时间序列预测

TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测），模型结合了CNN和LSTM各自的优点。

TensorFlow搭建CNN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

TensorFlow搭建ANN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

TensorFlow搭建LSTM实现多变量输入多变量输出时间序列预测（多任务学习）。具体来讲，输入在经过LSTM后得到output，我们将output分别通过多个全连接层，就能得到多个输出。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq，利用Seq2Seq提供的输入输出不等长功能实现多步长预测。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（四）：多模型滚动预测。具体来讲，每一步都由一个模型进行预测，预测时会将上一步的预测值代入。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测。简单来讲，为了一次性预测多个值，我们可以训练多个模型来分别对每一步进行预测。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（二）：单步滚动预测。具体来讲，为了得到多个预测输出，我们直接预测多次，并且在每次预测时将之前的预测值带入。

TensorFlow搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出。数据经过LSTM后，直接利用Linear映射多个输出来实现多步长预测。

TensorFlow搭建双向LSTM实现时间序列预测（负荷预测）。对单步长多变量的预测进行对比，在其他条件保持一致的情况下，单向和双向LSTM的效果类似（本文数据）。

TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）。除了使用主变量以外，还利用了环境变量。

TensorFlow搭建LSTM实现时间序列预测（负荷预测），通过一个负荷预测的实例来理解LSTM时间序列预测。

PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测），经编码器得到编码后直接经过一个线性层得到输出。

PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测），模型结合了CNN和LSTM各自的优点。

PyTorch搭建CNN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

PyTorch搭建ANN实现时间序列预测（风速预测）。数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。

PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测（多任务学习）。具体来讲，输入在经过LSTM后得到output，我们将output分别通过多个全连接层，就能得到多个输出。

一般来讲，如果真实值来得及收集，最好的办法就是用真实值去预测，否则我们就需要用预测值去滚动预测，一个大的前提是：尽可能使用多的真实值去预测。

PyTorch中实现LSTM多步长时间序列预测的几种方法总结（负荷预测），包括直接多输出、单步滚动、多模型单步、多模型滚动以及Seq2Seq。

PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq，利用Seq2Seq提供的输入输出不等长功能实现多步长预测。