2seq采用了encoding-decoding（编码器解码器）结构，论文作者采用 encoding-forcasting结构。
3、ConvLSTM输入为3Dtensor。FC-LSTM其实可以看作是ConvLSTM的输入和输出state以及状态H都为3D而最后两维为1，也可以看作是输入的全部特征全部归结于一个单元（cell）上。
4、state-to-state上的kernel大小要大于1对于提取时空的特征是必要的。

1.4优点

1、相比于普通的LSTM，能够更好的捕捉空间信息。
2、提出了encoding-forcasting，类似于编码器解码器的结构。
3、可用于降水预测等时空序列预测问题。

1.5开源代码

链接: ConvLSTM_pytorch

二、XXXX

2.1结构

2.2公式

2.3特点

2.4优点

2.5开源代码

本文随着笔者学习进度而逐渐更新。欢迎大家一起学习与讨论。