Paper list of Time-series Forecasting with Deep Learning

最新推荐文章于 2026-01-06 01:29:04 发布
原创 最新推荐文章于 2026-01-06 01:29:04 发布 · 1.6k 阅读 · 9
本文汇总了关于使用深度学习进行时间序列预测的研究论文，包括RNN-LSTM、基于CNN的方法以及结合两者的CNN-LSTM模型。内容涵盖Uber公司应用的极端事件预测、房屋价格预测、交通流量预测等多个领域的应用。
标签
#时间序列预测 #深度学习
最低0.47元/天 解锁文章
Gemini 3.1学术指令实战：构建可验证的AI科研工作流
最新发布
weixin_30562507的博客
06-19 437
学术大模型不是万能问答机，而是需要结构化指令驱动的知识协作者。理解‘学术指令’的本质，关键在于把握其对领域范式、约束锚点与可验证输出的三重建模能力——这决定了AI是生成幻觉还是提供可复现洞见。Gemini 3.1凭借强化的学术语料训练与长上下文稳定性，显著提升对‘隐性知识显性化’指令（如三线标注、伪代码生成、跨域映射）的遵循精度。其技术价值在于将文献阅读、实验复现、论文评审等高频任务转化为标准化、可审计、可进化的工程流程。典型应用场景包括研究生精读顶会论文、交叉学科知识迁移、投稿前合规性自查等。本文聚焦于真
【论文笔记】Diffusion Convolutional Recurrent Neural Network: Data-driven Traffic Forecasting
lokol.的秘密基地
10-18 1003
DCRNN能够利用图上的双向随机步长捕获空间依赖，并利用encoder-decoder结构进行时间依赖的获取。
Deep Learning for Time Series Forecasting - by Jason Brownlee
06-26
Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如时间依赖的自动学习以及趋势和季节性等时间结构的自动处理。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过明确的解释、标准的 Python 库（Keras和TensorFlow 2）以及分步教程课程，您将发现如何为自己的时间系列预测项目开发深度学习模型
使用CNN进行时间序列预测
code_program481的博客
09-14 1013
时间序列预测是机器学习中一个重要的任务，它涉及根据过去的数据来预测未来的趋势和模式。而卷积神经网络（Convolutional Neural Network，CNN）则是一种在计算机视觉领域表现出色的深度学习模型。本文将介绍如何使用CNN实现时间序列预测，并提供相应的源代码。通过以上步骤，我们就可以使用CNN进行时间序列预测了。当然，在实际应用中，还可以根据需求对模型进行调优和改进，例如增加更多的卷积层、调整超参数等。使用CNN进行时间序列预测。希望这篇文章对你有所帮助！
timeseries_image_CNN：使用图像识别来识别时间序列中的峰前信号
02-12
火炬时间序列->图像二进制分类器 该项目训练了一个火炬（热）图像分类器，以对财务时间序列中的局部最大值进行分类。 默认情况下，训练样本包含一个3通道图像张量，该图像张量是结合60个点的时间序列子序列的小波变换和Gramian角场变换产生的。 数据预处理读取财务数据（ohlcv），生成TA列，标识时间序列中的局部峰值，然后从时间序列子序列中生成标记图像。 这些标签是二进制的，其中0是距峰> 8点的子序列（或图像），而1是紧接在峰之前的子序列。 tensor_agg当前使用一个小波变换（默认情况下为BollingerBand.diff或BBv）和两个通道的Gramian角场变换（默认情况下为Ichimoku Kijun-sen和Hilbert变换趋势线）制作一个3通道图像张量。 这些可以更改，但是由于CNN架构的原因，仅限于3个频道。 可以生成一个可选的Bokeh图（但可能会很大），其中
机器学习 个性化推荐_使用机器学习来个性化用户体验
weixin_26704853的博客
09-30 1076
机器学习 个性化推荐E-commerce websites, such as shops and platforms with many users, are designed to meet the needs of customers. Usually, a website behaves the same for each customer. However, this “one-size-...
