【数据挖掘】使用 LSTM 进行时间和序列预测

人工智能领域优质创作者

博客专家认证

2023-07-25 08:37:15

(3条消息) 【数据挖掘】使用 LSTM 进行时间和序列预测_无水先生的博客-CSDN博客

...全文

310 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

数据挖掘 LSTM 时间序列预测随机森林基于LSTM的股票数据分析数学建模探究股票各指标的相关性、建立模型建立LSTM时间序列模型

"基于Transformer-BILSTM的多变量时间序列预测模型——利用编码器挖掘光伏负荷数据复杂关系与依赖性以提高预测准确性","基于Transformer-BILSTM的多元时间序列预测模型：代码质量卓越，参数易调整，助力光伏与负荷数据精准预测",【Transformer-BILSTM多维时序预测】Transformer-BILSTM多变量时间序列预测，基于Transformer-BILSTM多变量输入模型。 matlab代码，2023b及其以上。评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。 Transformer 作为一种创新的神经网络结构，深受欢迎。采用 Transformer 编码器对光伏、负荷数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘，可以提高光伏功率、负荷预测的准确性。 ,Transformer-BILSTM; 多维时序预测; 多变量时间序列; 2023b MATLAB代码; 评价指标; 参数可改; 程序与数据整合; 光伏负荷预测; 长短期依

基于Transformer-BILSTM的多元时间序列预测模型：高效挖掘光伏与负荷数据特征关系并提升预测精度的MATLAB实现,基于Transformer-BILSTM模型的深度学习多变量时间序列预测方法研究——融合R2、MAE、MSE等指标的Matlab代码实现,【Transformer-BILSTM多维时序预测】Transformer-BILSTM多变量时间序列预测，基于Transformer-BILSTM多变量输入模型。 matlab代码，2023b及其以上。评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。 Transformer 作为一种创新的神经网络结构，深受欢迎。采用 Transformer 编码器对光伏、负荷数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘，可以提高光伏功率、负荷预测的准确性。 ,Transformer-BILSTM; 多维时序预测; 多变量时间序列; 评价指标; 代码质量; 参数更改; 光伏功率预测; 负荷预测,Transformer-

时间序列基于G-SARIMA+bp+Lstm模型的多类型汽车销量时序数据挖掘及预测项目源码+数据+模型介绍主要通过四种方式对新能源汽车，纯电动汽车，插电混动汽车销量的时间序列数据进行趋势的预测，分别为SARIMA、bp+lstm、SARIMA+bp+Lstm、G-SARIMA+bp+Lstm四个模型软件架构 python3 + keras + tensorflow2 + sarima + 相关数据分析包

介绍主要通过四种方式对新能源汽车，纯电动汽车，插电混动汽车销量的时间序列数据进行趋势的预测，分别为SARIMA、bp+lstm、SARIMA+bp+Lstm、G-SARIMA+bp+Lstm四个模型软件架构 python3 + keras + tensorflow2 + sarima + 相关数据分析包

55,670

社区成员

1,070

社区内容

发帖

与我相关

我的任务

人工智能计算机视觉深度学习个人社区辽宁省·大连市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章