时间序列预测

机器学习之心

时序预测 | 改进图卷积+informer时间序列预测，pytorch架构改进图卷积+informer时间序列预测代码 CTR-GC卷积,informer，CTR-GC 图卷积 GCN 中，图拓扑在特征聚合中占主导地位，提取代表性特征的关键。因此提出了一种改进GCN的新方法，叫通道拓扑细化图卷积（CTR-GC），以动态学习不同的拓扑结构，并有效地聚合不同通道中的特征。本代码尝试将它转移用到时间序列中，创新思维的三维转二维，利用部分卷积进行特征提取，将提取的结果放入informer进行预测，预测还不错，同时证实了引入图卷积的可行性。 python代码 pytorch架构适合

【深度学习】时间序列预测、分类、异常检测、概率预测项目实战案例说明：本专栏内容来自于个人学习笔记、以及相关项目的实践与总结。写作目的是为了让读者体会深度学习的独特魅力与无限潜力，以及在各行各业之中的应用与实践。因作者时间精力有限，难免有疏漏之处，期待与读者共同进步。

机器学习之心

时序预测 | Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测时序预测 | Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测 TSA-LSTM-Attention超前24步多变量回归预测算法。程序平台：无Attention适用于MATLAB+2023版及以上版本；融合Attention要求Matlab2023版以上代码说明：基于被囊群优化算法（TSA）、长短期记忆网络（LSTM）融合注意力机制的超前24步多变量时间序列回归预测算法。多变量特征输入，单序列变量输出，输入前一天的特征，实现后

Python数据分析案例62——基于MAGU-LSTM的时间序列预测(记忆增强门控单元)时间序列lstm系列预测在学术界发论文都被做烂了，现在有一个新的MAGU-LSTM层的代码，并且效果还可以，非常少见我觉得还比较创新，然后我就分享一下它的代码演示一下，并且结合模态分解等方法做一次全面的深度学习的时间序列模型对比。并且这次代码都把我的看家绝学——分位数神经网络都掏出来了。

PyTorch搭建GNN(GCN、GraphSAGE和GAT)实现多节点、单节点内多变量输入多变量输出时空预测前面已经写了很多关于时间序列预测的文章：前边已经有两篇文章讲解了如何利用PyG搭建GNN以及GNN-LSTM进行时间序列预测，这两部分内容都只是针对多变量进行预测，即将每个变量当成一个节点，然后利用皮尔逊相关系数构建变量间的邻接矩阵。

机器学习之心

时序预测 | Matlab实现GA-CNN遗传算法优化卷积神经网络时间序列预测时序预测 | Matlab实现GA-CNN遗传算法优化卷积神经网络时间序列预测（完整源码和数据）1.data为数据集，单变量一维数据。

机器学习之心

时序预测 | Matlab实现PSO-CNN粒子群优化卷积神经网络时间序列预测Matlab实现PSO-CNN粒子群优化卷积神经网络时间序列预测（完整源码和数据）1.data为数据集，单变量一维数据。

机器学习之心

多维时序 | Matlab基于TCN-Transformer+LSTM双输入神经网络时间序列预测1.Matlab基于TCN-Transformer+LSTM双输入神经网络时间序列预测（完整源码和数据） 2.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测；程序内注释详细，excel数据，直接替换数据就可以用。 3.程序语言为matlab，程序可出预测效果图，迭代优化图，相关分析图，运行环境matlab2020b及以上。评价指标包括:R2、RPD、MSE、RMSE、MAE、MAPE等。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

少喝冰美式

时间序列预测+NLP大模型新作：为时序预测自动生成隐式Prompt今天给大家介绍一篇最新的大模型+时间序列预测工作，由康涅狄格大学发表，提出了一种将时间序列在隐空间和NLP大模型对齐，并利用隐空间prompt提升时间序列预测效果的方法。

顶呱呱程序

2-34 小波神经网络采用传统 BP 算法小波神经网络采用传统 BP 算法，存在收敛速度慢和易陷入局部极小值两个突出弱点。建立了基于遗传算法的小波神经网络股票预测模型 GA-WNN。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部特性。运用 MATLAB 对拟合和预测过程进行仿真。结果表明，该模型能有效地提高预测精度，避免了 BP 算法固有缺陷。程序已调通，可直接运行。

