![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时间序列
文章平均质量分 76
mingo_敏
这个作者很懒,什么都没留下…
展开
-
MOMENT: A Family of Open Time-series Foundation Models
MOMENT是一个用于通用时间序列分析的开源基础模型系列。由于缺少大型公共时间序列存储库、时间序列特征多样以及缺乏实验基准等挑战,预训练这些模型变得困难。因此,科研人员创建了庞大的公共时间序列集合,并解决了特定挑战以实现大规模多数据集预训练。他们还设计了一个基准来评估这些模型在有限监督设置下的性能。实验表明,预训练模型在少量数据和特定任务微调下表现有效。原创 2024-04-10 10:29:45 · 1320 阅读 · 0 评论 -
基于IV曲线数据的光伏故障智能诊断(PyTorch)
本文代码和数据地址: TimeSeries数据来自自有采集数据,分为正常和故障两个类别,其中 train:1398,val:350。加载数据类2 模型模型主要基于 shufflenet_v2改造,将Conv2d, BatchNorm2d, channel_shuffle2d 改为 Conv1d, BatchNorm1d, channel_shuffle1d,输入为 N * 2 * 100, 输出为 N * 2。3 训练训练代码:原创 2022-09-06 20:00:58 · 1330 阅读 · 4 评论 -
NeuralProphet之八:NeuralProphet部署
新版本的neuralprophet/utils.py文件下实现了 save和load函数用于模型保存和加载。NeuralProphet之八:NeuralProphet部署。将模型存储到本地,并在需要的时候将其导入。原创 2022-08-30 11:16:54 · 1546 阅读 · 3 评论 -
NeuralProphet之六:多元时间序列预测
NeuralProphet 通过滞后回归(Lagged Regressors)为时间序列预测目标加入其他协变量。NeuralProphet通过add_lagged_regressor注册协变量。NeuralProphet之六:多元时间序列预测。原创 2022-08-29 19:40:36 · 2401 阅读 · 1 评论 -
时间序列论文: NeuralProphet: Explainable Forecasting at Scale
NeuralProphet是一个基于PyTorch实现的客户友好型时间序列预测工具,延续了2018年Facebook开源预测工具Prophet的主要功能,主要用于时序数据分析(个人使用体验:最好是具备显著时序特征的数据)。NeuralProphet是在一个完全模块化的架构中开发的,这使得它可以在未来增加额外组件,可扩展性很强。........................原创 2022-08-24 09:47:45 · 1893 阅读 · 0 评论 -
NeuralProphet之七:NeuralProphet + Optuna
NeuralProphet之七:NeuralProphet + Optuna数据来自真实园区数据,训练集为2022年8月01日到2022年8月14日园区的耗电量,每隔5分钟采集一次;测试集为2022年8月15日到2022年8月21日园区的耗电量,每隔5分钟采集一次;要求:预测接下来1H的耗电量。导入库导入数据。...原创 2022-08-22 20:37:01 · 1716 阅读 · 0 评论 -
NeuralProphet之二:季节性(Seasonality)
seasonality_mode="multiplicative"比seasonality_mode="additive"可能效果更好。seasonality_mode="multiplicative"预测。NeuralProphet之二:季节性(Seasonality)seasonality_mode="additive"预测。NeuralProphet中的季节性使用傅里叶项建模。是关于要模拟的季节成分。...原创 2022-08-19 20:23:22 · 1627 阅读 · 0 评论 -
NeuralProphet之三:回归(Regressors)
NeuralProphet之三:Regressors原创 2022-08-19 10:24:40 · 1762 阅读 · 0 评论 -
NeuralProphet之五:多时序预测模型
NeuralProphet之四:多时序预测模型实际环境下,我们可能会遇到多个时序数据,比如同一小区的不同楼栋的用电量预测,虽然不同楼栋的用电量幅值差异较大,但是他们之间的数据周期性还是有些相似的,因此我们需要global model来处理多时序预测。还是以自带的美国的电力消耗数据(load_ercot_regions.csv)为例,首先加载数据数据预处理。.........原创 2022-08-18 19:40:37 · 2233 阅读 · 3 评论 -
NeuralProphet官方示例二:日照辐射强度预测(Forecasting hourly solar irradiance)
代码来自:https://neuralprophet.com/html/energy_solar_pv.html使用90%的数据用来训练,10%的数据用来测试。加载库和数据。原创 2022-08-16 20:57:21 · 1262 阅读 · 0 评论 -
NeuralProphet官方示例一:建筑物用电量预测(Building load forecasting)
代码来自:https://neuralprophet.com/html/energy_hospital_load.html数据集包含一整年的每小时观测值。使用前11个月的数据用来训练,留最后一个月用来评估。加载库和数据。原创 2022-08-16 20:47:38 · 1825 阅读 · 0 评论 -
NeuralProphet之一:安装与使用
NeuralProphet模型集成了Prophet的所有优点,不仅具有不错的可解释性,还有优于Prophet的预测性能。梯度下降通过使用PyTorch作为后端进行优化。使用 AR-Net 对时间序列的自相关进行建模使用分离的前馈神经网络对滞后回归量进行建模。可配置的FFNN非线性深层。可调整为特定的预测范围(大于 1)。自定义损失和指标。.....................原创 2022-08-15 11:02:30 · 3947 阅读 · 0 评论