Pytorch深度学习（七）：卷积神经网络（CNN）（基础篇）参考B站课程：《PyTorch深度学习实践》完结合集传送门：《PyTorch深度学习实践》完结合集
卷积神经网络是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，有效的减少了网络的参数个数，缓解了模型的过拟合问题。一、卷积层（Convolutional Layer）通道（Channel） 正如日常的图片的色彩是由R
转载
2023-10-08 16:38:52
563阅读
在家浑浑噩噩了几个月这样很颓。最近，用了三天认真的分析了一篇AAAI的会议论文和具体实现情况，这篇论文发表在今年的会议接受，作者来自于中山大学，浙江大学和西交利物浦,论文题目叫Towards Better Forecasting by Fusing Near and Distant Future Visions（强烈推荐国产镜像，基本秒开），代码，代码基于pytorch框架编写。
转载
2023-10-27 20:38:38
138阅读
本文约3000字，建议阅读12分钟。本文将通过拆解Prophet的原理及代码实例来讲解如何运用Prophet进行时间序列预测。简介对于任何业务而言，基于时间进行分析都是至关重要的。库存量应该保持在多少？你希望商店的客流量是多少？多少人会乘坐飞机旅游？类似这样待解决的问题都是重要的时间序列问题。这就是时间序列预测被看作数据科学家必备技能的原因。从预测天气到预测产品的销售情况，时间序列是数据科学体系的
转载
2023-09-18 21:27:14
182阅读
## 实现PyTorch CNN时间序列预测模型教程
### 整体流程
以下是实现PyTorch CNN时间序列预测模型的整体流程：
```mermaid
erDiagram
数据准备 --> 数据预处理
数据预处理 --> 构建模型
构建模型 --> 模型训练
模型训练 --> 模型评估
```
### 数据准备
首先，我们需要准备时间序列数据作为模型的输入
【1. 概要】论文针对的是时序预测问题（Time series forecasting，TSF），根据时间序列的特点创新性地提出了一个多层的神经网络框架sample convolution and interaction network（SCINet）用于时序预测。模型在多个数据集上都展示了其准确率上的优越性，且时间成本相对其他模型（如时序卷积网络TCN）也更低。本篇论文工作包含以下几点：说明了T
多元时间序列预测的时间模式注意题目：Temporal Pattern Attention for Multivariate Time Series Forecasting作者：Shun-Yao Shih, Fan-Keng Sun, Hung-yi Lee来源：Machine Learning (cs.LG)Submitted on 12 Sep 2018 (v1), last revised 2
论文链接：http://xxx.itp.ac.cn/pdf/2106.13008.pdfAbstract 延长预测时间是极端天气预警和长期能源消耗规划等实际应用的关键需求。本文研究时间序列的长期预测问题。先前的基于 Transformer 的模型采用各种 self-attention 机制来发现长期依赖关系。然而，长期未来的复杂时间模式使基于 Transformer 的模型无法找到可靠的
论文标题： Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting 论文链接： https://arxiv.org/abs/2012.07436 源码链接： https://github.com/zhouhaoyi/ETDataset摘要许多实际应用都需要对长序列时间序列进行预测，例如电力消
KNN应用1、KNN简介1.1 KNN算法优缺点2、KNN算法的思想3、最佳K值的选择4、相似度的度量方法4.1 距离定义4.2 欧式距离4.3 曼哈顿距离4.4 余弦相似度4.5 杰卡德相似系数5、K-近邻的分类决策规则6、KNN算法从零实现（基于Python）6.1 伪代码6.2 Python代码实现7、近邻样本的搜寻方法7.1 KD搜寻树7.1.1 KD树的构建7.1.2 KD树的搜寻8、
Pytorch TTA 源码阅读1.ttach/wrappers.pyTTA主要调用的接口继承了pytorch的nn.Moduleimport torch
import torch.nn as nn
# 做类型注解的库
# 参考 https://www.bilibili.com/read/cv3249320/
from typing import Optional, Mapping, Union,
一种历史资料延伸预测，也称历史引伸预测法。是以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。时间序列，也叫时间数列、历史复数或动态数列。它是将某种统计指标的数值，按时间先后顺序排到所形成的数列。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括：收
使用深度学习进行时间序列预测：一项调查已经开发了许多深度学习架构来适应跨不同领域的时间序列数据集的多样性。在本文中，我们调查了单步和多水平时间序列预测中使用的常见编码器和解码器设计——描述了每个模型如何将时间信息纳入预测。接下来，我们重点介绍混合深度学习模型的最新发展，该模型将经过充分研究的统计模型与神经网络组件相结合，以改进任一类别的纯方法。最后，我们概述了深度学习还可以通过时间序列数据促进决策
转载
2023-10-18 23:47:35
213阅读
摘要 CNN分类常用于计算机视觉和语言识别，但是很少用于时间序列分类。因为设计了一个有两层卷积层的CNN用于作时间序列分类。CNN的一个缺点就是需要大量的有效数据去训练。针对这个缺点提出了两个解决方案：（1）数据扩充 (2)利用来自不同数据集的训练时间序列以半监督的方式学习网络Introduction 文献中关于时间序列分类的方法主要有两种：（1)distance-based【基于距离】【在原始数
循环神经网络（RNN）跟前面介绍的卷积神经网络区别很大，卷积神经网络主要是处理空间信息，每层提取不同的特征，而RNN是处理时序信息的，时序信息就是说将一段文字或者声音等看作是一段离散的时间序列，按照时间进行输出的一种模型，本节主要介绍如何处理自然语言(Natural Language Processin
原理模型如下图所示 Zi,t 表示 序列i 在 第t个时间点 的数据 Zi,t0就是要预测数据的开始区间 预测的数据集合定义为 [ Zi : t0: T] LSTM输入Xi,1:T表示再整个预测期间内都知道的协变量，就是输入的原始数据。上图 左右都是LSTM结构， 左右用的数据不一样，一个用的是训练数据，一个用的是预测数据deepar 本质就是lstm+softplus。要求数据具有相同的频率、分
时间序列 | MATLAB实现CNN-GRU-Attention时间序列预测
基础的时间序列预测任务的目标是给定历史序列，预测未来每个时间点的具体值。这种问题定义虽然简单直接，但是也面临着一些问题。在很多应用场景中，我们不仅希望能预测出未来的具体值，更希望能预测出未来取值不确定性，例如一个概率分布或者取值范围。在很多应用场景中，未来的时间序列本身就具有很强的不确定性，如果能预测出一个取值区间，会对业务决策带来更大的帮助，让我们对未来的最好情况和最差情况心里有个数。对时间序列
时间序列 | MATLAB实现CNN-LSTM-Attention时间序列预测
时间序列 | MATLAB实现CNN-BiLSTM-Attention时间序列预测
时序卷积网络（Temporal convolutional network， TCN）的提出是为了是卷积神经网络具备时序特性，与多种RNN结构相对比，发现在多种任务上TCN都能达到甚至超过RNN模型。 TCN主要基于因果卷积和膨胀卷积（Dilated Convolution）因果卷积 从直观上来说，它类似于将卷积运算「劈」去一半，令其只能对过去时间步的输入进行运算。对于 TCN 所使用的一维卷积
