时间序列预测模型实战案例基于双向LSTM横向搭配合单向LSTM进行回归问题的解决

上传者: java1314777 | 上传时间: 2024-01-31 13:39:26 | 文件大小: 441KB | 文件类型: ZIP
内容概要:通过数据集电力变压器油温数据详细的介绍双向LSTM,以及其机制,运行原理,以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据:在本次的模型所需的数据是电力变压器油温数据,由国家电网提供,该数据集是来自中国同一个省的两个不同县的变压器数据,时间跨度为2年,原始数据每分钟记录一次(用 m 标记),每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征,包括数据点记录日期,预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群:时间序列和深度学习初学者本文的模型比较简单,易于理解。 阅读建议:可以大致阅读以下,本文件只是一个简单实现版本,并不复杂。 能学到什么:能够从本文件当中读懂深度学习的代码实现过程,对于时间序列有一个简单的了解, (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致,因为在数据处理部分我添加了一部分特征工程操作,提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

文件下载

资源详情

[{"title":"( 11 个子文件 441KB ) 时间序列预测模型实战案例基于双向LSTM横向搭配合单向LSTM进行回归问题的解决","children":[{"title":"lossPhoto.png <span style='color:#111;'> 33.46KB </span>","children":null,"spread":false},{"title":"LSTM.py <span style='color:#111;'> 4.68KB </span>","children":null,"spread":false},{"title":"ETTh1.csv <span style='color:#111;'> 2.47MB </span>","children":null,"spread":false},{"title":".idea","children":[{"title":"workspace.xml <span style='color:#111;'> 3.16KB </span>","children":null,"spread":false},{"title":"misc.xml <span style='color:#111;'> 185B </span>","children":null,"spread":false},{"title":"inspectionProfiles","children":[{"title":"Project_Default.xml <span style='color:#111;'> 1.34KB </span>","children":null,"spread":false},{"title":"profiles_settings.xml <span style='color:#111;'> 174B </span>","children":null,"spread":false}],"spread":true},{"title":"modules.xml <span style='color:#111;'> 283B </span>","children":null,"spread":false},{"title":"ShareProject.iml <span style='color:#111;'> 321B </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 50B </span>","children":null,"spread":false},{"title":"aws.xml <span style='color:#111;'> 304B </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明