存档 | 时间序列深度学习

Keras 中的长短期记忆 (LSTM) 网络支持时间步长。这引出了一个问题：单变量时间序列的滞后观测是否可以用作 LSTM 的时间步长，以及这是否会提高预测性能。在本教程中，我们将研究如何使用滞后观测作为时间 […]

使用神经网络模型进行时间序列预测的一个好处是，当有新数据可用时，可以更新权重。在本教程中，您将学习如何使用新数据更新长短期记忆 (LSTM) 循环神经网络以进行时间序列预测。完成本教程后，您将了解：[…]

配置神经网络很困难，因为没有关于如何配置的良好理论。您必须系统地从动态和客观结果的角度探索不同的配置，以尝试理解给定预测建模问题中发生的情况。在本教程中，您将 […]

长短期记忆网络 (LSTM) 是一种强大的循环神经网络，能够学习长序列观测。LSTM 的一个前景是它们可能有效地进行时间序列预测，尽管已知该方法难以为此目的进行配置和使用。LSTM 的一个关键特性是 […]

长短期记忆循环神经网络有望学习长序列观测。它似乎与时间序列预测完美匹配，事实上，它可能确实如此。在本教程中，您将学习如何为一步单变量时间序列预测问题开发 LSTM 预测模型。完成本教程后，您将 […]

时间序列预测问题是一种困难的预测建模问题。与回归预测建模不同，时间序列还增加了输入变量之间序列依赖性的复杂性。一种强大的、旨在处理序列依赖性的神经网络类型称为循环神经网络。长短期记忆网络或 LSTM 网络 […]

时间序列预测是一个难以构建和用机器学习解决的问题。在这篇文章中，您将学习如何使用 Keras 深度学习库在 Python 中开发用于时间序列预测的神经网络模型。阅读本文后，您将了解：关于航空公司乘客单变量时间序列预测问题 […]