![](https://img-blog.csdnimg.cn/direct/5ae08a29357d42a9b849b054be235894.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
时间序列预测专栏
文章平均质量分 97
时间序列预测从入门到精通,本专栏能够满足你一切需求,无论是新手想要学习有普通版本的LSTM、GRU等模型适合大家学习,想要发表论文也有一系列前沿模型和超参数调优算法如SGA等给大家用来发表论文,从过去最基本的模型到最新的复杂模型所有的实战案例都有!!
Snu77
在职算法工程师,本人所有改进专栏都包含完整代码和详细步骤教程,同时购买专栏的读者可入Qq群享受专栏相关问题答疑服务和完整文件,助力您成功涨点。
展开
-
时间序列预测专栏目录 | 深度学习、机器学习、融合模型、创新模型实战案例(附代码+数据集+原理介绍)
给大家推荐一下我的时间序列预测专栏,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专栏,其中的实战的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,同时本专栏的实战案例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。时间序列预测的初学者、时间序列预测的工作者、数据分析的初学者。原创 2023-11-08 23:55:34 · 9660 阅读 · 11 评论 -
时间序列预测实战(二十六)PyTorch实现Seq2Seq(LSTM)(结果可视化+自动保存结果)
本文给大家带来的时间序列模型是Seq2Seq,这个概念相信大家都不陌生了,网上的讲解已经满天飞了,但是本文给大家带来的是我在Seq2Seq思想上开发的一个模型和新的架构,其是专门为新手开发的,而且为了方便大家使用只定义了一个文件方便大家复制粘贴,架构功能包括:结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。Seq2Seq模型是一种处理序列数据的深度学习思想,广泛用于机器翻译、语音识别和文本摘要等任务(也能用于时间序列)。其核心思想是编码器-解码器。原创 2023-12-08 07:30:00 · 5061 阅读 · 47 评论 -
时间序列预测实战(二十五)PyTorch实现Seq2Seq进行多元和单元预测(附代码+数据集+完整解析)
本文给大家带来的时间序列模型是Seq2Seq,这个概念相信大家都不陌生了,网上的讲解已经满天飞了,但是本文给大家带来的是我在Seq2Seq思想上开发的一个模型和新的架构,架构前面的文章已经说过很多次了,其是专门为新手开发的,而且为了方便大家使用只定义了一个文件方便大家复制粘贴,架构功能包括:结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。Seq2Seq模型是一种处理序列数据的深度学习模型,广泛用于机器翻译、语音识别和文本摘要等任务(也能用于时间序列)。原创 2023-12-07 16:26:17 · 6157 阅读 · 38 评论 -
时间序列预测实战(二十四)PyTorch实现RNN进行多元和单元预测(附代码+数据集+完整解析)
本篇文章给大家带来的是利用我个人编写的架构进行RNN时间序列卷积进行时间序列建模(专门为了时间序列领域新人编写的架构,简单且不同于市面上大家用GPT写的代码),包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。该结构是一个通用架构任何模型嵌入其中都可运行。下面来介绍一下RNN:循环神经网络(RNN)是深度学习中用于处理序列数据的一种基本网络结构。RNN的核心原理是它拥有一个循环结构这使得网络能够保持一个内部的状态,从而捕捉到数据中随时间演变的信息。原创 2023-12-07 01:11:32 · 7612 阅读 · 47 评论 -
【Google2023】利用TiDE进行长期预测实战(时间序列密集编码器)
大家好,最近在搞论文所以在研究各种论文的思想,这篇文章给大家带来的是TiDE模型由Goggle在2023.8年发布,其主要的核心思想是:基于多层感知机(MLP)构建的编码器-解码器架构,核心创新在于它结合了线性模型的简洁性和速度优势,同时能有效处理协变量和非线性依赖。论文中号称TiDE在长期时间序列预测基准测试中不仅表现匹敌甚至超越了先前的方法,而且在速度上比最好的基于Transformer的模型快5到10倍。在官方的开源代码中是并没有预测未来数据功能的,因为这种都是学术文章发表论文的时候只看测试集表现。原创 2023-12-04 00:12:45 · 3207 阅读 · 21 评论 -
