- 博客(58)
- 收藏
- 关注
RSS订阅原创 基于时间卷积网络TCN实现电力负荷多变量时序预测(PyTorch版)
本文基于PyTorch框架构建多变量TCN预测模型，引入多维特征因子、电力指标等外部变量构建动态特征空间，利用膨胀卷积的跨时间步特征融合能力挖掘负荷数据与外部变量的时空关联性。通过残差块堆叠策略平衡模型深度与梯度传播稳定性，结合自适应学习率优化与Dropout正则化提升模型泛化性能。
2025-04-04 20:21:35
766
原创 基于卷积神经网络CNN实现电力负荷多变量时序预测(PyTorch版)
随着智能电网的发展，精准的电力负荷预测对能源调度和电网稳定具有重要意义。本文基于PyTorch框架，提出一种基于卷积神经网络（CNN）的多变量时间序列预测模型，用于电力负荷的短期预测。
2025-04-03 17:13:20
357
原创 基于循环神经网络RNN实现股价多变量时序预测(PyTorch版)
本专栏涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域，讨论了各种复杂的深度神经网络思想，如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习
2025-01-17 20:48:46
885
1
原创 基于GRU实现股价多变量时间序列预测(PyTorch版)
本文通过对GRU时间序列模型的介绍，探讨StackedGRU在股市科技股中的表现。本研究文章的结构如下。第一节介绍金融时间序列数据。第二节对金融时间数进行特征工程。第三节是构建模型、定义参数空间、损失函数与优化器。第四节是训练模型。第五节是评估模型与结果可视化。第六部分是预测下一个时间点的收盘价。
2025-01-17 18:31:31
1697
1
原创 基于Informer网络实现电力负荷时序预测——交叉验证与超参数调优
Informer网络作为一种先进的时间序列预测模型，以其独特的长序列处理能力、高效的注意力机制以及强大的特征提取能力，在电力负荷预测等任务中展现出了优异的性能。然而，模型的性能往往受到超参数设置的影响，如何找到最优的超参数组合是提升模型预测精度的关键。交叉验证作为一种稳健的模型评估方法，通过将数据集划分为多个部分进行训练和测试，能够更准确地评估模型的泛化能力，并为超参数调优提供可靠的依据。而Hyperopt作为一个强大的超参数优化工具，通过智能地搜索超参数空间，能够高效地找到最优的超参数组合，从而进一步提
2025-01-06 16:28:34
1376
原创 基于N-HiTS神经层次插值模型的时间序列预测——交叉验证与超参数调优
NHITS是一种解决时间序列长期预测中波动性和计算复杂性的模型。它采用了分层插值和多率数据采样技术，通过构建分层结构来降低计算成本并提高预测精度。相较于最新的Transformer架构，NHITS在平均精度上提升了16%，同时计算时间减少了50倍。这种模型能够更有效地处理时间序列数据，为时间序列分析提供了新的方法。
2025-01-02 20:21:16
1208
原创 基于BiTCN双向时间卷积网络实现电力负荷多元时序预测(PyTorch版)
BiTCN，即双向时间卷积网络（Bidirectional Temporal Convolutional Network），作为深度学习领域极具创新性的神经网络架构，其核心设计亮点在于 “双向卷积” 机制。与传统单向卷积网络仅从单一时间流向挖掘信息不同，BiTCN 能够同时从时间序列的正向与反向进行卷积操作。这意味着在处理电力负荷等时序数据时，它不仅能捕捉到随时间递增方向上数据的变化趋势，诸如负荷随时间逐步上升的白天用电高峰特征；还能敏锐感知反向时间流中蕴含的关键信息，像是捕捉夜间用电量逐渐降低过程中隐藏的
2024-12-27 18:01:39
1518
原创 基于TCN-Transformer-KAN混合模型实现电力负荷时序预测——柯尔莫哥洛夫-阿诺德网络 Kolmogorov-Arnold Network(KAN 2.0)模型融合详解(PyTorch版)
