论文学习——LSTM Encoder-Decoder方法预测设备剩余使用寿命

写在前面：《交通运输工程学报》；主办单位：长安大学；双月刊；中文核心

1 摘要

1. 方法： LSTM Encoder- Decoder
2. 数据集：C-MAPSS
3. 过程：① 对获取的传感器数据进行预处理，利用LSTM-Encoder 进行编码得到了设备状态的特征信息；② 利用 LSTM Decoder 进行解码，利用解码后的信息预测 “剩余使用寿命”
4. 对比试验： LSTM D-LSTM

2 结语

1. 通过将Encoder Decoder 框架与LSTM 相结合，可以得到更加准确的结果。此方法适用 多元时间序列数据预测
2. 进一步的研究工作是将 Encoder-Decoder LSTM 和 Attention机制相结合。

3 引言

pass

4 日记

这篇文章结束学习了，因为这个作者应该想表达的是 Seq2Seq 模型吧，在Seq2Seq模型中，就是用的 encoder + decoder 来实现的，每个encoder和decoder内部用的就是 LSTM （当然也可以是其他的，比如RNN），这一技术是2015-2016年流行的，后来推出了attention+seq2seq模型，在后来到2017推出的是transformer模型，放到2019年，已经有了很多关于Transformer的变体，比如说Bert， swin Transformer，等等，现在已经是2021年，所以说这篇文章没有学习的必要的！