基于深度学习的时间序列
关注
分享
扫一扫
文章平均质量分 61
本栏目主要利用深度学习模型（LSTM、GRU）等解决时间序列中的单变量、多变量、单时间步、多时间步、单输出、多输出、单时间序列、多时间序列等问题，代码支持：python、pytorch，使用案例包含：负荷预测、销量预测等
王小葱鸭
数据分析、机器学习、深度学习
展开
-
lstm和informer和gru模型对比
本文使用数据集，对三个模型进行了对比，代码使用python完成，通过对比，发现lstm>gru>informer.原创 2024-10-11 23:21:14 · 929 阅读 · 0 评论 -
LSTM-多变量-单时间步-pytorch-负荷预测（多时间步采用滚动预测）
使用LSTM做负荷预测问题，数据共计456行，每一行3个特征，用过去N个时间段特征，预测未来第N+1个时间点的特征，数据格式如下，用00:00:00-04:00:00的[feature1，feature2，feature3]，预测第05:00:00的[feature1，feature2，feature3]。，可以使用循环的方式预测多个时间步。原创 2022-09-26 18:34:43 · 3868 阅读 · 4 评论 -
lstm-单变量-单时间步-pytorch（多时间步采用滚动预测）
使用lstm做时间序列，输入为每个月份的乘客数量，用过去N个月份的数量，预测未来M个月份的数量。思路：用1-12个月的数据预测第13个月，然后将第13个月作为输入，用2-13个月的数据预测第14个月的数据。使用pytorch完成，数据见。原创 2022-09-24 10:59:46 · 3745 阅读 · 7 评论 -
pytorch中的lstm基础
其中input_size:表示每个时间步特征的长度，hidden_size：表示隐含层的神经元数目num_layers：表示lstm层数batch_first： 表示第一维度是否为batch.原创 2022-09-23 15:15:46 · 339 阅读 · 0 评论