本文提出了一种基于TCN-Transformer-KAN混合模型的电力负荷时序预测方法，旨在通过结合三者的长处，进一步提高负荷预测的精度和效率。具体而言，TCN负责提取时间序列数据的局部特征和短期依赖关系，Transformer捕捉全局特征和长程依赖关系，而KAN则利用其强大的函数逼近能力处理复杂的非线性关系。三者相辅相成，共同提升模型的预测性能。本文详细阐述了TCN-Transformer-KAN混合模型的构建过程，包括数据预处理、模型结构设计、训练与优化策略等。
2024-11-25 08:00:00
2618
1
原创 【深度学习】时间序列预测、分类、异常检测、概率预测项目实战案例目录
本专栏旨在为读者提供一个全面而深入的深度学习在时序数据分析领域的实战指南。通过具体的项目案例，我们将深入探讨时序预测、分类、异常检测和概率预测等关键任务，展示深度学习技术在解决这些复杂问题上的强大能力。无论是初学者还是小白都可以轻松上手，通过实战了解时序算法的精髓。
2024-11-02 21:16:53
877
1
原创 基于LSTM-Transformer混合模型实现股票价格多变量时序预测(PyTorch版)
本文将介绍一种基于LSTM-Transformer混合模型的股票价格多变量时序预测方法，该方法结合了LSTM和Transformer的优点，旨在提高股票价格预测的准确性。我们将使用PyTorch框架来实现该模型，并通过实验验证其在股票价格预测任务中的有效性。希望通过本文的探讨，能够为金融市场的时序预测问题提供一些新的思路和解决方案。
2024-10-14 21:02:12
5216
10
原创 基于BiGRU+Transformer混合模型实现交通流量时序预测(PyTorch版)
本文旨在探讨一种结合双向门控循环单元（BiGRU）和Transformer的混合模型，用于实现交通流量的时序预测。通过整合BiGRU在捕捉序列数据双向依赖关系方面的优势，以及Transformer在并行处理和长距离依赖建模方面的能力，我们期望能够构建一个既具有高精度又具备高效计算性能的预测模型。
2024-10-13 18:30:58
1379
3
原创 基于Transformer模型实现交通流量时序预测(PyTorch版)
Transformer模型，作为一种基于自注意力机制的深度学习模型，最初在自然语言处理领域取得了突破性进展，其出色的长距离依赖关系捕捉能力使其在处理时序数据时也表现出色。将Transformer模型应用于交通流量时序预测，可以充分利用其优势，实现对交通流量更加精准、高效的预测。
2024-10-01 22:35:54
1714
2
原创 基于CNN+Transformer混合模型实现交通流量时序预测(PyTorch版)
本文旨在详细介绍如何使用PyTorch框架实现基于CNN+Transformer的混合模型，并将其应用于交通流量时序预测任务。我们将从模型架构、数据处理、训练优化等多个方面进行深入剖析，力求为读者提供一个全面、系统的学习与实践指南。希望通过本文的介绍，读者能够掌握CNN+Transformer混合模型的基本原理与实现方法，并能够在实际交通流量预测任务中灵活应用，为城市交通管理与规划贡献自己的力量。
2024-09-30 12:06:46
2980
20
原创 基于BiLSTM+Transformer混合模型实现交通流量时序预测(PyTorch版)
本文旨在探讨一种基于BiLSTM（双向长短期记忆网络）与Transformer混合模型的时间序列预测方法，专门用于交通流量的预测。BiLSTM模型以其能够捕捉序列数据中前后依赖关系的能力而闻名，尤其适合处理具有时间序列特性的数据。而Transformer模型，自2017年由Vaswani等人提出以来，凭借其自注意力机制（self-attention）和并行计算能力，在自然语言处理等多个领域取得了突破性进展。将这两种模型结合起来，旨在充分利用BiLSTM对时间序列局部依赖性的建模能力以及Transformer
2024-09-26 10:20:16
2814
9
原创 基于BiGRU+Transformer实现风电功率多变量时序预测(PyTorch版)
