时间序列预测的相关模型以及数据集文件

# 时间序列分析——分类与预测教程 作者：datamonday 贡献者：datamonday Github：https://github.com/datamonday/Time-Series-Forecasting-Algorithm CSDN：[原理+论文+实战：60篇由浅入深的时间序列预测/分类教程汇总](https://blog.csdn.net/weixin_39653948/article/details/105571760?spm=1001.2014.3001.5502) 初次发布：2020-04-17 最后修改：2021-06-01 --- # 更新日志 ## 2021-06-01 - 更新Python datetime模块和Pandas 时间序列数据处理的相关知识及代码 --- [toc] --- # 前言 ⏱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。 --- 🎯【**适用人群**】： - 没有时间序列预测/分类相关的经验的**小白**。 --- ⌨【**代码环境**】： - python 3.7.6 - tensorflow 2.1.0 --- 🔊【**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： - **LSTM** 及其不同的网络架构处理时间序列预测/分类任务； - **CNN** 及其不同的网络架构处理时间序列预测/分类任务； - **CNN-LSTM** 网络处理时间序列预测/分类任务； - **ConvLSTM** 网络处理时间序列预测/分类任务； - **DeepConvLSTM** 网络处理时间序列分类任务； - **LSTM-FCN** 网络处理时间序列分类任务； - **Multivariate LSTM-FCNs** 网络处理时间序列分类任务 --- # 一、原理篇 **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。** --- ## 1.1 CNN **1. [零基础入门深度学习(4) - 卷积神经网络](https://www.zybuluo.com/hanbingtao/note/485480)** - 文章日期：2017/08/28 - 内容梗概：CNN算法原理+数学推导+代码实现 --- ## 1.2 RNN **2. [零基础入门深度学习(5) - 循环神经网络](https://zybuluo.com/hanbingtao/note/541458)** - 文章日期：2017/08/28 - 内容梗概：RNN算法原理+数学推导+代码实现 --- ## 1.3 LSTM **3. [Understanding LSTM Networks](http://colah.github.io/posts/2015-08-Understanding-LSTMs/)** - 文章日期：2015/08/27 - 适合人群：了解LSTM的基本原理。 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。 --- **4. [零基础入门深度学习(6) - 长短时记忆网络(LSTM)](https://zybuluo.com/hanbingtao/note/581764)** - 文章日期：2017/08/28 - 内容梗概：LSTM算法原理+数学推导+代码实现 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。 --- # 二、论文篇 本部分主要内容： - 时间序列分类任务数据集构建（人类活动识别） - CNN-LSTM 网络 - ConvLSTM 网络 - DeepConvLSTM 网络 - LSTM-FCN 网络 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。 --- ## 2.1 WISDM 实验室论文 **1. [Activity Recognition using Cell Phone Accelerometers](https://blog.csdn.net/weixin_39653948/article/details/104566858)** - 论文被引：2034 - 论文年份：2010 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)** - 论文被引：262 - 论文年份：2010 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。 --- ## 2.2 UCI-HAR 数据集论文 **1. [Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly SVM](https://blog.csdn.net/weixin_39653948/article/details/104563715)** - 论文被引：619 - 论文年份：2012 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](https://blog.csdn.net/weixin_39653948/article/details/104638860)** - 论文被引：763 - 论文年份：2013 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**。 --- ## 2.3 CNN-LSTM 论文 **1. [Long-term Recurrent Convolutional Networks for Visual Recognition and Description](https://arxiv.org/abs/1411.4389)** - 论文被引：3634 - 论文年份：2015 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](https://arxiv.org/abs/1411.4555)** - 论文被引：3378 - 论文年份：2015 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。 --- ## 2.4 ConvLSTM 论文 **1. [Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting](https://blog.csdn.net/weixin_39653948/article/details/104575175)** - 论文被引：1787 - 论文年份：2015 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。 --- ## 2.5 DeepConvLSTM 论文 **1. [Deep Convolutional Neural Networks On Multichannel Time Series For Human Activity Recognition](https://blog.csdn.net/weixin_39653948/article/details/104526849)** - 论文被引：541 - 论文年份：2015 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：**C