🚨注意🚨:最近经粉丝反馈,发现有些订阅者将此专栏内容进行二次售卖,特在此声明,本专栏内容仅供学习,不得以任何方式进行售卖,未经作者许可不得对本专栏内容行使发表权、署名权、修改权、发行权、转卖权、信息网络传播权,如有违者,追究其法律责任。
-
👑 最近很多订阅了🔥
《深度学习100例》
🔥的用户私信咨询基于深度学习实现时间序列的相关问题,为了能更清晰的说明,所以建立了本专栏专门记录基于深度学习的时间序列预测方法
,帮助广大零基础用户达到轻松入门。 -
👑 本专栏适用人群:🚨🚨🚨
深度学习初学者
,刚刚接触时间序列的用户群体
,专栏将具体讲解如何快速搭建深度学习模型用自己的数据集实现时间序列预测,快速让新手小白能够对基于深度学习方法进行时间序列预测有个基本的框架认识
。 -
👑 本专栏整理了
《深度学习时间序列预测案例》
,内包含了各种不同的基于深度学习模型的时间序列预测方法,例如LSTM、GRU、CNN(一维卷积、二维卷积)、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型
,💥💥💥包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集
。
正在更新中~ ✨
🚨 我的项目环境:
- 平台:Windows10
- 语言环境:python3.7
- 编译器:PyCharm
- PyTorch版本:1.11.0
🌈『目录』
📢 数据集介绍
📢 RNN篇
- (一):GRU实现时间序列预测(PyTorch版)
- (二):LSTM实现时间序列预测(PyTorch版)
- (三):RNN实现时间序列预测(PyTorch版)
- (四):BiLSTM(双向LSTM)实现时间序列预测(PyTorch版)
📢 CNN篇
📢 模型融合篇
- (一):LSTM+CNN实现时间序列预测(PyTorch版)
- (二):LSTM+注意力机制(Attention)实现时间序列预测(PyTorch版)
- (三):CNN+注意力机制(Attention)实现时间序列预测(PyTorch版)
- (四):CNN+LSTM+Attention实现时间序列预测(PyTorch版)
📢 MLP篇
📢 注意力篇
📢 时间卷积网络篇
📢 其它模型篇
📢 注意信息
📢 单变量、多变量篇
📢 多步预测篇
- (一):时间序列多步预测经典方法总结
- (二):LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接多输出
- (三):LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 递归多步预测(单步滚动预测)
- (四):LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接多步预测(多模型单步预测)
- (五):LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— 直接递归混合预测(多模型滚动预测)
- (六):LSTM实现多变量输入多步预测时间序列预测(PyTorch版) —— Seq2Seq多步预测
来源地址:https://blog.csdn.net/m0_47256162/article/details/128585814