weixin_43900321的博客

1. 概念漂移所谓概念漂移，表示目标变量的统计特性随着时间的推移以不可预见的方式变化的现象，也就是每过一段时间序列的规律是会变化的。所以，在这种情况下，拿全部时间内的数据去训练，就相当于是增加了各种噪声，预测精度是会下降的。所以，一种解决办法是不断的取最新的一阶段内的数据来训练模型做预测。2. 序列的自相关性在做时间序列预测时经常可以发现，用了某种算法做出来的测试集的平均绝对误差率或者r2系...

文章创新点具有可训练衰变的模型。为了从根本上解决时间序列中缺失值的问题，我们注意到时间序列中缺失值的两个重要属性，特别是在医疗领域：首先，如果最后一次观察发生在很久以前，那么丢失的变量的值往往接近某个默认值(例如一个病人长久没有去医院看病，那么他的状态就趋于一般正常人的状态，可认为是一个默认均值)。这个属性作为一种体内平衡机制，通常存在于人体的健康保健数据中，被认为是疾病诊断和治疗的关键。其次...

在阅读完Modeling Long- and Short-Term Temporal Paterns with Deep Neural Networks这篇文章后，发现自己有一些不太懂的地方，网上也很少有讲解这篇文章的，于是自己在博客中记录一下文章的核心部分，理清思路。ps:该博客中的()表示下角标，^表示上角标。黑体部分为算法缺陷。框架问题公式化描述在这篇文章中，我们关注多变量时间预测...

对TPA过程的理解首先传入大量的时间序列，LSTM通过大量的时间序列获得一个隐状态矩阵H。对于隐状态矩阵H的每行(第i行)，使用k个CNN过滤器提取特征，产生维度为n*k的HC矩阵。对于要预测的ht，将其与HC矩阵的每行作用，从而对每行产生一个权重ai，这个权重代表了HC矩阵每行对要预测的ht的作用强度，即每个时间序列对ht的影响强弱。将每行进行加权求和得到vt，代表了所有行对ht的...

Abstract非线性自回归外生(NARX)模型是根据一个时间序列以前的值以及多个驱动(外生)序列的当前值和过去值来预测时间序列当前值的模型，已经研究了几十年。尽管已经开发了各种各样的NARX模型，但很少有模型能够恰当地捕获长期的时间依赖关系，并选择相关的驱动序列进行预测。针对这两个问题，本文提出了一种基于双阶段注意力机制的递归神经网络(DA-RNN)。在第一个阶段，我们引入一个输入注意机制，...