时间序列
文章平均质量分 87
six.学长
爱科研的小逯
展开
-
深刻理解Informer中的Scalar和Stamp(通俗易懂版)
Scalar(数值特征):代表时间序列中的实际数值信息,如温度、湿度等。Stamp(时间戳特征):代表时间序列中的时间标记信息,如日期、一年中的第几天等。通过同时处理Scalar和Stamp特征,Informer模型能够更好地捕捉时间序列数据中的数值和时间依赖性特征,从而提高预测的准确性。原创 2024-06-19 10:51:17 · 284 阅读 · 0 评论 -
Informer 的输入表示
这个图展示了如何将不同类型的嵌入(embeddings)组合起来形成最终的输入向量。具体来说,它展示了三种嵌入的组合:标量投射(Scalar Projection)、局部时间戳嵌入(Local Time Stamp Position Embeddings)和全局时间戳嵌入(Global Time Stamp Embeddings)。原创 2024-06-18 16:30:40 · 794 阅读 · 0 评论 -
时间序列之标量上下文
输入向量中的αuti部分代表的是将标量上下文投射到特征维度 d上的向量,乘以一个平衡因子α。原创 2024-06-18 15:31:40 · 823 阅读 · 0 评论 -
时间序列之时间戳嵌入
时间戳嵌入,SE6表示第6个位置的全局时间戳嵌入(Stamp Embedding),其中SE是可学习的嵌入向量。这些嵌入向量帮助模型捕捉序列数据中全局时间信息,如小时和分钟。原创 2024-06-18 15:19:27 · 748 阅读 · 0 评论 -
时间序列之时间步
在序列建模中,(time step)通常指的是序列中每个元素的位置,这个位置可以表示为序列的索引。时间步在处理时序数据(如时间序列、文本序列等)时尤为重要,因为它帮助模型捕捉序列中数据点的时间依赖关系。原创 2024-06-18 15:08:15 · 909 阅读 · 0 评论 -
为什么普通的机器学习/深度学习算法无法处理时间序列数据?你了解时序算法设计过程中的核心需求吗?
为什么普通的机器学习/深度学习算法无法处理时间序列数据?你了解时序算法设计过程中的核心需求吗?原创 2024-06-16 15:14:13 · 361 阅读 · 0 评论