精华内容
下载资源
问答
  • 本文的主要目的是研究一种鲁棒的全功能时间序列分类方法。为此,提出了一种基于深度学习的新方法。由于时间序列数据具有复杂多变的结构,因此采用能够处理非线性复杂运算的算法比采用浅层结构的方法更为合适。虽然...

    在这里插入图片描述

    本文为土耳其中东技术大学(作者:POYRAZ UMUT HATIPOGLU)的硕士论文,共139页。

    由于需要以更复杂和抽象的方式来表示统计数据,深度学习是一个快速增长和有趣的领域。处理器和图形处理单元技术的发展不可否认地影响了深度网络的普及。

    本文的主要目的是研究一种鲁棒的全功能时间序列分类方法。为此,提出了一种基于深度学习的新方法。由于时间序列数据具有复杂多变的结构,因此采用能够处理非线性复杂运算的算法比采用浅层结构的方法更为合适。虽然浅层结构的方法需要手工制作的特征和有关数据的专家知识,但基于深度学习的算法能够处理原始特征。针对来自不同研究领域的数据集,构建并训练了基于深度信念网络和堆叠式自动编码器的体系结构。在时间序列分类中,尽管动态时间规整和基于最近邻的分类方法很难被击败,但最近又提出了了很多的分类方法。为了检验所提出方法的性能,与流行的基准方法进行了比较分析。尽管分类结果的准确性更高,但基于深度学习的方法并不比其他方法高明。

    Deep learning is a fast-growing and interesting field due to the need to represent statistical data in a more complex and abstract way. Development in the processors and graphics processing unit technology effects undeniably that the deep networks get that popularity. The main purpose of this work is to develop robust and full functional time series classification method. To achieve this intent a deep learning based novel methods are proposed. Because time series data can have complex and variable structure, it may be more suitable to use algorithms that can handle the nonlinear sophisticated operations rather than shallow-structured methods. While shallow structured methods need handcrafted features and expert knowledge about data, deep learning based algorithms are capable of working with raw features. Both deep belief network and stacked autoencoders based architectures are constructed and trained for the dataset gathered from different researches areas. In time series classification, even though dynamic time warping and nearest neighbor based methods are hard to beat, many classification methods have been studied recently. To examine the performance of proposed method comparative analysis is conducted with popular benchmark methods. Despite higher accuracy in the results, the deep learning based methods cannot outperform superiorly.

    1.   引言
      
    2. 时间序列与学习
    3. 时间序列分类中的基准方法
    4. 神经网络、深度学习与框架
    5. 实验与结果
    6. 结论与展望
      附录A 混淆矩阵及其详细性能
      附录B 训练集误差和验证集误差图

    更多精彩文章请关注公众号:在这里插入图片描述

    展开全文
  • 作者:杰少十大时间序列Github仓库简介近几年,随着深度学习的流行,其在时间序列上的应用也越加流行并且在非常多的时间序列预测问题上取得了巨大的突破,本文我们列举了Github上最受欢迎&...

    作者:杰少

    十大时间序列Github仓库

    简介

    ef246dbf69e99bae8675e1960560e75e.png

    近几年,随着深度学习的流行,其在时间序列上的应用也越加流行并且在非常多的时间序列预测问题上取得了巨大的突破,本文我们列举了Github上最受欢迎&关注最多的十大相关的时间序列项目(更多倾向于深度学习相关的建模)。

    a8e3d4915d4889366a77d8991bce540e.png

    十大时序Github项目

    00a5dc5856f9d4c1415016409e587361.png

    01

    Gluon TS: 2.3K+

    • 关于项目:Python中的时间序列建模项目

    • Github地址:https://github.com/awslabs/gluon-ts/tree/master/src/gluonts

    02

    Deep Learning Time Series:1.3K+

    • 关于项目:深度学习应用于实践序列大论文,代码以及相关的实验等

    • Github地址:https://github.com/Alro10/deep-learning-time-series

    03

    Getting Things Done With Pytorch:1.3K+

    • 关于项目:使用PyTorch解决机器学习和深度学习的实际问题的Jupyter Notebook教程。例如使用LSTM自动编码器进行时间序列异常检测等等;

