- 博客(46)
- 收藏
- 关注
RSS订阅原创 我开源了自己26届秋招被毒打出来的经验（第一期）
本文是，不是国资监管的官方定义。凡与官方口径不一致处，均已单独标注。：九个维度交叉验证，任何一个维度亮红灯都要追问。
2026-09-23 11:14:50
153
1
原创 被时序分类UEA数据集的长度对齐折磨了几天，记录一下以后省事了
动态参数设置：模型的输入特征数、序列长度等参数根据实际数据动态确定，增强灵活性。训练监控：通过早停策略（基于验证准确率）避免过拟合，同时监控训练/验证/测试集的损失和准确率。评估指标：核心指标为分类准确率，通过softmax转换输出为概率后取最大值作为预测类别。模式切换：训练时用，验证/测试时用并关闭梯度计算，确保评估准确性。统一时间步长处理同样本不同维度：下采样对齐不同样本长度：记录最大长度并填充数据重构策略原始数据：每个样本是 (时间步×特征维度)
2026-09-22 09:13:22
66
原创 被TSL预测这块卡了很久，最后我自己写了一个脚本
本文介绍了如何使用清华Thuml课题组开源的TSL框架中训练好的.pth模型对新数据进行预测，涵盖CSV格式要求、rolling与future两种预测模式、关键参数设置及输出文件解读。重点解决模型预测时标准化器缺失问题，推荐使用训练数据拟合标准化器，并提供常见错误排查方案，如特征数不一致、目标列缺失等，确保预测结果准确可靠。
2026-09-21 09:15:28
29
原创 Apache IoTDB 实战测试文档+TimechoDB+Workbench+TS file Viewer+Grafana
本文基于Apache IoTDB实战测试，涵盖其核心能力：高性能时序存储、TsFile高效压缩格式、AINode智能分析引擎。通过TimechoDB（IoTDB衍生版）部署验证，结合Workbench管理界面、TS File Viewer数据转换工具及Grafana可视化插件，完成端到端时序数据管理流程。实测支持百万级设备高并发写入与低延迟查询，具备树/表双模型建模、乱序处理、数据修复与降采样等工业级功能。会议探讨了在预测性维护场景中替换InfluxDB的可行性，确认其在国产化、私有化部署及与大模型集成方面
2026-09-15 14:11:17
201
原创 ChatTime
背景：人类专家分析时间序列时整合数值和文本信息，但传统深度学习模型仅用单一模态数值数据，局限性大。模型创新：ChatTime通过归一化和离散化将时间序列转化为离散词汇，基于预训练大型语言模型（LLM）进行持续预训练和指令微调，扩展词汇表，无需从头训练，降低成本并新增文本处理能力。实验评估零样本时间序列预测（ZSTSF）：在八个跨四领域的基准数据集上测试。上下文引导时间序列预测（CGTSF）：用三个新收集的数据集，含背景、天气、日期信息。时间序列问答（TSQA）：用合成数据集，涵盖四种时间序列特征。
2026-09-01 11:02:51
332
原创 CrewAI 多智能体框架实践：从角色协作到电力系统故障诊断
若损坏严重（如导线熔断），则准备备用线段或安排临时接线”, “检修完成后，对line_103进行绝缘电阻测试、直流耐压试验，确保绝缘合格”, “拆除安全措施，合上隔离开关”, “用断路器breaker_B2对线路进行试充电，监测电压、电流正常”, “逐步恢复原负荷，首先恢复一级负荷，然后根据系统情况恢复其他负荷”, “系统全面恢复正常运行后，进行1小时特巡监测” ] }, “preventive_measures”: [ “识别系统薄弱环节：1) line_103绝缘水平不足，为首要薄弱点。
2026-09-01 10:12:51
306
原创 智能体平台的能力边界：模型之外还有什么
智能体平台真正的分水岭，不是能创建多少个 Agent，而是能否让长任务可恢复、工具调用可授权、跨 Agent 可互操作、执行过程可追踪。本文给出一套六层能力框架与建设优先级。一个 Agent 能回答问题，是否就意味着它可以修改 ERP、提交审批、发起付款，甚至把任务交给另一个 Agent？显然不是。从“给出一段不错的回答”到“在企业系统里完成一次可追责的操作”，中间隔着状态、权限、协议、人工确认、失败恢复和审计。
2026-09-01 08:39:55
148
原创 5万条数据实测 SQLBot：开源智能问数能走多远？
