本文详细介绍了一个高质量的在线时间序列预测专栏，涵盖机器学习、深度学习等多种方法，实战案例丰富，适合初学者和从业者。作者分享了从基础理论到复杂模型的实战教程，以及数据分析和模型调优技巧。
👑 专栏目录👑
专栏介绍->给大家推荐一下我的时间序列预测实战专栏，本专栏平均质量分98分，而且本专栏目前免费阅读。其中涉及机器学习、深度学习、融合模型、个人创新模型、数据分析等一系列有关时间序列的内容，其中的实战案例不仅有简单的模型类似于机器学习的ARIMA、Xgboost也有复杂的类似于深度学习的TPA-LSTM，还有个人创新的模型堆叠CNN-GRU-LSTM，同时具有数据分析的内容教你如何从数据的角度进行选参和调参从而提供模型精度，本专栏的内容后期会持续的进行更新，复现各种最新的时间序列预测模型。
适用对象->时间序列的初学者、时间序列的工作者、数据分析的初学者。
本人介绍->本人写作的时间序列预测模型应用于某水果公司的业务上目前被上2000+人数使用。
👑专栏目录👑
基础篇(新手必看)
- (一)：时间序列基础-＞数据标签、数据分割器、数据加载器的定义和讲解(零基础入门时间序列)
- (二)：时间序列预测建模的完整流程以及数据分析（新手科研必备)
- (三)：15种时间序列预测方法总结(包含多种方法代码实现)
- (四)：时间序列预测中的4大类8种异常值检测方法(从根源上提高预测精度)
- (五)：时间序列中的6大类10种异常值处理方法(从根源上提高预测精度)
- (六)：时间序列预测中的数据分析-＞周期性、相关性、滞后性、趋势性、离群值等特性的分析方法
👑机器学习👑
👑深度学习👑
- (一)：时间序列预测实战基于Bi-LSTM横向搭配LSTM进行回归问题解决
- (二)：时间序列预测实战(TPA-LSTM)结合TPA注意力机制的LSTM实现多元预测
- (三)：时间序列预测实战(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)
- (四)：时间序列预测实战进阶版LSTM进行多元和单元长期预测（课程设计毕业设计首选）
- (五)：时间序列预测实战用SCINet实现滚动预测功能(附代码+数据集+原理介绍）
- (六)：时间序列预测实战DLinear模型实现滚动长期预测并可视化预测结果
- (七)：时间序列预测实战PyTorch实现GRU模型长期预测并可视化结果
- (八)：时间序列预测实战PyTorch实现LSTM-GRU模型长期预测并可视化结果（附代码+数据集+详细讲解）
- (九)：时间序列预测实战PyTorch实现TCN卷积进行时间序列预测（专为新手编写的自研架构）
- (十)：时间序列预测实战TCN-LSTM实现单元和多元长期预测（专为新手编写的自研架构）
- (十一)：时间序列预测实战RNN进行多元和单元预测（附代码+数据集+完整解析）
👑Transformer👑
- (一)：时间序列预测模型实战案例(Informer)个人数据集、详细参数、代码实战讲解
- (二)：时间序列预测实战魔改Informer模型进行滚动长期预测（科研版本）
- (三)：时间序列预测模型实战案例深度学习华为MTS-Mixers模型
- (四)：时间序列预测实战定制化数据集FNet模型实现滚动长期预测并可视化结果
- (五)：时间序列预测实战Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）
- (六)：【ICLR 2023】时间序列预测实战Crossformer（附代码+数据集+详细讲解）
- (七)：【Google2023】利用TiDE进行长期预测实战（时间序列密集编码器）
👑独家创新模型👑
- (一)：时间序列预测实战(CNN-GRU-LSTM)通过堆叠CNN、GRU、LSTM实现多元预测和单元预测
- (二)：时间序列预测实战自研注意力机制Attention-LSTM进行多元预测（结果可视化，自研结构）
- (三)：时间序列预测实战PyTorch实现Seq2Seq进行多元和单元预测（附代码+数据集+完整解析）
👑传统的时间序列预测模型👑
- (一)：时间序列预测实战(Holt-Winter)(Python)结合K-折交叉验证进行时间序列预测实现企业级预测精度(包括运行代码以及代码讲解)
- (二)：时间序列预测实战深入理解ARIMA包括差分和相关性分析
- (三)：时间序列预测实战利用Prophet实现电力负荷长期预测（附代码+数据集+详细讲解）
融合模型
扫一扫
1658
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