    • Github地址:https://github.com/curiousily/Getting-Things-Done-with-Pytorch

    04

    tsai:1K

    • 关于项目:基于Pytorch fastai的最新的的时间序列和时间序列深度学习库

    • Github地址:https://github.com/timeseriesAI/tsai

    05

    Flow Forecast: 787

    • 关于项目:用于时间序列预测、分类和异常检测(最初用于Flow预测)的深度学习PyTorch库。

    • Github地址:https://github.com/AIStream-Peelout/flow-forecast

    06

    Awesome-time-series-database:576

    • 关于项目:精选的时间序列数据库、基准和论文列表

    • Github地址:https://github.com/xephonhq/awesome-time-series-database

    07

    Deep Learning for Time Series Forecasting:495

    • 关于项目:使用深度学习方法实现时间序列预测的教程

    • Github地址:https://github.com/Azure/DeepLearningForTimeSeriesForecasting

    08

    Sktime Dl: 486

    • 关于项目:基于Tensorflow的时间序列预测项目

    • Github地址:https://github.com/sktime/sktime-dl

    09

    Deep Time Series Prediction:263

    • 关于项目:用于时间序列预测的Seq2Seq, Bert, Transformer, WaveNet等模型;

    • Github地址:https://github.com/EvilPsyCHo/Deep-Time-Series-Prediction

    0110

    Time Series Forecasting With Python:225

    • 关于项目:关于使用python进行时间序列预测的教程

    • Github地址:https://github.com/jiwidi/time-series-forecasting-with-python

    参考文献

    b375ac82234db4c302305acc3ef0f923.png

    1. https://github.com/awslabs/gluon-ts/tree/master/src/gluonts

    2. https://github.com/Alro10/deep-learning-time-series

    3. https://github.com/curiousily/Getting-Things-Done-with-Pytorch

    4. https://github.com/AIStream-Peelout/flow-forecast

    5. https://github.com/xephonhq/awesome-time-series-database

    6. https://github.com/sktime/sktime-dl

    7. https://github.com/EvilPsyCHo/Deep-Time-Series-Prediction

    8. https://github.com/jiwidi/time-series-forecasting-with-python

    9. https://github.com/timeseriesAI/tsai

    
     
    
     
    
     
    
     
    
     
    往期精彩回顾
    
    
    
    
    适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
    AI基础下载黄海广老师《机器学习课程》视频课黄海广老师《机器学习课程》711页完整版课件

    本站qq群955171419,加入微信群请扫码:

    88d668a8987851c250da0a718edef779.png

    展开全文
  • 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。

    近几年,随着深度学习的流行,其在时间序列上的应用也越加流行并且在非常多的时间序列预测问题上取得了巨大的突破。

    本文我们列举了Github上最受欢迎&关注最多的十大相关的时间序列项目,喜欢的朋友可以收藏学习,点赞支持。文末技术交流群,欢迎进群交流。

    废话不多说,我们开始吧!

    十大时序Github项目

    01 Gluon TS: 2.3K+

    • 关于项目:Python中的时间序列建模项目

    • Github地址:https://github.com/awslabs/gluon-ts/tree/master/src/gluonts

    02 Deep Learning Time Series:1.3K+

    • 关于项目:深度学习应用于实践序列大论文,代码以及相关的实验等

    • Github地址:https://github.com/Alro10/deep-learning-time-series

    03 Getting Things Done With Pytorch:1.3K+

    • 关于项目:使用PyTorch解决机器学习和深度学习的实际问题的Jupyter Notebook教程。例如使用LSTM自动编码器进行时间序列异常检测等等;

    • Github地址:https://github.com/curiousily/Getting-Things-Done-with-Pytorch

    04 tsai:1K

    • 关于项目:基于Pytorch fastai的最新的的时间序列和时间序列深度学习库

    • Github地址:https://github.com/timeseriesAI/tsai

    05 Flow Forecast: 787

    • 关于项目:用于时间序列预测、分类和异常检测(最初用于Flow预测)的深度学习PyTorch库。

    • Github地址:https://github.com/AIStream-Peelout/flow-forecast

    06 Awesome-time-series-database:576

    • 关于项目:精选的时间序列数据库、基准和论文列表

    • Github地址:https://github.com/xephonhq/awesome-time-series-database

    07 Deep Learning for Time Series Forecasting:495

    • 关于项目:使用深度学习方法实现时间序列预测的教程

    • Github地址:https://github.com/Azure/DeepLearningForTimeSeriesForecasting

    08 Sktime Dl: 486

    • 关于项目:基于Tensorflow的时间序列预测项目

    • Github地址:https://github.com/sktime/sktime-dl

    09 Deep Time Series Prediction:263

    • 关于项目:用于时间序列预测的Seq2Seq, Bert, Transformer, WaveNet等模型;