本文提出了基于BiGRU+Transformer的风力涡轮机发电量多变量时序预测模型。该模型旨在通过结合BiGRU和Transformer模型的优势，提高风力涡轮机发电量预测的准确性和效率。具体而言，BiGRU用于捕捉时间序列数据中的时序依赖关系，而Transformer模型则通过其自注意力机制，进一步挖掘数据中的复杂关系，实现对关键特征的动态关注。
2024-09-24 19:21:16
760
原创 基于CNN+BiGRU实现风电功率多变量时序预测(PyTorch版)
本文聚焦于基于 CNN+BiGRU 的风力涡轮机发电量多变量时序预测方法，并采用 PyTorch 深度学习框架进行实现。通过将 CNN 强大的特征提取能力与 BiGRU 对时间序列数据的良好建模能力相结合，我们旨在构建一个更加准确、高效的发电量预测模型。
2024-09-24 09:52:01
1207
原创 基于BiGRU+Attention实现风电功率发电量多变量时序预测(PyTorch版)
本文提出了基于BiGRU+Attention的风力涡轮机发电量时序预测模型，旨在通过结合BiGRU和Attention机制的优势，提高风力涡轮机发电量预测的准确性和效率。该模型不仅能够捕捉风力发电量数据中的时序依赖关系，还能通过注意力机制关注对预测结果更为重要的输入特征，从而在复杂多变的风电环境中实现高精度的预测。
2024-09-15 19:18:52
1635
1
原创 基于前馈神经网络FNN实现葡萄酒类型分类Acc99%(PyTorch版)
葡萄酒，作为一种历史悠久、文化底蕴深厚的饮品，不仅在全球范围内拥有广泛的爱好者，其酿造工艺、品种分类及品鉴技巧也一直是研究的热点。随着现代科技的进步，尤其是人工智能和机器学习技术的发展，为葡萄酒行业带来了新的研究视角和应用可能。其中，利用前馈神经网络（Feedforward Neural Network, FNN）对葡萄酒类型进行分类，便是一个富有创新性和探索性的研究课题。
2024-09-10 17:29:02
1241
原创 基于CNN(一维卷积Conv1D)实现降雨多变量时序分类——明日是否降雨
降雨预测作为气象学和水文学领域的重要研究内容，对于农业生产、城市水资源管理、灾害预警等方面具有举足轻重的意义。传统的降雨预测方法主要依赖于统计模型和物理模型，但这些方法在处理非线性、高维度的时序数据时往往显得力不从心。近年来，随着深度学习技术的飞速发展，尤其是卷积神经网络（CNN）在各个领域的广泛应用，为降雨预测提供了新的思路和手段。
2024-09-10 16:24:29
1150
原创 基于 BiLSTM+Attention 实现降雨预测多变量时序分类——明日是否降雨
降雨预测作为气象学和水文学领域的重要研究课题，对于农业、城市规划、水资源管理及灾害预警等多个方面都具有极其重要的实际应用价值。传统的降雨预测方法主要依赖于数值天气预报模型和统计学方法，但这些方法在处理复杂非线性关系和时序依赖性时存在一定的局限性。近年来，随着深度学习技术的快速发展，尤其是循环神经网络（RNN）及其变体长短时记忆网络（LSTM）和双向长短时记忆网络（BiLSTM）在时序数据处理方面展现出了强大的能力。
2024-09-05 23:01:24
1479
6
原创 基于CNN(一维卷积Conv1D)-LSTM-Attention实现股价多变量时序预测(PyTorch版)
在深度学习的众多模型中，卷积神经网络（CNN）和长短期记忆网络（LSTM）因其独特的优势而被广泛应用于时间序列预测领域。CNN能够有效捕捉数据的局部特征，而LSTM则通过其内部的记忆单元和门控机制，能够处理序列数据中的长期依赖关系，非常适合于股票这类具有时序特性的数据。然而，尽管CNN和LSTM的结合已经在许多时间序列预测任务中取得了显著的效果，但在面对多变量、高噪声的股票数据时，其预测精度仍有待提高。为此，本文引入了注意力机制提高了模型精度。
2024-07-23 18:57:49
1416
7
原创 基于CNN(二维卷积Conv2D)+LSTM实现股价多变量时序预测(PyTorch版)
本文旨在探索基于CNN-LSTM的模型在股票多变量时间序列预测中的应用。通过构建CNN-LSTM模型，我们可以同时捕捉股票价格数据中的空间特征和时序依赖关系，从而实现对股票价格更准确的预测。本文的研究不仅有助于提升股票价格预测的精度，也为深度学习技术在金融领域的应用提供了新的思路和方法。
