基于堆叠卷积长短期神经网络【CNNLSTM】模型的时序数据预测分析
2020-03-23 18:22
1506 查看
在实际的工作中,时序类数据建模分析是比较重要的一部分,我们可以采用机器学习来构建一般的回归模型来进行值预测分析,也可以基于神经网络来搭建网络模型来完成时序数据预测分析,在较为简单的任务中,使用机器学习来构建回归模型一般是可以满足需要的,但是当实际面对的问题相对复杂的时候,简单的模型往往就难以胜任了,这里就需要更加高效,更具有表达能力的模型来完成这一工作,LSTM这一类模型就是其中的佼佼者,LSTM本质是RNN的特例,关于LSTM的详细原理这里不是讲解的重点,本专栏的系列文章主要是偏重于实践与应用。
对于这类时序数据建模分析感兴趣的朋友可以先去了解一下我前两篇文章:
《基于LSTM的多变量多步序列预测模型实战「超详细实现说明讲解」》
《基于LSTM的【气象数据+发电数据】多步时序数据建模预测分析实战》
本文主要是实践基于卷积+LSTM的融合结构的模型,在一些论文里面也有看到过一些相关的实现,卷积和LSTM的融合或许真的是一个很好的时序建模分析工具,因为卷积可以自主地去挖掘和计算特征,LSTM本身就是为了时序数据建模而生的,二者的结合在一定程度上可能会有更好的促进作用,不过这个也并非是绝对的,对于时序数据来说,很重要的一点就是需要让模型捕捉到时序数据的特征,让模型有一定的记忆性,但是卷积的作用可能会破坏原始数据固有的时序特征,这可能会给LSTM的学习带来负面的影响,当然了这些仅仅是我个人的理解和分析,接下来我们以具体的数据来进行实战。
下面是1天左右的数据样例:
[code]"2016-03-01 00:00:00"," 7
相关文章推荐
- LSTM模型分析及对时序数据预测的具体实现(python实现)
- LSTM模型分析及对时序数据预测的具体实现(python实现)
- 【干货】基于pytorch的CNN、LSTM神经网络模型调参小结
- 6经典卷积神经网络模型之AlexNet-6.2用于ImageNet的AlexNet网络的假数据训练
- 基于神经网络的预测模型
- (原创)大数据时代:基于微软案例数据库数据挖掘知识点总结(Microsoft 神经网络分析算法原理篇)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- RNN循环神经网络以及LSTM长短期记忆模型-简介
- 基于长短期记忆神经网络的蛋白质二级结构预测
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 基于LSTM、RNN及滑动窗口CNN模型的股票价格预测
- 基于keras 的神经网络股价预测模型
- 大数据时代:基于微软案例数据库数据挖掘知识点总结(Microsoft 神经网络分析算法原理篇)
- 使用神经网络-垃圾邮件检测-LSTM或者CNN(一维卷积)效果都不错【代码有问题,pass】
- 深入浅出LSTM神经网络 ------从卷积 递归网络 到长短时间记忆模型
- 基于数据挖掘SVM模型的pre-incident事故预防预测分析报告
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 【转】基于keras 的神经网络股价预测模型
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 基于微软案例数据挖掘之Microsoft 神经网络分析算法