深度学习
文章平均质量分 77
Liuxu0903
努努力哦,学习的反馈很慢
展开
-
深度学习多水平时间序列预测:TFT(Temporal Fusion Transformers)
二、模型架构一、引出TFT模型(一)最近的多水平预测深度学习方法除了要预测的变量。(1)静态协变量(不随时间变化)(2)时变变量(随时间变化):1)过去观察到的 (如预测温度时,湿度,气压,风速等变量)2)未来已知的(如,月份,星期,天,小时等)。可以有关时间动态的,并同时在各种数据集上保持最先进的性能。(二)基于注意力的时间序列可解释模型没有考虑静态协变量的重要性,每个。原创 2024-04-16 20:47:54 · 1933 阅读 · 0 评论 -
基于时域融合Transformers的可解释预测模型及其应用研究
为了提高时间序列模型预测的准确性及可解释能力。提出了两部分组合模型:变分模态分解(variational mode decomposition,VMD)用于充分挖掘原始数据特征将原始数据分解为多个模态,充分挖掘原始数据特征。将分解结果输入到TFT预测模型中,得到可解释性的预测结果。时域融合变换器(temporal fusion transformers,TFT)在保证高性能预测的同时为预测过程提供一定的解释分解的白卡纸价格子序列的重要性排序。原创 2024-05-14 11:25:55 · 1153 阅读 · 0 评论 -
pycharm 跑深度学习代码报错:No module named tft_torch
'tft_torch'是自定义的一个包,但是在当前文件导入时侯找不到。原创 2024-04-13 21:40:58 · 299 阅读 · 0 评论