- 博客(1)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 多类型的LSTM 模型进行时间序列预测（Python实现）
单变量 LSTM 模型长短期记忆网络（简称LSTM）可应用于时间序列预测。有许多类型的 LSTM 模型可用于每种特定类型的时间序列预测问题。在本教程中，您将了解如何为一系列标准时间序列预测问题开发一套 LSTM 模型。本教程的目标是为每种时间序列问题的每个模型提供独立示例，作为您可以复制和调整的模板，以适应您的特定时间序列预测问题。完成本教程后，您将了解：如何开发用于单变量时间序列预测的 LSTM 模型。如何开发用于多元时间序列预测的 LSTM 模型。
2024-09-29 13:24:39
378
长短期记忆 (LSTM) 进行时间序列预测（12个月航空乘客预测）
资源包括代码和航空乘客数据集
1、12-Month Forecast With LSTM.ipynb
2、AirPassengers.csv
3、编译器jupyter notebook
Python语言可以直接运行
2024-09-29
2010 年至 2014 年美国能源、人口普查和 GDP
关于数据集
该数据集的目的是探索美国政府在各州和整个美国收集的各种类型的数据。该数据集由三种不同类型的数据组成：
人口普查和地理数据；
能源数据；以及
经济数据。
在创建数据集时，我结合了来自许多不同类型来源的数据，所有这些来源都在下面引用。我还提供了数据集中包含的字段及其代表的含义。我还没有对数据进行任何研究，但很快就会深入研究。我对预测算法中各种类型数据（即 GDP 或出生率）之间的关系特别感兴趣。鉴于我已经汇编了 5 年的数据，这个数据集主要是为预测算法构建的。
在深入研究这些字段之前，还有一点需要注意：
在许多不同的指标领域中，可能还添加了更多变量。我到此为止，但观察这些变量与其他变量（即某些行业的 GDP、某个州的平均年龄、男女性别比等）的相互作用可能会有所帮助，以尝试发现更多趋势。
2024-09-27
钢铁行业能耗数据集（包括每日、每月、每年的能耗）
收集的信息来自某钢铁有限公司。
该公司生产多种类型的线圈、钢板和铁板。电力消耗信息保存在基于云的系统中。该行业的能源消耗信息存储每日、每月和每年的数据。
属性信息：
日期在每月 1 日采集的连续时间数据
行业能耗 连续 kWh
滞后电流无功功率 连续 kVarh
超前电流无功功率 连续 kVarh
CO2连续 ppm
NSM从午夜开始的秒数 连续 S
星期状态 分类（周末 (0) 或工作日 (1)）
星期几 分类 星期日、星期一：星期六
负载类型分类 轻负载、中等负载、最大负载
2024-09-27
中国太阳辐射日数据集（1970-2017年，全国各地1042个地点，每个地点17532个数据）
全国各地的站点表头：
STATION（站点编号，PROVENCE（省），NAME（城市名称），LONGITUDE(deg)（经度），LATITUDE(deg)（纬度），ALTITUDE(m)（高度），省，台站名
每个站点表头：
station（站点编号），latitude(deg)（经度），longitude(deg)（纬度），altitude(m)高度），year（年），month（月），day（日），GHI(MJ/m2)，DHI(MJ/m2)
2024-09-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人