时间序列分析（TSA）
颹蕭蕭
02-09 8280
定个小目标，先读100篇
AETA 比赛
sendoh的博客
03-05 2260
文章目录AETA比赛Baseline模型 AETA比赛 Baseline模型 MergeData 模块 台站相关信息字段（StationInfo.csv）： Title StationID Longitude Latitude MagnData MagnUpdate SoundData SoundUpdate 名字 站台ID 经度 维度 电磁数据有无 电磁数据有无更新 地声数据有无 地声数据有无更新 筛选可用台站：选取同时有地声、电磁数据且在eqlst.csv内标记为未来可用的台
时间序列预测：I概述
yuetan的博客
01-26 668
​ 模型 本文主要介绍一个学习路线，后续详细介绍各部分内容。常用的模型，以下基本可以涵盖主流思想： 传统时序模型：ARIMA，Prophet，EMD 构造时序特征的统计学习方法：LR，GBDT(xgboost\lightgbm) 深度学习方法：seq2seq，wavenet，transormer 企业研究 来自工业届的研究经验与创新模型，值得一看的文章和模型： Uber：Time-series Extreme Event Forecasting with Neural Networks at Uber
Deep and Confident Prediction for Time Series at Uber【时间序列】
weixin_52250664的博客
12-08 305
基于长短期记忆（LSTM）模型易于结合外生变量和自动特征提取能力，Uber的研究人员基于此开发了一种用于时间序列预测的端到端高性能模型，并使用贝叶斯神经网络（BNN）量化预测不确定性，进一步用于大规模异常检测。
Github最受欢迎的10大深度学习时间序列项目
Python学习与数据挖掘
12-01 4205
本文我们列举了Github上最受欢迎的十大相关的时间序列项目。
利用深度学习进行时间序列预测
TensorFlowNews
10-06 3434
作者|Christophe Pere 编译|VK 来源|Towards Datas Science 介绍 长期以来，我听说时间序列问题只能用统计方法(AR[1]，AM[2]，ARMA[3]，ARIMA[4])。这些技术通常被数学家使用，他们试图不断改进这些技术来约束平稳和非平稳的时间序列。 几个月前，我的一个朋友(数学家、统计学教授、非平稳时间序列专家)提出让我研究如何验证和改进重建恒星光照曲线的技术。事实上，开普勒卫星[11]和其他许多卫星一样，无法连续测量附近恒星的光通量强度。开普勒卫星在2009年至
ICML 2023 时间序列预测和时空预测论文总结
suzukiwudi的博客
11-26 3456
本文总结了ICML 2023 有关时间序列预测（Time Series Forecasting，TSF）和时空预测（spatial-temporal forecasting，STF）的文章，包含时序预测，可解释性，扩散模型，不确定性量化等工作。 **相关链接中，我也总结了机器学习三大会以及数据挖掘顶会中时序和时空相关的文章，感兴趣的读者也可以参考学习。 如果对您有用，还请您点赞，收藏和转发。感谢您的支持。
论文笔记：DCRNN （Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting）
热门推荐
qq_40206371的博客
10-27 1万+
交通预测是一项具有挑战的任务对道路网络的复杂空间依赖性随道路条件变化的非线性时间动态长期预测的固有困难——>将交通流建模为有向图上的扩散过程——>引入扩散卷积递归神经网络 (DCRNN)使用图上的双向随机游走来捕获空间依赖性使用具有计划采样（scheduled sampling）的编码器-解码器架构来捕获时间依赖性交通预测的目标是根据道路网络上 N 个相关传感器先前观察到的交通流量来预测未来的交通速度。将传感器网络表示为加权有向图V 是一组节点 |V| = NE 是一组边。
Rethinking Deep Learning For Time Series Forecasting S
AI天才研究院
08-20 802
作者：禅与计算机程序设计艺术 1.简介 一、引言 随着互联网和移动互联网的爆炸性增长，数据量和数据的处理需求已经不断扩大，同时也带来了关于时序数据建模、预测和分析的新挑战。近年来，基于深度学习的机器学习模型在时序数据预测领域取得了令人瞩目的成果，如长短期记忆网络（L
【亲测免费】 DeepLearningForTimeSeriesForecasting：时序预测的深度学习应用
gitblog_00432的博客
01-06 782
DeepLearningForTimeSeriesForecasting 是一个开源项目，它提供了一系列使用深度神经网络（DNN）进行时间序列预测的示例，基于 Keras 框架。该项目包含了多种不同的模型实现，例如膨胀卷积神经网络、循环神经网络（RNN）、编码器-解码器 RNN 方法，以及简化的指数平滑 RNN 模型等。通过这些示例，用户可以学习如何利用深度学习技术进行时间序列的预测。 ## 项
Time Series Forecasting原理与代码实例讲解
AI架构师小马
09-21 1260
Time Series Forecasting原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来
翻译-Forecasting Sunspot Time Series Using Deep Learning Methods
kiki_1994的博客
09-10 1299
Abstract To predict Solar Cycle 25, we used the values of sunspot number (SSN), which have been measured regularly from 1749 to the present. In this study, we converted the SSN dataset, which consists of SSNs between 1749 – 2018, into a time series, and ma
如何用LSTM自编码器进行极端事件预测？(含Python代码)
zandaoguang的博客
12-04 5084
↑↑↑↑↑点击上方蓝色字关注我们！『运筹OR帷幄』转载作者：Marco Cerliani编者按预测的一大难点在于，对于未来的偶然性和突发性等极端事件的预测。针对这类问题，作者在LSTM模...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值