深度学习算法
文章平均质量分 80
深度学习算法
优惠券已抵扣
余额抵扣
还需支付
¥29.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
前程算法屋
数据分析与算法实践 在此声明,本人与其他账号没有任何关联,凡是打着本人旗号的其他任何人本人概不负责,谢谢
展开
-
锂电池剩余使用寿命预测(RUL) | 基于Attention-Multihead-CNLSTM的锂电池寿命预测
锂电池剩余使用寿命预测(RUL) | 基于Attention-Multihead-CNLSTM的锂电池寿命预测原创 2024-01-27 17:59:41 · 162 阅读 · 2 评论 -
锂电池剩余使用寿命预测(RUL) | 基于Stacked-LSTM-Autoencoder的锂电池寿命多变量多步预测(Tensorflow)
锂电池剩余使用寿命预测(RUL) | 基于Stacked-LSTM-Autoencoder的锂电池寿命多变量多步预测(Tensorflow)原创 2024-01-25 16:12:35 · 259 阅读 · 0 评论 -
锂电池剩余使用寿命预测(RUL) | 基于Transformer的锂电池剩余使用寿命预测(Python)
锂电池剩余使用寿命预测(RUL) | 基于Transformer的锂电池剩余使用寿命预测(Python)原创 2024-01-24 09:44:06 · 592 阅读 · 0 评论 -
模式分类识别 | Python实现基于TCN时间卷积网络实现模式分类识别
模式分类识别 | Python实现基于TCN时间卷积网络实现模式分类识别原创 2022-11-19 17:26:15 · 1142 阅读 · 0 评论 -
图卷积神经网络 | Python实现基于GCN-GRU图卷积门控循环单元网络模型
图卷积神经网络 | Python实现基于GCN-GRU图卷积门控循环单元网络模型原创 2022-11-19 16:47:50 · 2367 阅读 · 0 评论 -
时间序列分析 | Python实现STID多元时间序列预测
时间序列分析 | Python实现STID多元时间序列预测原创 2022-11-03 23:04:28 · 1783 阅读 · 0 评论 -
图神经网络 | Python实现基于时空图卷积GNN + LSTM 模型预测(多变量方法)
图神经网络 | Python实现基于时空图卷积 + LSTM 模型预测(多变量方法)原创 2022-10-29 22:34:42 · 3413 阅读 · 0 评论 -
图与网络分析 | Python实现基于GNN图神经网络建模和预测
图与网络分析 | Python实现基于GNN图神经网络建模和预测原创 2022-10-28 22:52:53 · 2818 阅读 · 0 评论 -
图与网络分析 | Python实现基于GNN图神经网络和CNN卷积神经网络模型的数据预测分析
图与网络分析 | Python实现基于GNN图神经网络和CNN卷积神经网络模型的数据预测分析原创 2022-10-28 22:21:10 · 1905 阅读 · 0 评论 -
模式分类识别 | Python实现基于LGBM模型的信用类型识别预测
模式分类识别 | Python实现基于LGBM模型信用类型识别预测原创 2022-10-27 22:34:43 · 1099 阅读 · 0 评论 -
时间序列分析 | Python实现Time2Graph时间序列GNN建模
时间序列分析 | Python实现Time2Graph时间序列GNN建模原创 2022-10-20 23:08:20 · 1078 阅读 · 0 评论 -
交通状态预测 | Python实现基于LSTM的客流量预测方法
交通状态预测 | Python实现基于LSTM的客流量预测方法原创 2022-10-07 15:13:08 · 2531 阅读 · 1 评论 -
时间序列预测 | Python实现Attention-Transformer时间序列预测
时间序列预测 | Python实现Attention-Transformer时间序列预测(TSAT model)原创 2022-09-25 13:27:18 · 2683 阅读 · 0 评论 -
深度学习算法 | Python实现深度学习调参(RNN、CNN)
深度学习算法 | Python实现深度学习调参(RNN、CNN)原创 2022-09-04 20:40:56 · 940 阅读 · 0 评论 -