时间序列预测实战(二十二)TCN-LSTM实现单元和多元长期预测(专为新手编写的自研架构)
本篇文章给大家带来的是利用我个人编写的架构进行TCN-LSTM时间序列卷积进行时间序列建模(专门为了时间序列领域新人编写的架构,简单不同于市面上用GPT写的代码)包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。该结构是一个通用架构任何模型嵌入其中都可运行。下面来介绍一下TCN时间序列卷积的基本原理:时间序列卷积通过一系列卷积层处理数据,每个层都能捕捉到不同时间范围内的模式。LSTM也是RNN当中最常用的Cell之一。原创 2023-12-02 00:01:54 · 6892 阅读 · 69 评论 -
时间序列预测实战(二十三)进阶版LSTM多元和单元预测(课程设计毕业设计首选)
本篇文章给大家带来的是利用我个人编写的架构进行LSTM模型进行时间序列建模(专门为了时间序列领域新人编写的架构,简单且不同于市面上大家用GPT写的代码)包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。该结构是一个通用架构任何模型嵌入其中都可运行。在之前我已经将出过一个LSTM的讲解了,那个比较简单只能进行单元预测,所以在这里进行了一个补充这个模型框架可以满足所有的时间序列功能。专栏目录:时间序列预测目录:深度学习、机器学习、融合模型、创新模型实战案例。原创 2023-12-03 07:00:00 · 4985 阅读 · 68 评论 -
时间序列预测实战(二十一)PyTorch实现TCN时间卷积网络进行时间序列预测(专为新手编写的自研架构)
本篇文章给大家带来的是利用我个人编写的架构进行TCN时间序列卷积进行时间序列建模(专门为了时间序列领域新人编写的架构,简单不同于市面上大家用GPT写的代码),包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。该结构是一个通用架构任何模型嵌入其中都可运行。下面来介绍一下TCN时间序列卷积的基本原理:时间序列卷积(Temporal Convolutional Network, TCN)通过一系列卷积层处理数据,每个层都能捕捉到不同时间范围内的模式,其主要通过以下三原创 2023-11-30 22:13:44 · 14041 阅读 · 84 评论 -
【ICLR 2023】时间序列预测实战Crossformer(附代码+数据集+详细讲解)
本篇文章给大家带来的实战讲解是Crossformer模型,其是一个针对多变量时间序列预测的新型深度学习模型,发表ICLR 2023上并且排名前5%,所以这个模型的质量还是能够有一定保证的(但是我用官方的代码真的是Bug一堆改的让人头大)。Bug多是很多但是其效果还是可圈可点的,Crossformer的主要思想是:通过维度-段式嵌入技术将时间序列数据转换为二维向量数组,同时使用两阶段注意力层来高效地捕获这两种依赖关系。Crossformer采用分层编码器-解码器结构,在不同层次上利用信息进行预测。原创 2023-11-29 07:00:00 · 7523 阅读 · 72 评论 -
时间序列预测实战(二十)自研注意力机制Attention-LSTM进行多元预测(结果可视化,自研结构)
本文给大家带来的是我利用我自研的结构进行Attention-LSTM进行时间序列预测,该结构是我专门为新手和刚入门的读者设计,包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测,大家不仅可以用来学习,用该结构可以发表论文我也觉得是可以并且不需要引用本篇博客。下面我们来介绍一下Attention-LSTM模型,这里提到的Attention是我自研的注意力机制(不是很复杂是一种比较简单的注意力机制但是我觉得效果还比较好),LSTM模型大家都很收悉了,其通过门控单元机制,能够原创 2023-11-27 21:20:45 · 7803 阅读 · 51 评论 -
时间序列预测实战(十九)魔改Informer模型进行滚动长期预测(科研版本,结果可视化)
在之前的文章中我们已经讲过Informer模型了,但是呢官方的预测功能开发的很简陋只能设定固定长度去预测未来固定范围的值,当我们想要发表论文的时候往往这个预测功能是并不能满足的,所以我在官方代码的基础上增添了一个滚动长期预测的功能,这个功能就是指我们可以第一次预测未来24个时间段的值然后我们像模型中填补 24个值再次去预测未来24个时间段的值(填补功能我设置成自动的了无需大家手动填补),这个功能可以说是很实用的,这样我们可以准确的评估固定时间段的值,当我们实际使用时可以设置自动爬取数据从而产生实际效用。原创 2023-11-26 00:26:42 · 9564 阅读 · 229 评论 -
