MultiStepAheadForecasting:时空数据的多步超前预测

时间:2024-06-07 01:14:53
【文件属性】:

文件名称:MultiStepAheadForecasting:时空数据的多步超前预测

文件大小:11.39MB

文件格式:ZIP

更新时间:2024-06-07 01:14:53

neural-network lstm xgboost lightgbm spatio-temporal-data

多步骤提前预测 该项目的目的是研究时空数据的多步提前预测中的两个方面: 动态模型与静态模型:我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中,先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后,将循环网络的输出扩充到数据中的其他要素,以形成完整的要素集。 相反,在静态模型中,没有递归的体系结构,并且先前时间步长上的时间序列值直接增加到其他特征上。 数据拆分方法:我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比,为时间序列数据形成验证集更具挑战性。 具体来说,许多机器学习任务可以看作是插值,其中训练和测试集中的特征范围是相似的。 另一方面,时间序列预测(特别是多步提前预测)是一项外推任务。 我们要提出的问题是,在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。 我


【文件预览】:
MultiStepAheadForecasting-master
----recruit_config.py(675B)
----model1.py(6KB)
----ensembling.py(910B)
----featureExtraction.py(8KB)
----model8.py(9KB)
----model2.py(8KB)
----utils.pyc(4KB)
----utils.py(3KB)
----model6.py(5KB)
----README.md(2KB)
----model4.py(6KB)
----Fitted models()
--------model3_nonCV_2018-05-19.pkl(57KB)
--------model6_nonCV_2018-05-19.pkl(6.92MB)
--------model9_nonCV_2018-05-19.pkl(36KB)
--------model2_nonCV_2018-05-19.pkl(7.86MB)
--------model8_nonCV_2018-05-19.pkl(357KB)
--------model6_nonCV_2018-05-20.pkl(6.69MB)
--------model7_nonCV_2018-05-19.pkl(27KB)
--------model4_nonCV_2018-05-19.pkl(1.97MB)
--------model5_nonCV_2018-05-19.pkl(1.34MB)
--------model1_nonCV_2018-05-19.pkl(317KB)
----recruit_config.pyc(660B)
----model3.py(8KB)
----Data_validity_consistency_completeness.ipynb(33KB)
----AnalyseModel6.py(3KB)
----model7.py(9KB)
----config.pyc(154B)
----featureExtraction.pyc(6KB)
----report.ipynb(161KB)
----Figures()
--------ts_p.jpg(98KB)
--------ts_prediction.jpg(129KB)
--------train_vald_split.bmp(1.41MB)
--------feature_importance.jpg(55KB)
--------ts_p1.jpg(118KB)
--------train_vald_split.odg(14KB)
--------train_val_split(177KB)
--------prediction_error.jpg(140KB)
----model5.py(9KB)
----model9.py(8KB)

网友评论