本节以CNN网络模型为示例，介绍了各种不同数据类型的网络结构
重点包含：
1.如何构造输入输出数据的形状
2.如何配置合适的网络参数来接受这些输入输出训练数据
本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整
基于CNN(卷积神经网络)的时间序列预测python源码+超详细注释.zip （15个子文件） 
基于CNN(卷积神经网络)的时间序列预测python源码+超详细注释 
04.(多步+多变量输入)_(单步+单变量输出)_CNN模型.py 2KB 12.(多步+多变量输入)_(多步+单变量输出)_CNN模型.py 3KB 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据.py 1KB 02.(多步+单变量输入)_(单步+单变量输出)_CNN模型.py 2KB 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据.py 1KB 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据.py 745B 06.(多步+多变量输入)_(单步+多变量输出)_CNN模型.py 2KB
项目说明.txt 395B 14.(多步+多变量输入)_(多步+多变量输出)_CNN模型.py 3KB 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据.py 837B 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据.py 2KB 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_CNN模型.py 4KB 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据.py 1KB 10.(多步+单变量输入)_(多步+单变量输出)_CNN模型.py 2KB 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_CNN模型.py 3KB资源评论