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)
本文给大家带来是时间序列建模的完整流程,大家在接触到这个领域的时候,往往都想将数据直接输入到模型中进行训练和预测,对于其中的一些参数都不太理解,这种情况是不可能得到一个好的结果的(本文的内容是我的专栏基础内容,当你拿到我写的任何一个模型无论是深度学习机器学习还是Transformer模型都需要按照本文的流程取分析才能够得到一个好的结果)无论大家是想要发论文还是将时间序列知识应用于其他领域,通过阅读本文都能够有一定的收获。我给大家讲解用的模型是ARIMA模型,这个模型可以算是时间序列领域最重要的模型之一。原创 2023-11-22 15:31:56 · 11037 阅读 · 19 评论 -
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)
本文介绍的内容是在时间序列中异常值处理的方法,当我进行时间序列分析建模收集数据的过程中,往往都存在着一些特数据情况导致数据中存在着一些异常值,这些异常值往往会导致模型识别到不正常的模式从而无法准确的预测, (我试验过一个数据集清楚之后MAE的精度甚至能提升0.1左右),所以对于异常值的检测和处理对于时间序列来说是十分重要的,本篇文章需要配合我的另一篇文章配合阅读,另一篇文章介绍了如何进行异常值检测,所以本文篇文章下面来介绍当我们检测出异常值之后如何进行异常值处理。原创 2023-11-21 20:56:39 · 7208 阅读 · 7 评论 -
时间序列预测实战(十七)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)
本文给大家带来的实战内容是利用PyTorch实现LSTM-GRU模型,LSTM和GRU都分别是RNN中最常用Cell之一,也都是时间序列预测中最常见的结构单元之一,本文的内容将会从实战的角度带你分析LSTM和GRU的机制和效果,同时如果你是时间序列中的新手,这篇文章会带你了解整个时间序列的建模过程,同时本文的实战代码支持多元预测单元、单元预测单元、多元预测多元(为我个人编写大家如有转载请标明来源),本文的实战内容通过时间序列领域最经典的数据集——电力负荷数据集为例进行预测。内容回顾->原创 2023-11-20 23:49:21 · 7802 阅读 · 48 评论 -
时间序列预测实战(十八)利用Prophet实现长期预测(附代码+数据集+详细讲解)
Prophet是一个由Facebook开发的开源工具,用于时间序列预测。这个工具特别适合于具有强季节性影响和多个历史数据季节的业务时间序列数据。Prophet的主要思想是将数据分解为如下三个部分:趋势、季节性、节假日和特殊事件。这个模型非常适合于处理具有强烈季节性和趋势变化的业务时间序列数据(这里为什么适合的是业务数据呢是因为它考虑了节假日等特殊事件,同时其面对数据中的缺失值和异常值时也能保持其性能)。Prophet通过这种方式,可以有效地预测未来的趋势和模式。需要注意的是。原创 2023-11-20 00:13:25 · 3686 阅读 · 2 评论 -
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)
本文给大家带来的是时间序列预测中异常值检测,在我们的数据当中有一些异常值(Outliers)是指在数据集中与其他数据点显著不同的数据点。它们可能是一些极端值,与数据集中的大多数数据呈现明显的差异。异常值可能由于测量误差、异常事件、数据收集错误、噪声或其他未知原因而出现。所以因为这些异常值的存在我们的模型不能够很好的识别我们数据的模式,所以我们通常在训练之前都需要处理这些异常值点,所以就涉及到了本文的内容->异常值检测。本文的内容大家可以配套我的专栏中的实战案例进行使用可以检验你的异常值处理是否有效,原创 2023-11-17 20:01:41 · 7797 阅读 · 11 评论 -
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)
各位小伙伴好,最近在发时间序列的实战案例中总是有一些朋友问我时间序列中的部分对数据的操作是什么含义,我进行了挺多的介绍和讲解但是问的人越来越多,所以今天在这里单独发一篇文章来单独的讲一下时间序列中对数据的处理操作和如何定义时间序列特有的数据加载器和对数据打上标签的操作。(发现最近研究时间序列的人越来越多基本上都是为了发论文,感叹大家的论文压力都好大)适用对象->本文适合那些零基础的时间序列的学习者目录一、本文介绍二、 时间序列中的标签三、时间序列中的窗口分割器四、时间序列的数据加载器。原创 2023-11-14 23:19:28 · 3886 阅读 · 3 评论 -