    • Github地址:https://github.com/EvilPsyCHo/Deep-Time-Series-Prediction

    10 Time Series Forecasting With Python:225

    • 关于项目:关于使用python进行时间序列预测的教程

    • Github地址:https://github.com/jiwidi/time-series-forecasting-with-python

    参考文献

    1. https://github.com/awslabs/gluon-ts/tree/master/src/gluonts

    2. https://github.com/Alro10/deep-learning-time-series

    3. https://github.com/curiousily/Getting-Things-Done-with-Pytorch

    4. https://github.com/AIStream-Peelout/flow-forecast

    5. https://github.com/xephonhq/awesome-time-series-database

    6. https://github.com/sktime/sktime-dl

    7. https://github.com/EvilPsyCHo/Deep-Time-Series-Prediction

    8. https://github.com/jiwidi/time-series-forecasting-with-python

    9. https://github.com/timeseriesAI/tsai


    技术交流

    欢迎转载、收藏、有所收获点赞支持一下!

    在这里插入图片描述

    目前开通了技术交流群,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友

    • 方式①、发送如下图片至微信,长按识别,后台回复:加群;
    • 方式②、添加微信号:dkl88191,备注:来自CSDN
    • 方式③、微信搜索公众号:Python学习与数据挖掘,后台回复:加群

    长按关注

    展开全文
  • 神经网络 BPNN 机器学习 深度学习 拟合 时间序列 预测 分类 其他模型RBFNN GRNN ENN LSTM MLP LibSVM等 数据分析处理 算法DEBUG等 支持相关问题咨询 定制开发 ![在这里插入图片描述]...
     神经网络 BPNN 机器学习 深度学习 拟合 时间序列 预测 分类 其他模型RBFNN GRNN ENN LSTM MLP LibSVM等 数据分析处理 算法DEBUG等 支持相关问题咨询 定制开发 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20210611205412822.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzU5MjI5NTU5,size_16,color_FFFFFF,t_70)
    展开全文
  • 学习自https://blog.csdn.net/chunmi6974 [JXOI2018] 游戏 - 组合数学 [JXOI2018] 游戏 - 组合数学 Description 给定一个区间 [l,r],每次选第一个数,把它和它后面所有它的倍数去掉,直到序列为空,操作的次数...
  • 时间卷积网络TCN:时间序列处理的新模型https://deephub.blog.csdn.net/article/details/108139878 https://blog.csdn.net/qq_27586341/article/details/90751794TCN-时间卷积网络
  • 最近,深度学习已经出现在机器学习领域,在从图像分类到机器翻译的广泛任务中取得了令人印象深刻的性能。将深度学习模型应用于电力负荷预测问题正引起研究者和业界的兴趣,但目前还没有对不同体系结构进行全面、完善...
  • 相关链接:pytorch1.9 transformer Time2Vec 为了实现时间嵌入,我们将使用论文 Time2Vec: Learning a Vector Representation of Time [2] 10中描述的方法。文中提出一种“对于时间的模型无关向量表示,叫做Tiem2...
  • 加载序列数据加载人体活动识别数据。该数据包含从佩戴在身体上的智能手机获得的七个时序的传感器数据。每个序列有三个特征,且长度不同。这三个特征对应于三个不同方向上的加速度计读数。load ...
  • CNN对时间序列数据进行分类【Keras】

    千次阅读 2021-12-01 08:51:49
    sparse_categorical_crossentropy的使用_vivi_and_qiao的博客-CSDN博客_sparse_categorical_crossentropy 基于深度学习时间序列分类[含代码] 基于深度学习时间序列分类[含代码]_格拉迪沃的博客-CSDN博客 numpy....
  • 作者 | Harsh Maheshwari编译 | VK来源 | Towards Data Science如今,深度学习和机器学习算法正在统治世界。PyTorch是最常用的深度学习框架之一...
  • 在最近的一篇文章中,...深度学习时间序列的结合:生成经验性时间序列数据的预测。 简而言之,解决的问题如下。对一个已知或假定为非线性且高度依赖初始条件的系统进行观测,得出一系列标量的测量结果。这些..
  • 深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战 卷积神经网络,听起来像是计算机科学、生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力的...
  • 时间序列shapelet是一种短的判别子序列, 它不仅准确,而且对于单变量时间序列(UTS)的分类问题也是具有可解释性的 然而,由于多变量时间序列分类(MTSC)的候选shapelets可能来自不同长度的不同变量,无法直接...
  • 深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战 神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络是深度卷积神经网络(deep...
  • 学术论坛第二期,我们有幸邀请到了东京大学在读博士生、云智慧智能研究院算法研究实习生房同学作为本期主讲人,为我们带来《分布迁移下的深度学习时间序列异常检测方法探究》的分享,下面就让我们一起来围观吧~ ...
  • 深度学习实现视频分类的6种方法

