![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
时间序列预测算法
文章平均质量分 61
NullGogo
互相学习,共同进步
展开
-
Deep Factors代码实现
Deep Factors代码实现Deep Factors,包括前面介绍的DeepAR,MQR(((C)))NN都适合对批量时间序列进行建模预测,为了验证这个优势,本次随机生成了2条时间序列数据,当然序列数量可以更多,但尽量保证一批建模的序列有一定的相关性,比如rate型的数据就不合适和count型的数据一起建模。数据处理目录结构:在MQRNN代码实现那一章节,输入模型的数据是转化成npy的格式,但在数据量很大的时候,读tfrecord形式的数据效率会更高,本次就将数据转化成tfrecord的形式分原创 2020-06-13 17:59:10 · 1071 阅读 · 3 评论 -
时间序列预测算法——Deep Factors
论文传送门概述Deep Factors是一种global-local组合的框架预测模型,这个家族包含三种方法:DF-RNN,DF-LDS和DF-GP。这三种方法global的部分是相同的,由一组深度因子的线性组合而成,这些深度因子都是采用DNN神经网络获得的,论文中采用的是RNN,用于提取复杂的非线性模式(fixed effect);local部分使用概率模型,比如白噪声过程、LDS或GP,用于捕捉单个序列的随机效应(random effect)。前面讲了DeepAR和MQR(((C)))NN,根据论原创 2020-05-22 01:13:55 · 2011 阅读 · 0 评论 -
MQRNN代码实现
MQRNN代码实现本次用的训练数据是论文中提到的电力数据,来自一个竞赛,很多关于时间序列预测的论文似乎都会拿这个数据作为样例,数据如下图所示。由于我只下载到了这一条序列,所以只好拿这一条序列建模了,但MQRNN是适合对批量时间序列建模的,下面数据处理和模型的代码我也是按照对批量序列的处理模式写的。数据处理整个project的目录结构如下:数据处理部分主要是将原始数据(…/raw_csv/electric.csv)划分成训练、验证、测试集,并且转成成npy格式,方便模型训练时分batch进行训练,如原创 2020-05-08 23:20:13 · 995 阅读 · 1 评论 -
时间序列预测算法——MQR(C)NN
论文传送门概述:类似于DeepAR,MQR( C )NN也是一种可以对批量时间序列统一建模和预测的算法,采用的也是seq2seq模型框架,即encoder-decoder结构。MQR( C )NN代表MQRNN和MQCNN两个算法,两个算法唯一的不同就是encode部分,MQRNN的encode部分用的是RNN,而MQCNN用的是CNN,更确切的说应该是WaveNet,其他部分完全一样,dec...原创 2020-09-01 16:06:53 · 4176 阅读 · 3 评论 -
时间序列预测算法——DeepAR
时间序列预测算法——DeepARDeepAR概述DeepAR是亚马逊提出的一种针对大量相关时间序列统一建模的预测算法,该算法采用了深度学习的技术,通过在大量时间序列上训练自回归递归网络模型,可以从相关的时间序列中有效地学习全局模型,并且能够学习复杂的模式,例如季节性、数据随时间的不确定性增长,从而对各条时间序列进行预测。DeepAR原理和实现过程上图左边是模型的训练过程,右边是模型的预测...原创 2020-04-23 23:59:13 · 14567 阅读 · 7 评论