存档 | 时间序列深度学习

小型计算机，例如 Arduino 设备，可以在建筑物内用于记录环境变量，从中可以预测简单而有用的属性。一个例子是根据温度、湿度和相关测量等环境测量来预测房间或房间是否被占用。这是一种常见的时序分类 […]

案例研究：如何在评估时间序列预测的机器学习方法时避免方法论错误。评估时间序列预测问题的机器学习模型具有挑战性。很容易在问题框架或模型评估中犯小错误，尽管结果令人印象深刻，但结果 […]

时间序列数据在使用机器学习算法建模之前通常需要一些准备。例如，可以使用差分运算来去除序列中的趋势和季节性结构，以简化预测问题。一些算法，例如神经网络，更喜欢在建模之前对数据进行标准化和/或归一化。任何 […]

你拿到数据并被告知要开发一个预测模型。你会怎么做？这是一种常见情况；比大多数人想象的都要常见得多。也许你收到了一个 CSV 文件。也许你获得了数据库的访问权限。也许你正在参加一场比赛。问题可以合理地定义为： […]

当面对新的时间序列预测问题时，有许多事情需要考虑。你的选择会直接影响项目的每个步骤，从评估预测模型的测试框架设计到你正在处理的预测问题的根本难度。它是 […]

当刚开始接触深度学习时，准备数据可能会很困难。长短期记忆（LSTM）循环神经网络在 Keras Python 深度学习库中需要三维输入。如果你有数千个观测值组成的长期序列时间序列数据，你必须将时间序列分割成 […]

像长短期记忆（LSTM）循环神经网络这样的神经网络几乎可以无缝地模拟具有多个输入变量的问题。这在时间序列预测中是一个巨大的优势，因为经典的线性方法很难适应多变量或多输入预测问题。在本教程中，你将发现如何 […]

3 个策略，用于为你的预测建模问题设计实验和管理复杂性。开始一个新的时间序列预测项目很困难。给定多年的数据，拟合深度学习模型可能需要数天或数周。你到底如何开始呢？对于一些从业者来说，这可能导致 […]

时间序列数据集可能包含趋势和季节性，在建模之前可能需要将其去除。趋势可能导致随时间变化的均值，而季节性可能导致随时间变化的方差，这两者都将时间序列定义为非平稳的。平稳数据集是那些均值和 […]

当你训练神经网络（如长短期记忆循环神经网络）时，你的序列预测问题的输入数据可能需要进行缩放。当网络在一个具有值范围（例如，10 到 100 的数量级）的未缩放数据上拟合时，大的输入可能会减慢 […]