KI

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。

本文结合一个具体的无向图来对最简单的一种GNN进行推导。本文第一部分是数据介绍，第二部分为推导过程中需要用的变量的定义，第三部分是GNN的具体推导过程，最后一部分为自己对GNN的一些看法与总结。

图解GNN：A Gentle Introduction to Graph Neural Networks，简单入门GNN。

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。