时间序列预测实战(十五)PyTorch实现GRU模型长期预测并可视化结果
本文讲解的实战内容是GRU(门控循环单元),本文的实战内容通过时间序列领域最经典的数据集——电力负荷数据集为例,深入的了解GRU的基本原理和框架,下面是预测值和真实值的对比图先给大家放在前面。预测类型->单元预测、多元预测、长期预测门控机制:GRU的核心是门控机制,包括更新门(update gate)和重置门(reset gate)。这些门控制着信息的流动,即决定哪些信息应该被保留,哪些应该被遗忘。更新门:更新门帮助模型决定过去的信息有多少需要保留到当前状态。原创 2023-11-13 23:48:40 · 7795 阅读 · 40 评论 -
时间序列预测实战(十六)PyTorch实现GRU-FCN模型长期预测并可视化结果
本文讲解的实战内容是GRU-FCN(门控循环单元-全卷积网络),这是一种结合了GRU(用于处理时间序列数据)和FCN(全卷积网络)的深度学习模型,这种融合模型在处理时间序列预测的时候是十分经典且效果很好的组合方式。它的优势在于能够同时捕捉时间序列数据中的时间动态和空间特征,从而提高模型的准确度和效率,本文给大家讲解的就是这个模型,本文的实战内容通过时间序列领域最经典的数据集——电力负荷数据集为例,带大家深入的了解GRU和FCN的基本原理和融合思想。预测类型->单元预测、长期预测,原创 2023-11-14 11:59:32 · 2564 阅读 · 19 评论 -
时间序列预测实战(十四)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)
这篇文章给大家带来是Transformer在时间序列预测上的应用,这种模型最初是为了处理自然语言处理(NLP)任务而设计的,但由于其独特的架构和能力,它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是:Transformer 在时间序列分析中的应用核心在于其自注意力机制,这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码,Transformer 不仅提高了处理效率,而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现原创 2023-11-12 20:05:20 · 16342 阅读 · 70 评论 -
时间序列预测实战(十三)利用FNet模型实现滚动长期预测并可视化结果
本博客将介绍一种新的时间序列预测模型——FNet它通过使用傅里叶变换代替自注意力机制,旨在解决传统Transformer模型中的效率问题。FNet模型通过简单的线性变换,包括非参数化的傅里叶变换,来“混合”输入令牌,从而实现了快速且高效的处理方式。这种创新的方法在保持了相对较高的准确性的同时,显著提高了训练速度,特别是在处理长序列数据时更显优势。FNet的工作原理,并通过一个实战案例展示如何实现基于FNet的可视化结果和滚动长期预测。预测类型->多元预测、单元预测、长期预测。适用对象->受硬件所限制的时候原创 2023-11-13 07:30:00 · 1175 阅读 · 2 评论 -
时间序列预测实战(十二)DLinear模型实现滚动长期预测并可视化预测结果
本文给大家带来是DLinear模型,DLinear是一种用于时间序列预测(TSF)的简单架构,DLinear的核心思想是将时间序列分解为趋势和剩余序列,并分别使用两个单层线性网络对这两个序列进行建模以进行预测(值得一提的是DLinear的出现是为了挑战Transformer在实现序列预测中有效性)。本文的讲解内容包括:模型原理、数据集介绍、参数讲解、模型训练和预测、结果可视化、训练个人数据集,讲解顺序如下->预测类型->这个模型我在写的过程中为了节省大家训练自己数据集,我基本上把大部分的参数都写好了。原创 2023-11-12 07:00:00 · 5325 阅读 · 42 评论 -
时间序列预测实战(九)PyTorch实现LSTM-ARIMA融合移动平均进行长期预测
本文带来的是利用传统时间序列预测模型ARIMA(注意:ARIMA模型不属于机器学习)和利用PyTorch实现深度学习模型LSTM进行融合进行预测,主要思想是->先利用ARIMA先和移动平均结合处理数据的线性部分(例如趋势和季节性),同时利用LSTM捕捉更复杂的非线性模式和长期依赖关系。本文内容包括->讲解LSTM和ARIMA的基本原理、融合的主要思想和依据、模型实战所用数据集介绍 、模型的参数讲解、模型的训练、结果展示、结果分析、以及如何训练你个人数据集。代码地址->适用对象->想要进行长期预测(模型的长期原创 2023-11-11 14:40:17 · 7725 阅读 · 38 评论 -
