目录
创新点1:结合时空卷积网络(TCN)与Transformer,TCN用于提取序列的全局空间特征,而Transformer用于捕捉序列的长期时序依赖,采用这种并行结构能够提升模型的训练和推理效率。
创新点2:采用交叉注意力并行网络融合时空特征,能有效整合时序与空间关系,进而更精准地捕获时空序列数据的复杂特征,从而提升预测的精度和模型的表现力。
1、数据集介绍
多特征输入,单特征输出
2、代码展示
①特征重要性分析
②训练图
③预测拟合图
目录
创新点1:结合时空卷积网络(TCN)与Transformer,TCN用于提取序列的全局空间特征,而Transformer用于捕捉序列的长期时序依赖,采用这种并行结构能够提升模型的训练和推理效率。
创新点2:采用交叉注意力并行网络融合时空特征,能有效整合时序与空间关系,进而更精准地捕获时空序列数据的复杂特征,从而提升预测的精度和模型的表现力。
多特征输入,单特征输出
①特征重要性分析
②训练图
③预测拟合图