存档 | 时间序列深度学习

网格搜索通常不是我们能用深度学习方法执行的操作。这是因为深度学习方法通常需要大量数据和大型模型，共同导致模型需要数小时、数天或数周才能完成训练。在数据集较小的情况下，例如单变量时间序列，[…]

长短期记忆网络（简称 LSTM）可以应用于时间序列预测。有多种类型的 LSTM 模型可用于每种特定的时间序列预测问题。在本教程中，您将学习如何为一系列标准时间 […] 开发一套 LSTM 模型。

卷积神经网络模型（简称 CNN）可以应用于时间序列预测。有多种类型的 CNN 模型可用于每种特定的时间序列预测问题。在本教程中，您将学习如何为一系列标准时间 […] 开发一套 CNN 模型。

多层感知器（简称 MLP）可以应用于时间序列预测。使用 MLP 进行时间序列预测的一个挑战在于数据准备。具体来说，必须将滞后观测值展平为特征向量。在本教程中，您将学习如何为一系列 […] 开发一套 MLP 模型。

时间序列数据在用于拟合监督学习模型之前，必须转换为包含输入和输出组件的样本结构。如果必须手动执行此转换，可能会很有挑战性。Keras 深度学习库提供了 TimeseriesGenerator 来自动转换单变量和多变量时间 […]

直接使用 LSTM 进行时间序列预测的成功案例很少。这很令人惊讶，因为众所周知神经网络能够学习复杂的非线性关系，而 LSTM 也许是能够直接支持多变量序列预测问题的最成功的循环神经网络类型。Uber 最近进行的一项研究 […]

机器学习和深度学习方法常被认为是解决所有预测建模问题的关键方案。最近一项重要研究在一个包含超过1000个单变量时间序列预测问题的大型多样化数据集上，评估并比较了许多经典和现代机器学习及深度学习方法的性能。该 […]

深度学习神经网络能够自动从原始数据中学习和提取特征。神经网络的这一特性可用于时间序列预测问题，模型可以直接在原始观测数据上开发，而无需通过归一化和标准化来缩放数据，也无需使数据 […]

简单的预测方法包括朴素地使用最后一次观测值作为预测，或使用先前观测值的平均值。在单变量时间序列预测问题上，评估简单预测方法的性能非常重要，然后再使用更复杂的方法，因为它们的性能提供了一个可以用来 […] 的下限和比较点。

季节性自回归积分移动平均模型（SARIMA）是一种用于建模可能包含趋势和季节性成分的单变量时间序列数据的方法。这是一种有效的时间序列预测方法，尽管它需要仔细分析和领域专业知识来配置七个或更多的模型超参数。另一种方法 […]