时间序列预测实战(十一)用SCINet实现滚动预测功能(附代码+数据集+原理介绍)
这篇文章给大家带来的是关于SCINet实现时间序列滚动预测功能的讲解,SCINet是样本卷积交换网络的缩写(Sample Convolutional Interchange Network),SCINet号称是比现有的卷积模型和基于Transformer的模型准确率都有提升(我实验了几次效果确实不错)。本篇文章讲解的代码是我个人根据官方的代码总结出来的模型结构并且进行改进增加了滚动预测的功能。模型我用了两个数据集进行测试,一个是某个公司的话务员接线量一个是油温效果都不错,我下面讲解用油温的数据进行案例的讲解原创 2023-11-11 00:35:32 · 2569 阅读 · 17 评论 -
时间序列预测模型实战案例(十)(个人创新模型)通过堆叠CNN、GRU、LSTM实现多元预测和单元预测
本篇博客为大家讲解的是通过组堆叠CNN、GRU、LSTM个数,建立多元预测和单元预测的时间序列预测模型,其效果要比单用GRU、LSTM效果好的多,其结合了CNN的特征提取功能、GRU和LSTM用于处理数据中的时间依赖关系的功能。通过将它们组合在一起,模型可以同时考虑输入数据的空间和时间特征,以更好地进行预测。本篇实战案例中包括->详细的参数讲解、数据集介绍、模型框架原理、训练你个人数据集的教程、以及结果分析。同时本文章的代码进行开源,在本文中复制粘贴即可运行。同时结尾还有多篇实战案例分析,和数据分析的博客。原创 2023-11-08 15:51:24 · 4794 阅读 · 14 评论 -
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
本篇文章给大家介绍的是,当我们在进行有关时间序列相关的工作或者实验时,需要对数据进行的一些数据分析操作(包括周期性、相关性、滞后性、趋势性、离群值等等分析)的方法。在本篇文章中会以实战的形式进行讲解,同时提供运行代码和运行结果图片,同时如果大家是数据方面的初学者这篇文章不仅会带你学习一些数据分析的相关操作,也会带大家对于数据分析和时间序列的建模有一个理解。本文的讲解路径如下->适用对象->数据相关的工作者或学习者我们下面分析用到的数据集如下->数据集的获取方式在我的CSDN上传里面有大家可以自行下载。原创 2023-11-06 23:45:39 · 14571 阅读 · 13 评论 -
时间序列预测模型实战案例(八)(Informer)个人数据集、详细参数、代码实战讲解
本篇博客带大家看的是Informer模型进行时间序列预测的实战案例,它是在2019年被提出并在ICLR 2020上被评为Best Paper,可以说Informer模型在当今的时间序列预测方面还是十分可靠的,Informer模型的实质是注意力机制+Transformer模型,Informer模型的核心思想是将输入序列进行自注意力机制的处理,以捕捉序列中的长期依赖关系,并利用Transformer的编码器-解码器结构进行预测,通过阅读本文你可以学会利用个人数据集训练模型。原创 2023-11-05 23:38:45 · 21074 阅读 · 346 评论 -
时间序列预测模型实战案例(七)(TPA-LSTM)结合TPA注意力机制的LSTM实现多元预测
本文通过实战案例讲解TPA-LSTM实现多元时间序列预测,在本文中所提到的TPA和LSTM分别是注意力机制和深度学习模型,通过将其结合到一起实现时间序列的预测,本文利用有关油温的数据集来进行训练模型,同时将模型保存到本地,进行加载实现多步长预测,本文所利用的数据集也可以替换成你个人的数据集来进行预测(修改个人的数据集的地方本文也进行了标注),同时本文会对TPA和LSTM分别进行概念的讲解帮助大家理解其中的运行机制原理(包括个人总结已经论文内容)。原创 2023-11-05 17:01:43 · 5217 阅读 · 25 评论 -
时间序列预测模型实战案例(六)深入理解机器学习ARIMA包括差分和相关性分析
ARIMA模型是一种广泛应用的时间序列预测模型,它结合了自回归(AR)和移动平均(MA)的概念,具有较好的灵活性和准确性。本章将介绍一个实战案例,利用Python编程语言实现了ARIMA模型并进行预测。通过这个案例,我们将深入了解ARIMA模型的构建过程和关键步骤,并学习如何使用Python中的相关库来进行模型训练和预测。在案例中,我们将使用一组客服的接线量数据作为实验对象。通过分析这些数据,我们将探索数据的特征和规律,进行平稳性检验和差分操作,然后通过自相关和偏自相关图来选择合适的ARIMA模型参数。原创 2023-10-27 12:26:10 · 5924 阅读 · 7 评论 -
