时间序列预测-Transformer,Informer,Autoformer,FEDformer复现结果

最新推荐文章于 2024-09-17 08:00:00 发布

幸运的小菜鸟

最新推荐文章于 2024-09-17 08:00:00 发布

阅读量684

点赞数 1

文章标签： transformer 人工智能论文阅读

本文链接：https://blog.csdn.net/qq_41825704/article/details/134403698

版权

实验环境	硬件规格或软件版本号
CPU	Inter® Xeon® E5-2678 v3 @2.50GHz
GPU	NVIDIA TITAN X (Pascal)
内存	32.0GB
Python	3.7.3
Pytorch	1.2.0
CUDA	11.6

实验结果

在这里插入图片描述

可视化实验结果

见资源

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

幸运的小菜鸟

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

Transformer 与传统模型Informer

RA AI衍生者训练营的博客

08-31

1086

Transformer 与传统模型：Informer 如何改变时间序列预测的规则Transformers 是那些聪明的注意力构建者，它们在机器学习的各个领域掀起了波澜。但在时间序列预测领域，它们才真正大显身手。你可能会问，为什么？想象一下，有一个水晶球，它不仅能看到未来，还能理解导致未来的复杂过去事件网络。这就是 Transformers 带来的好处。

深度学习-时间序列预测-Informer模型-课程讲解ppt-组会ppt分享

05-21

【Informer模型详解】 ...总的来说，Informer模型是时间序列预测领域的一个重要进展，它通过一系列创新技术优化了Transformer模型，使其更适合处理长序列数据，为深度学习在时间序列预测领域的应用开辟了新的可能。

参与评论您还未登录，请先登录后发表或查看评论

Transformer在时间序列预测中的应用

12-11

Transformer王者归来！无需修改任何模块，时序预测全面领先

最新发布

Android23333的博客

09-17

529

作者受多维时间序列的本身的数据特性启发，反思了现有Transformer在建模时序数据的问题，提出了一个通用的时序预测框架iTransformer。iTransformer框架创新地引入倒置的视角观察时间序列，使得Transformer模块各司其职，针对性完成时序数据两个维度的建模难题，展现出优秀的性能和通用性。面对Transformer在时序预测领域是否有效的质疑，作者的这一发现可能启发后续相关研究，使Transformer重新回到时间序列预测的主流位置，为时序数据领域的基础模型研究提供新的思路。

【python量化】多种Transformer模型用于股价预测（Autoformer, FEDformer和PatchTST等）

敲代码的quant的博客

12-24

7591

写在前面在本文中，我们利用Nixtla的NeuralForecast框架，实现多种基于Transformer的时序预测模型，包括：Transformer, Informer, Autoformer, FEDformer和PatchTST模型，并且实现将它们应用于股票价格预测的简单例子。1NeuralForecastneuralforecast 是一个旨在为时间序列预测提供一个丰富的、高度可用和鲁棒...

基于Transformer的长时间序列代码汇总（Autoformer,PEDformer,Informer...等15个算法代码

06-11

基于Transformer的长时间序列代码汇总（Autoformer,PEDformer,Informer，Crossformer,ETSformer,Pyraformer,TimesNet,Reformer,DLinear等15个时间序列预测，分类算法代码汇总）含电力，ETT油温，外汇，病情，交通车流量，天气等数据集

Informer：改进Transformer的长序列时序预测模型

zzh1464501547的博客

06-09

3686

Informer：改进Transformer的长序列时序预测模型 Submitted on 14 Dec 2020 (v1), last revised 28 Mar 2021 (this version, v3) 关注人工智能学术前沿回复：ts21 5秒免费获取论文pdf文档，及项目源码摘要许多现实世界的应用需要长序列时间序列的预测，例如电力消耗规划预测。长序列时间序列预测(LSTF)要求模型具有较高的预测能力，即能够准确地捕捉输出与输入之间的长期依赖关系。近年来的研究表..

基于TCN-Transformer模型的时间序列预测（Python完整源码）

11-21

基于TCN-Transformer模型的时间序列预测（Python完整源码），可以用于做光伏发电功率预测，风速预测，风力发电功率预测，负荷预测等，python程序 python代码，pytorch 基于TCN-Transformer模型的时间序列预测...

time-series-prediction:天池时间序列预测比赛的回购-源码_transformer股票预测,时间序列预测比赛

04-11

2月22日打卡学习记录 ...。太难了我的天。通过pycharm终端构建图像将图像推送到我的注册表成功记录得分：-16 2月26日打卡学习记录因为数据很多，所以我们使用tsfresh来生成...后续思路是使用transformer来进行预测。

Autoformer与Informer代码材料//欢迎讨论

To be a better man

05-26

940

https://github.com/zhouhaoyi/Informer2020/issues/187 关于预测值的masking · Issue #263 · zhouhaoyi/Informer2020 · GitHub

机器学习论文源代码浅读：Autoformer

thorn_r的博客

10-23

3305

原本想要和之前一样写作“代码复现”，然而由于本人一开始对于Autoformer能力理解有限，参考了一定的论文中的源代码，写着写着就发现自己的代码是“加了注释版本”的源代码，故而只能是源代码的浅读，而非复现。

论文笔记-时序预测-FEDformer

weixin_44611266的博客

12-10

1701

论文笔记-时序预测-FEDformer

FEDformer 代码分析（2）

weixin_45193103的博客

11-24

2548

可以看到，下面两个红色的都是一个东西，但是因为多头注意力的存在，使得这里面的东西分成了两份，x也是有一样的意思，他分成了8份，然后64份，然后是96，也就是他最里面的基本的元素是96这个序列长度的每一个基本的单位，第一个里面是，所有的96的第一个单位，第二个里面是96里面的第二个单位这样。也就是说，每一个位置的1这个地方，都是他的第一个feature的值。这个x的维度是，（1,8,64,96），所以，他最里面的feature的组成是time_stamp，也就是这96个点的一个维度的feature。

论文笔记-时序预测-Autoformer

weixin_44611266的博客

12-10

864

论文笔记-时序预测-Autoformer

探索未来之钥：FEDformer - 长期时间序列预测的新里程碑

gitblog_00085的博客

06-02

1209

探索未来之钥：FEDformer - 长期时间序列预测的新里程碑 ICML2022-FEDformer项目地址:https://gitcode.com/gh_mirrors/ic/ICML2022-FEDformer 在数据驱动的时代，时间序列预测一直是工业界与学术界的焦点。长序列的准确预测对于能源管理、金融交易、供应链优化等领域至关重要。今天，我们特别向您推荐一项前沿技术——FEDformer...

Autoformer算法与代码分析

buchuankuzi_的博客

12-20

8459

Autoformer的原理以及代码的详细分析

五大模型看深度学习用于时序预测的最新进展

Sharon0408的博客

11-09

2288

近年来，学术界针对时间序列的特点，设计了一系列的深度学习架构模型。本篇文章将介绍 N-BEATS、N-BEATSx、N-HiTS、FEDformer 以及 DeepTiMe 五个最新深度学习架构模型。

论文笔记：FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting

qq_40206371的博客

02-26

2442

2022 ICML。