Pytorch实现CNN时间序列预测
2018-03-04 13:05
1741 查看
曾经推出过PyTorch实现的LSTM时间序列预测,并开源了其源码。细心的童鞋可能发现了,我之前使用的LSTM是生成式模型,而不是使用判别式进行预测。换言之,就是将序列本身作为输入,下一时刻作为输出,模型表达的是序列的联合概率分布。有兴趣的可以将其改写为判别模型。
此处将使用卷积神经网络(CNN)用于时间序列预测。区别于图像处理(二维卷积如图所示)模型如下:
C1表示卷积操作1
S2表示max-pooling
C3表示卷积操作2
S4表示max-pooling
最后再接一层全连接层输出
CNN用于序列预测时使用的是一维卷积,也就是我们熟悉的离散序列的卷积和,具体公式可以表示为:
a={a0,a1,a2,…,am},L(a)=m+1b={b0,b1,b2,…,bk},L(b)=k+1用a*b表示a与b卷积后得到的一个新序列。卷积公式记a*b中第n个元素为(a*b)n,则(a*b)n=a0bn +a1bn-1 +…+an-1b1 + anb0=∑akbn-kL(a*b)=L(a)+L(b)-1
对序列做卷积,就是找到一个窗口大小为kernel_size的序列,与原序列做卷积(上述卷积公式)得到新的序列表达,一般卷积网络中还包括池化操作,就是对卷积提取的特征进行筛选得到最有用的特征,采用max-pooling方法比较多。本文使用两层卷积加两次max-pooling的卷积网络。
具体代码参见文章
此处将使用卷积神经网络(CNN)用于时间序列预测。区别于图像处理(二维卷积如图所示)模型如下:
C1表示卷积操作1
S2表示max-pooling
C3表示卷积操作2
S4表示max-pooling
最后再接一层全连接层输出
CNN用于序列预测时使用的是一维卷积,也就是我们熟悉的离散序列的卷积和,具体公式可以表示为:
a={a0,a1,a2,…,am},L(a)=m+1b={b0,b1,b2,…,bk},L(b)=k+1用a*b表示a与b卷积后得到的一个新序列。卷积公式记a*b中第n个元素为(a*b)n,则(a*b)n=a0bn +a1bn-1 +…+an-1b1 + anb0=∑akbn-kL(a*b)=L(a)+L(b)-1
对序列做卷积,就是找到一个窗口大小为kernel_size的序列,与原序列做卷积(上述卷积公式)得到新的序列表达,一般卷积网络中还包括池化操作,就是对卷积提取的特征进行筛选得到最有用的特征,采用max-pooling方法比较多。本文使用两层卷积加两次max-pooling的卷积网络。
具体代码参见文章
相关文章推荐
- 基于时间序列的短期数据预测--ARMA模型的设计与实现(每个步骤附实现源码)
- Python 实现针对时间序列预测的特征选择
- pytorch cnn 识别手写的字实现自建图片数据
- PyTorch上实现卷积神经网络CNN
- 86、使用Tensorflow实现,LSTM的时间序列预测,预测正弦函数
- Pytorch实现卷积神经网络CNN
- 基于小波变换的时间序列预测,Python实现,来自雪球,
- 86、使用Tensorflow实现,LSTM的时间序列预测,预测正弦函数
- 基于WEKA实现时间序列的预测
- 基于LSTM对时间序列进行预测
- pytorch 在MNIST数据集上实现logistic regression
- 浅谈时间序列和预测
- pytorch实现LeNet5
- Kaggle 商品销量预测季军方案出炉,应对时间序列问题有何妙招
- Python时间序列LSTM预测系列教程(1)-单变量
- R语言-时间序列-销量预测
- Python时间序列LSTM预测系列教程(4)-单变量
- pytorch + visdom CNN处理自建图片数据集的方法
- 时间序列识别与预测语句
- [置顶] Python时间序列案例分析实战--奶牛产奶量预测