KI

TNNLS | GNN综述：A Comprehensive Survey on Graph Neural Networks

PyTorch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。

PyTorch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（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（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（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。