笔记
关注
分享
扫一扫
文章平均质量分 80
放空儿
开心就好，遇到问题不气馁，放松会儿，吃点东西，说不准就有头绪了
展开
-
2024年时间序列预测领域的SOTA模型总结
本文借助了deepseek和自己的理解向大家主要介绍的是时间序列领域的不同场景的SOTA模型（涵盖长/短期预测、单/多变量场景），结合最新顶会论文和开源实现，按技术路线分类整理原创 2025-03-02 19:56:44 · 2802 阅读 · 0 评论 -
DeepSeek+Xmind快速生成思维导图（保姆级教学）
DeepSeek-+Xmind3分钟搞定思维导图保姆级教程原创 2025-02-25 17:16:53 · 1048 阅读 · 0 评论 -
多变量预测——VAR模型
什么是VAR模型？想象你和你的朋友每天都会互相影响心情。今天你的心情好坏，不仅受自己昨天心情的影响，还可能被朋友昨天的心情感染。VAR模型（Vector Autoregression，向量自回归）就像这样：它研究多个变量之间的“互相影响”关系，每个变量都依赖于自己和他人过去的“表现”。原创 2025-02-23 20:24:43 · 2082 阅读 · 0 评论 -
将混合专家（Mixture of Experts, MoE）路由机制引入时序预测方向的思路的拆解和优化建议
MoE的核心思想 通过路由机制动态分配输入数据到不同专家模型（Experts），每个专家专注于特定特征（如趋势、季节性、突发事件等），最终加权合并结果。优点：无需显式分解，通过数据驱动自动学习特征分配；支持异构专家（如CNN、LSTM、Transformer等混合使用）。缺点：路由机制设计复杂，训练难度较高。原创 2025-02-21 10:41:59 · 1177 阅读 · 0 评论 -
多尺度自适应注意力机制代码讲解以及思路整理
多尺度自适应注意力机制关键步骤实现：多尺度特征投影：在不同尺度上捕获特征。多头注意力：并行处理多个注意力头，每个头处理不同尺度的特征。动态权重调整：使用控制向量动态调整不同尺度输出的权重。加权融合：将不同尺度的注意力输出加权融合，生成最终的注意力结果。原创 2025-02-06 20:38:22 · 1424 阅读 · 0 评论