时间序列预测的输入

 我们,设定输入的长度是96,标签的长度是48,预测的长度是96。

到了这里,这个batch_x的维度是(1,96,7)这个维度的。

batch_y的维度是(1,144,7)这个维度的。 

然后到了下一步,dec_inp的维度是(1,96,7)的0向量。

 因为,他是根据预测长度做了一个截取,也就是预测的是96的维度,所以填充了96个0.

所以,总结一下,

encoder的input的维度是(batchsize,input_length,feature_dimension)

decoder的input的维度是(batchsize,label_length+prediction_length,feature_dimension)

而他们之间的关系,是下图这样的。

 实验一下,如果设置序列长度96,label长度是96,预测长度是96,那么

 也就是说,就变成这样了。

 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
时间序列预测输入数据结构通常是一个包含过去时间步的序列的向量或矩阵。这个序列可以是单变量时间序列(只包含一个特征)或多变量时间序列(包含多个特征)。每个时间步的特征值可以是连续的数值、离散的类别或其他类型的数据。 在一些基于机器学习的时间序列预测方法中,输入数据结构通常使用滑动窗口的方式来构造。例如,可以使用过去几个时间步的观察值作为输入特征,然后预测未来一个或多个时间步的值。 另外,一些深度学习模型,如基于Transformer的模型,可能还会使用注意力机制来对输入序列中的不同时间步进行加权处理,以捕捉长期依赖关系。 总之,时间序列预测输入数据结构是一个包含过去时间步的序列的向量或矩阵,其中每个时间步的特征值可以是连续的、离散的或其他类型的数据。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【时间序列预测】Autoformer 长时间序列预测](https://blog.csdn.net/hymn1993/article/details/124746406)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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