机器学习之心

Transformer-LSTM预测 | Matlab实现Transformer-LSTM时间序列预测1.Matlab实现Transformer-LSTM时间序列预测，Transformer-LSTM；2.运行环境为Matlab2023b及以上；

简简单单做算法

基于PSO粒子群优化的CNN-LSTM的时间序列回归预测matlab仿真目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1 卷积神经网络（CNN）

简简单单做算法

基于CNN+LSTM深度学习网络的时间序列预测matlab仿真,并对比CNN+GRU网络目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1 CNN基础4.2 LSTM原理

Chronos：学习时间序列的大语言模型本文介绍了一个简单而有效的预训练概率时间序列模型框架Chronos。Chronos使用缩放（scaling）和量化（quantization）技术将时间序列标记为固定词汇，并通过交叉熵损失在这些标记化（tokenized）的时间序列上训练基于Transformer的语言模型架构。我们在大量公开数据集上预训练了基于T5系列的Chronos模型（参数范围从20M到710M），并通过高斯过程生成了一个合成数据集作为补充，以提高泛化能力。在由42个数据集组成，同时包含经典局部模型和深度学习方法的综合基准测试中，我

机器学习之心

时序预测 | Matlab实现CPO-LSTM【24年新算法】冠豪猪优化长短期记忆神经网络时间序列预测1.Matlab实现CPO-LSTM【24年新算法】冠豪猪优化长短期记忆神经网络时间序列预测（完整源码和数据） 2.运行环境为Matlab2021b； 3.excel数据集，输入多个特征，输出单个变量，多变量回归预测预测，main.m为主程序，运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MAE、 MBE、MAPE、 RMSE多指标评价；代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

区间概率预测python|QR-CNN-BiLSTM+KDE分位数-卷积-双向长短期记忆神经网络-时间序列区间概率预测+核密度估计(图中是只设置了20次迭代的预测结果，宽度较宽，可自行修改迭代参数，获取更窄的预测区间）注：可输出所有时间点的概率预测结果，数量较多，程序中为了随机采样了部分时间点绘制了预测结果

机器学习之心

时序预测 | Matlab实现CPO-BiLSTM【24年新算法】冠豪猪优化双向长短期记忆神经网络时间序列预测1.Matlab实现CPO-BiLSTM【24年新算法】冠豪猪优化双向长短期记忆神经网络时间序列预测（完整源码和数据） 2.运行环境为Matlab2021b； 3.excel数据集，输入多个特征，输出单个变量，多变量回归预测预测，main.m为主程序，运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MAE、 MBE、MAPE、 RMSE多指标评价；代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

机器学习之心

时序预测 | Matlab实现GWO-BP灰狼算法优化BP神经网络时间序列预测1.Matlab实现GWO-BP灰狼算法优化BP神经网络时间序列预测（完整源码和数据)； 2.数据集为excel，单列时间序列数据集，运行主程序main.m即可，其余为函数文件，无需运行； 3.优化参数为神经网络的权值和偏置，命令窗口输出RMSE、MAPE、MAE、R2等评价指标； 4.运行环境Matlab2018b及以上； 5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

机器学习之心

时序预测 | Matlab实现BiTCN-BiLSTM双向时间卷积神经网络结合双向长短期记忆神经网络时间序列预测1.Matlab实现BiTCN-BiLSTM双向时间卷积神经网络结合双向长短期记忆神经网络时间序列预测（完整源码和数据），单变量时间序列预测，运行环境matlab2023及以上，excel数据，方便替换； 2.评价指标RMSE、MAPE、MAE、MSE、R2等； 3.程序语言为matlab，程序可出预测效果图，误差分析图。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

机器学习之心

时序预测 | Matlab实现BiTCN-GRU双向时间卷积神经网络结合门控循环单元时间序列预测1.Matlab实现BiTCN-GRU双向时间卷积神经网络结合门控循环单元时间序列预测（完整源码和数据），单变量时间序列预测，运行环境matlab2023及以上，excel数据，方便替换； 2.评价指标RMSE、MAPE、MAE、MSE、R2等； 3.程序语言为matlab，程序可出预测效果图，误差分析图。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。