文章 "交易中的神经网络：层次化向量变换器（HiVT）" 新评论 MetaQuotes 2025.05.20 07:57 新文章 交易中的神经网络：层次化向量变换器（HiVT）已发布： 我们邀请您来领略层次化矢量转换器（HiVT）方法，其专为快速、准确地预测多模态时间序列而开发。 智驾面临的挑战与交易者面临的挑战明显重叠。对于汽车智驾，在动态环境中导航的安全机动是一项关键任务。为达成这一目标，这些车辆必须洞察周围环境，并预测道路上的未来事件。然而，准确预测附近道路使用者，诸如车辆、自行车、和行人的机动是一个复杂问题，尤其是在他们的目标或意图未明时。在多个体出行场景中，个体行为受到与其他个体复杂交互的影响，而依赖于地图的交通规则更加复杂。因此，理解场景中多名个体的综合行为极具挑战性。 最近的研究用到一种矢量化方式，通过从轨迹和地图元素中提取向量或点集来提供更紧凑的场景表示。然而，现有的矢量化方法难以在快速变化的出行条件下进行实时运动预测。因为这样的方法通常都对坐标系偏移敏感。为了缓解该问题，以目标个体为中心归一化场景，并与其移动方向对齐。在预测大量个体运动时，这种方式会变得有问题，瓶颈在于针对每名目标个体的重复场景归一化、及特征刷新的高昂计算成本。此外，现有方法会针对跨空间和时间维度的所有元素之间的关系建模，以便捕获矢量化元素之间的互动细节。随着元素数量的增加，这不可避免地导致泛滥的计算开销。由于准确的实时预测对于智驾安全至关重要，故许多研究人员正努力通过开发一个新框架来实现更快、更精确的多个体运动预测，从而将这一过程提升到新的水平。 论文《HiVT： 多个体运动预测的层次化矢量变换》中提出了一种这样的方式。该方法利用对称性和层次化结构进行多个体运动预测。HiVT 的作者将运动预测任务分解为多个阶段，并基于变换器架构对元素之间的互动进行层次化建模。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 交易中的神经网络：层次化向量变换器（HiVT）已发布：
智驾面临的挑战与交易者面临的挑战明显重叠。对于汽车智驾，在动态环境中导航的安全机动是一项关键任务。为达成这一目标，这些车辆必须洞察周围环境，并预测道路上的未来事件。然而，准确预测附近道路使用者，诸如车辆、自行车、和行人的机动是一个复杂问题，尤其是在他们的目标或意图未明时。在多个体出行场景中，个体行为受到与其他个体复杂交互的影响，而依赖于地图的交通规则更加复杂。因此，理解场景中多名个体的综合行为极具挑战性。
最近的研究用到一种矢量化方式，通过从轨迹和地图元素中提取向量或点集来提供更紧凑的场景表示。然而，现有的矢量化方法难以在快速变化的出行条件下进行实时运动预测。因为这样的方法通常都对坐标系偏移敏感。为了缓解该问题，以目标个体为中心归一化场景，并与其移动方向对齐。在预测大量个体运动时，这种方式会变得有问题，瓶颈在于针对每名目标个体的重复场景归一化、及特征刷新的高昂计算成本。此外，现有方法会针对跨空间和时间维度的所有元素之间的关系建模，以便捕获矢量化元素之间的互动细节。随着元素数量的增加，这不可避免地导致泛滥的计算开销。由于准确的实时预测对于智驾安全至关重要，故许多研究人员正努力通过开发一个新框架来实现更快、更精确的多个体运动预测，从而将这一过程提升到新的水平。
论文《HiVT： 多个体运动预测的层次化矢量变换》中提出了一种这样的方式。该方法利用对称性和层次化结构进行多个体运动预测。HiVT 的作者将运动预测任务分解为多个阶段，并基于变换器架构对元素之间的互动进行层次化建模。
作者：Dmitriy Gizlyk