2024-07-19 16:34:43
3203
4
原创 基于BiLSTM 实现股价多变量时间序列预测(PyTorch版)
在本文中，我们将探讨如何使用PyTorch框架实现基于双向长短期记忆网络（BiLSTM）的多变量时间序列预测模型。多变量时间序列预测涉及多个输入变量和一个或多个输出变量，这些变量随时间变化并可能相互影响。通过利用BiLSTM的双向特性，我们的模型将能够同时考虑历史数据和未来趋势，从而更准确地预测时间序列的未来值。
2024-07-17 19:54:45
1861
3
原创 基于BiGRU实现股价多变量时间序列预测(PyTorch版)
本文旨在介绍基于PyTorch框架的BiGRU多变量时间序列预测算法的实现。双向门控循环单元（BiGRU）作为BiRNN的一种变体，结合了GRU和BiRNN的优点，不仅具有更强的学习能力，而且能够同时考虑到历史和未来的信息。在多变量时间序列预测中，BiGRU可以通过其双向结构和门控机制，有效地捕捉多个变量之间的相互影响和时序关系，从而实现更准确的预测。
2024-07-12 17:19:19
1705
原创 基于前馈神经网络FNN实现股价多变量时序预测(PyTorch版)
前馈神经网络（Feedforward Neural Network, FNN）作为深度学习中的一种基本网络结构，以其强大的非线性拟合能力和自适应性，在金融时间序列预测中展现出巨大的潜力。前馈神经网络通过模拟人脑神经元的连接方式，构建了一个多层次的计算模型，能够自动学习和提取数据中的复杂特征和规律，从而对未来的市场走势进行预测。
2024-07-11 14:39:50
1573
8
原创 基于长短期记忆网络 LSTM 的下一个单词预测
下一个单词预测是一个引人入胜的问题，它涉及开发一种模型，能够预测句子中给定单词序列之后最有可能出现的单词。这种预测模型利用算法和语言模式的力量来预测下一个单词，从而实现各种应用，如预测性键盘建议、写作辅助和内容生成。这就像在应用程序中内置了一个功能，可以在您输入或说话时建议下一个单词。下一个单词预测模型可用于信息应用、搜索引擎、虚拟助手和智能手机的自动更正功能等应用中。在这项任务中，我们将使用一个文本数据集，该数据集基于以杰出侦探夏洛克-福尔摩斯为主角的著名系列丛书。该数据集由阿瑟-柯南-道尔爵士撰写的
2024-06-11 21:52:40
1018
1
原创 基于神经网络模型ANN的人力资源分析与员工流失预测
人员的流失是每一个公司都面临的问题，而高流失率对任何公司来说都是昂贵的，这体现在招聘和培训成本、生产力的损失和员工士气的降低。员工流失分析是指分析离开组织的员工的行为，并将其与组织中的现有员工进行比较。它有助于发现哪些员工可能很快就会离开。员工流失分析是一种行为分析，我们研究离开组织的员工的行为和特征，并将其特征与现有员工进行比较，以找出可能很快离开组织的员工。通过确定员工流失的原因，公司可以采取措施减少员工流失，留住宝贵的员工。
2024-06-10 12:53:43
739
1
原创 基于随机森林RF、梯度提升决策树GBDT的人力资源分析与员工流失预测
人员的流失是每一个公司都面临的问题，而高流失率对任何公司来说都是昂贵的，这体现在招聘和培训成本、生产力的损失和员工士气的降低。员工流失分析是指分析离开组织的员工的行为，并将其与组织中的现有员工进行比较。它有助于发现哪些员工可能很快就会离开。员工流失分析是一种行为分析，我们研究离开组织的员工的行为和特征，并将其特征与现有员工进行比较，以找出可能很快离开组织的员工。通过确定员工流失的原因，公司可以采取措施减少员工流失，留住宝贵的员工。
2024-06-06 14:09:54
1466
原创 基于VGG16使用图像特征进行迁移学习的时装推荐系统
本文所提供的数据集由女性时尚物品的图像组成，包括各种服装和配饰。每张图片都代表一件独特的商品，按类型（如连衣裙、上衣、裙子）、风格（如休闲、正式、运动）以及颜色和图案等其他属性进行分类。这些图像以统一格式收集，以方便特征提取和分析过程。主要目标是开发一个时尚推荐系统，该系统可以分析输入的时尚单品图像，并根据视觉相似性从数据集中推荐相似的单品。
