技术标签: tensorflow python 时间序列预测 时间序列分析(Time Series) 时间序列分类
包含时间序列预测,时间序列分类,时间序列异常检测,时空预测,时序推荐等领域的热门模型,以及Transformer应用于时间序列分析的变体和优化。
博文地址:【时序】时间/时空序列分类/预测/异常检测模型顶会论文资源汇总
Github仓库地址:https://github.com/datamonday/TimeSeriesMoonlightBox
发布该篇博客之后,从去年至今收到了很多私信询问如何入门时间序列分析以及源码,今天终于有时间把过去一年中所学习的知识点和踩过的坑做个梳理,仅供参考,并将总结后的教程和源码,放到GitHub。主要包括以下部分:1)Python;2)TensorFlow/Keras;3)时间序列分析入门教程;4)CNN;5)LSTM;6)时序分类;7)时序预测;8)注意力机制。
Github:https://github.com/datamonday/Time-Series-Analysis-Tutorial,欢迎Star,Fork!持续更新中
其它仓库:
最一段时间都在学习时间序列预测和时间序列分类相关的知识,一开始拿到任务感觉无从下手,论文看不懂,代码不会写。经过近三个月的摸索,也算是入门的小白了,这篇博文算是个人经过踩坑,去粗取精之后的经验总结。通过4篇博客、9篇论文、32篇实战教程,梳理出了一套系统化的时间序列预测和时间序列分类任务的入门指南。文中提及的博客论文和教程全部内容字数大约在50万字到100万字之间。既是对这段时间所学知识的梳理总结,也希望给有需要的同学提供帮助。水平有限,如有问题欢迎指出,谢谢。
【适合人群】:
【代码环境】:
【注意事项】:
因为tensorflow 2.0版本开始集成了keras,成为了 tensorflow.keras
API,因此不用额外安装,并且无需 import keras。
本文提及文章的神经网络编写部分使用Keras深度学习框架。
本文提及文章的所有代码均在Jupyter Notebook中编写,并测试通过。
本文提及的所有文章中,参考资料均在每篇文章的文末给出。
【行文顺序】:
原理篇:逻辑顺序
论文篇:时间顺序
实战篇:逻辑顺序+时间顺序
注:本文提及的网络架构、论文、教程都是按照由浅入深介绍的,教程部分(三、实战篇)有些教程是有相互关联的。
【主要内容】:时间序列任务分为时间序列预测和时间序列分类两种类型,本文主要内容如下:
本部分所有标题都设置了对应文章超链接,直接点击传送。
如果对下文提及的原理比较熟悉,可以直接跳过。
3. Understanding LSTM Networks
相信大家看过的很多介绍LSTM原理的文章都用到了这篇文章的配图。比如:
4. 零基础入门深度学习(6) - 长短时记忆网络(LSTM)
这三篇文章(本篇+之前同系列两篇)应该是我目前遇到的讲解得最详细最全面思路最清晰的文章,由浅入深,原理+推导+代码,墙裂推荐。
本部分主要内容:
本部分可以先跳过,直接看实战篇,如果对其中的网络架构有疑问或者有些内容看不懂,再阅读这些论文也可以。
1. Activity Recognition using Cell Phone Accelerometers
WISDM实验室应该是最早开始做基于手机传感器的人类活动识别的实验室,手机的数据只有3个特征(3轴传感器数据)。这篇论文是该实验室的第一篇论文,主要介绍了关于数据集的构建与处理。
2. Cell Phone-Based Biometric Identification](https://blog.csdn.net/weixin_39653948/article/details/104566905)
这篇论文是该实验室的第二篇论文,主要介绍了 数据收集以及将时间序列数据转换为样本的过程,值得借鉴。
该实验室还有3篇论文,个人感觉参考意义不大,可以先不看。
1. Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly SVM
这篇论文是创建该数据集的实验室发表的有关人类活动识别的第一篇论文,主要介绍了使用监督机器学习方法通过手机传感器信号来识别人类活动(6类,分别是站立,行走,放置,行走,上楼和在下楼)进行分类。使用9个特征(6轴传感器+3个分离信号(身体重力加速度))。
2. A Public Domain Dataset for Human Activity Recognition Using Smartphones
