![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时间序列
文章平均质量分 87
six.学长
爱科研的小逯
展开
-
时间序列之N-BEATS(Neural Basis Expansion Analysis for Time Series Forecasting)的基展开
N-BEATS 通过基展开技术,将时间序列分解为趋势和季节性等基础模式,并使用深度神经网络逐步拟合这些模式,从而实现高精度的时间序列预测。其堆叠的 Block 结构能够逐步捕捉时间序列的复杂特征,使得 N-BEATS 成为处理多种时间序列预测任务的强大工具。原创 2024-07-04 08:42:12 · 656 阅读 · 0 评论 -
时间预测之Prophet
Prophet 通过将时间序列分解为趋势、季节性和假日效应,再加上随机残差,来进行准确的时间序列预测。其灵活性和易用性使其成为处理具有复杂模式的时间序列数据的强大工具。通过具体的数据分解和预测,Prophet 展示了其在商业应用中的巨大潜力。原创 2024-07-04 08:37:40 · 434 阅读 · 0 评论 -
为什么时间序列特征矩阵直接求点积可以反映两者之间的相关性
两个向量aa1a2anaa1a2an和bb1b2bnbb1b2bna⋅b∑i1naibia⋅b∑i1naibi点积的结果是一个标量。点积可以反映两个向量之间的相关性,因为它将向量的每个对应元素相乘并求和,结果直接与向量之间的夹角余弦成比例。通过点积可以判断两个向量是正相关、负相关还是不相关,从而在时间序列分析中用于度量特征向量的相似性。原创 2024-06-21 19:06:51 · 907 阅读 · 0 评论 -
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 · 418 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 · 808 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 · 830 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 · 772 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 · 947 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 · 385 阅读 · 0 评论