Skip to content

chy181/Forcasting

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

使用说明

数据准备

时序预测示例代码使用ETTm2数据集,请在此下载(link),并解压放置于 data/目录。

模型说明

Linear.py: 使用Linear模型进行时间序列预测。

环境准备

pip install -r requirements.txt

代码使用

python Linear.py

第1章:介绍

1.1 读者对象

1.2 本书结构

1.3 初识时间序列

1.4 时间序列的定义和分类

1.5 时间序列算法的发展历程

第2章:基础概念

2.1 时间序列数据概述

2.2 时间序列数据治理

2.3 时序数据建模角度

2.4 基础深度学习模型

第3章:时间序列预测

3.1 时间序列预测定义及流程

3.2 时间序列预测模型训练与评估

3.3 时间序列预测模型

3.4 通道关系

3.5 时间序列概率预测

第4章:时间序列异常检测

4.1 时间序列异常检测定义及流程

4.2 时间序列异常类型

4.3 时间序列异常检测模型训练与评估

4.4 时间序列异常检测模型

第5章:时间序列分类

5.1 时间序列分类定义及流程

5.2 时间序列分类模型训练与评估

5.3 经典机器学习方法

5.4 深度学习方法

5.5 自监督方法

第6章:自动化时间序列分析

6.1 时序分析自动化简介

6.2 模型自动选择

6.3 模型自动集成

6.4 模型自动设计

第7章:时间序列基础模型

7.1 时间序列预训练基础模型

7.2 基于大语言模型的时间序列基础模型

第8章:时间序列评测基准:OpenTS-Bench

8.1 测评基准定义

8.2 构建测评基准意义

8.3 时间序列测评基准的发展脉络

8.4 数据集构成

8.5 评价指标

8.6 数据集划分方式

8.7 基线方法选择策略

8.8 测评框架设定思路

第9章:神经微分方程时间序列分析

9.1 微分方程与时间序列

9.2 神经微分方程简介(NeuralODE)

9.3 常微分方程求解的反模式自动求导

9.4 基于神经微分方程的时序建模

9.5 相关应用研究

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages