基于深度学习的时间序列预测模型论文综述An Experimental Review on Deep Learning Architectures for Time Series Forecasting

已于 2022-08-05 16:02:45 修改
阅读量1.6k 收藏 15
点赞数
分类专栏： 论文阅读 文章标签： 深度学习 pytorch 自然语言处理
于 2021-09-18 16:08:06 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/weixin_43704656/article/details/120368863
版权

论文题目：An Experimental Review on Deep Learning Architectures for Time Series Forecasting

介绍：这是一篇基于深度学习的用于时间序列预测模型综述型论文

论文：https://arxiv.org/pdf/2103.12057v2.pdf

说明：本文只是记录论文阅读中的学习笔记，整理一下，这篇综述所涉及的预测模型有七种：MLP、ERNN、LSTM、GRU、ESN、CNN、TCN，论文作者从预测精度和预测速度等方面对这其中模型进行了比较说明最后得出结论。

下面是本人在阅读论文中所做的一些总结，整理了一个思维导图

远在远方_hh
关注
  • 0
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于Python3.7实现的双时相遥感影像变化检测（PaddlePaddle框架和AI Studio平台） 开题报告
毕业作品网站
01-15 556
通过采用不同的算法（具体的算法和优化方法会在模型训练的过程中进行调整），对预测结果进行对比。£4月21日至5月4日：论文书写，web系统开发。£4月7日至4月20日：模型训练，算法优化。£3月30日至4月6日：开题报告。£5月5日至5月中旬：论文修改。
10篇深度学习时间序列预测综述汇总！含金融、医疗、气象等领域应用！
2401_82426425的博客
01-22 2157
研究人员总结了这些方法的关键研究成果，并讨论了它们各自存在的问题，还提供了对单一预测方法的评估，总结了相关工作的关键信息，并探讨了未来的改进方向和研究局限性。为了帮助大家深入理解深度学习时间序列预测，这里整理了10篇深度学习在时间序列预测领域的综述论文，这些综述不仅涵盖了深度学习在时间序列预测方面的最新进展，还深入探讨了其在金融、医疗、气象等领域的应用，一起看看吧！特别关注了基于Transformer的模型，并讨论了深度学习在时间序列预测中的问题和挑战，展望了未来的研究趋势。
15种时间序列预测方法总结(包含多种方法代码实现)
热门推荐
Snu77的博客
09-28 2万+
本文提供时间序列分析从基本概念到模型的讲解，利用python和pytroch实现代码讲解，文章内既包括简单的代码示例又包括复杂的代码讲解部分，也有精美的图片的形式帮助读者更加快速的理解时间序列，本文涉及到的内容有机器学习和深度学习部分也包括一部分强化学习内容，文章内还含有运行结果的展示，同时提供给大家数据集进行操作，可以说时间序列类的任务你只看这一篇文章就足够了，总之无论你是数据科学新手，还是寻求进一步提升你的时间序列预测技能的专业人士，这篇博客都将为你提供宝贵的知识和经验。
LSTM时间序列预测的基础实现原理、改进与创新，教你入门到发表论文！（附高创新算法matlab代码实现）
最新发布
2302_81053261的博客
05-16 695
例如，如果要预测未来一个时间点的值，可能需要前n个时间点的数据作为输入。：结合正向和反向LSTM，使得模型不仅能够考虑过去的信息，也能捕捉未来的上下文，这对于某些序列预测任务特别有效，比如自然语言处理中的情感分析或时间序列中的趋势预测。：将LSTM与其他类型的模型（如卷积神经网络CNN、GRU等）或经典统计模型（如ARIMA）结合，利用各自的优势，提高预测精度。根据优化算法的规则（如WOA中的追捕、围攻等行为，或是贝叶斯优化中的置信区间更新），更新种群或代理点，生成新的超参数配置。
论文笔记 Shape and Time Distortion Loss for Training DeepTime Series Forecasting Models
qq_40206371的博客
01-24 2542
0 摘要 本文解决了非平稳信号的时间序列预测和多个未来步骤预测的问题。为了处理这个具有挑战性的任务，我们引入了 DILATE（包括形状和时间的失真损失，DIstortion Loss including shApe and TimE），这是一种用于训练深度神经网络的新目标函数。 DILATE 旨在准确预测突然变化，并明确结合了支持精确形状和时间变化检测的两个术语。 我们引入了一种适用于训练深度神经网络的可微损失函数，并提供了一个自定义的反向支持实现来加...
DeepLearningTimeSeries:深度学习模型比较以进行时间序列预测
05-17
风力发电预测 这是根据我的硕士论文进行的一项实验，其主要重点是比较应用于时间序列问题的不同深度学习策略。 这项研究仅集中在循环和卷积体系结构上。 数据 数据由RedesEnergéticasNacionais（REN）收集，并基于葡萄牙电力系统中注入的风力。 从2010年第一天到2016年最后一天，它以15分钟的分辨率进行了采样。所收集的数据适用于与REN遥测系统相连的所有风电场。 数据在data文件夹下。 客观的 主要任务是对产生的风力进行预测。 将要预测三个视野。 一小时，六小时和24小时，这意味着在提前一小时的预测中将预测4分（15、30、45和60分钟）。 演算法 测试了以下体系结构列表： RNN架构[RNN + GRU + LSTM单元] 扩张式递归架构 编码器-解码器体系结构 编码器-解码器+注意系统体系结构 准RNN Wavenet TCN 有关模型的详细说明，请检查链接
深度时间 Deeptime：一款先进的机器学习框架
gitblog_00065的博客
04-14 279
深度时间 Deeptime：一款先进的机器学习框架 项目地址:https://gitcode.com/deeptime-ml/deeptime 项目简介 深度时间 Deeptime 是一个由 Deeptime-ML 团队开发的高效、易用且可扩展的深度学习框架。它旨在简化和加速研究人员及开发者在构建和训练复杂神经网络模型时的工作流程。通过利用先进的优化算法和并行计算技术，Deeptime 提供了对大...
基于深度学习体系结构的时间序列预测研究综述
zzh1464501547的博客
06-29 1845
基于深度学习体系结构的时间序列预测研究综述 [Submitted on 22 Mar 2021 (v1), last revised 8 Apr 2021 (this version, v2)] 关注人工智能学术前沿 回复 ：ts25 5秒免费获取论文pdf文档，及项目源码 摘要 近年来，深度学习技术在许多机器学习任务中表现优于传统模型。深度神经网络已成功地应用于时间序列预测问题，这是数据挖掘中的一个非常重要的课题。他们已经被证明是一个有效的解决方案，因为他们的能力自动学习时间序列的时
An Empirical Review of Deep Learning Frameworks for Change Dete
09-23
An Empirical Review of Deep Learning Frameworks for Change Detection Model Design, Experimental Frameworks, Challenges and Research Needs.zip
An Empirical Review of Deep Learning Frameworks for Change Detec
09-25
An Empirical Review of Deep Learning Frameworks for Change Detection Model Design, Experimental Frameworks, Challenges and Research Needs.pdf
基于自然语言处理与深度学习的信用贷款评估模型.pdf
08-18
基于自然语言处理与深度学习的信用贷款评估模型 credit evaluation model is a crucial task in the financial industry, as it directly affects the risk management and profitability of financial ...
Deep Learning for Time Series Forecasting - by Jason Brownlee
06-26
Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如时间依赖的自动学习以及趋势和季节性等时间结构的自动处理。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过明确的解释、标准的 Python 库（Keras和TensorFlow 2）以及分步教程课程，您将发现如何为自己的时间系列预测项目开发深度学习模型
时间序列预测方法综述
12-16
时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。
Deep Time Series Forecasting with Python,pdf
08-09
Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time Series Modeling
Deep Learning for Event-Driven Stock Prediction
02-21
We propose a deep learning method for event-driven stock market prediction. First, events are extracted from news text, and represented as dense vectors, trained using a novel neural tensor network. ...
基于深度学习的SAR图像目标识别算法.pdf
08-18
experimental results show that the algorithm can achieve an overall accuracy of 97.2% on the open data set MSATR. 5. 优点 基于深度学习的SAR图像目标识别算法具有以下优点： * 自动提取图像中的深层特征 ...
时间序列预测相关论文
m0_52641463的博客
10-14 1429
1.Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting. 将时间序列看作一种序列图像，利用DNN执行预测任务，同时加入了注意力mask，提升预测性能的同时增加预测的可解释性。 ...
读论文——“时间序列预测方法综述”
#仙女不扎马尾#的博客
01-14 3374
文章目录1 什么是时间序列？2 时间预测方法的核心3 时间序列数据的特点4 相关的时间序列参数模型4.1 移动平均模型(Moving Average, MA)4.2 自回归模型(Autoregressive Models, AP)4.3 自回归移动平均模型5 传统的时间序列预测方法6 基于机器学习的时间序列预测方法6.1 基于支持向量机的时间序列预测方法6.2 基于贝叶斯网络的时间序列预测方法6.3 基于矩阵分解的时间序列预测方法(MF)6.4 基于高斯过程的时间序列预测方法 [1]杨海民,潘志松,白玮.
基于深度学习的时间序列预测方法
jkevinking的博客
05-08 4014
传统的时间序列预测方法如ARIMA模型和Holt-Winters季节性方法具有理论上的保证，但它们主要适用于单变量预测问题，并且要求时间序列是平稳的，这大大限制了它们在现实世界复杂时间序列数据中的应用。
基于深度学习的网络应用加密流量识别方法研究
03-30
摘要： 网络应用加密流量识别一直是网络安全领域中的重要问题之一。传统的加密流量识别方法主要基于特征提取和机器学习算法，但是这些方法存在着高维特征提取困难、易受攻击等问题。本文提出了一种基于深度学习的网络应用加密流量识别方法。该方法通过卷积神经网络对加密流量进行特征提取，结合全连接神经网络进行分类。实验结果表明，本方法能够有效地识别不同的网络应用加密流量，具有较高的准确率和鲁棒性。 关键词：深度学习；加密流量识别；卷积神经网络；全连接神经网络 Abstract: Network application encrypted traffic identification has always been one of the important problems in the field of network security. Traditional encrypted traffic identification methods are mainly based on feature extraction and machine learning algorithms, but these methods have problems such as difficult high-dimensional feature extraction and vulnerability to attacks. This paper proposes a network application encrypted traffic identification method based on deep learning. This method uses convolutional neural networks to extract features from encrypted traffic and combines them with fully connected neural networks for classification. Experimental results show that this method can effectively identify different network application encrypted traffic, with high accuracy and robustness. Keywords: deep learning; encrypted traffic identification; convolutional neural network; fully connected neural network

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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