15种时间序列预测方法总结(包含多种方法代码实现)
本文提供时间序列分析从基本概念到模型的讲解,利用python和pytroch实现代码讲解,文章内既包括简单的代码示例又包括复杂的代码讲解部分,也有精美的图片的形式帮助读者更加快速的理解时间序列,本文涉及到的内容有机器学习和深度学习部分也包括一部分强化学习内容,文章内还含有运行结果的展示,同时提供给大家数据集进行操作,可以说时间序列类的任务你只看这一篇文章就足够了,总之无论你是数据科学新手,还是寻求进一步提升你的时间序列预测技能的专业人士,这篇博客都将为你提供宝贵的知识和经验。原创 2023-09-28 12:49:26 · 33636 阅读 · 0 评论 -
时间序列预测模型实战案例(五)基于Bi-LSTM横向搭配LSTM进行回归问题解决
这篇文章中我将通过数据集电力变压器油温数据以及通过Pytorch和python实现双向LSTM横向搭配单向LSTM得分实现,文章中包含数据分析部分,同时详细的介绍双向LSTM,以及其机制,运行原理,以及如何横向搭配单向的LSTM进行回归问题的解决。在本次实战案例当中主要分为几大部分,详细的为大家介绍双向LSTM的实现,通过图解和生活案例的方式帮助大家更容易的理解文章内容,以及模型的结构,LSTM作为最常用的RNN结构单元,其依靠自身的门机制在许多领域应用方面都取得了良好的效果。希望本文对大家有所帮助。原创 2023-09-27 11:26:07 · 3592 阅读 · 15 评论 -
时间序列预测模型实战案例(四)(Xgboost)(Python)(机器学习)图解机制原理实现时间序列预测和分类(附一键运行代码资源下载和代码讲解)
在本次实战案例中基于Python和机器学习来实现Xgboost完成时间序列预测和时间序列分类任务。Xgboost是一种强大的梯度提升树算法,其采用贪心算法来求得最优解,适用于各种机器学习任务,它最初主要用于解决分类问题,在此基础上也可以应用于时间序列预测。XGBoost的优点主要体现在以下几个方面:优秀的泛化能力:XGBoost采用了一系列的正则化技术,可以有效地避免过拟合,从而提高模型的泛化能力。我在CSDN上传了Xgboost的运行文件大家可以下载运行试试,文件内包含完整的注释和阅读心得。原创 2023-09-25 13:58:55 · 10559 阅读 · 9 评论 -
时间序列预测模型实战案例(三)(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)
LSTM(Long Short-Term Memory)是一种常用的循环神经网络(RNN)模型,用于处理序列数据,具有记忆长短期的能力。在时间序列预测中,LSTM既可以多元预测机制又可以作为单元预测机制使用。LSTM的预测效果图其中MAE误差为0.15,ME误差为-0.03。,LSTM作为多元预测机制和单元预测机制的优点是可以处理序列数据中的长期依赖关系,从而可以捕捉到数据中的复杂模式和规律。它可以自适应地学习和调整模型参数,从而提高模型的预测性能和泛化能力。原创 2023-09-20 10:31:38 · 50066 阅读 · 221 评论 -
时间序列预测模型实战案例(二)(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)
MAE的误差大概在0.11,以下数据均是预测未知数据。Holt-Winters模型,也称为三重指数平滑模型,是一种经典的时间序列预测模型,用于处理具有趋势和季节性的时间序列数据。Holt-Winters模型基于指数平滑法,通过对历史数据进行加权平均来预测未来的值。它使用三个指数平滑系数来估计未来的趋势、季节性和平稳项,从而可以对未来的值进行预测。Holt-Winters模型的三个指数平滑系数分别为:α、β和γ。原创 2023-09-17 10:00:00 · 7253 阅读 · 56 评论 -
时间序列预测模型实战案例(一)深度学习华为MTS-Mixers模型
首先我们要对时间序列概念有一个基本的了解时间序列预测大致分为两种一种是单元时间序列预测另一种是多元时间序列预测单元时间序列预测是指只考虑一个时间序列的预测模型。它通常用于预测单一变量的未来值,例如股票价格、销售量等。在单元时间序列预测中,我们需要对历史数据进行分析,确定趋势、季节性和周期性等因素,并使用这些因素来预测未来的值。常见的单元时间序列预测模型有移动平均模型(MA)自回归模型(AR)自回归移动平均模型(ARMA)差分自回归移动平均模型(ARIMA)原创 2023-09-15 13:06:27 · 7468 阅读 · 97 评论