深度学习以进行时间序列预测.zip

# DeepLearningForTimeSeriesForecasting 通过深度学习技术以进行时间序列预测 ## 序言 + ***7天迷你课*** ``` 3.用于时间序列预测的MLP 4.用于时间序列预测的CNN 5.用于时间序列预测的LSTM 6.编码器-解码器LSTM多步预测 7.用于时间序列预测的CNN-LSTM ``` ## 一、预测趋势和季节性（单变量） ### 1.基于SARIMA预测的网格搜索超参数优化 ``` 1.网格搜索框架 2.无趋势和季节性研究 3.趋势性研究 4.季节性研究 5.趋势和季节性研究 ``` + ***1_1.为时间序列预测创建ARIMA模型*** ``` 1.数据预览 2.预览一下数据的自相关图 3.预览残差图和残差的密度分布图 4.滑动窗口预测ARIMA模型 ``` + ***1_2.如何网格搜索ARIMA超参数*** ``` 每日女性出生研究 洗发水销售研究 ``` + ***1_3.自相关和篇自相关介绍*** ``` 1.自相关ACF图 2.偏自相关PACF图 ``` ### 2.基于三重指数平滑预测的网格搜索超参数优化 ``` 1.网格搜索框架 2.无趋势和季节性研究 3.趋势性研究 4.季节性研究 5.趋势和季节性研究 ``` ### 3.单变量时间序列预测开发深度学习模型 ``` 2.多层感知器模型 3.卷积神经网络模型_CNN 4.递归神经网络模型_LSTM 5.递归神经网络模型_CNN+LSTM 6.递归神经网络模型_ConvLSTM2D ``` ## 二、几种模型类型 ### 1.用于时间序列预测的MLP ``` 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_MLP模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_MLP模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_MLP模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_MLP模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_MLP模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)_(多步+多变量输出)_MLP模型 ``` ### 2.用于时间序列预测的CNN ``` 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_CNN模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_CNN模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_CNN模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_CNN模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_CNN模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_CNN模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_CNN模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)_(多步+多变量输出)_CNN模型 ``` ### 3.用于时间序列预测的LSTM ``` 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_LSTM模型 03.堆叠式LSTM+LSTM网络 04.双向LSTM网络 05.CNN+LSTM网络 06.ConvLSTM网络 07.(多步+多变量输入)_(单步+单变量输出)_LSTM模型 08.(多步+多变量输入)_(单步+多变量输出)_LSTM模型 09.(多步+单变量输入)_(多步+单变量输出)_LSTM模型 10.Encoder-Decoder LSTM模型 11.(多步+多变量输入)_(多步+单变量输出)_LSTM模型 12.(多步+多变量输入)_(多步+多变量输出)_LSTM模型 ``` ## 三、人类活动识别（多变量分类） ### 1.如何根据智能手机数据对人类活动进行建模 ``` 01. ``` ## 四、时间序列案例研究 ### 1.室内运动时间序列分类(KNN) ``` 01.加载数据集 02.基本信息直方图 03.画数据折线图，画数据最小二乘法线性拟合图 04.将文件按照关联关系拼成train和test集合，每个文件取最后19条 05.维度为19的数据分别代入7种模型进行评估准确性 06.将文件按照关联关系拼成train和test集合，每个文件默认取25条，数据不足25则补0 07.维度为25的数据分别代入7种模型进行评估准确性 08.19和25维对比,KNN模型提升最显著,对KNN的k值网格搜索 09.将08中效果最好的k=7的KNN模型加入评估列表 ``` ### 2.预测大气污染日的概率模型(决策树) ``` 1.数据特征预览 2.将数据集中异常数据替换为0 3.朴素的基线预测 4.集成决策树预测模型(四种决策树对比) 5.调整梯度提升模型的参数来提高性能 ``` ### 3.根据环境因素预测房间入住率(逻辑回归) ``` 01.画数据折线图观察数据 02.将3个txt文件合并成一个 03.制造假数据预测，作为参考系 04.用多变量进行逻辑回归预测 05.用单变量进行逻辑回归预测 ``` ### 4.使用脑电波预测眼睛睁闭(KNN) ``` 01.画出数据的折线图 02.删除波动大于三倍标准差的异常值 03.用KNN模型预测眼睛睁闭 04.打乱数据顺序的预测 05.不打乱数据顺序的预测 ``` ## 五、预测用电量（多变量，多步骤） ### 1.如何加载和探索家庭用电量数据 ``` 01.替换文件中分号，转成csv格式 02.8列数据的折线图 03.将某一列数据按年分开显示 04.2007年12个月功率的折线图 05.2007年1月前20天功率的折线图 06.8列数据的直方图 07.2007-2010功率的直方图 08.2007年12个月功率的直方图 ``` ### 2.机器学习的多步时间序列预测 ``` 01.填充缺失数据，转换成csv 02.将分钟级别数据合并成日级别 03.以周为尺度，将数据分割成组 04.用10个模型分别进行‘单变入_单变出’，前7天预测后1天 05.使用7个模型分别对一周7天中的指定天进行预测(参考04解析) 06.同04，可自定义输出数据是一周中的第几天，进行预测(参考04解析) ``` ### 3.CNN网络的多步时间序列预测 ``` 01.填充缺失数据，转换成csv 02.将分钟级别数据合并成日级别 03.以周为尺度，将数据分割成组 04.CNN‘单变入_单变出’，前7天预测后7天 05.CNN‘多变入_单变出’，前14天预测后7天 06.CNN多路输入，‘多变入_单变出’，前14天预测后7天 ``` ## 六、6.预测空气污染（多变量，多步骤） ### 1.可视化和探索空气污染数据 ``` 01.统计数据中的NaN值 02.将数据按照标签分块 03.画出数据连续图，看数据缺失情况 04.判断每个数据块的起始时间(24小时中第几小时开始统计)分布图 05.每个块的时间结构 06.数据变量的分布 07.目标块的时间结构 08.目标变量的箱线图 09.目标块通过柱状图看空值比例 10.目标变量的直方图分布 ``` ### 2.空气污染预测的BaseLine模型 ``` 01.将数据拆分成训练集和测试集 02.用每个数据块整体的均值作为预测值 03.用每一天中每小时的均值作为预测值 04.用每个块的最后观察值作为预测值 05.用每个数据块整体的中值作为预测值 06.用每一天中每小时的中值作为预测值 ``` ### 3.空气污染预测的自回归模型 ``` 01.将数据拆分成训练集和测试集 02.缺失数据展示 03.估算缺失数据(使用