【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
转载
2024-05-08 21:58:26
118阅读
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
转载
2024-04-08 10:37:53
160阅读
在今天的博文中，我们将探讨一个有趣而复杂的话题：如何使用 Python 中的卷积神经网络（CNN）来处理时间序列数据。时间序列分析在金融、医疗和气象等领域中具有重要应用，而 CNN 提供了一种强大的方法来提取时序中的模式。我们会通过一个完整的流程来说明这一过程，包括背景、技术原理、架构解析、源码分析、性能优化以及总结与展望。
### 背景描述
时间序列数据的处理通常涉及到如何从连续的时间点中提
序列数据(具有时间依赖性的数据)在业务中非常常见，从信用卡交易到医疗保健记录再到股票市场价格。 但是，隐私法规限制并极大地减慢了对研发至关重要的有用数据的访问。 这就产生了对具有高度代表性但又完全私有的合成顺序数据的需求，这至少可以说是具有挑战性的。生成合成时间序列和顺序数据要比表格数据更具挑战性，在表格数据中，通常将与一个人有关的所有信息存储在一行中。 在顺序数据中，信息可以分布在许多行中，例如
转载
2024-05-10 10:22:12
77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
转载
2024-04-26 17:14:37
150阅读
本文使用CNN模型，Conv1d卷积进行时间序列的分析处理。将数据导入模型后，可以运行。但模型预测精度不高，且输出十分不稳定。此模型仅用于熟悉CNN模型的基本结构，如有错误，还望海涵。 目录一、数据介绍二、数据预处理三、模型代码四、模型输出结果五、参考文献 一、数据介绍数据长度为252，在导入模型时，将80%的数据用于模型训练，20%的数据用于模型验证。二、数据预处理先对数据进行归一化处理，以加快
转载
2023-09-22 12:25:16
603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
152阅读
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
转载
2024-04-07 21:22:53
119阅读
什么是TCN？TCN全称Temporal Convolutional Network，时序卷积网络，是在2018年提出的一个卷积模型，但是可以用来处理时间序列。TCN是指时间卷积网络，一种新型的可以用来解决时间序列预测的算法。TCN背景 到目前为止，深度学习背景下的序列建模主题主要与递归神经网络架构(如LSTM和GRU)有关。S.
转载
2024-04-15 13:40:16
227阅读
一、本文介绍在之前的文章中我们已经讲过Informer模型了，但是呢官方的预测功能开发的很简陋只能设定固定长度去预测未来固定范围的值，当我们想要发表论文的时候往往这个预测功能是并不能满足的，所以我在官方代码的基础上增添了一个滚动长期预测的功能，这个功能就是指我们可以第一次预测未来24个时间段的值然后我们像模型中填补 24个值再次去预测未来24个时间段的值(填补功能我设置成自动的了无需大
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
转载
2024-02-26 08:40:04
79阅读
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
转载
2024-05-10 10:14:27
104阅读
数据集首先介绍一下我们的数据集，可以在我的github下载 该数据集是一个污染数据集，我们需要用该多维时间序列去预测pollution这个维度构建训练数据首先我们删去数据中date,wnd_dir维（注:为了演示方便故不使用wnd_dir，其实可以通过代码将其转换为数字序列）data = pd.read_csv("./pollution.csv")
data = data.drop(['date'
转载
2024-08-08 21:58:29
139阅读
时间序列预测损失函数时间序列预测是指通过分析历史数据来预测未来数据的变化趋势。时间序列预测在许多领域都有着广泛的应用，例如金融、气象、交通等。为了能够准确预测未来数据，时间序列预测中损失函数的选择非常关键。损失函数的选择直接影响模型的预测精度，因此，对时间序列预测中常用的损失函数进行综述和评价具有重要的意义。在时间序列预测中，常用的损失函数包括均方误差（Mean Squared Error, MS
转载
2023-10-25 17:34:26
294阅读
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
转载
2024-03-19 13:43:57
55阅读
# 使用 PyTorch 实现 CNN 时间序列回归的完整指南
时间序列预测是机器学习中的一个重要问题，尤其是在金融、气象预报等领域。卷积神经网络（CNN）可以有效地抽取时间序列数据中的特征，实现时间序列回归任务。本文将一步一步带领你用 PyTorch 实现一个简单的 CNN 时间序列回归模型。
## 流程概述
在开始编码之前，我们先来看看项目的整体流程。下面是一个简单的步骤表：
| 步骤
一、跌倒检测数据集 随着计算机学科与人工智能的发展和应用，视频分析技术迅速兴起并得到了广泛关注。视频分析中的一个核心就是人体行为识别，行为识别的准确性和快速性将直接影响视频分析系统后续工作的结果。因此，如何提高视频中人体行为识别的准确性和快速性，已成为视频分析系统研究中的重点问题。目前，典型的视频人体行为识别方法主要有：时空兴趣点、密集轨迹等。其中：时空兴趣点，是通过检测视频中的角点、提
2. 时间序列基础In [7]: dates = [(2011,1,1),(2011,2,3),(2011,2,4),(2011,4,23),(2011,4,22),(2011,
...: 4,1)]
In [8]: dates = [datetime(*x) for x in dates]
In [14]: ts = Series(np.random.randn(6), index=d
在这篇博文中，我将与大家分享如何使用 PyTorch 实现 CNN 时间序列分类的过程。这不仅涵盖了环境配置、编译过程、参数调优、定制开发，还包括错误集锦和生态集成的相关内容。整个内容将引导你从配置环境到实现和优化模型。
## 环境配置
在开始项目之前，首先要确保我们有一个合适的环境。以下是我为此项目配置的环境要求：
1. **操作系统**：Ubuntu 20.04
2. **Python
当我们对数据建模时，首先应该建立一个标准基线方案，然后再通过优化对该方案进行修改。在项目的第一部分中，我们必须要投入时间来理解业务需求并进行充分的探索性分析。建立一个原始模型。可以有助于理解数据，采用适当的验证策略，或为引入奇特的想法提供数据的支持。在这个初步阶段之后，我们可以根据不同的情况选择不同的优化方式，例如改变模型，进行数据的处理，甚至是引入更多的外部数据。对于每个方案，我们都需要对数据进
