時間序列預(yù)測任務(wù)（附代碼+數(shù)據(jù)集+原理介紹）

所有項目已全部上傳至Github，小伙伴可以前往學(xué)習(xí)：

深度學(xué)習(xí)時間序列預(yù)測方法案例

??『目錄』

?? 數(shù)據(jù)集介紹

  • （一）：深度學(xué)習(xí)時間序列預(yù)測項目案例數(shù)據(jù)集介紹

?? RNN篇

  • （一）：GRU實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （二）：LSTM實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （三）：RNN實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （四）：BiLSTM(雙向LSTM)實現(xiàn)時間序列預(yù)測(PyTorch版)

?? CNN篇

  • （一）：CNN(一維卷積Conv1D)實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （二）：CNN(二維卷積Conv2D)實現(xiàn)時間序列預(yù)測(PyTorch版)

?? 模型融合篇

  • （一）：LSTM+CNN實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （二）：LSTM+注意力機制(Attention)實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （三）：CNN+注意力機制(Attention)實現(xiàn)時間序列預(yù)測(PyTorch版)

  • （四）：CNN+LSTM+Attention實現(xiàn)時間序列預(yù)測(PyTorch版)

?? MLP篇

  • （一）：MLP(ANN)實現(xiàn)時間序列預(yù)測(PyTorch版)

?? 注意力篇

  • （一）：注意力機制(Attention)實現(xiàn)時間序列預(yù)測(PyTorch版)

?? 時間卷積網(wǎng)絡(luò)篇

  • （一）：TCN(時間卷積網(wǎng)絡(luò))實現(xiàn)時間序列預(yù)測(PyTorch版)

?? 其它模型篇

  • （一）：Transformer實現(xiàn)時間序列預(yù)測(PyTorch版)

?? 注意信息

  • （一）：時間序列數(shù)據(jù)預(yù)測結(jié)果為一條直線原因總結(jié)

?? 單變量、多變量篇

  • （一）：LSTM實現(xiàn)單變量時間序列預(yù)測(PyTorch版)

  • （二）：LSTM實現(xiàn)多變量時間序列預(yù)測(PyTorch版)

?? 多步預(yù)測篇

  • （一）：時間序列多步預(yù)測經(jīng)典方法總結(jié)

  • （二）：LSTM實現(xiàn)多變量輸入多步預(yù)測時間序列預(yù)測(PyTorch版) —— 直接多輸出

  • （三）：LSTM實現(xiàn)多變量輸入多步預(yù)測時間序列預(yù)測(PyTorch版) —— 遞歸多步預(yù)測（單步滾動預(yù)測）

  • （四）：LSTM實現(xiàn)多變量輸入多步預(yù)測時間序列預(yù)測(PyTorch版) —— 直接多步預(yù)測（多模型單步預(yù)測）

  • （五）：LSTM實現(xiàn)多變量輸入多步預(yù)測時間序列預(yù)測(PyTorch版) —— 直接遞歸混合預(yù)測（多模型滾動預(yù)測）

  • （六）：LSTM實現(xiàn)多變量輸入多步預(yù)測時間序列預(yù)測(PyTorch版) —— Seq2Seq多步預(yù)測

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容