文章摘要 本次测试对开源智能问数工具SQLBot进行了功能验证与可用性评估。测试采用WSL+Docker部署方式，基于Building Data Genome Project 2数据集（包含1,636栋建筑、3,053个计量表的5,000万条能耗记录）进行验证。SQLBot通过RAG技术将自然语言转换为SQL查询，支持多种数据源接入，具备开箱即用、权限控制等特性。测试重点关注其核心问数能力和工程可用性，未涉及底层模型性能评测。结果表明该工具部署成本低，适合业务人员通过自然语言获取数据，但在复杂分析场景存在能
2026-08-27 20:30:00
349
原创 电力负荷预测怎么做才不翻车
电力负荷预测研究的关键要点在于建立严谨的评估体系。首先要明确定义预测任务的具体参数，包括时间粒度、预测范围和方式。数据预处理需特别注意时间轴异常问题。评估应采用rolling-origin方法，避免单次切分带来的偏差。基线模型应包含季节性naive、统计模型和天气日历回归三个层次。指标选择要避免MAPE陷阱，推荐MAE为主指标。要严格控制数据泄漏风险，特别是天气特征和归一化处理。最后，结果分析应分组展示，关注不同用户群体和预测时段的差异。这些实践要点能有效提升电力负荷预测研究的可靠性和可解释性。
2026-01-30 21:56:11
772
原创 问题解决方法—更新Nvidia显卡驱动后，WSL系统CUDA失效并且Anaconda环境消失
排查后明确核心原因：新版本显卡驱动强制将CUDA版本升级到12.4，而我之前在WSL中配置的开发环境（包括CUDA、Anaconda）都是基于旧驱动支持的CUDA 12.3版本搭建的，版本不兼容直接导致WSL无法识别显卡，进而引发CUDA失效、Anaconda环境加载异常。驱动回退完成后，重新打开WSL终端，执行显卡检测和CUDA验证命令，显卡正常识别、CUDA功能恢复，Anaconda环境也能正常加载，整个开发环境回归稳定状态，完美解决问题。命令，显卡信息却能正常显示。
2026-01-27 22:03:15
702
原创 RevInformer
【RevInformer-基于Informer+实例归一化+趋势加权MSE-代码实战-时间序列预测模型分享】 https://www.bilibili.com/video/BV13BkMBmEeu/?+实例归一化+趋势加权MSE-代码实战-时间序列预测模型分享】 https://www.bilibili.com/video/BV13BkMBmEeu/?时序预测领域常见误区是：只在全数据集上做一次标准化/归一化，然后直接训练。：不同月份/不同设备/不同区域训练-测试切分，展示 RevIN 的价值。
2026-01-27 13:53:13
929
原创 充分利用未来已知信息：DAG 用双因果结构把 TSF-X 时序预测推到新高度
本文提出DAG模型，通过双因果网络结构有效利用未来已知的外生变量进行时间序列预测。针对现有方法对外生变量利用不足或融合粗糙的问题，DAG创新性地设计了时间因果和通道因果两条并行分支，分别捕捉时间维度和变量维度的结构相似性。每条分支先通过辅助任务学习可迁移的依赖结构（体现为注意力参数），再将该结构注入到最终预测中。实验表明，这种"先学结构、再用结构"的机制能显著提升预测精度和泛化稳定性，特别适用于光伏发电、电力负荷等需要利用未来已知信息的场景。
2026-01-21 22:54:28
994
原创 pip 太慢、冲突太多？uv 可能是你今年最值得换的工具
依赖多、装环境频繁（科研/工程都很常见）团队协作需要更强的可复现性你已经受够 pip 在解析和安装上的时间成本迁移成本方面，uv pip的“类 pip 接口”就是为了让你几乎不用改习惯；而速度收益与更规范的“sync”流程，是它最现实的价值点。如果你目前的工作流是基本不改变习惯，但能显著改善“解析慢、安装慢、环境不一致”的体验；如果你进一步追求复现与协作效率，再走向的项目化工作流。
2026-01-21 10:20:56
460
原创 OLinear——基于正交变换的高效时间序列预测模型
OLinear模型通过引入两项创新技术：OrthoTrans（正交变换模块）和NormLin（线性模块），成功地提升了时间序列预测的精度，并显著降低了计算复杂度。
2025-12-24 11:44:33
650
原创 深入解析Temporal Fusion Transformer (TFT)——多步时间序列预测的创新模型
