【深度学习】时间序列预测、分类、异常检测、概率预测项目实战案例目录

已于 2025-04-20 00:17:48 修改
阅读量1k 收藏 9
点赞数 7
分类专栏： PyTorch深度学习时序项目实战 文章标签： 深度学习 机器学习 pytorch 人工智能 时间序列预测 transformer 神经网络
于 2024-11-02 21:16:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_63287589/article/details/143455148
版权

说明：本专栏内容来自于个人学习笔记、以及相关项目的实践与总结。写作目的是为了让读者体会深度学习的独特魅力与无限潜力，以及在各行各业之中的应用与实践。因作者时间精力有限，难免有疏漏之处，期待与读者共同进步。

机器学习工作

前言

在当今数据驱动的时代，深入理解和准确分析时间序列数据对于众多领域至关重要。无论是金融市场的走势预测、医疗健康领域的疾病监测、交通运输的流量管控，还是能源电力的优化调度，时间序列数据都蕴含着丰富的信息和潜在的价值。

本专栏旨在为读者提供一个全面而深入的深度学习在时序数据分析领域的实战指南。通过具体的项目案例，我们将深入探讨时序预测、分类、异常检测和概率预测等关键任务，展示深度学习技术在解决这些复杂问题上的强大能力。无论是初学者还是小白都可以轻松上手，通过实战了解时序算法的精髓。