交通状态预测 | Python实现基于Social-LSTM的轨迹预测方法
交通状态预测 | Python实现基于Social-LSTM的轨迹预测方法原创 2022-08-29 09:30:49 · 3317 阅读 · 0 评论 -
经济数据预测 | Python实现CNN-LSTM股票价格预测时间序列预测
经济数据预测 | Python实现CNN-LSTM股票价格预测时间序列预测原创 2022-08-27 14:16:48 · 2875 阅读 · 1 评论 -
经济数据预测 | Python实现机器学习(MLP、XGBoost)金融市场预测
经济数据预测 | Python实现机器学习(MLP、XGBoost)金融市场预测原创 2022-08-14 16:24:08 · 2097 阅读 · 0 评论 -
模式分类识别 | Python实现基于LSTM-CNN的深度学习模式分类识别
模式分类识别 | Python实现基于LSTM-CNN的深度学习模式分类识别原创 2022-08-13 17:10:16 · 1997 阅读 · 0 评论 -
经济数据预测 | Python实现RNN股票价格时间序列预测
股票价格预测 | Python实现RNN股票价格时间序列预测目录股票价格预测 | Python实现RNN股票价格时间序列预测基本介绍发展历史程序设计学习总结基本介绍RNN循环神经网络它由输入层、一个隐藏层和一个输出层组成。x是一个向量,它表示输入层的值(这里面没有画出来表示神经元节点的圆圈);s是一个向量,它表示隐藏层的值(这里隐藏层面画了一个节点,你也可以想象这一层其实是多个节点,节点数与向量s的维度相同);U是输入层到隐藏层的权重矩阵,o也是一个向量,它表示输出层的值;V是隐藏层到输出原创 2022-05-29 19:35:57 · 2410 阅读 · 0 评论 -
交通状态预测 | Python实现基于Transformer的交通流预测
交通状态预测 | Python实现基于Transformer的交通流预测目录交通状态预测 | Python实现基于Transformer的交通流预测基本介绍模型构建程序设计学习总结基本介绍使用的模型是一个传统基于 编码器-解码器的Transformer,其中编码器部分将时间序列的历史作为输入,而解码器部分以自回归的方式预测未来的值。模型构建首先初始化模型该部分初始化一些参数,定义输入输出的编码器和解码器等操作。def __init__( self, n_encoder_原创 2022-05-26 22:25:20 · 4922 阅读 · 0 评论 -
时序卷积网络 | Python实现TCN时序卷积网络数据预测
时序卷积网络 | Python实现TCN时序卷积网络数据预测目录时序卷积网络 | Python实现TCN时序卷积网络数据预测基本介绍工作原理程序设计参考资料基本介绍本文绍时序卷积网络TCN(Temporal Convolutional Network),专门针对时序的卷积网络。CNN 卷积神经网络几乎是深度神经学习的代名词,主要用于图像处理。一维的CNN也可以用于时序方面的挖掘。CNN一般包含卷积层和池化层,卷积计算互相关,所以可以挖掘时序的相关性,池化层可以进行降维,用于提取特征。卷积CN原创 2022-05-05 20:57:23 · 4163 阅读 · 0 评论 -
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测
交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测目录交通状态预测 | Python实现基于扩散卷积和GNN的交通流时空预测基本介绍环境配置数据处理模型结构程序设计参考资料基本介绍将交通流建模为有向图上的扩散过程,并引入扩散卷积递归神经网络 (Diffusion Convolutional Recurrent Neural Network,DCRNN),这是一种用于交通预测的深度学习框架,它在交通流中结合了空间和时间依赖性。具体来说,DCRNN 使用图上的双向随机游走来捕获空间依原创 2022-05-01 14:26:01 · 1653 阅读 · 0 评论 -
经济数据预测 | Python实现ARIMA模型股票趋势预测
