TCN-Transformer时间序列预测（多输入单预测）——基于Pytorch框架

1 数据集介绍

我们使用的数据集包含以下几个重要的属性：

• date（日期）

• open（开盘价）

• high（最高价）

• low（最低价）

• close（收盘价）

• pre_close（前收盘价）

• change（变动）

• pct_chg（涨跌幅）

• volume（成交量）

• amount（金额）

我们的目标是预测 amount（金额），这对于股票交易和投资决策至关重要。

2 处理方法

（1）简介

原始论文：https://arxiv.org/pdf/1803.01271

原始代码：https://github.com/LOCUSLAB/tcn

    TCN的基本过程是膨胀因果卷积。卷积结束后，由于padding 的原因，卷积之后的新数据尺寸BB会大于输入数据的尺寸A，因此只保留输出数据中的前面A个数据。然后在卷积之后加上ReLU和Dropout层。另外，TCN中并不是每次卷积都会扩大一倍的 dilation，而是每两次扩大一倍的 dilation。TCN 中的基本组件 TemporalBlock() 是两个 dilation 相同的卷积层，结构如下：

• 卷积 + 修改数据尺寸 + ReLU + Dropout

• 卷积 + 修改数据尺寸 + ReLU + Dropout

之后加上一个 Resnet 残差连接来避免梯度消失

（2）实验结果

 

代码下载链接： TCN-Transformer时间序列预测（多输入单预测）——基于Pytorch框架 (qq.com)

 最后：

小编会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！