- 博客(7)
- 收藏
- 关注
RSS订阅原创 Informer：Are Transformers Effective for Time Series Forecasting?论文阅读心得
在时间序列任务中，位置编码的设计是一个关键问题。论文也提供了与传统方法（如 ARIMA、LSTM 等）的对比，了解传统方法的优势与局限性，可以帮助我们在实际问题中选择最合适的模型，并考虑如何结合不同方法的优势。：Transformer 的自注意力机制假设所有的时间步都是均匀分布的，而在许多实际时间序列中，数据可能会丢失，或者时间间隔不规则，这会影响模型的效果。：Transformer 使用自注意力机制，能够并行处理序列数据，相比 LSTM 这样的序列依赖模型，训练速度更快，尤其在长序列上有明显的优势。
2024-12-27 16:29:17
1106
1
原创 Crossformer: Transformer utilizing cross-dimension dependency for MTS论文阅读心得
1.分块（Patching）：将输入的时间序列数据分割成多个小的时间段（补丁）。每个补丁的长度是 patch_len，并且它们是通过步幅 stride 滑动窗口切分的。2.输入编码：通过一个线性层将每个补丁映射到一个 d_model 维度的向量空间，同时添加位置信息，使得每个补丁的表示不仅包含其内容，还包含它在时间序列中的相对位置。3.正则化：通过 Dropout 层防止过拟合。
2024-12-27 15:51:38
1811
1
原创 ETSformer: Exponential Smoothing Transformers for Time-series Forecasting论文阅读心得
●ETSformer 不仅仅是对传统方法的复现，它结合了 深度学习的表达能力 和 传统统计学的分解思想，提出了一种全新的视角来进行时间序列预测。res（去除季节性成分的输入）减增长成分，剩余趋势res，即res-从增长成分 growth 中提取去掉第一个时间步的数据（growth[:, 1:]）,再做归一化，确保残差在通过神经网络时的稳定性，并避免梯度消失或梯度爆炸的问题。●学习点：现代深度学习模型不仅可以用于发现数据中的复杂模式，还可以和传统的统计方法结合，提升模型的解释性和准确性。
2024-12-25 11:36:16
2051
1
原创 Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting论文阅读心得
研究时间序列的长期预测问题，其特点是预测时间序列的长度较大。
2024-12-25 11:04:11
1976
1
原创 简短易懂算法入门经典：竖式问题
题目描述找出所有形如 abc∗de (三位数乘以两位数)的算式,使得在完整的竖式中，所有数字都属于一个特定的数字集合。输入数字集合(相邻数字之间没有空格),输出所有竖式。每个竖式前应有编号,之后应有一个空行。最后输出解的总数。具体格式见样例输出(为了便于观察,竖式中的空格改用小数点显示,但所写程序中应该输出空格,而非小数点)。输入输入数字集合(相邻数字之间没有空格)。输出输出所有竖式。每个竖式前应有编号,之后应有一个空行。最后输出解的总数。具体格式见样例输出(为了便于观察,竖式中的空格改用小数点显
2020-12-08 14:05:49
670
1
原创 简短易懂算法入门经典：开灯问题
算法入门经典：开灯问题问题：有n盏灯，编号为1～n，第1个人把所有灯打开，第2个人按下所有编号为2的倍数的开关（这些灯将被关掉），第3个人按下所有编号为3的倍数的开关（其中关掉的灯被打开， 开着灯将被关闭），依此类推。一共有k个人，问最后有哪些灯开着？输入：n和k，输出开着的灯编号。k≤n≤1000。样例输入：7 3样例输出：1 5 6 7`#include<stdio.h>#include<string.h>int b[1001];int main(){
2020-12-08 09:00:08
965
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人