经济数据预测| Python实现ARIMA模型股票趋势预测目录经济数据预测| Python实现ARIMA模型股票趋势预测基本介绍数据描述程序设计参考资料基本介绍随着人们生活水平的提高,人们的投资方式也在发生着巨大的变化,越来越多的人开始关注并参与到股票市场投资中去。股票具有高收益的同时也具有高风险性,股票市场受众多因素的影响,价格令人无法捉摸,股票价格预测的研究具有巨大的价值,因此对于股票价格的预测从股票市场诞生之日起,就成了股民与学者们不懈探索的难题。本文以此为背景,建立ARIMA模型,用于研究原创 2022-04-28 20:10:15 · 5097 阅读 · 0 评论 -
经济数据预测 | Python实现金融时间序列数据DateTime方法
经济数据预测| Python实现金融时间序列数据DateTime方法目录经济数据预测| Python实现金融时间序列数据DateTime方法基本介绍程序设计总结基本介绍对于 Pandas 来说,可以处理众多的数据类型,其中最有趣和最重要的数据类型之一就是时间序列数据。时间序列数据无处不在,它在各个行业都有很多应用。患者健康指标、股票价格变化、天气记录、经济指标、服务器、网络、传感器和应用程序性能监控都是时间序列数据的应用方向。我们可以将时间序列数据定义为在不同时间间隔获得并按时间顺序排列的数据点的原创 2022-04-26 19:50:26 · 1126 阅读 · 0 评论 -
时间序列分析 | Python实现时序周期可视化
时间序列分析 | Python实现时序周期可视化目录时间序列分析 | Python实现时序周期可视化基本介绍方法介绍总结基本介绍经典的时序分解方法是基于STL(季节,趋势)的,所以季节性分量是几乎每个时序的重要组成。今天介绍一下季节分量的可视化,想要可视化季节分量,一般我们需要思考两个变量:我们需要观察的季节周期是多少(Period_min)?我们想要同比的周期是多少(Period_max)?为了更好的解释,我把这两个变量分别称为Period_min 和Period_max。方法介绍原创 2022-04-25 16:12:49 · 2729 阅读 · 0 评论 -
股票价格预测 | Python实现LSTM股票价格时间序列预测
股票价格预测 | Python实现LSTM股票价格时间序列预测目录股票价格预测 | Python实现LSTM股票价格时间序列预测基本介绍数据集程序下载总结基本介绍长短时记忆(LSTM)是一种能增加递归神经网络(RNN)记忆的模型。递归神经网络保留短期记忆,因为它们允许在当前神经网络中更早地确定信息。对于即时任务,RNN使用早期的数据,但我们可能没有利用神经元所有的早期信息。在RNN中,LSTM得到了广泛的应用。视频、自然语言处理、地理空间和时间序列等多个应用领域中,都证实了LSTM的有效性。RN原创 2022-04-25 15:37:58 · 1503 阅读 · 0 评论 -
时间序列分析 | Python时间序列预测理论一览
时间序列分析 | Python时间序列预测理论一览目录时间序列分析 | Python时间序列预测理论一览基本介绍特性描述建模方法规则介绍模型分类传统时序模型树模型线性回归神经网络模型学习总结基本介绍时间序列预测(Time Series Prediction),就是给出某个量历史一段时间中的变化情况,以预测未来一段时间内(或未来一个时刻)的变化情况。按照给出的历史数据变量可以进行进一步划分:一种只提供需要预测量自己的历史数据,也可称为自回归预测;另一种则同时给出其他变量,例如要预测未来几天温度,在给出原创 2022-04-24 15:30:20 · 1812 阅读 · 0 评论 -
时间序列预测 | Python实现CNN-LSM模型时间序列预测
时间序列预测 | Python实现CNN-LSM模型时间序列预测目录时间序列预测 | Python实现CNN-LSM模型时间序列预测基本介绍环境准备程序设计数据处理模型搭建结果分析模型评估总结基本介绍这篇文章将带大家通过Tensorflow框架搭建一个基于CNN-LSTM的简单股票价格预测模型,这个模型首先是将一个窗口的股票数据转换为一个2D的图像数据,然后通过CNN进行特征提取。文中,通过64个filter来进行特征提取,之后通过Relu函数进行激活,接着通过max-pooling进行池化处理,原创 2022-04-01 21:27:44 · 5050 阅读 · 0 评论 -
时间序列预测 | Pytorch实现Transformer模型时间序列预测
