关于时间序列の仓库

最新推荐文章于 2023-12-27 17:57:27 发布

原创

最新推荐文章于 2023-12-27 17:57:27 发布 · 428 阅读

2 ·

CC 4.0 BY-SA版权

博客探讨了时间序列预测的多个方面，包括ARIMA、LSTM、EEMD-LSTM模型的应用，以及深度学习技术如MLP、CNN、LSTM在时间序列预测中的角色。内容涵盖单步和多步预测，以及不同领域的案例，如溶解氧预测和用电量预测。

时间序列

Sun-Yize-SDUWH

https://github.com/Sun-Yize-SDUWH/Time-Series/blob/master/3_Time_Series_predict/jupyter%20notebook/sp100list_predict.ipynb
SP100list 时间序列数据预测
在以下的预测的python程序中，分别选取了时间序列与机器学习的相关算法，对数据分别进行预测，并将预测结果进行比对，选出较好的预测算法。

时间序列算法包括：AR模型，Theta模型，Damp Trend模型，其中AR和Theta均包括了单噪声模型（SSOE）和双噪声模型（MSOE），Damp Trend只包括了单噪声模型（SSOE）

机器学习算法包括：神经网络（NN），K临近法（KNN），回归树（RT）和以回归树为基础的随机森林（RF)

chenfei0328

guotai

https://github.com/tongjiying/guotai/blob/master/arima.ipynb
时间序列预测主要代码 ARIMA+LSTM（单步，多步）+encoder-decoder

Corezcy

EEMD(集合经验模态分解)、LSTM(长短时记忆网络)、time series prediction(时间序列预测)、DO（dissolved oxygen,溶解氧）

本文提出了一种改进后的 LSTM 模型，即 EEMD-LSTM 模型。该方法在获取原始溶解氧时间序列后并预处理后，经过 EEMD 分解为若干子序列，并对其分别建立 LSTM 预测模型，叠加个各个模型的预测结果即可获取最终的预测结果。在获取江苏无锡长江水质实时监测站溶解氧数据后展开实验，选取原始 LSTM 模型、改进后的 BP 模型、原始 BP 模型作为