这篇论文介绍了 UCI-HAR Dataset数据集是如何创建的,很有借鉴意义,如果做时间序列分类任务的话,是必读论文。
1. Long-term Recurrent Convolutional Networks for Visual Recognition and Description
该论文提出的网络架构最初被称为长期循环卷积网络(LRCN),现在使用“CNN LSTM”来指代使用CNN作为前端的LSTM。该网络架构最初用于生成图像的文本描述的任务。关键是CNN,该CNN在图像分类任务上进行了预训练,使得可以用作字幕生成的特征提取器。
2. Show and Tell: A Neural Image Caption Generator
该论文提出的网络架构用于语音识别和自然语言处理问题,其中CNN用作音频和文本输入数据上的特征提取器,之后输入到LSTM进行进一步处理。
这两篇论文是CNN-LSTM网络家族的开篇之作,是必读论文。
1. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
这篇论文是最先提出 ConvLSTM 网络架构的论文,该论文是用于预测相对短时间内某个地区未来的降雨强度,属于必读论文。
1. Deep Convolutional Neural Networks On Multichannel Time Series For Human Activity Recognition
在基准数据集上对所提方法与现有方法的比较进行了广泛的研究。结果表明,该方法是一种很有竞争力的HAR问题求解算法。该论文还研究了CNN的效率,并得出结论:CNN对于在线人类活动识别是足够快的。
2. Deep Convolutional and LSTM RNN for Multimodal Wearable Activity Recognition
该论文提出了DeepConvLSTM网络架构:由卷积层和LSTM循环层组成的深度学习框架,它能够自动学习特征表示并对它们的激活之间的时间依赖性进行建模。通过业内的标准的人类活动识别数据集(OPPORTUNITY和Skoda)进行实验,证明此框架适用于可穿戴传感器数据的活动识别。属于必读论文。
1. LSTM Fully Convolutional Networks for Time Series Classification
该论文提出的模型在显著地提高全卷积网络性能的同时保证模型大小只有很少的增加,并且几乎不需要对数据集进行预处理。提出的长短期记忆-全卷积网络 (LSTM-FCN) 与其他网络相比,具有最新的性能。利用注意力-长短期记忆-全卷积网络 (ALSTM-FCN),探讨了注意力机制在时间序列分类中的应用。利用注意力机制可以可视化LSTM细胞的决策过程。此外,还提出了微调的方法来提高训练模型的性能。对模型的性能进行了全面的分析,并与其他技术进行了比较。
2. Multivariate LSTM-FCNs for Time Series Classification
该论文提出将现有的单变量时间序列分类模型长短期记忆-全卷积网络(LSTM-FCN)和注意力-长短期记忆-全卷积网络(ALSTM-FCN)通过在全卷积块上增加一个压缩和激励块来进一步提高分类精度,从而转化为多变量时间序列分类模型。提出的模型在少量预处理的情况下优于大多数最新模型。所提出的模型能有效地处理各种复杂的多元时间序列分类任务,如活动识别或动作识别。此外,所提出的模型在满足实时要求(小,快),可以部署在内存受限的系统上。
本部分不涉及具体的数据集,使用构造的数字序列;目的是通过程序了解网络架构和定义方法。
欢迎关注公众号,获取更多干货内容!
以上是三个多月以来对时间序列预测和分类任务的总结,仅供参考。如果给你带来了帮助,请动动手指点个赞;如果对文中内容存疑,欢迎指出交流,谢谢各位人才。
刚开始的时候,无从下手,走了很多弯路。经过这段时间的试错和摸索,算是总结出了一些经验。上文提到的论文,是个人认为帮助比较大的论文,如果在做时间序列预测或分类任务的话最好看一下,理解其中的建模思路和网络架构的优缺点,以便快速上手。
实战篇的代码主要参考澳大利亚博主Jason Brownlee的博客文章,在此表示感谢。博客地址:传送门。
文章浏览阅读3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象