目录

第一章（更新中）

第二章 财经金融

第三章 交通运输

第七章 环境科学

第八章 能源电力

第十章 语音语言处理

①数据集下载⬅直接点击
②经典数据集

附件源码

参考链接

参考书籍

数据分析-15-时间序列异常检测及方法组合应用(案例实战)
qq_20466211的博客
09-09 385
组合使用四分位法和孤立森林法，并将其与单种方法应用的效果进行对比
目标检测YOLO实战应用案例100讲-基于深度学习目标检测的白细胞分类技术研究
qq_36130719的博客
07-04 762
白细胞（White Blood Cell，WBC）是血液的主要组成部分，也是人体免疫系 统中极其重要的安全卫士，它们可以清除细菌，抵抗感染，为人体健康筑起坚固 的防线。在血常规计数领域，常常把白细胞分成单核细胞、粒细胞和淋巴细胞[ 7]。粒细胞（Granulocyte）由骨髓中的造血干细胞分化而成，是一类细胞质中包含颗 粒体的白细胞，根据在瑞氏染色下的表现可进一步分为嗜碱性粒细胞（Basophil）、 嗜酸性粒细胞（Eosinophil）和中性粒细胞（Neutrophil）。
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）
Snu77的博客
11-30 2万+
​ 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
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）
Snu77的博客
11-26 1万+
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。
【ICLR 2023】时间序列预测实战Crossformer（附代码+数据集+详细讲解）
Snu77的博客
11-29 1万+
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。
深度学习实战案例：使用 Transformers 进行概率时间序列预测实战
Python学习与数据挖掘
04-13 1201
接下来，让我们实例化一个模型。该模型将从头开始训练，因此我们不使用 from_pretrained 方法，而是从 config 中随机初始化模型。我们为模型指定了几个附加参数:prediction_length (在我们的例子中是 24 个月) : 这是 Transformer 的解码器将学习预测的范围;context_length: 如果未指定 context_length，模型会将 context_length (编码器的输入) 设置为等于 prediction_length;
《异常检测——从经典算法到深度学习》26 Time-LLM：基于大语言模型的时间序列预测
Smileyan's blog
03-03 1万+
基于大模型的时间序列预测。
深度学习驱动的极端天气预测：时空数据异常检测与应用全解析（基于Python + TensorFlow）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
12-17 2220
摘要：时空数据异常检测在气象领域识别偏离正常模式的数据点，对极端天气预测至关重要。深度学习，尤其是LSTM网络，因其强大的特征学习能力在该领域显示出巨大潜力。通过整合多源气象数据，深度学习模型能够自动挖掘复杂模式和非线性关系，提高预测准确性。然而，挑战依然存在，包括数据质量问题、模型可解释性不足以及极端天气的内在复杂性和不确定性。未来，通过模型架构创新、训练算法优化以及探索深度学习在气候预测、气象灾害风险评估等领域的应用，有望进一步提升气象预测的准确性和效率。
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）
热门推荐
Snu77的博客
11-12 3万+
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
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）
Snu77的博客
12-07 1万+
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。
Python机器学习项目开发实战_解剖时间序列和时序数据_编程案例解析实例详解课程教程.pdf
05-06
在Python机器学习项目开发中，时间序列和时序数据分析是一个重要的领域，特别是在预测、监控和模式识别等任务中。时间序列数据是按照时间顺序排列的一系列测量值，这些数据通常包含固定时间间隔内的观测，例如金融...
深度学习入门：深度学习（完结）
2301_79704601的博客
05-15 1324
正如大家能想到的，这样的方法需要按照像素数量进行相应次forward处理，因而需要耗费大量的时间（正确地说，卷积运算中会发生重复计算很多区域的无意义的计算）。R-CNN中会将图像变形为正方形，或者在分类时使用SVM（支持向量机），实际的处理流会稍微复杂一些，不过从宏观上看，也是由刚才的两个处理（候选区域的提取和CNN特征的计算）构成的。这个递归指的是神经网络的递归的网络结构。在R-CNN的前半部分的处理——候选区域的提取（发现形似目标物体的处理）中，可以使用计算机视觉领域积累的各种各样的方法。
基于深度学习的水果识别系统设计
z17338523033的博客
05-13 506
本文介绍了基于YOLOv5s模型和PyQt框架构建的目标检测系统。首先，YOLOv5s作为轻量级目标检测模型，在保持高精度的同时具备快速推理能力。其次，系统通过PyQt设计了用户界面，包含注册和登录功能，使用SQLite3数据库存储用户信息。登录成功后进入检测界面，提供模型加载、数据加载、开始检测和摄像头检测等功能。用户可以选择训练好的模型和数据进行目标检测，检测结果实时显示在界面中。该系统整合了深度学习模型和图形界面，实现了便捷的目标检测功能。
深度学习计算
m0_73776435的博客
05-13 791
深度学习的飞速发展离不开强大的计算能力支撑。从张量计算到 GPU 加速，从自动微分到分布式计算，深度学习计算的每一项技术都如同精密仪器中的关键齿轮，推动着模型性能的不断提升。本文深入剖析深度学习计算的核心技术、优化策略以及前沿趋势，为你全方位解锁智能模型背后的算力密码。
基于EMD-PCA-LSTM的光伏功率预测模型研究
专注AI大模型,软件混淆,授权
05-14 194
本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一
使用深度学习预训练模型检测物体
xinyu的记录博客
05-14 900
使用 GeoAI 工具和预训练模型自动检测棕榈树。
YOLOv7训练时4个类别只出2个类别
最新发布
qq_48873240的博客
05-16 947
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
人工智能-深度学习之循环神经网络
m0_51678367的博客
05-14 824
LSTM文本生成实战summary1、通过搭建LSTM模型，实现了基于文本序列的字符生成功能；2、学习了文本加载、字典生成方法；3、掌握了文本的数据预处理方法，并熟悉了转化数据的结构；4、实现了对新文本数据的字符预测。
基于深度学习的高效图像失真校正框架总结
weixin_56337944的博客
05-16 799
本文介绍了一种基于深度学习的高效图像失真校正框架，该框架采用两阶段方法进行图像校正。第一阶段使用改进的GeoNet（EffiGeoNet）进行初步校正，通过模型剪枝和知识蒸馏实现轻量化；第二阶段通过图像配准优化，消除残留失真。实验表明，该方法在PSNR和SSIM指标上分别提高了10.39%和30.42%，处理速度提升了85%。该框架适用于多种失真类型，并在医疗内窥镜等实际场景中表现出色。未来研究方向包括增强全局特征提取能力和开发无需参考图像的端到端校正网络。代码和数据已开源，便于复现和进一步研究。
英文文本情感预测：机器学习与深度学习算法实战
本资源主要聚焦于利用多种机器学习和深度学习算法对英文文本进行情感分析，预测文本的情感标签，其中涉及的算法包括逻辑回归（LR）、随机森林（Random Forest）、梯度提升决策树（GBDT）和长短期记忆网络（LSTM）。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

矩阵猫咪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值