Uber如何用循環神經網絡（RNN）預測極端事件？
在Uber系統內，事件預測使我們能夠根據預期用戶需求來提高我們的服務質量。最終目標是準確地預測出在預定的時間內Uber將會在何處，何時以及收到多少次的乘車請求。 一般來說，極端事件——諸如假期、音樂會、惡劣天氣和體育賽事等高峯旅行時間，只會提高工作規劃預測的重要性。在極端事件期間計算需求時間序列預測(demand time series forecasting)是異常檢測(anomaly dete
相關文章
- 1. 循環神經網絡（RNN）
- 2. 循環神經網絡RNN
- 3. 循環神經網絡（rnn）
- 4. RNN循環神經網絡
- 5. RNN（循環神經網絡）
- 6. 循環神經網絡 (RNN)
- 7. 循環神經網絡RNN和遞歸神經網絡RNN(LSTM)
- 8. 淺談循環神經網絡（RNN）
- 9. 循環神經網絡（Recurrent Neural Network，RNN）
- 更多相關文章...
- • XSD 如何使用? - XML Schema 教程
- • PHP 循環 - While 循環 - PHP教程
- • Docker容器實戰(一) - 封神Server端技術
- • Git可視化極簡易教程 — Git GUI使用方法
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. 循環神經網絡（RNN）
- 2. 循環神經網絡RNN
- 3. 循環神經網絡（rnn）
- 4. RNN循環神經網絡
- 5. RNN（循環神經網絡）
- 6. 循環神經網絡 (RNN)
- 7. 循環神經網絡RNN和遞歸神經網絡RNN(LSTM)
- 8. 淺談循環神經網絡（RNN）
- 9. 循環神經網絡（Recurrent Neural Network，RNN）