时间序列预测 | Python实现Transformer模型时间序列预测目录时间序列预测 | Python实现Transformer模型时间序列预测基本介绍环境配置程序设计导入库模型构建数据预处理模型评估效果分析总结基本介绍Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型,现在比较火热的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 机制,不采用 RNN 的顺序结构,使得模型可以并行化训练,而原创 2022-04-01 20:55:41 · 5078 阅读 · 1 评论 -
时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测
时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测目录时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测数据描述特征工程构建模型程序设计致谢数据描述首先读取数据,并找到对应的日期列from datetime import datetime, date df['date'] = pd.to_datetime(df['date'], format = '%d/%m/%Y')其中特征列为Rainfall、Temperatu原创 2022-03-29 17:23:01 · 4882 阅读 · 1 评论 -
时间序列预测 | Python实现GAN时间序列数据生成建模
时间序列预测 | Python实现GAN时间序列数据生成建模目录时间序列预测 | Python实现GAN时间序列数据生成建模基本介绍实例分析程序设计总结基本介绍TimeGAN,这是一种专门用于生成合成时间序列数据的方法。时间序列数据基本上是上表在第 3 维的扩展,其中每个新表只是新时间步长的另一个数据集。那么时间序列数据与常规表格数据主要的区别是时间序列数据与表格数据相比有更多的数据点实例。实例分析如果我们看一下下面数据集,它实际上看起来只是一个常规的表格数据集,每一行都意味着一个新的时原创 2022-03-21 14:53:57 · 4035 阅读 · 1 评论 -
时间序列预测 | Python实现梯度提升时间序列数据预测
时间序列预测 | Python实现梯度提升时间序列数据预测目录时间序列预测 | Python实现梯度提升时间序列数据预测基本介绍知识回顾实验方法程序设计总结基本介绍基于树的算法在机器学习生态系统中是众所周知的,它们以主导表格的监督任务而闻名。在学习过程中,树的分裂标准只关注相关特征和有用值的范围,所以给定一组表格特征和要预测的目标,无需太多配置和特定的预处理就可以得到令人满意的结果。但是基于树和梯度提升模型在时间序列预测领域的表现并不好,很多人更倾向于深度学习的方法。这并不奇怪,因为基于树的模型原创 2022-03-20 10:02:18 · 497 阅读 · 0 评论 -
时间序列预测 | Python实现LSTM多变量时间序列数据预测
时间序列预测 | Python实现LSTM多变量时间序列数据预测目录时间序列预测 | Python实现LSTM多变量时间序列数据预测基本介绍程序设计参考资料基本介绍时间序列分析(Time-Series Analysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素,然后综合这些因素,提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测,提取图像有关特征,并分析其变化过程与发展规模。当然,首先需要根据检测对象的时相变化特点来确定遥感监测的周期,从而选择合适的遥感数据。原创 2022-02-05 09:12:06 · 6836 阅读 · 0 评论 -
时间序列预测 | Python实现Transformer时间序列数据预测
时间序列预测 | Python实现Transformer时间序列数据预测目录时间序列预测 | Python实现Transformer时间序列数据预测基本介绍Transformer设计Transformer预测参考资料基本介绍Transformer模型最初由Google团队于2017年提出并应于机器翻译,其抛弃了传统循环神经网络提取序列信息的方式,开创性的提出了注意力机制实现快速并行,改进了循环神经网络训练慢的缺点。该模型的特点:完全基于注意力机制,完全摒弃了递归和卷积。它是一种模型架构,避免了原创 2022-01-08 14:38:24 · 9518 阅读 · 2 评论 -
时间序列预测 | Python实现ARIMAX和VARMAX时间序列数据预测