2024-05-30 23:07:38
2300
2
原创 基于 FastAI 文本迁移学习的情感分类（93%+Accuracy）
语言模型通过学习来预测单词序列的概率。但为什么我们需要学习单词的概率呢？让我们通过一个例子来理解。我相信你一定用过谷歌翻译。出于不同的原因，我们都会用它将一种语言翻译成另一种语言。这是一个流行的 NLP 应用的例子，叫做机器翻译。在 “机器翻译 ”中，你需要从一种语言中输入一堆单词，然后将这些单词转换成另一种语言。现在，系统可能会给出许多潜在的翻译，您需要计算每种翻译的概率，以了解哪种翻译最准确。
2024-05-29 21:50:13
1328
原创 基于 RNNs 对 IMDB 电影评论进行情感分类
本章将使用 Tensorflow 进行情感分析，以阐述文本分类！在需要捕捉序列信息时，循环神经网络（RNN）就能派上用场（另一种用例可能包括时间序列、下一个单词预测等）。由于其内部记忆因素，它能记住过去的序列和当前的输入，这使它能够捕捉上下文而不仅仅是单个单词。
2024-05-28 14:59:25
1024
原创 基于长短期记忆网络 LSTM 的送餐时间预测
对于送餐服务公司来说，预测订单的送达时间是一项极具挑战性的任务。像 Zomato 和 Swiggy 这样的食品外卖服务需要准确显示送达订单所需的时间，以保持对客户的透明度。这些公司使用机器学习算法，根据送餐员过去在相同距离上所花费的时间来预测送餐时间。因此，如果您想了解如何使用机器学习预测食品配送时间，本文就是为您准备的。本文将带你使用 Python 通过机器学习预测送餐时间。
2024-05-26 21:47:03
1738
2
原创 基于 BERT 对 IMDB 电影评论进行情感分类
BERT 是 Bidirectional Representation for Transformers 的缩写，由谷歌人工智能语言研究人员于 2018 年提出。虽然其主要目的是提高对谷歌搜索相关查询含义的理解，但 BERT 已成为各种自然语言任务中最重要、最完整的架构之一，在句子对分类任务、问答任务等方面取得了最先进的成果。
2024-05-25 13:36:16
641
原创 基于双向长短期记忆BiLSTM对消费者投诉进行多类分类
消费者投诉分类是指对消费者所报投诉的性质进行分类。这对消费者服务部门很有帮助，因为他们每天都会收到成千上万的投诉，因此对这些投诉进行分类有助于确定哪些投诉需要首先解决，以减少消费者的损失。
2024-05-24 00:57:38
471
原创 基于二维卷积Conv2D实现MNIST数字识别的四种方法
使用 MNIST 数据集进行手写数字识别是一个借助神经网络完成的重要项目。深度神经网络是机器学习和人工智能的一个分支，这种网络能够从提供的无组织或无标记数据中进行无监督学习。我们在此基础上更进一步，我们的手写数字识别系统不仅能检测手写数字的扫描图像，还能借助集成的图形用户界面在屏幕上书写数字进行识别。它主要检测手写数字的扫描图像。
2024-05-15 19:44:34
1278
原创 基于多项式分布朴素贝叶斯MultinomialNB、文本矢量化TextVectorization、BiLSTM(双向LSTM)检测垃圾短信
在当今社会，几乎每个人都有一部手机，他们的手机都会定期收到通信（短信/电子邮件）。但重要的一点是，收到的大多数信息都是垃圾信息，只有少数是必要的通信。骗子制造欺诈性短信，骗取你的个人信息，如密码、账号或社会保险号。如果他们掌握了这些信息，就有可能访问您的电子邮件、银行或其他账户。在本文中，我们将使用 `Tensorflow` 开发各种深度学习模型，用于垃圾短信检测，并分析不同模型的性能指标。
2024-05-13 23:57:49
1508
4
原创 深度学习：基于人工神经网络ANN的降雨预测
降雨预测是对人类社会有重大影响的困难和不确定任务之一。及时准确的预测可以主动帮助减少人员和经济损失。本研究介绍了一组实验，其中涉及使用常见的神经网络技术创建模型，根据澳大利亚主要城市当天的天气数据预测明天是否会下雨。
2024-05-11 21:54:02
1690
9