Temporal Fusion Transformer（TFT）是21年很久之前提出的一种深度学习架构，专门针对多步时间序列预测问题设计。TFT结合了深度学习和可解释性，使其能够在高效预测的同时，提供对模型内部决策过程的深刻理解。今天，我们将结合TFT的论文和代码实现，深入分析这一创新模型的结构、优势以及如何利用TFT解决多步时间序列预测中的挑战。
2025-12-23 14:38:18
1501
原创 时间序列预测新革命：从CycleNet到TQNet，一场“周期”与“相关性”的新范式
时间序列预测新革命：从CycleNet到TQNet，一场“周期”与“相关性”的新范式
2025-10-27 15:56:30
898
原创 问题解决方法—更新Nvidia显卡驱动后，WSL系统CUDA失效并且Anaconda环境消失
问题解决方法—更新Nvidia显卡驱动后，WSL系统CUDA失效并且Anaconda环境消失
2024-12-18 15:34:00
794
原创 ChatGPT 通过三种方式帮助我进行学术写作
生成式人工智能在同行评审过程中可以成为一种有价值的工具。在仔细阅读稿件后，总结出需要评审的要点和领域。然后，使用人工智能帮助组织和表达你的反馈（无需直接输入或上传稿件文本，从而避免隐私问题）。例如，你可以指示人工智能：“假设你是一位专家和经验丰富的学者，在[领域]拥有 20 多年的学术经验。根据我对[领域]论文的总结，如果主要关注的是[一般主题]，请按照以下顺序对本文进行详细回顾：1）简要讨论其核心内容；2）确定其局限性；3）按重要性顺序解释每个局限性的重要性。始终保持简洁而专业的语气。
2024-11-11 13:48:00
1685
原创 关于训练损失是空的局限性解答Train Loss: nan l Val Loss: nan
如果数据集有很多连续的0，归一化如果直接调用torch的01归一化，计算过程中就会除以0，出现null，跟数据集数量大小没关系。我的解决方法是，把0的位置加上0.00001，就不报错了，影响应该有但是很小。
2024-11-08 11:23:24
293
原创 Pyraformer复现心得
x_dec, x_mark_dec, mask=None都没用到直接进入encoder重构了encoder和decoder，跟transformer的很不一样embedding方法跟former一样encoder的注意力用的fullattention，并且用到了掩码。
2024-11-06 15:05:58
574
原创 论文阅读：人工智能赋能源网荷储协同互动的应用及展望
新型电力系统的主要特征之一是源网荷储高效协同，人工智能是实现源网荷储高效协同的重要赋能技术。
2024-11-06 13:15:44
2206
1
原创 DMRl-Former用于工业过程预测建模和关键样本分析的数据模式相关可解释Transformer网络
DMRl-Former用于工业过程预测建模和关键样本分析的数据模式相关可解释Transformer网络
2024-11-05 18:06:19
765
原创 “源网荷储”负荷预测调研
网（电网）：指的是电力的传输网络，包括变电站、输电线路等设备和设施。通过源、网、荷、储各环节的协同互动，充分发挥各类电源的调节能力、电网的输电能力、负荷的需求响应能力和储能的灵活调节能力，实现电力系统的灵活运行，有效应对可再生能源的波动性和不确定性。促进源、网、荷、储各环节的资源优化配置和高效利用，实现能源在生产、传输、消费和存储过程中的协同优化，降低能源损耗，提高能源利用效率。然而，随着可再生能源的大规模发展、能源消费结构的变革以及能源互联网建设的推进，传统的“源随荷动”模式已难以适应新的能源发展需求。
2024-11-02 18:17:04
752
原创 AUtoformer代码复现心得
季节趋势分解部分移动平均的实现方法比较巧妙，先在头和尾部分别重复kernel_size - 1) // 步长，次这样移动平均计算完之后数据的维度不变对于趋势分量，前面是季节趋势分解完之后的趋势的label长度拼接上，上面计算的均值对于季节分量，前面是季节趋势分解完之后的季节的label长度拼接上，上面计算的零向量在encoder部分一切正常，没有用到季节趋势分量在encoder的embedding阶段用的不是transformer的三种嵌入方式。
2024-11-02 18:02:01
1748
原创 ## EPSANet论文阅读心得