    千次阅读 2021-04-17 11:38:50
    对视频进行分类是一个活跃的研究领域,因为处理这种类型的问题需要大量的数据。内存需求经常达到现代GPU的极限,可能需要在多台机器上进行分布式的训练。 目前学者们正在探索复杂度不断增加的几个方向,来回顾一下:...
  • 本节简单回归一下时间序列任务的几种方向以及有哪些比较优秀的开源算法。1 时序预测时序预测从不同角度看有不同分类。从实现原理的角度,可以分为传统统计学、机器学习(又分非深度学习深度学习)...
  • 深度学习入门篇,简单的实例讲明白图像分类

    千次阅读 多人点赞 2021-10-28 19:15:17
    深度学习和 Python 开始 摘要 使用 Keras 训练您的第一个简单神经网络不需要很多代码,但我们将开始缓慢,一步一步地进行,确保您了解如何在自己的自定义数据集中培训网络的过程。 我们今天将涵盖的步骤包括: 安装...
  • 前期回顾: Python深度学习篇五《深度学习用于计算机视觉》 上面这篇里面写了计算机视觉相关。 卷积神经网络是解决视觉分类问题的最佳工具。 卷积神经网络通过学习模块化模式和概念的层次结构来表示视觉世界。 卷积...
  • 简单来说,时间序列的回归分析需要我们分析历史数据,找到历史数据演化中的特征与模式,其主要分为线性回归分析和非线性回归分析两种类型。 01 模型构建与验证 回归分析多采用机器学习方法,我们首先需要明确机器...
  • 回归数据可以用Keras深度学习API轻松拟合。在本教程中,我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据。在这里,我们将看到如何创建简单的回归数据,建立模型,训练它,并最终预测输入...
  • 课程覆盖了从经典的机器学习、文本处理技术、序列模型、深度学习、预训练模型、知识图谱、图神经网络所有必要的技术。 重点:课程会不断更新,比如一篇新的有趣的论文出现在arxiv,我们会在1个月之内提供技术的讲解...
  • 这篇文章从 ICLR 2022 的论文投稿中学习下 「时间序列」 和 「图神经网络」 相结合的研究趋势,主要包含较为个人关注的两个研究领域融合;然后总结下研究趋势。首先介绍下 ICLR 会...
  • ICML 是 International Conference on Machine Learning的缩写,即国际机器学习大会。ICML如今已发展为由国际机器学习学会(IMLS)主办的年...
  • 文章目录序列模型一、什么是序列模型二、序列模型的统计工具2.1 自回归模型1.2 马尔可夫模型1.3 因果关系二、马尔科夫假设MLP模型训练三、模型预测四、 总结 序列模型 一、什么是序列模型   想象一下你正在看 ...
  • 大家对时间序列知多少?何为时间序列时间序列分析、时间序列分解、时间序列预测,以及时间序列预测都有哪些方法?从本篇开始,我们一起从零开始入坑时间序列,同时非常欢迎文末留言,一起学习讨论,共...
  • 异常检测(Anomaly detection)是目前时序数据分析最成熟的应用之一,定义是从正常的时间序列中识别不正常的事件或行为的过程。有效的异常检测被广泛用于现实世界的很多领域,例如量化...
  • 本文主要梳理下 IJCAI 2021 中 「Main Track」 & 「Survey Papers」 & 「Journal Papers」 的时间序列相关前沿研究成果,主要方向包括:「时间序列预测」,「时间序列分类」,「时序因果挖掘」,「多元时序分析」,...
  • 为了检验序列数据引导在硅抗体成熟中的潜力,提出了仅利用基于复杂序列信息的深度学习技术的亲和预测模型。 2.贡献 1.引入成对预测策略(pairwise prediction strategy) 2.采用氨基酸级而非原子级建模,大大减少了...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 40,492
精华内容 16,196
关键字:

时间序列分类深度学习