时间序列预测 | Python实现ARIMAX和VARMAX时间序列数据预测目录时间序列预测 | Python实现ARIMAX和VARMAX时间序列数据预测基本介绍ARIMAXVARVARMAVARMAXSESHWES参考资料基本介绍本文介绍ARIMAX、VAR、VARMA和VARMAX基本概念及其Python程序设计。ARIMAX具有外源回归量的自回归整合移动平均值(ARIMAX)是 ARIMA 模型的扩展,其还包括外生变量的建模。外生变量也称为协变量,可以被认为是并行输入序列,其在与原创 2022-01-08 14:13:38 · 5804 阅读 · 2 评论 -
时间序列预测 | Python实现ARIMA时间序列数据预测
时间序列预测 | Python实现ARIMA时间序列预测目录时间序列预测 | Python实现ARIMA时间序列预测基本介绍程序设计自回归 (AR)移动平均线 (MA)自回归移动平均线 (ARMA)自回归综合移动平均线 (ARIMA)季节性自回归综合移动平均 (SARIMA)参考资料致谢基本介绍时间序列预测是机器学习中一个经常被忽视的重要领域。时间序列在观察之间添加了显式的顺序依赖性:时间维度。这个额外的维度既是一个约束,也是一个提供额外信息来源的结构。使用经典统计时,主要关注的是时间序列的分析原创 2021-11-06 17:03:30 · 2093 阅读 · 0 评论 -
数据预测分析 | Matlab实现TCN时间卷积网络数据预测分析
数据预测分析 | Matlab实现TCN时间卷积网络数据预测分析目录数据预测分析 | Matlab实现TCN时间卷积网络数据预测分析基本介绍数据下载程序设计参考资料致谢基本介绍此示例说明如何使用通用时间卷积网络 (TCN) 对序列数据的每个时间步进行分类。虽然序列到序列的任务通常使用循环神经网络架构来解决,但 Bai 等人表明卷积神经网络可以在典型的序列建模任务上与循环网络的性能相匹配,甚至优于它们。使用卷积网络的潜在好处是更好的并行性、更好地控制感受野大小、更好地控制训练期间网络的内存占用以原创 2021-10-30 15:56:24 · 2486 阅读 · 2 评论 -
时间序列预测 | Python实现GRU时间序列数据预测
目录GRU门控循环单元GRU原理GRU数据下载GRU程序设计预测准备GRU模块定义模型训练模型评估参数设定运行结果参考资料致谢GRU门控循环单元GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network, RNN)的一种。和LSTM(Long-Short Term Memory)一样,也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。相比LSTM,使用GRU能够达到相当的效果,并且相比之下更容易进行训练,能够很大程度上提高训练效率,因此很多原创 2021-07-15 19:43:23 · 4570 阅读 · 0 评论 -
转移概率预测 | Matlab实现马尔可夫转移概率矩阵计算
目录马尔可夫模型马尔可夫性质转移概率计算参考资料致谢马尔可夫模型马尔可夫链因安德烈·马尔可夫(Andrey Markov,1856-1922)得名,是数学中具有马尔可夫性质的离散时间随机过程。该过程中,在给定当前知识或信息的情况下,过去(即当期以前的历史状态)对于预测将来(即当期以后的未来状态)是无关的,时间和状态都是离散的马尔可夫过程称为马尔可夫链。马尔可夫链是满足下面两个假设的一种随机过程:t+l时刻系统状态的概率分布只与t时刻的状态有关,与t时刻以前的状态无关;从t时刻到t+l时刻的状原创 2021-07-14 21:29:50 · 8088 阅读 · 0 评论 -
数据分析应用 | Python实现拉格朗日插值法数据预处理
目录基本原理程序设计不规则间隔插值缺失数据的插值数据下载知识拓展参考资料致谢在数值分析中,拉格朗日插值法是以法国18世纪数学家约瑟夫·拉格朗日命名的一种多项式插值方法。许多实际问题中都用函数来表示各结果之间某种内在联系或规律,而不少函数都只能通过繁复实验和多次观测来了解。而,如果对实践中的某个物理量进行观测,在若干个不同的地方得到相应的观测值,拉格朗日插值法可以找到一个多项式,其恰好在各个观测的点取到观测到的值。上面这样的多项式就称为拉格朗日(插值)多项式(Lagrange polynomial)。数学原创 2021-07-01 16:44:04 · 650 阅读 · 0 评论