通道注意力和空间注意力可以提升性能。如何有效捕获和利用不同尺度的特征图的空间信息来丰富特征空间；通道或空间注意力只能有效捕捉局部信息，难以建立long-range的通道依赖关系。现有方法虽能解决上述问题，但会增加模型复杂度和计算开销。论文提出一个低成本且有效的注意力模块——金字塔压缩注意力（Pyramid Squeeze Attention，PSA），旨在以较低模型复杂度学习注意力权重，并有效整合局部注意力和全局注意力以建立long-range长期通道依赖关系。
2024-10-31 13:54:13
663
1
原创 时序Transformer代码复现心得
和encoder不同的是，decoder的注意力计算创建了一个下三角的掩码，确保在序列中的位置只能关注它之前的位置，而不能关注它之后的位置只有decoder的自注意力用到了掩码。
2024-10-30 13:16:35
680
原创 patchTST代码复现心得
x_mark_enc, x_dec, x_mark_dec这三都没用着啊来到patch_embedding，这是新设计的decode部分。
2024-10-29 20:56:14
1867
5
原创 问：请问如何实现时间戳信息的嵌入
我答：先把数据时间列传成datatime格式，然后把年月日信息单独提取出来，根据采样步长判断时间戳信息的维度（就是有几列），再单独计算年月日时分秒信息在各自维度的相对位置，计算完得到时间戳信息。嵌入到对应的数值信息上。比如2024/10/21 16:10:00,分钟时间戳就是（MinuteOfHour。16除以23减去0.5）依次类推，最后每条时间信息都变成了六个维度。假设原始数据是2024/10/21 16:10:00，666，777只有三列，嵌入完时间戳是2+6=8列，信息更丰富。
2024-10-21 16:01:30
351
原创 《PyraFormer》学习笔记-基于金字塔注意力机制的长序列预测算法
长程依赖性的特征是时间序列中任意两个位置之间最长信号穿越路径的长度。（1）金字塔注意力模块(PAM)（2）CSCM。
2023-12-05 16:09:45
4853
原创 目标检测算法《EfficientDet》与云团跟踪学习笔记
EfficientDet-D2模型)的目标检测技术来检测图像序列中的云的新方法。该方法还计算云运动的速度和方向，从而可以预测由云引起的可用太阳辐射的瞬变。研究了用于物体检测的神经网络架构设计选择，并提出了几种提高效率的关键优化方案。加权双向特征金字塔网络（BiFPN），可以方便快捷地进行多尺度特征融合提出了一种复合缩放方法，可以同时对所有骨干网络、特征网络和盒/类预测网络的分辨率、深度和宽度进行统一缩放。
2023-12-01 19:53:46
2436
原创 时序数据之概念漂移检测学习笔记
1]陈九妹. 基于CEEMDAN-ARO-LSTM模型的短期光伏发电功率预测研究[D].江西财经大学,2023.DOI:10.27175/d.cnki.gjxcu.2023.000769.
2023-12-01 19:50:31
4028
原创 transfomer学习笔记
主流的序列转换模型基于复杂的递归或卷积神经网络，其中包括一个编码器和一个解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构–“转换器”（Transformer）。跟RESNET一样，简单的架构有时候效果很好。完全基于注意力机制，无需递归和卷积一开始为了解决机器翻译问题。
2023-12-01 19:30:59
446
原创 CCDM2024方向调研
主办单位：中国计算机学会承办单位：济南大学会议时间：第十届中国数据挖掘会议将于2024年8月在泰安市举办，中国数据挖掘会议（China Conference on Data Mining，CCDM）是由中国计算机学会和中国人工智能学会主办，中国计算机学会人工智能与模式识别专业委员会和中国人工智能学会机器学习专业委员会协办的数据挖掘领域盛会。会议旨在为数据挖掘领域从业者提供一个互动交流平台，使参会者了解最前沿的学术动态，分享数据挖掘领域的最新研究成果、创新思想和科学方法，提高国内数据挖掘领域的研究水平。
2023-12-01 19:26:12
1818
2
DMRl-Former用于工业过程预测建模和关键样本分析的数据模式相关可解释Transformer网络
2024-11-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人