原创 机器学习：基于线性回归、岭回归、xgboost回归、Lasso回归、随机森林回归预测卡路里消耗
运动卡路里消耗估计：通过使用传感器（如心率监测器、步数计等）收集用户的运动数据，机器学习模型可以预测他们的卡路里消耗量。这可以帮助用户更好地了解他们的运动效果，并根据自己的目标进行合理的运动安排和饮食搭配。
2024-05-09 20:30:05
1802
4
原创 深度学习：基于TensorFlow 和 Keras，使用神经网络回归模型预测 IPL 分数
在板球比赛中，我们经常会看到比分线显示根据当前比赛形势球队获胜的概率。这种预测通常是在数据分析的帮助下完成的。以前，在机器学习还不发达的时候，预测通常是基于直觉或一些基本算法。我们人类无法轻易从海量数据中找出模式，因此，机器学习和深度学习在此发挥了作用。它可以了解球员和球队之前对阵对方球队时的表现，并据此训练模型。仅使用机器学习算法的准确率不高，因此我们使用了深度学习，它的性能比我们之前的模型要好得多，并且考虑到了能够提供准确结果的属性。
2024-05-09 11:40:14
1010
原创 机器学习：基于TF-IDF算法、决策树，使用NLTK库对亚马逊美食评论进行情绪分析
对于文本分析，我们将使用 NLTK 库。NLTK 是构建 Python 程序以处理人类语言数据的领先平台。它为 50 多个语料库和词汇资源（如 WordNet）提供了易于使用的接口，同时还提供了一套用于分类、标记化、词干化、标记、解析和语义推理的文本处理库，工业级 NLP 库的封装器，以及一个活跃的讨论论坛。
2024-05-08 21:58:14
3176
1
基于XGBoost极端梯度提升实现股票价格预测-TimeSeriesSplit交叉验证与GridSearchCV超参数调优详解
2024-10-30
机器学习：基于支持向量机的人脸识别实现步骤源码
2024-06-21
python爬虫：基于selenium获取实时油价
2024-06-15
机器学习：基于余弦相似性的自然语言处理NLP的图书推荐系统
2024-06-15
机器学习：基于Sklearn，使用孤立森林IsolationForest交易的异常检测
2024-06-12
深度学习：基于TensorFlow 和 Keras，使用神经网络回归模型预测 IPL 分数
2024-06-12
机器学习：基于Sklearn，使用余弦相似度的音乐推荐系统
2024-06-12
基于python的美元兑印度卢比汇率分析
2024-06-11
机器学习：基于线性回归、岭回归、xgboost回归、Lasso回归、随机森林回归预测卡路里消耗
2024-06-11
机器学习：基于TF-IDF算法、决策树，使用NLTK库对亚马逊美食评论进行情绪分析.zip
2024-05-15
深度学习：基于TensorFlow、Keras，使用长短期记忆神经网络模型(LSTM)对Microsoft股票进行预测分析
2024-05-03
机器学习：基于Sklearn、XGBoost，使用逻辑回归、支持向量机和XGBClassifier预测股票价格
2024-05-02
机器学习：使用高斯朴素贝叶斯分类器、随机森林分类器进行癌细胞分类，预测肿瘤是恶性还是良性
2024-04-28
机器学习：基于Sklearn、XGBoost，使用XGBClassifier、支持向量机和决策树预测乳腺癌是良性还是恶性
2024-04-25
机器学习：基于Sklearn、XGBoost模块，使用逻辑回归和支持向量机预测帕金森病
2024-04-23
机器学习：基于逻辑回归对由心脏病引发的死亡进行预测分析
2024-04-22
机器学习：基于K-Fold 交叉验证，使用支持向量分类器、高斯朴素贝叶斯分类器和随机森林分类器进行疾病预测分析数据集
2024-04-21
计算机毕业设计：基于springboot、vue大学生实习管理系统设计与实现.zip
2024-04-16
机器学习：基于线性回归模型的物流运费成本预算分析
2024-04-15
SQL基础教程，从入门到精通【常用公式大全】
2024-04-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人